Según arXiv q-fin, un estudio reciente evalúa si un agente de aprendizaje automático (RL) puede identificar y aprovechar oportunidades de manipulación de precios con mayor eficiencia que métodos tradicionales basados en modelos. El análisis se centra en un mercado de activos únicos donde los precios siguen una estructura de impacto propuesta por Almgren y Chriss, combinando un impacto permanente no lineal y un impacto temporal lineal. Se demuestra que estrategias manipulativas existen en tiempo discreto, y se calcula la estrategia óptima como referencia mediante un método de programación cuadrática secuencial bajo información completa. Dos enfoques de aprendizaje se comparan: uno basado en modelos que estima parámetros de impacto a partir de datos simulados de ejecución, y otro agnóstico, utilizando el algoritmo Deep Deterministic Policy Gradient, entrenado directamente sobre el mismo conjunto de datos. En niveles intermedios de volatilidad, el agente de aprendizaje encuentra estrategias rentables sin necesidad de conocer el modelo subyacente, incluso con escasos datos de entrenamiento. En condiciones de alta volatilidad, ninguno de los métodos logra detectar oportunidades de manipulación. En cambio, en volatilidades bajas, el enfoque tradicional supera al RL. La clave del hallazgo radica en que el aprendizaje automático se revela efectivo en problemas de control complejos, pero también evidencia riesgos al aplicarse sin mecanismos de control adecuados.
Para inversores peruanos, este hallazgo tiene implicaciones directas en la selección de herramientas tecnológicas para la toma de decisiones. En mercados locales, donde los datos pueden ser limitados o no consistentes, un sistema de inteligencia artificial entrenado sin modelo previo podría descubrir patrones ocultos que otros métodos ignoran. Sin embargo, el estudio muestra que esta capacidad no es universal: en condiciones de baja volatilidad, como las que pueden observarse en mercados de valores estables, los modelos clásicos siguen siendo más confiables. Esto sugiere que la elección entre un enfoque basado en modelos o uno basado en aprendizaje automático debe considerar el entorno específico. En mercados con fluctuaciones moderadas, como el de acciones en Lima, el agente de aprendizaje podría ser útil para detectar señales de manipulación que los analistas tradicionales no capturan. Pero en entornos de baja volatilidad, como el mercado de bonos o bienes raíces, el modelo clásico ofrece mayor estabilidad y precisión. Además, el riesgo de aplicar algoritmos sin supervisión adecuada persiste: si el sistema detecta una "oportunidad" que no es real, podría generar decisiones erróneas, especialmente en contextos donde la transparencia y la regulación son clave. Por tanto, el lector peruano debe evaluar cuidadosamente el entorno de inversión, la volatilidad del activo y la presencia de regulaciones antes de confiar en tecnologías de aprendizaje automático. La combinación de modelos tradicionales y herramientas de inteligencia artificial podría ofrecer un equilibrio entre innovación y seguridad.