Según arXiv q-fin, un estudio reciente analiza cómo los modelos autoregresivos, especialmente aquellos basados en estructuras de espacio de estados, capturan las dinámicas internas del mercado. El trabajo examina un modelo Mamba-3 con 8.2 millones de parámetros, entrenado de forma autoregresiva sobre el flujo de mensajes de libros de órdenes de ocho acciones de alto volumen en Estados Unidos. Los resultados revelan que este modelo no solo reconstruye el comportamiento del mercado, sino que desarrolla una representación interna de sus estructuras y movimientos. Un indicador clave, el desequilibrio de flujo de órdenes, que influye directamente en los movimientos de precios a corto plazo, es predicho con un coeficiente de determinación de aproximadamente 0.59. Este valor supera significativamente a los controles y modelos de referencia. Lo más notable es que esta capacidad se mantiene incluso cuando se aplican a acciones no vistas durante el entrenamiento, lo que sugiere que el modelo aprende patrones generales del mercado, no solo respuestas específicas a cada ticker. La validez de esta representación se extiende también a otras métricas, como el volumen negociado y la volatilidad, manteniendo resultados consistentes. Además, se demuestra que el modelo es causalmente manipulable: al modificar el estado interno en torno a una característica específica, el modelo ajusta sus predicciones futuras de forma monotónica y predecible, como si hubiera construido una "visión interna" del mercado.
Para inversionistas y gestores de cartera en el Perú, este hallazgo implica que ciertos modelos de inteligencia artificial pueden capturar estructuras profundas del mercado sin necesidad de datos históricos específicos. Aunque el estudio se basa en acciones estadounidenses, su enfoque en representaciones generales sugiere que tales modelos podrían adaptarse a mercados emergentes, incluyendo el nuestro. El desequilibrio de órdenes, por ejemplo, es un factor clave en la volatilidad de precios en bolsas regionales, y si un modelo puede predecirlo con precisión, podría ser útil para detectar movimientos inmediatos en el mercado local. Sin embargo, es crucial recordar que este tipo de herramienta aún no está validada en entornos reales de trading peruano, donde factores como la regulación, la liquidez limitada y la estructura de ofertas pueden distorsionar el comportamiento de los libros de órdenes. Por tanto, su aplicación debe ir acompañada de análisis complementarios, especialmente en mercados donde la información no se transmite de forma uniforme. La capacidad de estos modelos para ser "manipulados" en su estado interno también plantea preguntas éticas y de riesgo, que deben ser evaluadas antes de su integración en estrategias de inversión. En definitiva, aunque los resultados son prometedores, su uso debe ser cauteloso y siempre en combinación con metodologías tradicionales.