Introducción:
El aprendizaje automático (ML) se ha convertido en una herramienta poderosa en diversas aplicaciones financieras, incluida la valoración de acciones. Al aprovechar los datos históricos del mercado e incorporar diversas características, los algoritmos de aprendizaje automático pueden proporcionar información valiosa sobre las predicciones del precio de las acciones y las decisiones de inversión. Sin embargo, a pesar del creciente interés en el ML para la valoración de acciones, todavía existen lagunas importantes en nuestra comprensión de cómo estos algoritmos pueden contribuir eficazmente a este campo. Esta revisión sistemática tiene como objetivo identificar y analizar el estado actual de la literatura sobre la aplicación del ML para la valoración de acciones, destacando las brechas y oportunidades para futuras investigaciones.
Metodología:
Se realizó una búsqueda exhaustiva utilizando bases de datos académicas para identificar artículos de investigación relevantes, actas de congresos e informes técnicos publicados en la última década. Los términos de búsqueda incluían "aprendizaje automático", "valoración de acciones", "predicción de acciones" y "previsión financiera". Los estudios se seleccionaron en función de criterios de selección predeterminados, incluido el uso de algoritmos de aprendizaje automático con fines de valoración de acciones y la evaluación empírica de su desempeño.
Resultados:
La revisión identificó un cuerpo sustancial de literatura que aplica el ML para la valoración de acciones, con estudios que emplean una amplia gama de algoritmos de aprendizaje supervisado, como regresión lineal, árboles de decisión, bosques aleatorios, máquinas de vectores de soporte y redes neuronales. Los hallazgos clave de los estudios revisados indican que los algoritmos de aprendizaje automático pueden lograr predicciones precisas y confiables del precio de las acciones. Sin embargo, se identificaron varias limitaciones y lagunas en la investigación actual:
1. Calidad y preprocesamiento de los datos:muchos estudios se basan en datos históricos del mercado de valores sin abordar adecuadamente los problemas de calidad de los datos, como los valores faltantes, los valores atípicos y la no estacionariedad. El desarrollo de técnicas efectivas de preprocesamiento de datos y la incorporación de fuentes de datos alternativas (por ejemplo, sentimiento de las redes sociales, indicadores económicos) son áreas importantes para futuras investigaciones.
2. Ingeniería de características:la selección de características relevantes para la valoración de acciones es crucial; sin embargo, la mayoría de los estudios emplean indicadores técnicos básicos sin explorar conjuntos de características alternativas ni utilizar técnicas de selección de características. La investigación de enfoques de ingeniería de funciones más avanzados, incluido el conocimiento del dominio, el procesamiento del lenguaje natural y el análisis de sentimientos, puede mejorar el rendimiento predictivo de los modelos de aprendizaje automático.
3. Complejidad y sobreajuste del modelo:equilibrar la complejidad del modelo y prevenir el sobreajuste es un desafío crítico en ML para la valoración de acciones. Si bien algunos estudios experimentan con arquitecturas de aprendizaje automático complejas (por ejemplo, redes de aprendizaje profundo), otros carecen de un análisis riguroso de la selección de modelos, el ajuste de hiperparámetros y las técnicas de regularización. Las investigaciones futuras deberían centrarse en enfoques sistemáticos para la selección y optimización de modelos para mitigar los riesgos de sobreajuste.
4. Interpretabilidad y explicabilidad:la naturaleza de "caja negra" de ciertos algoritmos de ML crea desafíos para comprender cómo llegan a las predicciones. Mejorar la interpretabilidad de los modelos de ML es esencial para generar confianza y permitir a los inversores tomar decisiones informadas. El desarrollo de técnicas para el análisis de la importancia de las características, la visualización de modelos y las explicaciones contrafactuales son áreas importantes para futuras investigaciones.
5. Aplicaciones y robustez del mundo real:la mayoría de los estudios evalúan los algoritmos de aprendizaje automático en función de datos históricos, pero su eficacia en escenarios del mundo real con condiciones de mercado invisibles sigue siendo incierta. Las investigaciones futuras deberían centrarse en probar modelos de aprendizaje automático con datos en tiempo real, investigar su desempeño durante crisis de mercado o cambios de régimen y evaluar su solidez ante el ruido del mercado y la deriva de conceptos.
Conclusión:
La aplicación del ML para la valoración de acciones ha mostrado un potencial prometedor, pero existen importantes lagunas y oportunidades para investigaciones futuras. Abordar los problemas de calidad de los datos, explorar técnicas avanzadas de ingeniería de características, encontrar el equilibrio adecuado entre la complejidad y la interpretabilidad del modelo y evaluar modelos en escenarios del mundo real son áreas clave que requieren más investigación. Al cerrar estas brechas, el ML puede proporcionar herramientas de valoración de acciones más confiables y contribuir a la toma de decisiones informadas en los mercados financieros.
