Segun arXiv q-fin, una investigación reciente introduce un concepto llamado "epiplexidad" para medir qué cantidad de estructura en los mercados financieros puede ser aprendida y reutilizada por un inversor con recursos limitados. Este enfoque se basa en la teoría de la información clásica, que estudia incertidumbre, relaciones entre variables y flujo de información mediante métricas como la entropía o la divergencia de Kullback-Leibler. Sin embargo, el trabajo va más allá al cuestionar no solo si existe estructura en los precios, sino cuánta de esa estructura puede ser capturada y aprovechada en condiciones reales, bajo límites de capacidad computacional y presupuesto.
La epiplexidad se define como una medida de la compresión útil que un inversor puede lograr respecto a un conjunto de modelos, representaciones y filtros de información. No se centra en la complejidad bruta del modelo, sino en el beneficio neto que se obtiene al superar un estándar de referencia, penalizando el costo de representación del modelo mismo. Esta noción contrasta con la idea de que la entropía de un mercado sea igual en todos los casos, demostrando que dos mercados con misma incertidumbre pueden tener distintos niveles de estructura aprendible. Se establecen umbrales finitos para que el aprendizaje sea significativo, y se analizan efectos no monótonos en la relación entre representación y rendimiento.
El estudio aplica principios de teoría de la información para establecer límites en el crecimiento de utilidad logarítmica, el ratio de Sharpe, la rentabilidad sostenible y la diversificación. Cada uno de estos indicadores está limitado por la cantidad de "bits" de información que el mercado puede procesar en cada período. La capacidad de un inversor se ve afectada por factores como el uso de margen, la supervivencia de estrategias y la congestión de señales. La pérdida de alfa se interpreta como una migración de información privada hacia el espacio público, mientras que el fenómeno de "crowding" se explica como la compresión mutua entre modelos. La capacidad de procesamiento se ve como una pérdida de información, como si los datos "se escaparan" del sistema.
Para el inversionista peruano, esta perspectiva ofrece una mirada crítica sobre la viabilidad de estrategias basadas en modelos complejos. Aunque los mercados parecen caóticos, su estructura interna puede tener límites físicos y computacionales que no permiten el aprendizaje perfecto. Esto implica que estrategias de inversión que dependen de grandes volúmenes de datos o modelos altamente sofisticados podrían ser ineficientes si no consideran estos límites. El contexto peruano, con su infraestructura financiera aún en desarrollo y una alta variabilidad en la disponibilidad de datos, resalta la importancia de evaluar no solo el rendimiento esperado, sino también la capacidad real de un modelo para operar bajo condiciones reales. Invertir en estructuras aprendibles, no en complejidad pura, podría ser una ventaja sostenible frente a la incertidumbre del mercado.