Predecir el precio de una acción es casi imposible y, francamente, poco útil. Hay una pregunta más alcanzable y más valiosa: ¿cuándo está a punto de volverse anormalmente inestable un activo? Los picos de volatilidad suelen preceder a las noticias, no seguirlas. Ese era el objetivo de este "sensor de mercado".
El problema
En lugar de estimar un único número (el retorno esperado), quería estimar la distribución completa de retornos para cada activo y horizonte, y marcar como anómalos los momentos en los que la realidad se sale de los cuantiles que el modelo considera plausibles.
La arquitectura: TFT + regresión cuantílica
Elegí el Temporal Fusion Transformer porque combina tres cosas que necesitaba:
Variable Selection Networks que aprenden qué inputs importan en cada momento, dándome interpretabilidad sin renunciar a la potencia.
Atención multi-cabeza sobre la ventana temporal, que captura dependencias largas (un patrón de hace semanas) mejor que una LSTM.
Salida de regresión cuantílica: en vez de un valor, predice varios cuantiles (p10, p50, p90...). La distancia entre cuantiles es la incertidumbre estimada.
Cuando un retorno real cae fuera del intervalo cuantílico esperado, salta la alerta de anomalía.
La métrica que de verdad valida el modelo
Un modelo cuantílico solo sirve si está bien calibrado: si dice que algo ocurre el 90% de las veces, debe ocurrir el 90% de las veces. La calibración cuantílica de este modelo resultó prácticamente perfecta, lo que significa que sus intervalos de incertidumbre son fiables, no decorativos.
Resultados
F1-score (detección de anomalías): 0.82
MCC: 0.80
Calibración cuantílica: ≈ perfecta
Qué aprendí
Que reformular el problema —de "predecir el precio" a "predecir la incertidumbre"— lo vuelve tratable y útil. Y que en finanzas, un modelo que conoce sus propios límites (su calibración) vale más que uno que da respuestas precisas y falsas.
Publicado originalmente en adrianmoreno-dev.com.
Top comments (0)