Este artículo analizará sistemáticamente el proceso completo de construcción de señales de predicción en inversión cuantitativa. Frente a un entorno de mercado financiero con una relación de ruido informativo extremadamente baja, este trabajo descompone en cuatro etapas clave: preparación de datos, ingeniería de características, modelado con aprendizaje automático y asignación de portafolios, revelando un método sistemático para construir señales de predicción efectivas. El contenido proviene del artículo de sysls, organizado, traducido y redactado por Foresight News.
（Contexto previo: ¿Podemos rastrear al próximo operador de información privilegiada en Polymarket? Claro que sí, y no es difícil）
（Información adicional: Guía de conceptos de trading (IX): ¿Cuántas veces hay que apalancarse? ¿Debería ser todo en una sola posición o en varias?）

Índice del artículo

• Introducción
• Marco del proceso central
• Ingeniería de características: la unión del arte y la ciencia
• Guía para la selección de modelos
  • Recomendaciones clave para modelar
• El arte del diseño de objetivos de predicción
• Conclusión

Frente a un entorno de mercado con una relación de ruido informativo extremadamente baja, ¿cómo construir señales de predicción efectivas? Este artículo ofrece una respuesta sistemática.

A través de la descomposición de las cuatro etapas centrales de una estrategia cuantitativa — preparación de datos, ingeniería de características, modelado con aprendizaje automático y asignación de portafolios —, el artículo revela que las verdaderas causas de la falla de la mayoría de las estrategias suelen estar en los datos y las características, no en el modelo en sí. Se comparten puntos clave sobre técnicas para manejar características financieras de alta dimensión, escenarios de aplicación de diferentes familias de modelos, y una visión clave: mejorar la pureza de la señal mediante la «descomposición de las fuentes de rendimiento y predicción de señales específicas». Es una referencia para investigadores y inversores que buscan construir sistemas de predicción robustos y explicables.

Introducción

En el campo de la inversión sistemática, una señal de predicción se refiere a un tipo de modelo matemático capaz de predecir los rendimientos futuros de un activo a partir de datos de características de entrada. La estructura central de muchas estrategias cuantitativas se basa en la generación, optimización y asignación automática de activos en torno a estas señales.

Este proceso parece claro y directo: recolectar datos → procesar características → predecir con aprendizaje automático → construir la cartera. Sin embargo, la predicción financiera es un campo típico de alto ruido y baja relación señal-ruido. La volatilidad diaria suele alcanzar aproximadamente el 2%, mientras que la verdadera predictibilidad diaria ronda solo 1 punto base.

Por lo tanto, la mayor parte de la información en los modelos es en realidad ruido del mercado. Cómo construir señales de predicción robustas y efectivas en un entorno tan exigente se convierte en una capacidad fundamental en la inversión sistemática.

Marco del proceso central

Un sistema completo de predicción de rendimientos con aprendizaje automático generalmente sigue un proceso estandarizado en cuatro etapas, cada una interconectada:

Etapa 1: Capa de datos — “Materia prima” de la estrategia

Incluye datos tradicionales como precios de activos, volúmenes de transacción, informes financieros, así como datos alternativos (como imágenes satelitales, tendencias de consumo, etc.). La calidad de los datos determina directamente el límite superior del rendimiento; la mayoría de las fallas de estrategias se pueden rastrear a problemas en la fuente de datos, no en el modelo en sí.

Etapa 2: Capa de características — “Refinería” de la información

Transformar los datos originales en características estructuradas que el modelo pueda reconocer. Es la etapa clave donde se condensa el conocimiento del dominio, por ejemplo:

• Series de precios → Rentabilidad móvil (factor de momentum)
• Informes financieros → Ratios de valoración (factor de valor)
• Datos de mercado → Indicadores de liquidez (factor de costos de transacción)

La calidad en la construcción de características suele tener un impacto mayor que la elección del modelo.

Etapa 3: Capa de predicción — “Motor” del algoritmo

Utilizar modelos de aprendizaje automático para predecir los valores futuros de rendimiento basándose en las características. El desafío principal es equilibrar la complejidad del modelo: captar patrones no lineales sin sobreajustar al ruido. Además de predecir directamente los rendimientos, también se puede modelar señales estructurales específicas (como rendimientos impulsados por eventos) para obtener fuentes de rendimiento con baja correlación.

Etapa 4: Capa de asignación — “Convertidor” de señales

Transformar las predicciones en pesos de cartera ejecutables. Métodos clásicos incluyen clasificación transversal, estrategias long-short, etc. Esta etapa debe estar estrechamente vinculada con modelos de costos de transacción y restricciones de gestión de riesgos.

El proceso completo funciona en una cadena dependiente: un fallo en cualquier etapa limita el rendimiento final. En la práctica, dedicar recursos principalmente a la calidad de los datos y a la ingeniería de características suele ofrecer mayores retornos.

Clasificación de fuentes de datos

• Datos de mercado: precios, volúmenes, series de rendimiento. Alta estandarización, pero fuerte homogeneidad, la señal única se degrada rápidamente.
• Datos fundamentales: informes financieros de empresas, reflejan calidad operativa, pero con retrasos y ciclos. Incluso en criptoactivos, se pueden construir indicadores alternativos con datos en cadena, aunque su lógica de valor difiere de los activos tradicionales.
• Datos alternativos: fuentes no tradicionales como sentimientos en texto, información geográfica, comportamiento de transacción. Alta cantidad de ruido, procesamiento complejo, pero potencialmente contienen información aún no reflejada en precios.

Ingeniería de características: la unión del arte y la ciencia

Las características son atributos cuantificables que pueden predecir de forma independiente o conjunta los rendimientos futuros. Su construcción depende profundamente de la comprensión del mecanismo del mercado. En academia y en la industria, ya existen sistemas clásicos de factores, como:

• Factores de valor: niveles de valoración (como relación precio-valor en libros, PER)
• Factores de momentum: intensidad de tendencia (rendimientos en diferentes ventanas temporales)
• Factores de calidad: solidez financiera (rentabilidad, apalancamiento)
• Factores de tamaño: capitalización de mercado
• Factores de volatilidad: volatilidad histórica
• Factores de liquidez: fricciones de mercado (spread, rotación)

Técnicas clave en el procesamiento de características

• Normalización: eliminar efectos de escala, para que el modelo trate de forma justa diferentes tipos de características (como tamaño y volatilidad).
• Tratamiento de extremos: limitar valores atípicos para evitar que muestras anómalas dominen la estimación de parámetros.
• Construcción de interacciones: combinar características (como momentum × proporción de posiciones cortas) para capturar efectos sinérgicos.
• Reducción de dimensionalidad y selección: ante la “maldición de la dimensionalidad”, usar técnicas de filtrado (no solo PCA) para retener la información más relevante para la predicción.

Guía para la selección de modelos

Una vez que las características están preparadas, llega el momento de escoger el algoritmo. No existe un modelo universalmente mejor. Cada uno tiene ventajas y escenarios de aplicación específicos.

Modelos lineales

• Ridge Regression: mantiene todas las características, útil en escenarios con señales débiles.
• Lasso: realiza selección automática de características, útil cuando las señales son escasas.
• Elastic Net: combina Ridge y Lasso, maneja características altamente correlacionadas.

Ventajas: interpretabilidad, eficiencia computacional, buena resistencia al sobreajuste. Se pueden introducir no linealidades mediante interacciones.

Modelos de ensamblaje de árboles

Random Forest y Gradient Boosting (XGBoost, LightGBM) son excelentes para capturar relaciones no lineales y efectos de interacción.

• Random Forest: fuerte resistencia al sobreajuste, estabilidad.
• Gradient Boosting: generalmente mayor precisión, requiere ajuste fino de hiperparámetros.

Cuando existen interacciones complejas y relaciones no lineales, estos modelos son preferibles. Sin embargo, su costo computacional y de almacenamiento es mayor, aunque las herramientas modernas han mejorado su interpretabilidad.

Redes neuronales

Las redes neuronales tienen una capacidad de representación muy potente, capaces de modelar patrones altamente complejos. Pero requieren grandes cantidades de datos, son sensibles a los hiperparámetros y en entornos de bajo señal-ruido tienden a sobreajustar al ruido. Se recomienda solo cuando hay datos abundantes y experiencia en ajuste.

Recomendaciones clave para modelar

• Utilizar modelos lineales como referencia sólida.
• Cuando existan patrones no lineales evidentes y datos suficientes, avanzar a modelos de árbol.
• Considerar redes neuronales como opción avanzada, no como punto de partida.
• La diferencia en rendimiento entre modelos suele ser menor que la calidad de las características y la rigurosidad en la validación fuera de muestra.

El arte del diseño de objetivos de predicción

La práctica tradicional es predecir directamente los rendimientos del activo, pero estos son en realidad una mezcla de múltiples señales, con alta dificultad y ruido. Una estrategia más efectiva es descomponer el origen del rendimiento y modelar en función de la lógica dominante:

Por ejemplo, la reacción del precio tras anuncios de revisiones de informes financieros está principalmente impulsada por el evento. Se puede intentar predecir directamente la «magnitud de la revisión» o el «rendimiento en el período del evento», evitando así otros ruidos irrelevantes. Diseñar de manera flexible el objetivo de predicción es clave para mejorar la pureza de la señal.

De señal a cartera: la conversión práctica

Las predicciones deben convertirse en posiciones ejecutables mediante procesos de monetización:

• Método básico: clasificación transversal, construcción de carteras long-short.
• Reconocimiento clave: la precisión de la predicción no equivale a rendimiento real, hay que considerar costos de transacción, restricciones de liquidez, rotación, y otras fricciones.

Reglas para construir sistemas robustos

• Comenzar con modelos clásicos: explotar al máximo los factores conocidos y efectivos, antes de innovar con cautela.
• Regularización en todas partes: en escenarios de alta dimensión, evitar sobreajustes sin restricciones.
• Preprocesamiento riguroso: normalización, tratamiento de extremos y valores atípicos son imprescindibles.
• Reducción de dimensionalidad con propósito: asegurar que la información retenida sea relevante para la predicción.
• Orientar hacia resultados de trading: evaluar en función de beneficios netos tras costos.

Conclusión

Las señales de predicción son componentes fundamentales en la inversión sistemática. Su construcción efectiva requiere una visión integral del ciclo completo: datos, características, modelos y asignación.

En el campo de datos financieros, un entorno de bajo señal-ruido, modelos lineales y validación rigurosa suelen superar a sistemas complejos y de caja negra. Se recomienda comenzar con estructuras simples, interpretables, y solo incrementar la complejidad cuando sea estrictamente necesario.