El FICC Market Standards Board Ltd. (FMSB) es un organismo con sede en Londres para participantes en los mercados mayoristas de renta fija, divisas y productos básicos (FICC). Ha estado investigando las causas fundamentales de algunas malas conductas y prácticas en el mercado y, de acuerdo con esa investigación, publicó hace unos meses un informe sobre los “temas y desafíos” en el comercio algorítmico y el aprendizaje automático.
El autor del informe es Rupak Ghose, exjefe de estrategia corporativa de ICAP / NEX y ex analista de investigación de acciones en Credit Suisse.
Ghose escribe que durante mucho tiempo “el trading algorítmico ha sido más prominente en los mercados altamente líquidos, que tienen cantidades significativas de datos de alta calidad”, pero últimamente, la aplicación de algoritmos se ha expandido a productos menos líquidos, lo que aumenta el desafío de asegurar la calidad y coherencia de los datos. El aprendizaje automático altamente sofisticado puede tener un valor negativo si los datos son engañosos.
Un problema relacionado con los mercados de productos ilíquidos es que es probable que tengan muy pocos creadores de mercado no bancarios dispuestos a ampliar la liquidez en condiciones de crisis. Estas condiciones aumentan la apuesta por la validación del modelo y la amenaza que representan los riesgos de cola.
Gestión del riesgo del modelo
Por tales razones, es vital que las instituciones administren su mayor riesgo de modelo, dice Ghose. El riesgo de modelo (nos recuerda, citando un informe del Sistema de la Reserva Federal de EE. UU.) Puede significar que un modelo tiene errores fundamentales y producir resultados inexactos, o puede significar que el modelo se está utilizando de manera incorrecta o inapropiada.
El riesgo de modelo también es un factor en el trading centrado en el ser humano, pero se vuelve cada vez más peligroso a medida que los humanos se retiran de escena. Un problema es que a menudo hay “suposiciones de modelo muy simples dentro de un algoritmo, por ejemplo, el uso de promedios móviles en el cálculo de precios”. La simplicidad de los supuestos y la inflexibilidad con la que pueden estar incorporados deben considerarse en relación con el marco de gobernanza.
Debido a estos problemas, el aprendizaje automático en los mercados mayoristas de la FICC probablemente se limitará, durante un período prolongado, a ser una herramienta para el desempeño de “funciones menores específicas únicamente y como una parte relativamente pequeña del proceso general de negociación e informes con controles en su lugar”.
Si el uso de algoritmos y aprendizaje automático se lleva demasiado rápido, es probable que surjan “riesgos de estabilidad o abuso del mercado”, y hay una discusión cada vez mayor dentro de la industria sobre las mejores prácticas que pueden mitigar estos riesgos.
El informe de FMSB distingue con bastante sensatez entre los modelos de precios y de riesgo, por un lado, y los modelos de trading de algoritmos, por el otro. Dadas las diferencias, dice, “es posible que sea necesario desarrollar diferentes enfoques de validación de modelos”.
Especialmente en el último caso, el de los modelos de comercio de algoritmos, puede ser necesario realizar pruebas de resistencia. Una institución inversora necesita desarrollar “análisis de escenarios que pongan a prueba las entradas de datos y su impacto en los modelos algorítmicos”. Estos análisis deberían incluir pruebas de “tensión negativas” para encontrar las condiciones en las que se romperían los supuestos del modelo. Los modelos de algoritmos de diferentes empresas pueden ser similares y ese hecho puede crear interdependencias, lo que a su vez genera un riesgo no intencionado.
Recomendaciones
El informe recomienda que la gobernanza algorítmica garantice que los algoritmos utilizados para la negociación sean justos y que no fomenten el abuso del mercado o los riesgos de estabilidad del mercado.
Algunos de los riesgos de liquidez establecidos perpetrados a través de las nuevas tecnologías, como la suplantación de identidad y la colusión, son “más fáciles de perpetrar en condiciones donde los precios públicos de referencia son más difíciles de establecer, como puede ser el caso de estos productos menos líquidos”.
En cuanto al aprendizaje automático, el informe sugiere “gobernantes éticos para los algos” (los lectores de ciencia ficción reconocerán la idea: las reglas de robótica de Asimov para los mercados financieros). Ghose advierte que “una máquina que se optimiza por sí sola ‘descubrirá’ que las prácticas de trading manipuladoras y poco éticas son más rentables que el comercio ético”, a menos que se programen puntos de referencia éticos que rechacen las tácticas comerciales que violan ciertos estándares.
En términos más generales, el informe propone que las formas de vida basadas en el mundo FICC se beneficiarán de las directrices que “hacen que el proceso de validación del modelo tradicional sea más adecuado para el trading algorítmico”. Esto podría hacer que el trading sea más eficiente, así como reducir el riesgo de abuso del mercado y disminuir la amenaza que una rápida expansión de las nuevas tecnologías a mercados sin liquidez podría representar para la estabilidad del mercado.
