De la señal de ML a la cartera

Has pasado cinco lecciones construyendo un modelo de machine learning que no te miente. Etiquetaste rendimientos sin filtrar el futuro (triple barrera, metaetiquetas), validaste de forma cruzada de un modo que las series temporales no pueden hacer trampa (purga, embargo, validación cruzada purgada combinatoria), recortaste tu Sharpe por los cientos de configuraciones que probaste en secreto (el ratio de Sharpe deflactado) y mediste qué características importan de verdad (MDI/MDA). Enhorabuena: tienes una previsión.

Una previsión no es una estrategia. Es una columna de números —una probabilidad, un rendimiento esperado, un ranking— y el mercado no acepta columnas de números como órdenes. En algún lugar entre “el modelo dice +0,6% la semana que viene” y “el bróker ejecuta 12.000 acciones” vive una segunda disciplina entera: la construcción de cartera. Aquí es donde los cuantitativos de ML se desangran sin hacer ruido, porque el modelo que parecía brillante en un cuaderno acaba dimensionado mal, combinado mal, operado demasiado rápido y vigilado con demasiada laxitud, y la ventaja se evapora de camino a la bolsa. Esta lección es el puente desde una predicción limpia hasta una posición honesta y en vivo, y se apoya con fuerza en el pipeline de arbitraje estadístico que ya conociste. El enemigo, una última vez, es el sobreajuste, y no se detiene en el modelo: te sigue hasta la ejecución.

De la predicción a la posición

Analogía. Tu modelo es una app del tiempo que dice “62% de probabilidad de lluvia”. No respondes quedándote en casa para siempre (convicción total) ni ignorándola (sin convicción): coges un paraguas proporcional a lo que te mojarías y a lo segura que está la app. El dimensionamiento de la posición es el paraguas: traduce una probabilidad en cuánto estás dispuesto a perder si te equivocas.

Definición. Una posición es un peso con signo, en dólares (o en riesgo), $w_i$ sobre cada activo $i$. El modelo te entrega una previsión de alfa $\hat{\alpha}_i$: tu mejor conjetura del rendimiento en exceso del activo $i$, o una probabilidad, o un ranking. La regla de dimensionamiento es la función que mapea previsión → peso. Cinco reglas cubren casi todo lo que harás en la práctica:

• Proporcional a la previsión. $w_i \propto \hat{\alpha}_i$. Mayor rendimiento previsto, mayor posición. Sencilla, pero confía en la magnitud de una previsión ruidosa: peligroso cuando el nivel del modelo está mal calibrado (cosa que los modelos de ML suelen estar).
• Ranking transversal → largo/corto neutral en dólares. Tira las magnitudes, quédate solo con el orden. Ordena todos los nombres, ponte largo en el decil superior / corto en el inferior, dólares iguales en cada lado. Robusto frente a la mala calibración: solo necesitas que el modelo ordene, no que prediga niveles. Es la opción por defecto del arbitraje estadístico.
• Escalado por confianza (dimensionamiento por metaetiqueta). Dimensiona según la probabilidad de acierto del modelo. Una probabilidad de metaetiqueta $p_i$ se convierte en una posición del tipo $w_i \propto (p_i - 0.5)$ o en una fracción de apuesta calibrada. Las llamadas de alta confianza reciben más capital; las de cara o cruz, casi nada.
• Presupuestado por riesgo. Escala cada posición para que contribuya igual riesgo (volatilidad), no iguales dólares: $w_i \propto \hat{\alpha}_i / \sigma_i$. Un nombre volátil recibe un peso menor en dólares para el mismo mordisco de riesgo.
• Tope tipo Kelly suave. El criterio de Kelly dice que apuestes una fracción proporcional a la ventaja sobre la varianza, pero el Kelly completo es brutalmente agresivo y supone que conoces tu ventaja con exactitud (no la conoces). Los profesionales usan Kelly fraccionario (un medio o un cuarto) y un tope duro por nombre para que una previsión demasiado confiada no pueda reventar el libro.

Ejemplo resuelto: de probabilidades de metaetiqueta a un libro neutral en beta. Tu modelo puntúa seis acciones con la probabilidad de que una operación larga alcance su objetivo de beneficio. Ordénalas, largo en las dos primeras, corto en las dos últimas, dólares iguales (100 $ por lado, 50 $ por nombre), y luego comprueba la exposición al mercado:

¿Neutral en dólares? Sí: 100 $ largo, 100 $ corto. Pero ¿neutral en beta? No. La exposición a beta del lado largo $= 50(1.4) + 50(0.9) = 115$ $ de “mercado”. El lado corto $= 50(0.8) + 50(1.2) = 100$ $. Exposición neta al mercado $= 115 - 100 = +15$ $ de beta: una inclinación larga oculta. Para neutralizar, escala las patas de modo que $\sum_{\text{largo}} w_i\beta_i = \sum_{\text{corto}} w_i\beta_i$: encoge la pata larga o agranda la corta hasta que las betas coincidan. Un libro “neutral en dólares” que no es neutral en beta es en secreto una pequeña apuesta direccional que aflora el peor día posible: exactamente la trampa de la lección de valor relativo, ahora disfrazada de ML.

Cuándo usarlo

La construcción neutral en dólares/beta basada en rankings es el caballo de batalla cuando tu modelo es un seleccionador de acciones transversal y no te fías de sus magnitudes, que es la mayoría de las señales de ML. Recurre al dimensionamiento por confianza o presupuestado por riesgo cuando hayas calibrado el modelo de verdad y quieras expresar convicción. Reserva el Kelly suave para cuando tengas una estimación defendible de ventaja y varianza, e incluso entonces ponle un tope, porque un modelo que se equivoca sobre su propia ventaja te dimensionará directo hacia un drawdown.

Combinar alfas de ML a través del motor de amplitud

Analogía. Una sola señal de ML es un único dado ligeramente cargado: apenas mejor que justo. Todo el negocio cuantitativo consiste en tirar muchos dados, de distintas formas, sobre miles de nombres, y sumarlos. El ruido de cada uno se cancela; la astilla de verdad de cada uno se refuerza. Un solo modelo de ML nunca es la estrategia; es un dado en el cubilete.

La Ley Fundamental, otra vez. Del curso de arbitraje estadístico: tu ratio de información es tu habilidad por apuesta multiplicada por la raíz cuadrada de cuántas apuestas independientes haces.

$\text{IR} \approx \text{IC} \cdot \sqrt{\text{amplitud}}$

Aquí IC (coeficiente de información) es la correlación entre tu previsión y el rendimiento realizado: para una sola señal de ML es humillantemente pequeña, típicamente de 0,02 a 0,05. Cualquier valor por encima de ~0,10 fuera de muestra debería hacerte sospechar de una fuga, no de genialidad. La amplitud es el número de apuestas independientes por período. Una señal de ML solitaria con IC = 0,03 operada en una sola apuesta no vale nada; esa misma señal a lo largo de 500 nombres independientes es una estrategia financiable.

Apilar alfas de ML ortogonales. Dos modelos de ML cuyos errores están incorrelacionados se combinan como señales independientes: promediarlos conserva la señal completa mientras reduce a la mitad el ruido independiente, así que para dos señales ortogonales igual de buenas el IC combinado sube en un factor de $\sqrt{2}$:

$\text{IC}_{\text{combinado}} \approx \text{IC} \cdot \sqrt{2}.$

De forma más general, $n$ señales igual de buenas y mutuamente incorrelacionadas escalan el IC combinado en $\sqrt{n}$: las mismas matemáticas de diversificación $\sqrt{\cdot}$ que escalan el IR de la cartera, ahora aplicadas a señales. El truco es idéntico también: la prima solo se dispara con señales independientes. Dos modelos de gradient boosting entrenados sobre las mismas características de momento y valor no son dos señales: son una señal con dos semillas aleatorias, correlacionadas ~0,95, y apilarlas no te compra casi nada. El salto del IC viene de un alfa genuinamente distinto: un modelo sobre el desequilibrio del flujo de órdenes, un modelo sobre el sentimiento de los informes, un modelo sobre un horizonte distinto.

Ejemplo resuelto: dos señales de ML incorrelacionadas. La señal X (un ensemble de árboles sobre características de precio/volumen) tiene IC = 0,03. La señal Y (un modelo sobre sentimiento textual) también tiene IC = 0,03, y sus errores de previsión están incorrelacionados. Pondéralas por igual:

$\text{IC}_{\text{combinado}} \approx 0.03 \times \sqrt{2} = 0.03 \times 1.414 \approx 0.042.$

Elevaste la habilidad efectiva de 0,03 a 0,042 —un salto del 41%— sin encontrar ni una sola característica nueva, solo combinando ortogonalmente. Ahora supón que X e Y estaban en realidad correlacionadas al 0,8 (ambas eran momento disfrazado). El $\sqrt{n}$ efectivo colapsa hacia $\sqrt{1}$, y el IC combinado apenas supera 0,03. Los mismos dos modelos, recompensas radicalmente distintas. La ortogonalidad es todo el juego, para los alfas de ML exactamente igual que para los construidos a mano.

Cuándo usarlo

Apóyate en la amplitud siempre que cada previsión de ML sea débil (siempre lo es) pero puedas aplicarla a lo largo de cientos de nombres independientes y apilarla con alfas genuinamente distintos. Es el marco equivocado cuando tus ‘muchos modelos’ son variantes de semilla de un mismo modelo, o tus ‘muchos nombres’ comparten todos un factor: ahí la amplitud efectiva colapsa a un puñado y ningún recuento de titulares entrega el $\sqrt{N}$ con el que cuentas.

Capacidad y rotación

Analogía. Una señal de ML fresca es un pescado que se estropea en horas, no en semanas: los modelos de horizonte corto a menudo predicen los próximos días con nitidez y luego se quedan rancios. Para capturarla debes operar rápido, y operar rápido es un torniquete que te cobra un peaje en cada paso. Opera lo suficientemente a menudo y los peajes se comen toda la pesca.

Definición — rotación y alfa neto. La rotación es la fracción de la cartera que compras y vendes cada período. Las señales de ML, sobre todo las de horizonte corto, se disparan con frecuencia y exigen una rotación alta. Cada operación paga dos peajes:

• Coste de transacción — el diferencial de compraventa más las comisiones, un peaje aproximadamente fijo por ida y vuelta.
• Impacto de mercado — tu propia orden empuja el precio en tu contra. Crucialmente, el impacto crece como la raíz cuadrada del tamaño: $\text{impacto} \approx k\sqrt{\text{tamaño}/\text{ADV}}$, donde ADV es el volumen medio diario. Duplicar una orden no duplica su coste de impacto, pero este sigue subiendo, y a escala domina.

Lo que de verdad ganas es alfa neto = alfa bruto − costes. Una señal con un Sharpe bruto precioso sobre el papel puede quedar plana o negativa después de costes. Y aquí está el remate que destruye muchas estrategias de ML: a medida que pones más capital a trabajar, tus órdenes crecen respecto al ADV, el impacto sube y el alfa neto cae. El tamaño al que el alfa neto llega a cero es tu capacidad: el máximo dinero que la estrategia puede gestionar antes de dejar de ganar dinero.

Ejemplo resuelto: alfa neto frente a tamaño, y dónde muerde la capacidad. Una señal de ML de horizonte corto produce un alfa bruto de 40 pb por operación. El coste por ida y vuelta es un diferencial fijo de 3 pb más un impacto $\approx 12\sqrt{\text{participación}}$ pb, donde la participación es la orden como fracción del ADV. Sube el capital escalón a escalón para que cada reequilibrio demande más ADV:

Lee la tabla de arriba abajo: una señal que vale +35,8 pb netos con 10 M $ vale ~0 pb con ~9.000 M $. El alfa bruto nunca cambió; los costes se lo comieron a medida que crecía el tamaño. Una señal de papel de alto Sharpe puede ser completamente no rentable al tamaño al que quieres gestionarla. Por esto los cuantitativos de ML deben estimar la capacidad antes de captar capital, no después.

Decaimiento de la señal, deriva de concepto y reentrenamiento

Analogía. Un alfa de ML es un cubito de hielo y un glaciar derritiéndose a la vez. El cubito de hielo es el decaimiento: en el momento en que el modelo se dispara, la previsión está a plena potencia y se encoge cada día que esperas. El glaciar es la deriva de concepto: toda la relación que el modelo aprendió —cómo las características mapean a los rendimientos— se desplaza lentamente bajo tus pies a medida que cambian los regímenes y otros fondos descubren la misma ventaja. Lo primero lo combates operando con prontitud; lo segundo lo combates reentrenando.

Decaimiento del alfa y el horizonte óptimo. El poder predictivo de una señal se desvanece geométricamente con el horizonte de mantenimiento $h$:

$\text{IC}(h) = \text{IC}_0\, e^{-h/\tau}, \qquad \text{vida media} = \tau \ln 2 \approx 0.693\,\tau,$

donde $\tau$ es la constante de decaimiento en días. Las señales de ML suelen tener un $\tau$ pequeño: son rápidas, predicen días, no meses. El decaimiento te empuja a operar rápido; los costes de rotación (sección anterior) te empujan a operar despacio. El ganador es una joroba: el alfa neto por día alcanza un pico en un horizonte de mantenimiento óptimo $h^*$ en el medio. Decaimiento más rápido → $h^*$ antes; coste más alto → $h^*$ después.

Ejemplo resuelto: decaimiento exponencial del IC. Una señal de ML tiene $\tau = 6$ días. Su vida media es $6 \times 0.693 = 4.2$ días: tras apenas cuatro días la ventaja está medio ida. Tabulando $\text{IC}(h)/\text{IC}_0 = e^{-h/6}$:

Para el día 20 la señal conserva ~4% de su mordisco: ruido. Si tu realidad de cumplimiento normativo/operaciones significa que solo puedes actuar una semana después de que el modelo se dispare, has entregado la mayor parte de la ventaja antes de colocar la operación. Mide la curva de decaimiento, no un único IC de titular, o citarás un número al que nunca podrás operar de verdad.

Deriva de concepto y reentrenamiento walk-forward. El decaimiento trata de que una previsión se quede rancia; la deriva de concepto trata de que todo el modelo se quede rancio porque el mundo cambió. La combates reentrenando walk-forward: nunca entrenes una sola vez y operes para siempre. Desliza una ventana de entrenamiento hacia delante en el tiempo, reajusta y opera el siguiente bloque fuera de muestra, con la misma disciplina de purga y embargo de las lecciones de fuga, ahora ejecutada repetidamente. Dos estilos de ventana:

El diagnóstico más importante de todos: vigila el IC en vivo frente al IC del backtest. Si tu IC de backtest era 0,04 y el IC realizado en vivo del último trimestre es ~0,00, la señal o ha decaído, o ha derivado, o ha sido aglomerada hacia fuera, y ninguna frecuencia de reentrenamiento arregla una señal que el mercado ya ha arbitrado. El IC en vivo es el pulso de la estrategia.

Cuándo usarlo

Ajusta la cadencia de reentrenamiento a la velocidad de la deriva, no a una costumbre de calendario: un modelo de microestructura de deriva rápida puede necesitar reajustes deslizantes mensuales, mientras que un modelo fundamental lento puede sentarse sobre una ventana expansiva durante un año. Usa ventanas expansivas cuando la relación es estable y los datos escasean; usa deslizantes cuando los regímenes se relevan y los datos recientes son más representativos que la historia antigua. Sobre todo, deja que IC en vivo ≈ 0 sea la alarma que anula cualquier programación: una señal muerta no necesita reentrenamiento, necesita jubilación.

Disciplina de despliegue — el enemigo del sobreajuste, una última vez

Analogía. Has pasado el curso entero negándote a engañarte. El despliegue es el examen final donde es más fácil hacer trampa sin querer. Es la persona a dieta que se pesa con honestidad todo el mes y luego se sube a la báscula cuarenta veces el último día hasta que marca lo que quiere. La disciplina que protegió tu modelo en investigación debe sobrevivir al contacto con el capital real.

La lista de verificación del despliegue honesto. Cada regla es una defensa contra una forma concreta en que la ventaja se vuelve un espejismo:

• Bloquea el conjunto de prueba. El bloque final fuera de muestra se toca una sola vez, justo al final. Cada vistazo que informe un cambio lo contamina. Si lo has mirado, ya no está fuera de muestra: son datos de entrenamiento disfrazados.
• Opera en simulado antes que con capital. Ejecuta la estrategia en vivo sobre datos en tiempo real con dinero falso primero. Esto captura la brecha entre un backtest limpio y la realidad desordenada —datos rancios, ejecuciones fallidas, costes que subestimaste— antes de que esa brecha te cueste nada.
• Sigue el en-vivo-frente-a-backtest sin descanso. Representa el IC en vivo realizado y el Sharpe neto frente a lo que prometía el backtest. Un déficit persistente significa que el backtest era optimista, casi siempre por costes, fuga o sobreajuste que no detectaste.
• Mata la estrategia si el IC en vivo ≈ 0. Esta es la regla más difícil de obedecer porque estás emocionalmente implicado. Pero una señal cuyo IC en vivo se ha aplanado está muerta: decaída, derivada o aglomerada hacia fuera. Córtala. La esperanza no es un modelo de riesgo.
• Nunca reajustes sobre el período en vivo. En el instante en que ajustas hiperparámetros para ‘arreglar’ resultados en vivo decepcionantes, has sobreajustado al único conjunto de datos que debía juzgarte con honestidad. Los cambios deben validarse sobre datos frescos fuera de muestra, nunca sobre la cinta en vivo que intentas justificar.
• Dimensiona a la capacidad. Gestiona la estrategia al nivel de activos donde el alfa neto sigue siendo sólidamente positivo, no al nivel donde el alfa neto es cero. Dejar margen de capacidad es lo que evita que el impacto se coma la ventaja en silencio.
• Presupuesta el recorte del Sharpe deflactado. Probaste cientos de configuraciones; el backtest de la mejor está inflado por esa búsqueda. El ratio de Sharpe deflactado descuenta tu Sharpe de titular por el número de pruebas y la no normalidad de los rendimientos. Despliega esperando el número deflactado, no el seductor número bruto, y te llevarás una sorpresa agradable cuando los resultados en vivo aterricen cerca de él en lugar de quedar aplastado cuando se queden cortos frente a una fantasía.

La síntesis de cierre. Recorre el curso entero y un único enemigo aparece en cada paso. En la ingeniería de características, el sobreajuste era inventar predictores a partir de ruido. En el etiquetado, era filtrar el futuro a través de etiquetas solapadas. En la validación, era el k-fold corriente fingiendo que el tiempo no fluye en un solo sentido, derrotado por la purga y el embargo. En la evaluación del backtest, era la mejor de cientos de pruebas haciéndose pasar por habilidad, deflactada por el ratio de Sharpe deflactado. En la importancia de las características, era leer significado en un MDI inflado por características ruidosas y correlacionadas. Y aquí, en el despliegue, es dimensionar sobre niveles mal calibrados, contar semillas aleatorias como amplitud, ignorar costes y capacidad, reajustar sobre la cinta en vivo. El sobreajuste fue el enemigo desde la primera característica hasta la ejecución final. Toda la disciplina de este curso es una sola frase repetida en seis dialectos: no te engañes, y desconfía especialmente cuando los resultados parezcan estupendos.

Juntándolo todo

El puente de la predicción a la cartera se lee de arriba abajo. Toma la previsión ruidosa del modelo de ML y conviértela en una posición, normalmente ordenando de forma transversal y poniéndote largo/corto en los extremos, con la beta neutralizada, porque los niveles de ML están mal calibrados y solo el ranking es fiable. Combínala con alfas de ML genuinamente ortogonales a través del motor de amplitud (IR ≈ IC·√amplitud), recordando que las semillas aleatorias no son amplitud. Respeta la rotación y la capacidad: el Sharpe bruto de una señal rápida es una fantasía hasta que restas los costes que suben como √(tamaño), y la capacidad es donde el alfa neto llega a cero. Opera en el horizonte consciente del coste $h^*$ donde la joroba de decaimiento-frente-a-coste alcanza su pico, reentrena walk-forward contra la deriva de concepto y vigila el IC en vivo como el pulso de la estrategia. Luego despliega con disciplina: bloquea el conjunto de prueba, opera en simulado, nunca reajustes sobre la cinta en vivo, dimensiona a la capacidad y espera el Sharpe deflactado. El sobreajuste fue el enemigo todo el camino hacia abajo; la honestidad es la única ventaja que sobrevive al contacto con el dinero real.

Ese es el arco entero: de una columna de previsiones que el mercado no aceptará como órdenes, a una posición cubierta, consciente del coste, respetuosa con la capacidad y monitorizada de forma continua, en vivo, construida por un investigador que se negó a engañarse en cada paso. Has terminado el contenido de Machine Learning para alfa. Lo que queda es demostrar que caló: dirígete al Examen Final de este curso, una única tanda calificada sobre el conjunto completo de preguntas —una a una, con cada respuesta bloqueada en el momento en que la envías—. Sin vuelta atrás, sin reintentos; solo tú y la materia. Demuestra que el sobreajuste nunca pudo contigo.