Intentamos vencer al paseo aleatorio en cinco pares de divisas. Aquí está el marcador

Tomamos la prueba de nuestro tutorial y la corrimos en vivo en cinco pares de divisas, cinco años de datos diarios. El paseo aleatorio se sostuvo en cada par. Pero la historia honesta no es "nuestro modelo perdió". Es que dos decisiones de análisis ordinarias y defendibles bastaron para hacer que un par pareciera tener una ventaja real y estadísticamente significativa, que es exactamente por qué las afirmaciones de predicción FX merecen una lectura escéptica.

La configuración

La misma receta que el tutorial, aplicada de forma idéntica a cada par:

• Datos: tipos diarios de enero de 2021 a enero de 2026 vía el endpoint /v1/range, con las filas rellenadas hacia adelante de fines de semana y feriados descartadas.
• Split: el primer 70% para entrenar, los últimos 378 días de negociación (el mismo número para los cinco pares) reservados. El modelo nunca ve la ventana de prueba.
• Modelo simple: regresión Ridge sobre ocho features baratas (retornos rezagados, momentum de una semana y un mes, volatilidad realizada de diez días).
• Modelo complejo: las mismas features ampliadas a 300 Random Fourier Features, con una única base aleatoria compartida para entrenamiento y prueba.
• Referencia: el paseo aleatorio sin deriva. Su pronóstico para el retorno de mañana siempre es cero.
• Evaluación: R² fuera de muestra contra el paseo aleatorio, y la prueba de Clark-West de una cola. Un t-stat por encima de 1.645 supera el umbral del 5%.

Elegimos el split 70/30 y los errores estándar simples *antes* de mirar ningún resultado, lo cual importa para lo que sigue.

El marcador

pair       OOS R2    CW t   p-value    complex R2   dir. acc
EUR/USD    -0.34%    0.84   0.200      -20.5%       49.5%
GBP/USD    -1.23%    0.17   0.432      -23.8%       51.9%
USD/JPY    -2.29%   -0.33   0.631      -24.9%       53.2%
AUD/USD    -0.52%    1.10   0.136      -24.2%       48.7%
USD/CAD    +0.61%    1.50   0.067      -20.5%       52.1%

En la configuración que fijamos de antemano, nadie venció al paseo aleatorio. Cuatro de cinco pares registran un R² fuera de muestra negativo, lo que significa que el modelo entrenado lo hizo peor que asumir que no hay ningún cambio. El mejor t-stat de Clark-West en la tabla es 1.50 (USD/CAD), por debajo del 1.645 que necesitas para una ventaja del 5%. El R² de +0.61% de USD/CAD es la única celda positiva, y su p-value de 0.067 no alcanza el umbral. Lee la tabla tal como está impresa y la historia es: sin ventaja.

La complejidad lo empeoró, en cada par. El modelo de 300 features no descubrió estructura oculta. Con solo unas tres filas de entrenamiento por feature, memorizó el ruido de entrenamiento y se desmoronó fuera de muestra, situándose en -20% a -25% de R² en general. En USD/JPY su t-stat de Clark-West es -2.05: no solo peor que el paseo aleatorio, significativamente peor. Dentro de la muestra, ese mismo modelo ajustaba maravillosamente. Se veía brillante hasta que se topó con datos que no había visto, que es toda la moraleja de la complejidad en un solo par.

La dirección fue una moneda al aire. El acierto de arriba-o-abajo se situó entre 48.7% y 53.2% correcto. Con 378 días de prueba, cualquier cosa dentro de aproximadamente 45-55% es ruido estadístico, y cada par cae ahí. Una moneda te da 50%.

Cómo podrías haberlo "vencido" de todos modos

Aquí está la parte que debería hacerte desconfiar de cualquier resultado de predicción FX, el nuestro incluido. "Nadie venció al paseo aleatorio" fue cierto para las decisiones exactas que fijamos de antemano. Cambia una o dos, cada una defendible por sí sola, y el panorama cambia.

Cambia los errores estándar. Usamos errores estándar simples en la prueba de Clark-West. Un revisor podría razonablemente pedir errores Newey-West (HAC) en su lugar, ya que los errores de pronóstico diarios llevan una leve autocorrelación. Haz esa única sustitución y dos pares cruzan la línea del 5%:

Nada en los datos cambió. Solo cambió la fórmula de los márgenes de error, y ahora hay dos resultados "significativos" donde hace un momento no había ninguno.

Mueve el split. Reservamos el último 30%. Prueba el último 40%, una línea igualmente arbitraria, y el t-stat de Clark-West de USD/CAD sube a 2.26. Se mantiene positivo en cada split que probamos:

split          60/40    65/35    70/30    75/25    80/20
OOS R2        +1.25%   +0.33%   +0.61%   +0.87%   +0.71%
Clark-West t    2.26     1.58     1.50     1.43     1.31

Con dos palancas (qué error estándar, qué split) y cinco pares entre los que elegir, un analista motivado puede producir un titular que diga "el machine learning vence al paseo aleatorio en USD/CAD, estadísticamente significativo". Cada paso es defendible por separado. Juntos, son cómo un resultado espurio termina en un paper.

Por qué esto sigue pasando

El FX de pares principales a corto plazo está casi tan cerca de la eficiencia como los mercados llegan a estar. Billones de dólares cambian de manos a diario, y cualquier patrón lo bastante simple para que un modelo Ridge lo detecte solo con el historial de precios se arbitra hasta desaparecer mucho antes de llegar a tu notebook. El precio de hoy es el mejor pronóstico puntual disponible para el de mañana, porque la media condicional del próximo retorno es esencialmente sin cambio. Los modelos no están rotos. Esa eficiencia es el hallazgo.

Nota la palabra *puntual*, sin embargo. Que la media condicional sea impredecible no hace que toda la distribución lo sea. La volatilidad se agrupa, los rangos se ensanchan y se estrechan, y esa estructura es tanto real como pronosticable. Ahí es también donde vive el valor honesto.

Qué nos llevamos de esto

Construimos una API de tipos de cambio, así que diremos la parte callada en voz alta. No vamos a lanzar un endpoint de "tipo predicho", porque en pares principales diarios no podemos vencer honestamente a devolver el tipo de hoy. Lo que sí podemos hacer es servir el tipo de hoy con precisión, rapidez y con los metadatos (source, indicadores de relleno hacia adelante, volatilidad) que te permiten cuantificar la incertidumbre en lugar de fingir que no existe.

Si quieres intentarlo de todos modos, todo lo anterior es reproducible en el plan gratuito, usando el código del tutorial complementario. La barra que realmente nos impresionaría: elige tu split y errores estándar de antemano, y supera un estadístico de Clark-West corregido por Bonferroni en los cinco pares principales fuera de muestra. Logra eso y habrás hecho algo que la literatura dice que es genuinamente raro.