¿Puede una IA elegir mejor las acciones?
Conclusión en una frase
Quedó por detrás de SPY en retorno, crecimiento anual y Sharpe en las dos muestras; la ventaja académica no se transfirió de forma robusta.
La idea
Cómo funciona
El modelo aprende de los precios pasados para ordenar las acciones cada mes. Después compra las que considera más prometedoras. La pregunta es si ese orden aporta algo frente a reglas sencillas y frente a comprar SPY.
La prueba
Qué hicimos
Entrenamos y congelamos el modelo por separado en dos bases históricas. En cada una medimos 46 meses que no se usaron para ajustarlo, comprando en la apertura siguiente e incluyendo costes. No buscamos parámetros nuevos al ver los resultados.
Vídeo del laboratorio
La prueba, explicada en vídeo
Learning-to-Rank en bolsa: +3,87% en una muestra y −9,99% en otra
Qué habría pasado
Evolución de una inversión de 100
La estrategia y su referencia empiezan con 100 en cada periodo. Así se ve con claridad cuál creció más y qué baches sufrió por el camino.
Cargando curva de equity…
Learning-to-Rank 133,37SPY 150,48
Ver los datos de la curva (46 meses)
| Fecha | Learning-to-Rank | SPY |
|---|---|---|
| Cargando datos mensuales… | ||
Cargando curva de equity…
Learning-to-Rank 97,48SPY 158,39
Ver los datos de la curva (46 meses)
| Fecha | Learning-to-Rank | SPY |
|---|---|---|
| Cargando datos mensuales… | ||
Los cuatro datos clave
Resultado y riesgo
Comparamos la estrategia con la referencia indicada durante las mismas fechas.
- Rentabilidad neta total
- Ganancia total después de los costes incluidos en la prueba.
- CAGR
- Ritmo medio de crecimiento por año.
- Sharpe
- Rentabilidad conseguida en relación con los altibajos. Más alto suele ser mejor.
- Máxima caída
- Peor pérdida sufrida desde un máximo anterior.
Periodo
Yahoo/SEC · 2015–2018
46 meses fuera de muestra; cartera long-only del decil superior, ejecución en la siguiente apertura y costes declarados.
| Métrica | Learning-to-Rank | SPY |
|---|---|---|
| Rentabilidad neta total | +33,4% | +50,5% |
| CAGR | +7,8% | +11,2% |
| Sharpe | 0,831 | 1,051 |
| Máxima caída | -8,4% | -8,5% |
Periodo
Sharadar · 2022–2025
46 meses fuera de muestra; cartera long-only del decil superior, ejecución en la siguiente apertura y costes declarados.
| Métrica | Learning-to-Rank | SPY |
|---|---|---|
| Rentabilidad neta total | -2,5% | +58,4% |
| CAGR | -0,7% | +12,7% |
| Sharpe | 0,023 | 0,85 |
| Máxima caída | -22,0% | -19,7% |
Nuestra decisión
Por qué todavía no invertiríamos con ella
En Yahoo la cartera ganó un 33,4%, frente al 50,5% de SPY. En Sharadar perdió un 2,5%, mientras SPY ganó un 58,4%. La prueba long-short también cambió de una señal débil a una pérdida clara, y los datos incompletos superaron nuestros límites. Por eso archivamos esta versión en lugar de seguir ajustándola. Esto no demuestra que el paper original sea falso.
Origen de la idea
La publicación que inspiró esta prueba
Hemos interpretado y probado la idea de forma independiente. La persona que la publicó no ha participado en este estudio ni respalda nuestros resultados.
- Building Cross-Sectional Systematic Strategies by Learning to Rank Daniel Poh, Bryan Lim, Stefan Zohren y Stephen Roberts · arXiv · artículo académico · 2020-12-13
Ver metodología, controles y límites
Cómo se hizo la prueba
- Convertimos 22 señales de precio en una puntuación mensual para cada acción.
- Entrenamos y congelamos el modelo por separado; los meses de prueba no se usaron para ajustarlo.
- Probamos la cartera académica long-short y una versión long-only comparable con SPY.
- Ejecutamos en la apertura siguiente, aplicamos 25 puntos básicos por unidad de rotación y dejamos en efectivo las entradas sin precio.
- Repetimos el proceso en dos bases independientes y aplicamos la regla de parada sin buscar parámetros nuevos.
Controles aplicados
- Ventanas fuera de muestra: Se completaron 46 meses operacionales en cada muestra sin volver a ajustar el modelo.
- Comparación con SPY: La cartera long-only pierde frente a SPY en retorno, CAGR y Sharpe en ambas muestras.
- Transferencia entre bases: La señal positiva de Yahoo no se repite; en Sharadar LambdaMART pierde incluso antes de comisiones.
- Calidad de datos: Las entradas o retornos incompletos superan el límite congelado del 1%.
Limitaciones conocidas
- Es una transferencia metodológica, no una réplica exacta del universo CRSP de 1980–2019 del paper.
- Cada muestra contiene solo 46 meses operacionales fuera de muestra.
- Existen riesgos de clasificación histórica, supervivencia y datos incompletos.
- La prueba long-short no incluye costes de préstamo ni financiación.