SIMPOSIO LATINOAMERICANO Y DEL CARIBE: LAS TECNOLOGÍAS DE INFORMACIÓN EN LA SOCIEDAD.

AGUASCALIENTES, MÉXICO, 1999

AGENTES ARTIFICIALES EN LOS MERCADOS FINANCIEROS

C.R. Stephens D. Sudarsky

Investigador Titular "B" de TC Investigador Titular "B" de TC
NNCP, Instituto de Ciencias Nucleares, NNCP, Instituto de Ciencias Nucleares,
UNAM, Circuito Exterior, UNAM, Circuito Exterior,
A. Postal 70-543, A. Postal 70-543,
México D.F. 04510 México D.F. 04510

Adaptive Technologies, Adaptive Technologies,

Coscomate 49, Coscomate 49,
Torriello de Guerro, Torriello de Guerro,
México D.F. México D.F.
stephens@nuclecu.unam.mx sudarsky@nuclecu.unam.mx

Resumen
Se da un repaso breve del impacto de la innovación tecnológica en el desarrollo económico y en
particular el papel de la tecnología de punta en las finanzas. Como ejemplo concreto se describen los
métodos usados para diseñar sistemas de predicción concentrándonos en el desarrollo de los
sistemas basados en agentes artificiales.

Introducción
La revolución tecnológica ha tenido un impacto muy grande en todas las áreas de la vida cotidiana.
En algunas esto es más evidente que en otras.

En el mundo financiero su efecto ha sido enorme debido a la computarización y democratización de

las finanzas. Se puede ilustrar esta tesis con algunas cifras representativas: por ejemplo, hoy en día,
en el Global Interbank Currency Market se negocian electrónicamente más de US$1,500 mil millones
por día. Para dar una perspectiva de este número, notamos que el Producto Interno Bruto anual de
México es del orden de US$400 mil millones. El NASDAQ tiene 350,000 terminales de computadora
que proporcionan precios de esa bolsa en vivo.

Para mantenerse en la vanguardia de la alta tecnología la Bolsa de Nueva York ha invertido más de
US$2 mil millones en los últimos diez años. Se estima que más del 30% de los inversionistas
americanos usan el Internet diariamente en la toma de sus decisiones. La compra/venta de acciones
y otros instrumentos financieros no son más la prerrogativa exclusiva de las instituciones financieras
y/o inversionistas ricos. Esta democratización de las finanzas aún está por llegar a México pero no
cabe duda de que pronto llegará.

El generador y motor de cualquier revolución tecnológica es la investigación científica. La teoría de

Maxwell de la electrodinámica fue la semilla que dio la luz al mundo moderno. Todavía hoy sigue
siendo la base de casi todos lo que identificamos con la modernidad. La invención del transistor y el
descubrimiento de los semiconductores sirvieron como la base fundamental para el “hardware” de la
revolución tecnológica moderna. Mientras que, por otro lado, las teorías de Von Neumann y Turing,
inicialmente motivadas por la investigación en el área de la lógica matemática, fueron la base teórica
del desarrollo del “software” y aún se mantienen como los fundamentos de la teoría de computación.
El cálculo estocástico sirve como el fundamento sine qua non de la revolución en derivados que
empezó en los años 80 con la famosa fórmula de Black y Scholes (para una introducción vea, por
ejemplo [1]).

No sería una exageración decir que la gran mayoría de la gente toma a la tecnología por descontada,
y sin detenerse a pensar en su origen último en la investigación científica. A veces esto se debe al

155
 SIMPOSIO LATINOAMERICANO Y DEL CARIBE: LAS TECNOLOGÍAS DE INFORMACIÓN EN LA SOCIEDAD. AGUASCALIENTES, MÉXICO, 1999

gran lapso temporal que suele darse desde este origen hasta su aplicación tecnológica a gran escala.
Por ejemplo, cuando se usa un teléfono celular que se conecta por satélite no se piensa en la teoría
de Maxwell, sin la cual no sería posible dicho sistema. Pero es de suma importancia darse cuenta
que el vínculo estrecho entre la investigación científica y la tecnología sigue siendo fundamental a
pesar de que es muchas veces ignorado por autoridades gubernamentales y por el sector privado.

Las universidades, por supuesto, tienen un papel muy importante que jugar para que la sociedad en
general pueda seguir aprovechando los beneficios de la tecnología. Entre 1980 y 1994 las
universidades estadounidenses propiciaron la creación de más de 1,000 nuevas empresas de alta
tecnología. Por ejemplo, en 1995 fueron creadas 102 empresas tan sólo por las 20 universidades
más reconocidas. El ingreso a estas universidades sólo por concepto de regalías por patentes es
enorme. No cabe duda que la relación entre el sector académico y el sector privado en términos de
alta tecnología puede ser de enorme utilidad, no únicamente para las dos partes involucradas, sino
también para el bienestar económico del país.

Naturalmente la creación de una empresa nueva de alta tecnología requiere de muchos recursos,
tanto financieros como humanos. En México aún hay mucho lugar para mejorar la disponibilidad de
ambos. La formación de una nueva empresa es un emprendimiento muy riesgoso y
desafortunadamente no hay todavía en México una cultura amplia de “venture capital”. Uno de los
pocos programas de vinculación es el que está asociado con la Coordinación de Vinculación de la
UNAM. Se llama SIECyT (Sistema Incubador de Empresas de Base Tecnológica y Científica) que
recibe fondos de Conacyt y Nacional Financiera y maneja un fideicomiso a través del cual nuevas
empresas reciben un apoyo inicial para su lanzamiento. A pesar de que las cantidades disponibles
son relativamente pequeñas, han ayudado en la fundación de varias empresas en los últimos años.

Otro problema que enfrenta el desarrollo de empresas de alta tecnología es la actitud, un tanto
conservadora, del sector privado mexicano, y en particular una creencia generalizada de que toda
nueva tecnología de muy alto nivel se desarrolla únicamente en el extranjero. Estos problemas de
imagen crean un círculo vicioso donde hay poca motivación para nuevas empresas mexicanas de alta
tecnología, debido a una carencia de recursos y una falta de confianza de parte del sector privado,
que cuando finalmente requiere buscar soluciones tecnológicas a sus problemas, encuentra que no
hay proveedores locales con capacidad de ayudarles, por lo que acuden a compañías extranjeras lo
cual a su vez refuerza el prejuicio de que si se trata de alta tecnología hay que buscarla en el exterior.

Acá cabría resaltar que incluso para sacarle provecho a tecnología importada es imprescindible
entenderla muy bien. No es inusual encontrar ejemplos de grandes compañías locales, que hacen
millonarias inversiones en la compra de, por ejemplo, un software y que después de un tiempo llegan
a la conclusión de que compraron un sistema que no da la solución real y adecuada a los problemas
que dieron origen a la decisión de compra. Para evitar este tipo de problemas, una compañía debe de
contar con personal altamente capacitado (ya sea a nivel interno o a través de contratos de asesoría)
que pueda evaluar de manera óptima la selección de la solución tecnológica adecuada para el
problema en cuestión.

Otro punto que cabe resaltar de entre las tendencias actuales en la evolución económica,
especialmente en las economías avanzadas, es el creciente papel que juega el sector de servicios en
contraposición con el sector industrial convencional, cuya participación se hace cada vez más
pequeña. De continuar esta tendencia, lo que parece por demás inevitable, se puede visualizar un
futuro relativamente próximo en el que el sector industrial y por ende las economías basadas en éste
no representen sino un valor marginal de la economía mundial. Esta perspectiva debe ser
considerada con mucho cuidado por los líderes políticos y el sector productivo de los países en
desarrollo, quienes deben recordar, por ejemplo, que si bien en una época las especies llegaron a ser
tan importantes que dieron lugar a las más ambiciosas expediciones concebibles en esos días, hoy
no son más que un asterisco insignificante de la producción económica mundial. Los servicios, en
156
 SIMPOSIO LATINOAMERICANO Y DEL CARIBE: LAS TECNOLOGÍAS DE INFORMACIÓN EN LA SOCIEDAD. AGUASCALIENTES, MÉXICO, 1999

particular los servicios asociados con tecnología de punta, son un nicho irrenunciable para cualquier
país que pretenda tener una participación adecuada en la economía del próximo siglo.

Mercados financieros como Sistemas Complejos Adaptivos

Los mercados financieros forman un muy buen ejemplo de lo que se llama un “sistema complejo
adaptivo” [2]. Éstos son sistemas compuestos de un gran número de entidades individuales o
“agentes”, cada uno con su propia dinámica que responde en parte al entorno en que se mueve, el
cual a su vez está determinado por la “suma” de los comportamientos de los agentes que conforman
al sistema. A pesar de que las reglas que rigen las interacciones entre agentes pueden ser simples, y
la dinámica de un agente individual puede ser también muy simple, la dinámica del sistema en su
totalidad puede llegar a ser muy compleja, mostrando patrones de comportamiento que no existen al
nivel de uno o pocos agentes. Se dice que este comportamiento complejo es un fenómeno
“emergente”.

Una propiedad muy importante que suelen tener estos sistemas es la ocurrencia de múltiples niveles
de organización y de interacción. Agentes a una escala pueden servir para formar agentes más
complejos de otro nivel. En el lenguaje de la física se dice que los grados de libertad microscópicos
pueden agregarse para dar lugar a grados de libertad efectivos macroscópicos (o mesoscópicos). Por
ejemplo, se puede pensar en una fábrica como un agente (económico) que está compuesto de un
gran número de agentes (económicos) más elementales: sus empleados. Los esfuerzos colectivos de
éstos dan lugar a la producción total de la fábrica, que es una propiedad no de un agente elemental
sino del entorno en su totalidad. Otra propiedad importante que suelen tener los sistemas complejos
es su adaptabilidad a las condiciones ambientales. Quizá sea conveniente que una compañía se
divida para competir más eficientemente, o que dos o tres compañías formen una alianza para
explotar con mayor eficiencia un mercado dado.

Una característica típica del ámbito en que opera un sistema complejo es la existencia de muchos
nichos en los que se puede operar eficientemente. Nuevas tecnologías siempre llevan a nuevos
nichos, la ocupación de los cuales puede llevar a la aparición de más nichos que a su vez..., etc. Esto
resulta en un ciclo perpetuo de innovación. Así, por ejemplo, tenemos que el desarrollo de las
computadoras abrió el nicho para las empresas de software, y que los desarrollos de éstas dieron
lugar a la tecnología de Internet, que a su vez abrió nichos a los Netscape o Microsoft Explorer, y
éstos a su vez abren los nichos para Amazon.com, etc. Esta evolución altamente no trivial implica
que un sistema complejo adaptivo esté operando totalmente fuera de equilibrio. Además de los
mercados financieros u otros sistemas económicos, otros ejemplos de sistemas complejos adaptivos
son el cerebro, un sistema ecológico, el sistema imunológico, una cultura, la evolución genética, etc.

Hay que anotar que una cosa es darse cuenta de que un sistema es complejo y adaptivo y otra muy
diferente, y mucho más difícil, es encontrar una forma para modelarlo adecuadamente. Es útil
clasificar los distintos tipos de sistemas dinámicos según el tipo de modelaje adecuado para los
mismos. Algunos sistemas se pueden modelar a través de inferencia algorítmica, es decir, se pueden
escribir ecuaciones explícitas sencillas con pocos parámetros libres que describen la dinámica del
sistema. La validez de la inferencia algorítmica depende de que el sistema satisfaga una serie de
criterios muy restrictivos, por lo que se dice que se ajusta a un “modelo fuerte”. Existen otros
sistemas que no se pueden modelar por medio de ecuaciones matemáticas explícitas, pero donde se
puede observar un comportamiento invariante, es decir, bajo condiciones similares el sistema se
comporta en forma similar. De esta manera se puede llegar a reglas explícitas, que muchas veces se
pueden deducir de suposiciones simples, por lo que se llama a este tipo de sistema un sistema
susceptible de modelaje por inferencia deductiva. Los famosos “sistemas expertos” se encuentran en
esta categoría. Finalmente hay sistemas donde no hay comportamiento invariante, o más bien no hay
comportamiento invariante evidente. Para estos sistemas sólo son útiles los modelos en que hacen
pocas suposiciones y trabajan sin el beneficio de parámetros ajustables explícitos. Estos últimos se
denominan sistemas de inferencia inductiva.
157
 SIMPOSIO LATINOAMERICANO Y DEL CARIBE: LAS TECNOLOGÍAS DE INFORMACIÓN EN LA SOCIEDAD. AGUASCALIENTES, MÉXICO, 1999

La mayoría de sistemas complejos adaptivos son sistemas de inferencia inductiva. Los mercados
financieros en particular son ejemplos idóneos de éstos. Hay una cantidad enorme de datos y
estudios sobre los mercados, pero todo esto no ha resultado hasta el momento en un modelo
completamente satisfactorio. La hipótesis más usada y aceptada es la Hipótesis de Mercados
Racionales que en su forma más débil sentencia: "los precios instantáneos reflejan completamente la
información contenida en su historial", es decir, que no hay nada que aprender del estudio de las
series de precios históricos. Eso querría decir que los inversionistas no pueden encontrar estrategias
de inversión, basadas en patrones previos de precios, para dar rendimientos superiores. Actualmente
se está acumulando cada vez más evidencia indicando que los mercados no son totalmente
raciónales, pero exhiben comportamiento no-lineal como retroalimentación positiva en escalas
diferentes. Por supuesto una retroalimentación positiva no puede durar por tiempo indefinido debido a
la ley de oferta y demanda. Una no-linealidad en la evolución del precio de un instrumento puede dar
lugar a un cierto grado de predictibilidad, es decir, una señal determinística de duración finita dentro
del mar de ruido que, en general, forman las series de tiempo. Estas señales temporales se llaman
“burbujas de predictibilidad”.

Aunque es claro que existen irracionalidades, es aún muy polémico si se pueden, o no, diseñar
estrategias de compra/venta para aprovechar dichas irracionalidades, y por medio de eso llegar a
generar ganancias superiores. Es la competencia entre quienes se dedican a la búsqueda de
estrategias superiores, basadas en análisis fundamental o análisis técnico u otros, y la ley de la oferta
y la demanda, lo que crea las condiciones ideales para la adaptación en los mercados, en cercana
analogía a lo que ocurre en la evolución biológica. Como un ejemplo: si se supiera que una cierta
emisora subirá mañana y se tratara de comprar una cantidad grande de sus acciones hoy, la pura
acción de la compra causaría que el precio suba reduciendo entonces las posibles ganancias que
cabría esperar si se tratara de comprar más. Así una estrategia exitosa no puede durar por un
periodo indefinido. Los mercados se adaptan para reducir la eficacia de dicha estrategia y entonces
hay que buscar una nueva estrategia, por lo tanto hay una lucha continua entre estrategias
asociadas a una dinámica altamente adaptiva.

Mercados predecibles: hecho o fantasía

Existen muchos métodos para pronosticar a los mercados financieros. La terminología general para
tales métodos es “análisis técnico” pero dentro de este rubro hay un número casi sin fin de diferentes
enfoques. El análisis técnico convencional es esencialmente un conjunto de reglas heurísticas que un
trader implementa basado en su experiencia o en recomendaciones de otros. Pocas veces se hace
un intento serio de evaluar una estrategia basada en una herramienta de este tipo, de manera
estadísticamente confiable y en forma rigurosa. La evaluación de su desempeño suele ser
meramente subjetiva. De hecho, pocas veces es posible separar el valor real que la herramienta
aporta en la toma de decisiones, de la aportación de la intuición del mismo usuario. Existen muchos
productos que evalúan su desempeño basado en su rendimiento sobre datos en el pasado. Sin
embargo, esto no es en realidad de utilidad alguna si no se cuenta con una manera de correlacionar
el rendimiento pasado y el rendimiento futuro.

Naturalmente existen herramientas tan complicadas como se quiera. Tenemos así desde los métodos
estadísticos más sencillos para el análisis de las series de tiempo, como la regresión lineal, hasta los
métodos mucho más complicados como el Promedio Móvil Autoregresivo (reference). Cada método,
por supuesto, tiene sus ventajas y desventajas.

Otras herramientas que se han vuelto populares recientemente son las redes neuronales (vea [3]
para una introducción y [4] para una discusión en el contexto de los mercados financieros) y los
algoritmos genéticos. Desde el punto de vista de la estadística, las redes neuronales son
herramientas estadísticas para llevar a cabo inferencia inductiva. Más coloquialmente, son “cerebros
artificiales”, los cuales consisten de un conjunto de “neuronas” interconectadas. Algunas de estas

158
 SIMPOSIO LATINOAMERICANO Y DEL CARIBE: LAS TECNOLOGÍAS DE INFORMACIÓN EN LA SOCIEDAD. AGUASCALIENTES, MÉXICO, 1999

neuronas sirven para recibir señales de entrada, otras procesan la señal y finalmente un subconjunto
de ellas da la señal de salida.

Las redes neuronales tienen la capacidad de “aprender”. La manera en que lo hace depende de la
forma de su método de aprendizaje. Un esquema muy común es el aprendizaje con supervisión,
donde para un conjunto de entradas dadas sabemos cuál debería ser la salida, la cual inicialmente
difiere de la que da el sistema; se procede entonces a cambiar las fuerzas de las interconexiones
hasta que la salida real coincida con la salida requerida. Después de “aprender” de esta manera
basándose en un conjunto de patrones dado --- el conjunto de entrenamiento --- se deja a la red ver
un conjunto de patrones nuevos --- el conjunto de prueba --- para ver si es capaz de generalizar a las
nuevas circunstancias, lo que ha visto en su entrenamiento. Por ejemplo, para usar una red en el
reconocimiento de patrones se entrena a la red con un conjunto de patrones representando un
símbolo, por ejemplo la letra A manuscrita de varias personas diferentes. Después de aprender con
dichas muestras, se prueba la red con la letra A de una persona que no ha visto en su entrenamiento
para ver si es capaz reconocer los patrones nuevos.

En el caso de series de tiempo, la idea es que la red trata de buscar patrones reconocibles
escondidos dentro de la serie de tiempo de un instrumento. Es decir, que busca correlaciones
temporales. Naturalmente, en este caso, la generalización puede ser muy útil para la pronosticación.
No hay duda que las redes neuronales pueden ser muy útiles, sin embargo, en el caso de los
mercados financieros no hay evidencia convincente de que den rendimientos superiores consistentes.
Es muy difícil decir si funcionan o no, debido a que normalmente los estudios tratan pocos
instrumentos sobre periodos de tiempo relativamente cortos. Sin embargo, se pueden hacer algunas
críticas generales. Arriba enfatizamos que los mercados financieros probablemente son
principalmente estocásticos pero con una señal no lineal determinística que varía en tiempo y de un
instrumento a otro. Lo importante para una red neuronal es reconocer la señal y distinguirla del ruido.
Desgraciadamente las redes neuronales suelen caer en la trampa de “sobreaprendizaje”. Esto
significa que las redes aprenden el ruido tanto como la señal, hecho que dificulta enormemente la
habilidad de la red de generalizar para reconocer una señal fuera del conjunto de entrenamiento.

Otro problema es intrínseco al método más común de aprendizaje, el llamado “método de

retropropagación de errores”. En este método las fuerzas de las interacciones entre las neuronas son
cambiadas cada vez que se muestra una nueva entrada a la red. Esto significa que la red está más
capacitada para reconocer patrones similares a los últimos que se le mostraron. En el ejemplo de
reconocimiento de letras, si se quiere reconocer solamente a la letra A, la red lo puede lograr sin
mayor problema, pero si se quieren reconocer todas las letras se encuentra uno con el problema de
que a medida que la red va aprendiendo la letra B, ajustando sus conexiones en el entrenamiento
patrón por patrón, su habilidad de reconocer A se va degradando. Una manera para lidiar con esta
situación ha sido desarrollado por el Dr. Henri Waelbroeck y el grupo NNCP (Neural Networks, Chaos
and Prediction) del Instituto de Ciencias Nucleares de la UNAM utilizando un nuevo algoritmo de
aprendizaje que se llama SOC (Self-Organized Criticality) – Network technology donde en la
presentación de un nuevo patrón su aprendizaje y/o reconocimiento puede estimular la llamada de
viejos patrones para su reaprendizaje en vista de su relación con el patrón que está ante la red en el
momento dado, y a su vez la presencia de ese patrón viejo puede propiciar la llamada de otros
patrones relacionados, etc. En estos casos decimos que se trata de un evento de aprendizaje o una
avalancha de recuerdos grande que permite al sistema aprender correlaciones entre eventos muy
separados en el conjunto de entrenamiento y, en particular en el caso de series de tiempo,
correlaciones temporales sobre escalas temporales arbitrarias. Así, en el caso de que a la red le sea
presentada la letra A para su identificación, ésta no tratará de hacerlo en su estado neuronal
recientemente adecuado para reconocer la Z sino que llamará a las memorias relevantes, en este
caso las letras parecidas como la A, la C y la O (manuscritas), para que una vez reentrenada la red
sobre éstas pueda proceder a reconocer exactamente a qué patrón corresponde la letra que se le
presentó.
159
 SIMPOSIO LATINOAMERICANO Y DEL CARIBE: LAS TECNOLOGÍAS DE INFORMACIÓN EN LA SOCIEDAD. AGUASCALIENTES, MÉXICO, 1999

Los algoritmos genéticos (vea [5] para una introducción) son otra herramienta popular en este
momento. Como una red neuronal, toma como punto de inspiración el cerebro humano; los algoritmos
genéticos a su vez también se inspiran en la naturaleza al basar su estrategia en la evolución
biológica. Esencialmente son algoritmos de búsqueda y optimización, codificados en forma de un
“cromosoma” y evolucionando en paralelo en un ambiente competitivo. Así como en la naturaleza
tenemos la “supervivencia de los más capaces”, así también los algoritmos que llevan a una solución
más apta se reproducen más frecuentemente. Para inducir diversidad en la población, los
cromosomas se mutan para formar otros y también (en analogía con la reproducción sexual) se tiene
un mecanismo mediante el cual pares de cromosomas se dividen y se recombinan, como en la
genética real, para dar lugar a nuevos cromosomas. Los algoritmos genéticos que buscan conjuntos
de reglas bien adaptadas donde se permite llevar a cabo una cierta tarea se llaman sistemas
clasificadores. También han sido utilizados para encontrar buenas estrategias de compra/venta en la
negociación de acciones. Como un ejemplo explícito: quizá un cromosoma tiene una parte que
corresponde a una regla “compra barato” y el otro cromosoma una parte que tiene la regla “vende
caro”. Si por división y recombinación de los cromosomas se puede crear uno nuevo con ambas
reglas tenemos, en principio, un cromosoma más capaz que sus “padres”.

Agentes artificiales
La hipótesis fundamental detrás de la teoría de agentes artificiales es que se puede entender la
dinámica de sistemas complejos adaptivos formados de agentes naturales, a través del estudio de
sistemas de agentes artificiales que emulan a los naturales. Hay muchas definiciones de agentes
artificiales [6] y vienen en varios tipos. En esta exposición no queremos entrar en detalles. Para
nuestros propósitos un agente artificial será un modelo de un agente natural que captura ciertas
características de sus contrapartes reales que pensamos son las más importantes. En los mercados
financieros, los agentes naturales son los traders, inversionistas privados, fondos de pensiones, etc.,
cada uno siguiendo y desarrollando una cierta estrategia de compra/venta. Es la suma de todas las
acciones de estos agentes lo que da origen al comportamiento de un mercado en un momento dado.
De hecho, se han creado mercados artificiales que están formados completamente por agentes
artificiales como el desarrollado por un grupo de investigadores del Instituto Santa Fe y conocido
como el “Santa Fe model” [7]. Los estudios de tales sistemas nos ayudan entender cómo funcionan
los mercados reales para, por ejemplo, considerar cambios en las leyes de operación para que los
mercados sean más eficientes y más justos o encontrar sistemas de trading que son más eficientes.

Otra posibilidad que se abre con este tipo de tecnologías es la de tratar de crear agentes artificiales
que sean más eficientes que sus contrapartes naturales en reconocer cambios en los patrones de
comportamiento en los mercados y, por lo tanto, lograr mayores ganancias, o manejar más
adecuadamente el riesgo en el caso de un portafolio.

La teoría y uso de sistemas de agentes artificiales está en sus primeras etapas y aún queda en la
frontera de la investigación científica. Una de las pocas áreas donde se han estado aplicando es en
“data mining” donde se quieren hacer búsquedas más inteligentes en Internet.

Un ejemplo de un Sistema de Agentes Artificiales

Un ejemplo concreto, probablemente el único en el área de las finanzas, de un sistema comercial
basado en agentes artificiales es el sistema Adaptrader Advantage creado por la compañía Adaptive
Technologies, S.A. de C.V. que es una nueva compañía dedicada a la transferencia y aplicación de
investigaciones de frontera en el área de sistemas complejos a problemas concretos en la industria y
el sector de servicios, particularmente servicios financieros. El sistema lleva elementos de todas las
secciones anteriores: sistemas complejos, redes neuronales combinados haciendo uso de técnicas
sofisticadas de teoría de la información. Los agentes están entrenados para reconocer estructuras
emergentes en una serie de precios de una emisora, diseñar estrategias redituables para explotarlas
y, un elemento esencial, anticipar su fin retirándose antes de que las ganancias se conviertan en
pérdidas. Cada agente está compuesto de dos "cerebros": el cerebro A, examina la serie de precios
160
 SIMPOSIO LATINOAMERICANO Y DEL CARIBE: LAS TECNOLOGÍAS DE INFORMACIÓN EN LA SOCIEDAD. AGUASCALIENTES, MÉXICO, 1999

buscando un encaje óptimo a un patrón técnico entre una biblioteca de más de mil de estos patrones
(en este caso lo que se busca es optimizar las expectativas de correlación entre el comportamiento
pasado y el futuro); esto pre-procesa la señal técnica que es luego convertida en una estrategia de
negociación por una biblioteca de redes neuronales; o cerebros B, todos entrenados con la tecnología
exclusiva SOC-Network.

Los agentes son creados para lograr un alto potencial de complejidad computacional sin caer en la
trampa de sobreajuste que es tan común con otros sistemas neuronales. Los agentes en sí están
siendo creados continuamente en una “fábrica de agentes” donde compiten uno contra el otro en un
ambiente virtual y únicamente los más capaces, es decir los que dan el mejor rendimiento sobreviven.
Debido a su actualización constante, los agentes se adaptan continuamente a las cambiantes
condiciones del mercado. Debido al hecho que cada serie de tiempo es única cada agente está
dedicado a la compra/venta de un instrumento únicamente. Los mejores agentes son empaquetados
y entregados a los clientes para su uso a través de un esquema de renta mensual. Cabe mencionar
que la misma tecnología puede servir en la pronosticación de cualquier serie de tiempo. Como otros
ejemplos que en el sector financiero se pueden mencionar están la predicción de patrones de
consumo de electricidad o predicción de ventas de un producto.

Conclusiones
Es difícil sobrestimar la importancia de los cambios que cada día tienen lugar en el mundo de las
finanzas debido a los desarrollos más recientes en la tecnología. Hay algunos que son obvios como,
por ejemplo, el incremento enorme en el número de cajeros automáticos y el uso de tarjetas de
crédito como medio de pago. Detrás de ambos hay una larga cadena de desarrollos tecnológicos.
Algunos son de tipo aplicación directa de la ingeniería, pero muchos otros requieren una fuerte dosis
de investigación de alto nivel. Al hablar de redes neuronales y matemáticas avanzadas no nos
referimos a algo abstracto cuyas posibilidades de afectar nuestras vidas sólo están en el futuro. En
este caso, el futuro es hoy. Las redes neuronales ya están siendo usadas para identificar situaciones
de riesgo para la protección de tarjetas de crédito. Al mismo tiempo, las matemáticas sofisticadas y
altamente abstractas de la criptografia juegan ya un papel importante en el mantenimiento de la
seguridad de las transacciones por Internet.

¿Cómo será entonces el mundo del próximo siglo? Aunque no es posible dar una respuesta detallada
es claro que hay ciertas tendencias que continuarán: será un mundo de economías basadas más en
los servicios que en la manufactura, lo que a su vez requerirá que una fracción grande de la población
esté altamente capacitada en el manejo de la alta tecnología. Cualquier país que no domine las
nuevas tecnologías y que no tenga un sistema educativo adecuado, será condenado a tener una
economía de segundo o tercer rango. Cualquier país que no se adapte rápida y adecuadamente a los
cambios tecnológicos caerá así mismo en el abismo de la marginalidad. El papel de la investigación
científica será crucial y la separación temporal entre esa y su aplicación concreta en el mundo real,
cada vez más y más corta. La explotación óptima de la alta tecnología requerirá una gran simbiosis
entre las autoridades gubernamentales, el sector educativo y el sector privado y una disposición de
aceptar los retos y cambios necesarios para sobresalir en este nuevo mundo pero, sobre todo,
debemos adaptarnos porque como sabemos bien al mirar a la evolución biológica, la adaptación es
supervivencia.

Agradecimientos
CRS agradece a DGAPA, UNAM por el apoyo a través del proyecto IN105197 y a los organizadores
de la conferencia por el apoyo económico para poder presentar este trabajo.

161
 SIMPOSIO LATINOAMERICANO Y DEL CARIBE: LAS TECNOLOGÍAS DE INFORMACIÓN EN LA SOCIEDAD. AGUASCALIENTES, MÉXICO, 1999

Referencias
[1] John C. Hull, Options, Futures and Other Derivative Securities (Prentice Hall 1993).
[2] “The Economy as an Evolving Complex System”, eds P.W. Anderson, K.J. Arrow y D. Pines
(Addison Wesley 1988).
[3] J. Hertz, A. Krogh y R.G. Palmer, “Introduction to the Theory of Neural Computation” (Addison
Wesley 1991).
[4] “Neural Networks in the Capital Markets”, ed. Apostolos-Paul Refenes (Wiley 1995).
[5] D.E. Goldberg, “Genetic Algorithms in Search, Optimization and Machine Learning”, (Addison
Wesley 1989).
[6] H.S. Nwana, “Software Agents: An Overview”, Knowledge Engineering Review 11, 1-40 (1996).
[7] R.G. Palmer, W.B. Arthus, J.H. Holland y B. Le Baron, “Artificial Economic Life: A Simple Model of
a Stockmarket”, Physica D75, 264-274 (1994).

162