Según arXiv q-fin, un estudio reciente analiza el rendimiento de modelos grandes preentrenados en series temporales, como TimesFM, para la predicción financiera. El trabajo evidencia que una precisión aparente de alrededor del 80% en el sentido de dirección de los mercados no refleja necesariamente capacidad predictiva real. En un entorno de crecimiento prolongado, una regla sencilla que siempre indica aumento (por ejemplo, “siempre al alza”) alcanza niveles de exactitud comparables sin procesar ningún dato de entrada. Este hallazgo revela que el alto porcentaje de acierto podría deberse a un sesgo de base, más que a un modelo inteligente. Para evitar este error, el estudio implementa un protocolo riguroso: datos fijos, validaciones en expansión, particiones estratificadas por activos, y comparaciones honestas con líneas base como el modelo sin entrenamiento (zero-shot), el comportamiento constante, caminos aleatorios y modelos de persistencia. Los resultados se validan mediante pruebas estadísticas, incluyendo McNemar y Diebold-Mariano, controladas bajo el criterio de corrección de Benjamini-Hochberg.
El análisis se repite en dos universos distintos: el NASDAQ-100, dominado por tecnologías, y el S&P 500, más diverso. En ambos, se observa que el modelo con adaptación LoRA no supera la regla “siempre alza” en términos de precisión de dirección. El primer hallazgo indica que la condición histórica de 80% no es un indicador de habilidad, sino un resultado esperado basado en el comportamiento general del mercado. En segundo lugar, al combinar todos los sectores, el modelo no muestra ventaja sobre la línea base en ningún horizonte, especialmente al llegar a seis meses. Terceramente, el enfoque por sector resulta peor que un modelo global, con p-valores inferiores a 0.001 en pruebas de significancia. La única mejora real en el modelo es una reducción estadísticamente significativa en el error de predicción de puntos, frente al modelo sin entrenamiento. Sin embargo, este avance no se traduce en una ventaja operativa o comercial, pues los modelos no generan señales de dirección confiables para inversiones.
Para el lector peruano, este estudio es una advertencia clave: las herramientas de inteligencia artificial en finanzas no deben ser evaluadas solo por su precisión en dirección, sino por su capacidad para generar decisiones rentables. En mercados como el nuestro, donde la volatilidad y la estructura de precios son complejas, una simple regla de seguimiento puede superar modelos sofisticados sin datos relevantes. Invertidores que dependan exclusivamente de predicciones automatizadas corren el riesgo de confiar en sesgos estadísticos. Es fundamental evaluar no solo qué tan bien un modelo “acierta”, sino si realmente puede guiar estrategias de inversión. La prudencia y el enfoque empírico deben guiar cualquier uso de tecnología en la toma de decisiones financieras, especialmente en contextos de alta incertidumbre como el mercado peruano.