Según arXiv q-fin, un estudio reciente explora si agentes de aprendizaje profundo pueden alcanzar resultados superiores a los límites teóricos de competencia en la ejecución de transacciones financieras. El análisis se centra en un escenario de liquidación entre dos agentes, basado en el modelo de Almgren y Chriss, que mide el impacto de la ejecución en los precios de mercado. Los investigadores examinan cómo el comportamiento de los agentes cambia cuando reciben retroalimentación en tiempo real, acceden a datos de precios intermedios y conservan memoria de sus acciones pasadas. Inicialmente, se prueba una versión de los agentes que no reciben información durante la ejecución, para aislar el efecto de una planificación previa de trayectorias completas. Posteriormente, se incorporan arquitecturas de aprendizaje por refuerzo basadas en redes neuronales, que permiten a los agentes adaptarse dinámicamente al estado evolutivo del mercado. Los resultados muestran que cuando los agentes tienen acceso a una historia interna de precios y a sus propias acciones anteriores, los resultados superan los niveles competitivos establecidos por teoría de juegos. Este fenómeno se vuelve más frecuente y estable, especialmente en condiciones de alta volatilidad. Las conclusiones indican que no es suficiente contar con algoritmos avanzados o solo con la observación de precios actuales; la capacidad de recordar y responder a patrones de ejecución en tiempo real es clave para lograr desempeños superiores.
Para inversores en el Perú, este hallazgo implica que los sistemas de ejecución automatizada no deben limitarse a seguir estrategias fijas o reaccionar solo a precios presentes. La eficiencia real de un plan de ejecución depende en gran medida de cómo el sistema recuerda el pasado y ajusta sus acciones conforme avanza la operación. En el contexto local, donde los mercados financieros suelen presentar fluctuaciones importantes y poca transparencia en la información de precios, esta capacidad de aprendizaje continuo puede ser un diferencial clave. Los inversores que integran estrategias basadas en memoria de ejecución podrían reducir significativamente el impacto de sus operaciones en los precios, minimizando costos ocultos. Además, esta evidencia subraya la importancia de que los algoritmos no solo observen el mercado, sino que también comprendan su evolución histórica para tomar decisiones más inteligentes. En un entorno donde los precios cambian rápidamente y las decisiones se toman en tiempo real, la capacidad de aprender de la trayectoria propia y de los otros participantes podría ser un indicador de rendimiento sostenido. El avance en inteligencia artificial aplicada a la ejecución de activos no es solo teórico: puede transformar la forma en que los peruanos gestionan sus inversiones, especialmente en fondos o operaciones de liquidez.