Segun arXiv q-fin, un estudio reciente evalúa si las redes neuronales basadas en grafos mejoran las predicciones de volatilidad realizada y si dichas predicciones influyen en el desempeño de portafolios. El análisis se basa en datos de volatilidad diaria, recopilados a nivel semanal, de 465 acciones del S&P 500 entre 2015 y 2025. Se contrastan modelos tradicionales como el Autoregresivo Heterogéneo y las redes LSTM, frente a estructuras basadas en GraphSAGE, que integran relaciones de correlación, sectores industriales y dependencias Granger. Los resultados revelan que tres métricas clave —el error cuadrático medio de predicción, la precisión en clasificación transversal y el ratio de Sharpe del portafolio— alcanzan óptimos en modelos distintos. Esta separación indica que la exactitud en predicciones, la calidad en el ranking de activos y el rendimiento del portafolio no son objetivos intercambiables.
La investigación subraya que el valor agregado de los modelos basados en grafos no se manifiesta uniformemente. Solo cuando las estrategias de selección de activos aprovechan la estructura de relaciones entre empresas —como las conexiones sectoriales o las dependencias causales—, estos modelos generan beneficios reales en el rendimiento. En otras condiciones, su capacidad de modelar relaciones complejas no se traduce en mejoras tangibles en el desempeño financiero. Esto implica que el diseño de estrategias de inversión debe integrar no solo el historial de precios, sino también la topología de interacciones entre activos.
Para los inversores peruanos, esta evidencia es especialmente relevante en un contexto de mercado emergente. El mercado peruano, aunque más pequeño que el S&P 500, también presenta interconexiones entre sectores como energía, minería y servicios financieros. Si un inversionista aplica un modelo de predicción que no explora estas relaciones estructurales, podría estar ignorando señales clave de riesgo o oportunidad. Por ejemplo, una caída en el precio de una empresa minera podría no ser solo un evento aislado, sino un indicador de un desequilibrio en el sector, que se refleja en otros activos relacionados. Un modelo que capta estas interrelaciones podría ofrecer una visión más robusta de la volatilidad del mercado, permitiendo decisiones más informadas en el momento de comprar o vender. Así, aunque los modelos avanzados no garantizan ganancias, su aplicación estratégica puede transformar la forma en que se construyen portafolios, especialmente en entornos donde la estructura de interdependencias es más visible que en mercados desarrollados.
En resumen, la innovación en modelos de predicción no se mide solo por su precisión técnica, sino por su capacidad para influir en decisiones reales. Para inversores en el Perú, esto significa que el éxito no depende únicamente de datos históricos, sino de cómo se interpretan las relaciones entre activos. La clave está en adaptar herramientas de inteligencia artificial no como soluciones mágicas, sino como componentes que, bajo condiciones específicas, pueden potenciar estrategias bien diseñadas.