Para hablar de la inteligencia artificial aplicada a los mercados financieros, es preciso hablar antes de aquello que la hace posible: el dato. Vivimos un momento en el que los datos han dejado de ser un mero registro del pasado para convertirse en la materia prima de nuestras decisiones, y es precisamente esa transformación —silenciosa pero profunda— la que conviene desandar antes de avanzar. Dentro de la reflexión que vengo desarrollando en torno a la tecnología puesta al servicio de las personas, es momento de detenerme en un trabajo que he tenido el privilegio de firmar junto a Laura Sanz-Martín, en el seno del Grupo de Investigación BISITE de la Universidad de Salamanca, publicado en 2024 en la revista Mathematics bajo el título «Artificial Intelligence in the New Era of Decision-Making: A Case Study of the Euro Stoxx 50».

La pregunta de fondo es tan antigua como los propios mercados: ¿podemos anticipar el comportamiento de los precios? Lo verdaderamente novedoso, no obstante, no reside en la pregunta, sino en la herramienta con la que hoy intentamos responderla. La inteligencia artificial no promete la bola de cristal perfecta —esa no existirá nunca—, pero sí ofrece un instrumento capaz de detectar patrones que escapan por completo al ojo humano, y en esa capacidad reside buena parte de su carácter disruptivo.

¿Por qué este estudio importa ahora?

Es importante destacar que el artículo no se conforma con una aproximación general, sino que evalúa de forma rigurosa y comparativa tres arquitecturas de redes neuronales aplicadas al índice EURO STOXX 50 —el termómetro de las cincuenta mayores empresas de la eurozona—, con el propósito de discernir cuál de ellas se adapta mejor a cada tipo de pregunta. De manera concreta, las arquitecturas sometidas a estudio son las siguientes:

• Redes neuronales artificiales (ANN, Artificial Neural Networks), que aportan una referencia sólida y eficiente cuando los recursos disponibles son limitados.
• Redes neuronales convolucionales (CNN, Convolutional Neural Networks), especialmente hábiles para capturar patrones locales y microtendencias.
• Redes de memoria a largo y corto plazo (LSTM, Long Short-Term Memory), idóneas para identificar dependencias temporales de largo alcance y, por ende, para comprender la volatilidad.

No obstante, lo verdaderamente relevante es que no nos quedamos en el precio en bruto. En base a lo anterior, integramos un conjunto de indicadores técnicos ampliamente utilizados por los analistas, con el fin de dotar a los modelos de una sensibilidad real a las tendencias y a los cambios de momento del mercado:

• Medias móviles simples y exponenciales (SMA y EMA).
• Convergencia/divergencia de medias móviles (MACD).
• Oscilador estocástico.
• Índice de fuerza relativa (RSI).
• Acumulación/distribución (A/D).

Resultados que hablan por sí solos

Sin duda, el hallazgo más destacado es que la combinación de la red convolucional con el índice de fuerza relativa (CNN con RSI) alcanzó el mejor desempeño, con un RMSE de 0,0263, un MAE de 0,0186 y un R² de 0,9825. Traducido a un lenguaje llano: el modelo explica más del 98 % de la variación de los precios en los datos de prueba, una precisión ciertamente notable en un terreno tan escurridizo como el bursátil.

De hecho, cada arquitectura mostró un carácter propio: las CNN destacan capturando patrones locales y microtendencias; las LSTM brillan al identificar dependencias temporales de largo alcance, tan útiles para entender la volatilidad; y las ANN ofrecen un punto de referencia sólido y eficiente cuando los recursos son limitados. No existe, por tanto, un único ganador universal: el reto consiste en elegir la herramienta adecuada para cada pregunta.

Una lectura fundamental para la toma de decisiones

Defiendo la lectura de este trabajo por una razón que trasciende las finanzas: nos enseña a decidir mejor con datos. En una era en la que directivos, analistas y responsables públicos se enfrentan a entornos cada vez más inciertos, comprender qué puede y qué no puede hacer la inteligencia artificial se ha convertido, sin duda, en una competencia esencial.

A este respecto, es preciso subrayar que el estudio es honesto con sus límites —no incorpora el sentimiento de las redes sociales, ni las noticias económicas, ni los acontecimientos geopolíticos— y precisamente por eso resulta valioso: señala el camino hacia modelos híbridos, más transparentes, justos y responsables. La inteligencia artificial en las finanzas no debe ser una caja negra, sino una aliada explicable de quien decide, pues la técnica ha de permanecer siempre al servicio del juicio humano y no al revés.

El rincón de los pequeños grandes curiosos

Imaginemos por un momento el patio del colegio a la hora del recreo. Cada día uno se fija en lo mismo: ¿quién corre hacia los columpios?, ¿cuándo se llena el tobogán?, ¿a qué se juega cuando llueve?. Al principio no es más que lo que se ve en una sola jornada; pero si se observan muchos recreos seguidos, empiezan a notarse cosas que se repiten. Eso, ni más ni menos, es descubrir un patrón.

La inteligencia artificial es como un amigo dotado de una memoria enorme y de una paciencia casi infinita. Ha visto tantísimos recreos que aprende a adivinar qué ocurrirá mañana, no porque sea mágico, sino porque ha vivido la misma escena miles de veces. En nuestro estudio, ese amigo no mira el patio: observa el precio de las grandes empresas de Europa e intenta anticipar si subirá o bajará.Y lo importante es esto: nuestro amigo listo se equivoca a veces, y por eso nunca decide solo. Nos ayuda a pensar, pero la última palabra la tienen siempre las personas. La inteligencia artificial es una lupa muy potente para ver mejor el mundo; los ojos que deciden qué hacer seguimos siendo nosotros.