Según arXiv q-fin, un estudio evalúa el rendimiento de modelos de lenguaje para interpretar noticias financieras, destacando que la mayoría de estos sistemas se entrena con datos del mismo período que se utiliza para probarlos, lo que introduce sesgo por retroceso en el tiempo. El trabajo presenta un enfoque innovador basado en NoLBERT, un modelo preentrenado únicamente con textos publicados entre 1976 y 1995, que luego se adapta mediante un proceso de fine-tuning contrastivo, sin necesidad de etiquetas ni retornos financieros. Este modelo se utiliza para extraer temas de noticias, y se compara con otros sistemas conocidos como LDA, MiniLM y FinBERT, aplicados a 1.26 millones de artículos de noticias financieras entre 2012 y 2024.
Cada modelo transforma sus temas en "shocks de atención" y exposiciones en acciones, y se emplean para predecir retornos de las 1.000 empresas más grandes de Estados Unidos. Se evalúan ocho combinaciones de modelos, cada una con distintas frecuencias de reequilibrio. Los datos se dividen en tres periodos: el entrenamiento se realiza entre 2013 y 2019, las decisiones se toman en 2020 y 2021, y el periodo 2022 a 2024 se mantiene como prueba. El modelo que obtiene el mejor resultado en validación, sin embargo, genera pérdidas en cada una de las frecuencias de reajuste. Un cambio clave en la medición —pasar de observar los últimos 5 a los últimos 63 días de trading— mejora significativamente el rendimiento del índice de correlación de prueba (IC) para todos los modelos. NoLBERT demuestra una estabilidad notable en sus temas extraídos, y sus predicciones se sitúan al nivel de LDA. Cuando se combina de forma equitativa todos los modelos y lectores, se obtiene una relación de Sharpe mensual de 1.12, cifra estadísticamente significativa frente al cero antes de ajustar por el costo de búsqueda, aunque no supera un benchmark que solo utiliza precios de mercado.
Para el lector peruano, este análisis ofrece una reflexión sobre la viabilidad de los modelos de inteligencia artificial en la toma de decisiones financieras. Aunque los resultados muestran que las predicciones no siempre generan ganancias, el hecho de que los modelos entren en periodos históricos anteriores y sean evaluados en futuros no previstos, refuerza la importancia de la diversidad en las fuentes de información. En el contexto de mercados emergentes como el peruano, donde la información se difunde de forma más lenta y con mayor sesgo, los modelos basados en noticias históricas podrían ofrecer una herramienta útil, pero no una solución automática. La estabilidad y la robustez de NoLBERT sugieren que, incluso sin datos de retorno, es posible extraer patrones relevantes. Sin embargo, la ausencia de ganancias en el escenario de prueba indica que cualquier estrategia debe integrarse con análisis humanos y vigilancia de riesgos, especialmente en economías más vulnerables a shocks externos. El crecimiento de los mercados digitales en América Latina exige que los inversores no dependan únicamente de algoritmos, sino que combinen inteligencia artificial con conocimiento profundo del entorno local.