El libro va de menos a más: primero qué es el aprendizaje automático con redes sencillas, después la hipótesis del mercado eficiente y lo que significa para quien quiere predecir precios, después ineficiencias estadísticas, negociación algorítmica y gestión del riesgo. Todo con código y series reales.
Qué me llevé
La lección que se traslada fuera de las finanzas: una prueba sobre datos del pasado casi siempre sale bien, y eso no dice nada. Si uno ajusta hasta que el resultado histórico luce bien, lo que consiguió fue describir el pasado. Aplico esa desconfianza a cualquier promesa construida sobre historia: pronósticos de demanda, modelos de morosidad, cálculos de ahorro. La pregunta correcta no es cuánto acertó con los datos viejos, es qué habría hecho el día que las condiciones cambiaron.
La segunda es la diferencia entre acertar la dirección y ganar dinero, que en el libro se ve con brutalidad: un modelo que acierta más de la mitad de las veces puede perder, porque los aciertos son pequeños y los errores grandes. Traducido a un proyecto: una mejora en un indicador no es una mejora en el resultado, y hay que mostrar el puente entre las dos.
Y una tercera, sobre los datos: el orden temporal manda. Entrenar con información que en ese momento no existía es el error más silencioso que conozco, y ocurre todo el tiempo cuando se usan tablas de un ERP donde las fechas se actualizan.
Qué dejé fuera
Casi todo el contenido financiero, que no es mi campo y no pienso opinar de él. También el tramo final, especulativo, sobre un futuro dominado por la inteligencia artificial en las finanzas: es la parte más entusiasta y la menos sostenida. Y conviene recordar que el libro es de 2020, con lo que eso significa para su tecnología.