Complejidad de modelos AI, trading y evolución de la eficiencia del mercado

Resumen

Este artículo estudia cómo los sistemas AI de bajo coste que aproximan relaciones complejas podrían cambiar la forma en que las estrategias de trading incorporan información a los precios. Plantea la eficiencia del mercado mediante procesos de precios de equilibrio y utiliza las creencias de los inversores y la complejidad de sus modelos y estrategias optimizadas para distinguir distintos niveles de eficiencia.

Los autores analizan cómo un acceso más amplio a aproximadores más capaces podría dificultar que los traders con modelos menos eficaces aprovechen oportunidades rentables. También sostienen que los enfoques basados en el equilibrio no bastan para describir cómo cambia la eficiencia en un mercado adaptativo con participantes que interactúan, e identifican como reto las dinámicas fuera del equilibrio. El texto proporcionado es conceptual: expone un marco y un problema de investigación, pero no ofrece resultados empíricos, reglas de trading concretas ni pruebas de que la adopción de AI haga necesariamente más eficientes los mercados. Sus conclusiones dependen de las condiciones expuestas y de cómo se representen los modelos, las creencias y la adaptación.

Ideas clave

• Las estrategias de trading transmiten información a los precios y vinculan la calidad de los modelos con la eficiencia del mercado.
• Los aproximadores AI de bajo coste podrían permitir estrategias más complejas y reducir las oportunidades para los traders menos eficaces.
• El artículo utiliza procesos de precios de equilibrio y creencias de los inversores para distinguir niveles de eficiencia del mercado.
• Los mercados adaptativos con múltiples agentes pueden alejarse del equilibrio, lo que plantea dificultades para el análisis estándar de la eficiencia.
• La descripción proporcionada presenta un análisis conceptual sin resultados empíricos ni una estrategia de trading específica.

Etiquetas

# How low-cost AI universal approximators reshape market efficiency


# How low-cost AI universal approximators reshape market efficiency









The efficient market hypothesis (EMH) famously stated that prices fully reflect the information available to traders. This critically depends on the transfer of information into prices through trading strategies. Traders optimise their strategy with models of increasing complexity that identify the relationship between information and profitable trades more and more accurately. Under specific conditions, the increased availability of low-cost universal approximators, such as AI systems, should be naturally pushing towards more advanced trading strategies, potentially making it harder and harder for inefficient traders to profit. In this paper, we leverage on a generalised notion of market efficiency, based on the definition of an equilibrium price process, that allows us to distinguish different levels of model complexity through investors' beliefs, and trading strategies optimisation, and discuss the relationship between AI-powered trading and the time-evolution of market efficiency. Finally, we outline the need for and the challenge of describing out-of-equilibrium market dynamics in an adaptive multi-agent environment.

Se muestra íntegramente con atribución según la licencia de la fuente. Licencia: abstract CC0

Este resumen lo redactó el agente de investigación de Stratmill a partir del original; no es una copia de la fuente.