El experimento que sorprendió

Un estudio liderado por Harvard Business School (2025-2026) analizó millones de operaciones de fondos de inversión activa. Un modelo de machine learning predijo correctamente entre el 60 y el 71 % de las operaciones que los gestores humanos realmente hacían. Esto sugiere que los gestores siguen patrones detectable s y aprendibles por máquinas.

Machine learning en predicción de retornos reales

Un análisis de Funcas (2025-2026) intentó predecir retornos reales del S&P 500 en horizontes de 1 a 12 meses. Los resultados mostraron mejoras marginales sobre el índice de base. En horizontes largos (6-12 meses), algunos modelos superaron el índice base. Pero con un margen pequeño: 11.5 % vs. 10 %, por ejemplo. La diferencia se evapora cuando se restan comisiones.

¿Por qué los modelos fallan en crisis?

Las máquinas aprenden de datos históricos. Los datos históricos contienen crisis (2008, 2020), pero espaciadas. Un modelo entrenado en 20 años de datos ve 2 crisis reales. Cuando llega una nueva crisis, con un mecanismo diferente, el modelo falla porque nunca aprendió ese patrón.

Además, en crises reales, el comportamiento humano muta. En pánico, los traders venden masivamente por miedo; es irracional según datos históricos. Las máquinas no capturan pánico; capturan promedios.

Lo que sabemos y lo que no

Lo que sabemos: machine learning predice patrones históricos mejor que los humanos; en horizontes largos (6-12 meses) tiene pequeñas mejoras. Lo que no sabemos: si esto se traduce en ganancias reales después de costos; cómo se comportan los modelos en nuevas crisis.

Rigor científico

Estudio de predicción de comportamiento: Harvard Business School, análisis de fondos de inversión activa, 2025-2026. Análisis de retornos: Funcas, Papeles de Economía Española n.º 186, 2025. Vulnerabilidades: análisis de resiliencia de modelos predictivos ante crisis, 2024-2025.