Evaluar con precisión la liquidez con modelos explicables de machine learning

La explicación sobre cómo funcionan los modelos de aprendizaje automático ha sido controversial desde el inicio de la tecnología. Bloomberg está listo para publicar más métricas empíricas a fines de este año para reforzar la explicabilidad de sus modelos de liquidez. Las métricas estarán disponibles inicialmente a través de las fuentes de datos de Bloomberg y se mostrarán de manera más destacada en las pantallas de liquidez de la Terminal Bloomberg más adelante en 2024.

Este es el paso más reciente en un esfuerzo a largo plazo para lograr que los clientes confíen en los llamados modelos de “caja negra”, en un campo en el que esos modelos disfrutan de una ventaja convincente sobre los métodos más tradicionales. Pero el camino no siempre ha sido fácil.

Bloomberg ha demostrado durante mucho tiempo, para su propia satisfacción a través de backtests, que sus modelos de liquidez de aprendizaje automático son más precisos que otros enfoques más convencionales. Sin embargo, al inicio la empresa tuvo problemas para convencer a los clientes de que confiaran de la misma manera en los nuevos modelos.

“Al principio, solía evitar utilizar el término ‘aprendizaje automático’, pero explicaba con detalle lo que hacía exactamente el modelo”, explica Zane Van Dusen, director global del negocio de datos de análisis de riesgos e inversiones de Bloomberg.

La experiencia de Bloomberg tampoco fue única. En el campo de riesgo de liquidez, otras empresas, en particular BlackRock, también dejaron de lado los modelos de aprendizaje automático en el pasado, justamente porque no podían explicar el funcionamiento interno del modelo. Sin embargo, hoy en día, los reguladores están presionando a los operadores del buy-side para que sigan más de cerca el riesgo de liquidez. La crisis de la deuda pública soberana del Reino Unido en septiembre pasado y la agitación que experimentaron los bonos del Tesoro de EE. UU. en marzo de 2020 han demostrado el daño que pueden causar tales episodios. Las próximas métricas de Bloomberg tienen la intención de ganarse a cualquier escéptico que aún no esté seguro de confiar en las cajas negras de Bloomberg.

“Masaje óptimo”

Lo que Bloomberg llama su Solución de Evaluación de Liquidez, de hecho es una colección de modelos para una serie de clases de activos, se lanzó en 2016 con el primer uso rudimentario del aprendizaje automático para estimar el riesgo de liquidez.

El motor LQA parece simple. Los usuarios introducen métricas como cuánto desean negociar y a qué velocidad, y LQA les informa el costo de hacerlo. “El corazón de lo que hace el LQA es que le permite comprender la relación entre el volumen, el costo y el tiempo de un valor. Al conectar dos de esas variables en el modelo se resuelve la tercera”, explica Van Dusen.

Bajo la cobertura de LQA, el conjunto de modelos calcula un perfil de liquidez individual adaptado a un valor individual, aprendiendo a sopesar hasta 150 características que podrían contribuir al perfil de liquidez de un activo.

Van Dusen se esfuerza por indicar que las funciones son sencillas. En el caso de los bonos, por ejemplo, incluirían el monto en circulación, el vencimiento y el cupón, el número de transacciones del último mes, el número de ofertas ejecutables, el número de contribuidores de liquidez, el precio, la volatilidad y el diferencial entre la oferta y la demanda. “No hay nada demasiado esotérico”, dice. “No estamos poniendo allí ningún extraño dato alternativo”.

Sin embargo, el equipo de Van Dusen reorganiza los datos de manera que sus modelos de aprendizaje automático puedan aprovecharlos mejor. “Como parte del proceso de aprendizaje automático, hemos descubierto cómo procesar de manera óptima los datos para obtener una mayor precisión”. Para los bonos corporativos, por ejemplo, el monto en circulación se convierte a dólares estadounidenses para todos los bonos a nivel mundial, luego el logaritmo de ese valor se calcula para producir una característica final que se introduce en el modelo.

“El algoritmo de aprendizaje automático es realmente bueno para descifrar, de esas 150 características iniciales, las 30 a 50 principales que realmente hacen una diferencia en términos de cuánto cuesta liquidar”, dice Van Dusen. “Intenta determinar la ponderación óptima de cada una de esas características”.

El equipo entrena el modelo trimestralmente utilizando datos históricos y lo calibra diariamente con los datos actuales del mercado.

Detractores

Las primeras versiones fueron recibidas con escepticismo, dice Van Dusen. “En cierto modo, fuimos demasiado prematuros para el aprendizaje automático. Debido a que era un concepto tan nuevo en la industria, a pesar de que habíamos construido algo con excelentes resultados, tuvimos una conversación difícil con los clientes”.

Su enfoque para ganar confianza fue centrarse en los datos y los resultados antes de abocarse a la metodología. Y el esfuerzo de pasar por los procesos de validación de modelos de los primeros clientes de Bloomberg ayudó a la empresa a comprender y explicar mejor sus propios modelos.

“Teníamos documentos metodológicos que compartimos con nuestros clientes que tendrían una extensión de 25 páginas, pero al final del ejercicio de validación del modelo, terminamos con un documento de 200 páginas”, dice Van Dusen. Ahora los participantes del mercado están más familiarizados y se sienten más cómodos con el aprendizaje automático. Pero aun así, muchos aún acogen con satisfacción la garantía de que los modelos están limitados en cuanto hasta dónde puede llegar su “pensamiento”.

“La explicabilidad consiste en exponer la mayor cantidad de métricas brutas posible”, dice Van Dusen. La próxima publicación de datos empíricos de Bloomberg tiene como objetivo mostrar a los clientes dónde la producción está impulsada por lo que el modelo ha aprendido y dónde está influenciada principalmente por los datos observables.

La restricción de liquidez causada por el inicio de la pandemia de Covid-19 en marzo de 2020 demostró el valor del aprendizaje automático en los modelos de riesgo de liquidez, dice Van Dusen. Antes de eso, los administradores de activos pensaban mayormente en la repetición de la crisis financiera mundial. “Hasta 2020, diría que todo el enfoque de la industria fue Lehman, Lehman, Lehman, ese fue el escenario que todos trataron de simular”. La crisis de los mercados más líquidos del mundo mostró hasta qué punto la liquidez podría convertirse en un problema en lugares inesperados. De pronto, los administradores de activos estaban pidiendo modelos que les dijeran cómo podrían cambiar las condiciones de negociaciones en una gama mucho más amplia de escenarios, dice Van Dusen.

Regresión al futuro

Las técnicas de modelización han recorrido un largo camino desde 2016, cuando el aprendizaje automático significaba poco más que regresiones lineales. Bloomberg utilizó por primera vez las redes neuronales profundas para modelar los efectos no lineales de la liquidez en 2017, cuando lanzó su modelo para bonos municipales de EE. UU. Utilizó un enfoque similar al modelo de productos titulizados en 2018.

Más recientemente, actualizó su modelo original para bonos de gobierno y corporativos de un modelo de regresión lineal a un modelo de red neuronal profunda en 2022.

Los backtests, especialmente para repentinos períodos de volatilidad, como marzo de 2020, revelan la ventaja de estos modelos dinámicos más nuevos. Las técnicas tradicionales solo ofrecen una visión sobre la liquidez extrapolada a partir de los datos observables actuales, dice Van Dusen. Los modelos de aprendizaje automático pueden estimar la liquidez precisa incluso cuando los datos son limitados.

El enfoque de clasificación más convencional define categorías amplias como “bonos corporativos de grado de inversión de EE. UU.”, “bonos gubernamentales europeos de alto grado” y “bonos corporativos de Asia-Pacífico de alto rendimiento” y luego asigna medidas genéricas de liquidez a cada categoría. Los desafíos clave con este enfoque son que no es lo suficientemente granular porque la liquidez es específica de un instrumento y no reacciona a las cambiantes condiciones del mercado y eventos específicos de la empresa. Para el enfoque basado en reglas/en cascada, una empresa avanzará desde repositorios de datos estrechos hacia los más amplios para evaluar la liquidez. Comenzando con las transacciones recientes de un bono específico, si eso no está disponible, hasta las transacciones de bonos del mismo emisor, y si eso no está disponible, se puede probar a nivel de sector y así sucesivamente. La granularidad también es un problema con este enfoque. La liquidez cambia con el tiempo, las nuevas emisiones a menudo se negocian en volúmenes más altos, mientras que los bonos de larga duración generalmente tienen diferenciales más amplios de oferta y demanda. “Además, arriesga subestimar la liquidez si solo se tienen en cuenta las operaciones observadas en el mercado de renta fija. Estimar la brecha entre el volumen real y el disponible es esencial”, dice Van Dusen.

Los modelos de aprendizaje automático son especialmente útiles para comprender la relación dinámica entre las características de la liquidez. Van Dusen dice que la técnica es exitosa para los activos con pocos niveles de negociación donde el riesgo de liquidez es un “problema de datos pequeños y un gran universo”.

“Las clases de activos como los bonos municipales e hipotecas se complican aún más porque los datos son aún más escasos y complejos. Ahí es donde tuvimos que evolucionar hacia cosas como modelos de aprendizaje profundo y redes neuronales para ayudarnos a obtener una mayor precisión”.

Los modelos de aprendizaje automático también han demostrado ser más precisos a la hora de modelizar dinámicamente acontecimientos extremos, es decir, los momentos en los que los supuestos ordinarios dejan de ser válidos. Los mercados están llenos de anomalías
que pueden surgir en esos momentos, dice Van Dusen: por ejemplo activos de alto rendimiento que se negocian diariamente y son más líquidos que ciertos activos de grado de inversión que rara vez se negocian. “Ese es el tipo de cosas que queremos detectar. Esa es la verdadera gestión del riesgo de liquidez”.

Sobre todo, el aprendizaje automático es mejor que los modelos convencionales a la hora de esperar lo inesperado, argumenta Van Dusen.

Al mirar hacia atrás a la locura de marzo de los últimos años: la liquidación de bonos del Tesoro de EE. UU. en 2020, la volatilidad del mercado provocada por la invasión rusa de Ucrania en 2022 y la agitación bancaria en 2023: “Estos son eventos que tomaron por sorpresa al mercado. Si intenta modelar la liquidez en función de lo que realmente ve, subestimará significativamente la liquidez en muchos sectores”.

Este artículo fue escrito por Celeste Tamers y se reproduce de Risk.net.