Según arXiv q-fin, un estudio reciente analiza la posibilidad de predecir el movimiento diario de los precios de acciones en el mercado estadounidense utilizando únicamente la información disponible al abrir la sesión. El análisis se centra en el índice SPY, desde el 1 de febrero de 1993 hasta el 15 de marzo de 2024. Los modelos evaluados incluyen XGBoost, Random Forest, Regresión Logística y bases intuitivas, todos validados mediante un procedimiento de prueba progresiva que avanza día a día. El objetivo es predecir si el cierre de una jornada será superior o inferior al cierre del día anterior, basándose únicamente en el precio al abrir y en dos precios históricos previos, específicos por día objetivo. En los últimos 800 días de datos, la Regresión Logística logra una precisión de 71.09% en la predicción del movimiento diario, mientras que Random Forest alcanza un 61.20% y XGBoost un 58.45%, con un intervalo de confianza del 95% que va de 54.94% a 62.08%. Cuando se exige una predicción de movimiento superior al 1%, XGBoost logra una precisión de 72.7%, aunque el número de observaciones válidas disminuye a 154. Los resultados también incluyen pruebas estadísticas de Diebold-Mariano y McNemar, así como análisis por regímenes y importancia de características mediante SHAP. Además, se aplica un filtro a 541 acciones adicionales. El hallazgo principal indica que ciertos indicadores simples de precios diarios contienen información estadísticamente detectable sobre el movimiento de ese mismo día, aunque el resultado debe interpretarse con cautela debido a la escasa cantidad de datos disponibles y a la ausencia de implicaciones económicas amplias.
Para inversores peruanos, este hallazgo sugiere que, aunque los precios al abrir pueden ofrecer señales estadísticamente relevantes, no deben ser tratados como pronósticos confiables para decisiones de inversión. La precisión alcanzada, aunque notable, se mantiene en niveles que no permiten una predicción robusta en el contexto de mercados latinoamericanos, donde la volatilidad y las condiciones macroeconómicas varían de forma significativa. Además, el tamaño reducido del conjunto de datos usable en los escenarios más exigentes refuerza la necesidad de combinar estos modelos con información adicional: datos de inflación, tasas de interés, o indicadores económicos regionales. En un entorno como el de Perú, donde los mercados son más sensibles a eventos estructurales y políticos, una sola variable como el precio al abrir no puede sustituir el análisis integral de contexto. Por ello, cualquier estrategia basada en modelos de predicción debe integrar estos resultados como herramientas complementarias, no como decisiones autónomas.