En este episodio del podcast hablamos de lo que es la IA y como es utilizada en el trading algorítmico, haciendo una introducción a muchos puntos sobre la temática como los datos, el entretenimiento de robots, como se aplica esta tecnología, cuáles son las dificultades y cómo se hace, incluso algunas de las técnicas para llevarlo adelante.
En base a lo conversado con Camilo en este nuevo episodio, la inteligencia artificial no es una caja mágica, sino que es un modelo que se construye basado en experiencias pasadas. En el caso del trading algorítmico, por ejemplo, se busca que el modelo se comporte parecido a los cierres diarios. En definitiva, el objetivo es predecir acciones futuras en base a experiencias pasadas.
La Inteligencia Artificial desde la mirada de un director de innovación
Les presentamos a Camilo Alaguna, director y fundador de ITR Machines. Nos comentó sobre su relación con el trading algorítmico y como se aplica la inteligencia artificial en estos casos. Camilo es Ingeniero en Sistemas, siempre le gustó la investigación y sobre todo enfocada en la inteligencia artificial.
Sus inicios en el trading algorítmico fueron a partir de su tesis profesional. Su rol principal en ITR Machine es el desarrollo de nuevas ideas y estrategias de negocio. Ahora bien, vayamos a casos prácticos. Camilo nos comparte entre otras aplicaciones de IA, la posibilidad de inferir el precio en base a noticias. Más allá de los casos particulares de aplicación de IA en estrategias, vale destacar que la utilización de IA es meramente experimental.
Con esto último nos referimos a que se requieren realizar pruebas, evaluar los resultados y requiere de muchísima participación de quien define la estrategia.
Para llegar al resultado esperado a partir de la aplicación de inteligencia artificial, se requiere en primer lugar de dos grandes factores. El primero de ellos, contar con los datos necesarios y en segundo lugar disponer de la infraestructura necesaria para el entrenamiento que el bot a diseñar requiera. Dependiendo de la estrategia, será más o menos complejo la obtención de los datos siempre que existan y la infraestructura requerida para el entrenamiento.
Datos y entrenamiento, dos factores claves para el desarrollo de inteligencia artificial en el trading algorítmico
Detengámonos unos segundos en estos dos conceptos, datos y entrenamiento. Empecemos por los datos, puntualmente en los mercados de capitales. En LATAM contamos con escasez de datos de calidad, si bien los datos que se requieren generalmente existen, sucede que no suelen estar ordenados y en el formato requerido. Entre algunas de las recomendaciones de Camilo, está la de obtener los datos directamente de la fuente que los genera y así asegurarnos su validez e integridad. Esto permite que los modelos de inteligencia artificial puedan ser aplicados. Con relación al concepto de los datos requerido para el trading algorítmico, Camilo espera un cambio positivo en la generación de los datos y se ve como un agente de cambio para justamente construir las herramientas en conjunto con quienes generan los datos para ordenarlos. Otro tema, es la accesibilidad a estos datos. Hoy en dia no es trivial lograr el acceso, aun la parte administrativa es tediosa y además existen restricciones. Camilo apuesta a que la demanda de los mismos agilice los procesos para el acceso y disminuyan las restricciones.
Con relación al entrenamiento del bot, una capacidad de los modelos de inteligencia artificial es la de aprender en base a experiencias pasadas. Camilo nos da el ejemplo de aprender a andar en bicicleta, cuanto más tiempo le dediquemos más aprenderemos.
En inteligencia artificial precisamente se busca dar la capacidad a las máquinas de aprender a través del entrenamiento. A diferencia de las personas, los modelos de inteligencia artificial son más precisos, rápidos y hasta logran descubrir patrones que los seres humanos no suelen encontrar.
Machine Learning y Deep Learning, diferentes técnicas para aplicar inteligencia artificial
Conversando sobre las técnicas actuales para aplicar inteligencia artificial, Camilo nos comenta sobre Machine Learning y deep learning. Ambas herramientas y/o enfoques de modelos de IA, es decir, cómo queremos que nuestra máquina aprenda. Por ejemplo, en deep learning podemos incluir mayor cantidad de capas al modelo y analizar mayor cantidad de datos. Para esto último es fundamental contar con una infraestructura acorde para lograr procesar esta enorme cantidad de datos. Ahora, en el caso de machine learning lo que se hace es disponibilizar los datos reales a la máquina para que en base a lo que sucede aprenda. Otro caso de machine learning que nos comenta Camilo es el de a medida que la máquina muestra resultados, indicarle que tan cerca está de lo esperado. Con lo cual, tanto machine learning o deep learning podríamos decir que son diferentes estrategias que disponibles para enseñarle a una máquina y su utilización va a ser dependiendo la realidad que se requiera analizar.
La infraestructura, condición necesaria para aplicar inteligencia artificial al trading algorítmico
Es importante detenernos también en la infraestructura requerida para aplicar un modelo de inteligencia artificial. Si vamos a hacer lo que llamamos forward testing, no interesa probar lo que fue en el pasado sino lo que hubiese sido el futuro de ese pasado.
Por ejemplo, si queremos saber cómo se desempeñaría un modelo desde enero, lo debemos entrenar con los valores hasta enero y lo probamos de allí en adelante.
Para mantener vigentes a estos modelos, es decir, mantenerlos actualizados, debemos entrenarlos todo el tiempo. Para esto último es que requerimos de la infraestructura necesaria para poder entrenarlos de manera adecuada, ya sea con una cantidad suficiente de datos, en el tiempo requerido y poder entrenar sobre todo varios escenarios en paralelo. Otro caso a parte, en lo que respecta a requerimiento de infraestructura, es el de deep learning para reconocimiento de imágenes, sonidos y/o vídeos. Aquí los requerimientos de procesamientos son exponencialmente mayores a los que puede generar por ejemplo el mercado de capitales. Por último, Camilo nos recomienda el siguiente libro “Inteligencia Artificial: Enfoque Moderno” de Stuart Rusell para comenzar a entender el concepto de inteligencia artificial.
Conclusión
Luego de este agradable episodio compartido con Camilo, podemos decir que la aplicación de la inteligencia artificial en el trading algorítmico a lo largo de latinoamérica continúa con su expansión. Sin dudas, y en relación a lo conversado, la aplicación de la inteligencia artificial no depende solo de las empresas de tecnología sino también de la disponibilidad de información por parte de los mercados y sobre de la participación de quienes operan en el mismo.
Es importante destacar que la inteligencia artificial no es ciencia ficción, sino todo lo contrario, es una herramienta disponible para mejorar exponencialmente el valor agregado de los algoritmos, en este caso aplicada en el trading.
«En TradeSpark podemos ayudarte a generar las mejores estrategias de trading algorítmico para tu negocio. Contactanos y conversemos!».
Escuchá todos los episodios
Suscribite al podcast
@lg0+ es un podcast de TradeSpark que se actualiza mes a mes. No te pierdas los próximos episodios: podés escucharlos en el sitio o tu teléfono, computadora o en el auto. Este podcast está en Spotify o Google Podcasts. Si te suscribís vas a tener un aviso automático cada vez que se publica un episodio nuevo.
