El primer intento suele fallar por la misma razón: se asume que los datos financieros se comportan como los datos de un tutorial de clasificación de imágenes. No es así.
Los datos financieros tienen memoria y eso cambia todo
La mayoría de los modelos de ML asumen independencia entre observaciones. En series de tiempo financieras, esa suposición es incorrecta. El precio de hoy depende del de ayer, y eso invalida métricas estándar como accuracy o F1 si no se toman precauciones específicas.
Qué significa esto en la práctica
Si entrenaste un modelo con datos del 2018 al 2022 y lo validaste con datos del 2023, probablemente viste métricas buenas que no se sostuvieron en producción. Eso no es un problema de algoritmo, es un problema de diseño experimental.
Tres puntos donde el proceso suele romperse
Primero, el leakage de datos: información del futuro que se filtra al entrenamiento sin que lo notes. Segundo, la normalización aplicada sobre todo el dataset antes de dividirlo. Tercero, métricas elegidas por convención, no por relevancia al problema financiero real.
Antes de cambiar de algoritmo, revisá si el pipeline de datos está construido correctamente. En la mayoría de los casos que analicé, el modelo no era el problema.
Corregir el pipeline antes de cambiar el modelo es el paso que más se saltea y el que más impacto tiene.