A fines de la década de 1970 y principios de la década de 1980, hubo una revolución en la inteligencia artificial y el aprendizaje automático. El enfoque general era evitar árboles de decisión complejos de reglas duras y rápidas, y tratar los problemas con el juicio bayesiano.
En el procesamiento del lenguaje natural, eso significaba no tratar de entender qué significaba cada palabra, sino asumir que había un significado subyacente oculto sobre el que el lenguaje daba pistas. El algoritmo consideraría un rango de significados y trataría de concentrarse en los más probables a medida que se examinaran más palabras.
Esto es fácil de entender para los humanos. Cuando lees la primera palabra de una oración, puede tener muchos significados. A medida que lee más palabras, el contexto da sentido a las palabras anteriores y también da pistas sobre la estructura gramatical. A menudo, las últimas palabras prácticamente no proporcionan información, las adivinarías de lo que vino _____. Pero no puedes adivinar la primera palabra de una oración.
- ¿Cuál es el número óptimo de patas para un robot terrestre?
- ¿Quién inventó la tecnología de almacenamiento informático basado en la nube?
- ¿Cuál es la única cosa que quieres ver cambiada en Patna, que puede ser provocada por la tecnología?
- ¿Cómo han cambiado los teléfonos móviles en los últimos 20 años?
- ¿Por qué las computadoras portátiles no tienen pantallas desplegables grandes?
De todos modos, estos enfoques se denominaron “modelos ocultos de Markov” o “árboles bayesianos” o “modelos de caché” u otros términos.
El mismo tipo de modelos parecía ayudar a predecir eventos financieros. Cuando observa un solo evento en los mercados, “LIBOR subió 2 puntos básicos”, puede tener casi cualquier significado. Pero a medida que los eventos se acumulan en una secuencia, puede comenzar a inferir el “significado” subyacente. Ese significado sigue cambiando, y solo afecta las probabilidades de eventos futuros, no los determina. Pero este tipo de enfoque puede producir conjeturas mejores que al azar sobre lo que sucederá después, así como los programas de procesamiento del lenguaje natural pueden hacer un trabajo mejor que al azar de adivinar cuál será la siguiente palabra.
Por extraño que parezca, las personas que fueron capacitadas en estas técnicas no han tenido un éxito notable en las finanzas. Las personas que idearon estas técnicas por sí mismas parecen tener la ventaja. Por lo tanto, puede ser que las técnicas en sí mismas no sean tan poderosas en las finanzas, sino que el tipo de personas que abordan los problemas de esta manera son muy adecuadas para la investigación financiera cuantitativa.