Una revisión de los experimentos de aprendizaje automático en la toma de decisiones de inversión en acciones: por qué la mayoría de los resultados de las investigaciones publicadas no cumplen su promesa en la vida real

https://link.springer.com/article/10.1007/s41060-021-00245-5#Sec16

La naturaleza numérica de los mercados financieros hace que la previsión de mercados y la construcción de carteras sean un buen caso de uso para el aprendizaje automático (ML), una rama de la inteligencia artificial (IA). A lo largo de las dos últimas décadas, varios académicos de todo el mundo (en su mayoría del campo de la informática) han producido un considerable cuerpo de investigación experimental. Muchas publicaciones afirman que las predicciones son muy precisas o que las estrategias de inversión son muy rentables. Al mismo tiempo, el panorama de las inversiones basadas en la IA en el mundo real es ambiguo y carece de casos de éxito destacados (aunque no carece de fracasos destacados). Hemos realizado una revisión bibliográfica de 27 experimentos académicos que abarcan más de dos décadas y los hemos contrastado con ejemplos reales de fondos impulsados por el aprendizaje automático para tratar de explicar esta aparente contradicción. Las contribuciones específicas de nuestro artículo son las siguientes (1) Una revisión exhaustiva y temática (cuantitativa y cualitativa) de múltiples experimentos académicos desde la perspectiva de la gestión de inversiones. (2) Una evaluación crítica de la ejecución de múltiples versiones de los mismos modelos en paralelo y la divulgación de los mejores resultados sólo ("cherry-picking"). (3) Recomendaciones sobre cómo enfocar futuros experimentos para que sus resultados sean inequívocamente medibles y útiles para el sector de la inversión. (4) Una comparación en profundidad de casos reales de fondos impulsados por ML frente a experimentos académicos. Discutiremos si los algoritmos actuales de ML podrían realizar inversiones viables y rentables en los mercados de renta variable.