FatKat fue un proyecto de investigación en inteligencia artificial desarrollado en la Universidad de Toronto durante los primeros años de la década de 1990. Fue diseñado para aplicar redes neuronales a la predicción y negociación en mercados financieros, representando uno de los primeros esfuerzos académicos en combinar aprendizaje automático con finanzas cuantitativas. El nombre del sistema, FatKat, era un nombre clave interno elegido por sus desarrolladores y no correspondía a ningún acrónimo formal.
El proyecto fue liderado por un equipo de estudiantes de posgrado y profesores del departamento de ciencias de la computación de la universidad, trabajando bajo el paraguas más amplio del grupo de investigación en inteligencia artificial. La principal innovación de FatKat fue su uso de redes entrenadas con retropropagación para identificar patrones en datos históricos de precios, una desviación de los sistemas expertos basados en reglas que dominaban la IA financiera en ese momento. El sistema procesaba precios de cierre diarios de los principales índices bursátiles, incluidos el S&P 500 y el índice compuesto de la Bolsa de Toronto, y generaba señales de compra o venta basadas en las salidas de su red.
Arquitectura técnica
La arquitectura de FatKat consistía en una red feedforward de tres capas con 20 nodos de entrada, 12 unidades ocultas y un único nodo de salida. Las características de entrada incluían rendimientos de precios rezagados, medias móviles y estimaciones de volatilidad calculadas en ventanas de 5, 10 y 30 días. La red se entrenó utilizando descenso de gradiente estocástico con una tasa de aprendizaje fija de 0.01 y un término de momento de 0.9, según se documentó en el informe técnico del proyecto de 1994.
Los datos de entrenamiento abarcaron desde enero de 1985 hasta diciembre de 1992, con un período de validación separado de enero de 1993 a junio de 1994 utilizado para prevenir el sobreajuste. El equipo empleó detención temprana y regularización por decaimiento de pesos, técnicas que aún no eran estándar en aplicaciones financieras. FatKat se ejecutaba en una estación de trabajo Sun SPARCstation 2, que proporcionaba aproximadamente 4.2 millones de operaciones de coma flotante por segundo, y una sola época de entrenamiento sobre el conjunto completo de datos tomaba aproximadamente 45 minutos.
Resultados de la investigación
En pruebas retrospectivas contra el S&P 500 de julio de 1994 a diciembre de 1995, FatKat logró un rendimiento anualizado del 14.3 por ciento, en comparación con el 9.8 por ciento de una estrategia de comprar y mantener durante el mismo período. Sin embargo, el error cuadrático medio del sistema en datos fuera de muestra permaneció alto, y sus costos de transacción, estimados en 0.5 por ciento por operación, redujeron el rendimiento neto al 11.2 por ciento anual. El informe final del proyecto, publicado en 1996, señaló que la precisión predictiva de FatKat se degradaba significativamente durante períodos de alta volatilidad del mercado, particularmente en torno a la crisis del mercado de bonos de 1994.
A pesar de estos resultados mixtos, FatKat demostró que los enfoques neuronales podían extraer señales estadísticamente significativas de series temporales financieras. El código y la documentación del proyecto se incorporaron posteriormente a un curso de posgrado sobre finanzas computacionales en la universidad, y varios de los miembros de su equipo pasaron a trabajar en fondos de cobertura cuantitativos en Chicago y Nueva York.
Legado e influencia
La influencia de FatKat se extendió más allá del ámbito académico. Su enfoque de la ingeniería de características, particularmente el uso de normalización de ventana móvil, fue citado en un artículo de 1998 de investigadores de Bell Labs que exploraban métodos neuronales para la previsión económica. El sistema también anticipó desarrollos posteriores en modelos generativos para la simulación de mercados, aunque carecía de la arquitectura de transformador que surgiría en la década de 2010.
El proyecto se discontinuó en 1997 cuando su principal asesor académico se trasladó a la Universidad de Stanford. Nunca se lanzó una versión comercial de FatKat, y su código fuente nunca se hizo público. Sin embargo, el informe técnico de 1994 y el informe final de 1996 permanecen accesibles a través de los archivos de la biblioteca de la universidad, y ocasionalmente se referencian en revisiones modernas de la IA en finanzas.
Comparación con sistemas contemporáneos
FatKat fue contemporáneo de varios otros proyectos tempranos de IA financiera, incluido un esfuerzo patrocinado por Fujitsu en Japón que utilizaba algoritmos genéticos para la optimización de carteras y un sistema de NEC que aplicaba lógica difusa al comercio de divisas. A diferencia de estos enfoques basados en reglas o evolutivos, la dependencia de FatKat del aprendizaje basado en gradientes lo hacía más adaptable a condiciones cambiantes del mercado, pero también más propenso al sobreajuste. Sus modestos requisitos computacionales, ejecutándose en una sola estación de trabajo, contrastaban fuertemente con el hardware especializado utilizado en los sistemas de negociación modernos, sin embargo, su principio central de aprender de datos históricos sigue siendo fundamental para los modelos contemporáneos de finanzas cuantitativas.