Modelos Basados en Agentes y Simulación de Mercados

El curso anterior te dio una respuesta honesta a «solo tengo una historia de mercado». Aprendiste un generador —una GAN, un VAE, un modelo de difusión— que absorbe la distribución de tus datos y emite nuevas trayectorias que se le parecen. Potente, pero de arriba abajo y opaco: el modelo nunca explica por qué los rendimientos tienen colas anchas, solo que puede copiar el hecho, y un generador que memoriza puede filtrar tu historia directamente de vuelta a tus pruebas.

Este curso es la otra respuesta, y no podría ser más distinta en espíritu. En lugar de aprender el mercado de arriba abajo, lo construyes de abajo arriba. Especificas los agentes —traders de inteligencia cero que cotizan al azar, creadores de mercado que publican liquidez a dos caras, jugadores de momentum que persiguen tendencias, jugadores de valor que las desvanecen, y los bots de RL aprendidos de Deep RL para Ejecución y Creación de Mercado—, los sueltas en un motor de casación y los dejas operar. Nunca escribes «el precio». El precio emerge de su flujo de órdenes colectivo. Esto es un modelo basado en agentes (MBA): un simulador mecanicista e interpretable donde el comportamiento del mercado a gran escala es una salida, no una suposición.

El resultado estrella —el que hace que un MBA merezca un curso entero— es la emergencia: cuando conectas agentes heterogéneos y los dejas interactuar, la trayectoria del precio cría espontáneamente los hechos estilizados que catalogaste en Series Temporales Financieras. Colas anchas, agrupación de volatilidad, la caída lenta de la autocorrelación de los rendimientos absolutos — nadie los programa. Brotan de la retroalimentación entre los que persiguen tendencias y los que revierten a la media, exactamente como en el mercado real. Un modelo generativo puede reproducir las colas anchas porque las vio; un MBA puede producir colas anchas porque contiene el mecanismo que las crea.

Este curso supone que los dos prerrequisitos dejan tres hábitos. De Modelos Generativos para Datos de Mercado Sintéticos traes el boletín de hechos estilizados que todo mercado sintético debe satisfacer y —más importante— la disciplina del «¿te has engañado a ti mismo?» en la evaluación: un modelo que parece correcto no es lo mismo que un modelo que es correcto. De Deep RL para Ejecución y Creación de Mercado traes la mirada del agente sobre el trading y la brecha sim-a-real, porque lo más exigente que puedes hacer con un MBA es usarlo como el entorno contra el que entrena un agente de RL. Nos apoyamos en ambos sin tregua, siempre con la pregunta del escéptico: ¿de verdad esta estructura de mercado causó eso, o solo afiné el modelo hasta que me dio la razón? El recorrido:

• Por qué construir un mercado a partir de agentes — la división de abajo arriba frente a arriba abajo reformulada: simular un mecanismo (este curso) frente a aprender un generador (el anterior). Qué significa la emergencia, por qué la interacción es el motor, y el compromiso honesto — interpretable y listo para contrafácticos, pero lento, delicado y tan capaz de engañarte como cualquier caja negra.
• Agentes de inteligencia cero: la línea base que sorprende — el descubrimiento de Gode y Sunder de que traders que cotizan al azar, limitados solo por sus presupuestos y las reglas del mercado, igualmente empujan los precios a una eficiencia asignativa casi perfecta. La lección que lo recontextualiza todo: mucho de lo que parece comportamiento «inteligente» del mercado es la institución, no la inteligencia — y los traders de inteligencia cero son la línea base que cualquier agente más sofisticado debe superar.
• El zoo de agentes — el reparto heterogéneo que hace interesante un mercado: creadores de mercado, seguidores de momentum/tendencia, traders de valor fundamental, traders de ruido y agentes de RL aprendidos. El linaje que construyó este campo —el Mercado de Valores Artificial de Santa Fe y los modernos simuladores multiagente de libro de órdenes al estilo ABIDES— y cómo ensamblas una población.
• Hechos estilizados emergentes — la recompensa. Cómo la interacción de seguidores de tendencia y traders de valor fabrica agrupación de volatilidad y colas anchas de la nada, por qué un mercado de agentes idénticos o que no interactúan se queda aburridamente gaussiano, y cómo leer la emergencia como una explicación genuina y no como una casualidad.
• Calibrar un modelo basado en agentes — la parte difícil. Un MBA tiene mandos (cuántos de cada agente, cuán agresivos, cuánto ruido) y ninguna verosimilitud que puedas maximizar sin más. La caja de herramientas basada en simulación: método de momentos simulados / distancia mínima simulada, ajustar el vector de hechos estilizados, y los enfoques modernos de inferencia basada en simulación y sustitutos — además de por qué la calibración de un MBA está brutalmente mal planteada.
• Validar sin engañarte — el mismo guante, apuntado a un objetivo nuevo. El ajuste dentro de muestra no es validación; necesitas hechos estilizados fuera de muestra, identificabilidad de parámetros, análisis de sensibilidad y la honestidad de admitir que un modelo lo bastante flexible como para encajar todo no ha explicado nada. La versión MBA del Sharpe deflactado.
• Lo que un MBA te da y un backtest no — las aplicaciones estrella. Estructura de mercado contrafáctica (cambia el tamaño de tick, añade un cortacircuitos, ralentiza a todos) que ninguna serie histórica puede responder; pruebas de estrés de desplomes relámpago y bucles de retroalimentación; y un campo de entrenamiento no estacionario y reactivo para agentes de RL — un mercado que te planta cara en vez de repetir un pasado fijo. El contraste de cierre: MBA (de abajo arriba, mecanicista, interpretable) frente a modelos generativos profundos (de arriba abajo, aprendidos, opacos), y cuándo recurrir a cada uno.

Al final sabrás ensamblar una población de agentes, observar cómo emergen hechos estilizados reales de su interacción, calibrar el modelo con datos y validarlo sin mentirte, y empuñarlo para los contrafácticos y las pruebas de estrés que la única trayectoria histórica nunca puede entregar. Un examen final calificado te devuelve toda la disciplina, una pregunta bloqueada cada vez.