Según arXiv q-fin, un estudio reciente demuestra que el impacto de mercado —la perturbación que genera una orden en el precio de una acción— surge de forma natural en modelos generativos de libros de órdenes, incluso cuando estos solo están entrenados para predecir el siguiente token en una secuencia. Este hallazgo es clave para evaluar si simuladores de mercados pueden replicar fielmente el comportamiento real de los mercados financieros. Los investigadores introdujeron órdenes metas —estructuras de ejecución que imitan comportamientos reales de inversionistas— en cinco modelos autoregresivos aplicados a acciones de la bolsa de NASDAQ. Luego, midieron cómo la respuesta del modelo se alinea con las leyes empíricas conocidas sobre el impacto de mercado, validando sus resultados con referencias cuyos principios físicos son bien establecidos.
El análisis se estructuró en tres fases: primero, generación libre, donde los modelos analizan la persistencia de flujo de órdenes frente a la difusión de precios; segundo, la inyección de órdenes metas, que permite identificar el exponente y la amplitud del impacto; y tercero, una ventana post-ejecución que evalúa la recuperación del mercado tras la intervención. Para garantizar que las respuestas observadas no dependan de mecanismos estándar de libros de órdenes, se comparó cada caso con un control que solo utiliza el simulador sin interacción. En todos los escenarios, se detectó una respuesta del impacto que varía entre 0.63 y 1.21, un rango ligeramente superior al valor tradicional de 0.5, que corresponde a la ley de raíz cuadrada del impacto. Este resultado sugiere que los modelos generativos capturan dinámicas reales, aunque aún no han mostrado una disminución del impacto durante el periodo de recuperación. Los autores consideran que esta ausencia podría deberse a la brevedad de los contextos de entrada que utilizan los modelos, limitando su capacidad para simular procesos de larga duración.
Para los lectores peruanos, este avance es relevante porque refuerza la posibilidad de construir herramientas de predicción de precios y movimientos de mercado que se ajusten a las condiciones reales del mercado latinoamericano. Aunque el estudio se basa en datos de NASDAQ, su metodología puede adaptarse a mercados emergentes, como el peruano, donde la volatilidad y la estructura de órdenes son más sensibles a eventos de corto plazo. El hecho de que los modelos generativos puedan reproducir el impacto de mercado sin entrenamiento explícito sugiere que podrían usarse para desarrollar algoritmos de trading más robustos, especialmente en entornos de baja liquidez. Sin embargo, el análisis también señala que aún falta profundizar en la dinámica de recuperación del mercado, lo cual implica que cualquier sistema basado en estos modelos debe integrar mecanismos de calibración continua, como los que se usan en estrategias de inversión en bolsas de países en desarrollo. La disponibilidad del benchmark como código abierto abre la puerta a que instituciones locales puedan probar y validar estos modelos en contextos reales, potenciando la innovación en finanzas digitales del Perú.