La mayoría de herramientas financieras intentan producir una respuesta. Una cifra, una flecha, una recomendación, un color verde o rojo. A veces eso ayuda. Otras veces solo convierte una duda razonable en una pantalla que parece demasiado segura.
Aletheia nace de una idea distinta: antes de decir qué hacer con un fondo, el sistema debe preguntarse si tiene evidencia suficiente para defenderlo.
1) El problema de las predicciones demasiado seguras
Una salida como SELL puede parecer clara, pero no siempre significa lo mismo. Puede venir de muchos datos o de pocos. Puede venir de modelos que están de acuerdo o de modelos que se contradicen. Puede estar validada fuera de muestra o ser solo una extrapolación bonita del pasado.
Ese matiz importa. Si un programa muestra una señal fuerte cuando los datos son antiguos, el histórico es corto o la validación no sostiene la hipótesis, el usuario recibe una confianza que el sistema no se ha ganado.
Aletheia intenta separar tres preguntas que suelen mezclarse demasiado:
Cuando una de esas piezas falla, una respuesta honesta puede ser tentativa. Y a veces la respuesta honesta es no emitir señal.
2) Qué es Aletheia
Aletheia es una plataforma open source de análisis cuantitativo de fondos, escrita en C# y desarrollada por Eido Automation. Su versión pública actual es la 2.7.3, con versión científica 2.12.0-causal-horizon-integrity.
Puede usarse como aplicación nativa de escritorio para Windows o desde línea de comandos. El paquete Windows publicado en GitHub Releases es self-contained para win-x64: la persona que solo quiere abrir el programa no necesita instalar Visual Studio ni el SDK de .NET.
Por dentro, Aletheia combina varias capas: carga y procedencia de datos, análisis de series temporales, métricas de rentabilidad y riesgo, modelos dinámicos, análisis espectral, forecasting probabilístico, simulación, validación walk-forward, Model Arena, ledger inmutable de predicciones y backtesting económico con retraso de ejecución, costes y slippage.
No conviene leer esa lista como un catálogo de botones. La idea es más simple: estudiar un fondo como una serie temporal incierta, reconstruir qué se sabe de ella, comparar modelos contra baselines y mostrar cuándo el sistema no puede sostener una conclusión.
3) El fondo como sistema dinámico
La parte matemática más importante de Aletheia es que no trata un fondo como una fotografía fija, sino como un sistema dinámico observado a través del NAV. El dato visible es una secuencia de valores liquidativos en fechas concretas. A partir de ahí, el sistema transforma el nivel de precio en retornos, estados y transiciones.
En esa representación, \(r_t\) es el retorno logarítmico, \(s_t\) es el vector de estado, \(F\) representa una hipótesis de transición, \(\theta\) agrupa parámetros del modelo, \(y_t\) es la observación disponible y los términos \(\varepsilon_{t+1}\) y \(\eta_t\) recogen incertidumbre de transición y observación.
Ese vector \(s_t\) no intenta resumir "todo el mercado". Resume el estado del fondo con dimensiones compatibles: retorno reciente, tendencia, momentum, volatilidad, drawdown desde el máximo, velocidad del log-NAV y aceleración del log-NAV por observación. Es una forma de decir: "en este punto del histórico, ¿cómo se está moviendo el fondo, con cuánta inercia, con qué estrés y con qué incertidumbre?".
La idea de sistema dinámico aparece cuando se estudia cómo pasa el fondo de un estado a otro. Una fase de baja volatilidad puede persistir, romperse o derivar hacia un régimen más inestable. Un drawdown profundo puede continuar, estabilizarse o revertir. Una aceleración positiva del log-NAV puede reforzar una hipótesis de impulso, pero también puede ser ruido. Aletheia intenta modelar esas transiciones sin olvidar que el estado real es parcialmente observable y que el dato histórico siempre llega con límites.
El paralelismo con la física ayuda a entenderlo. En mecánica, no basta con saber dónde está una partícula; también interesa su velocidad, su aceleración y la incertidumbre de medida. Aletheia toma una idea parecida, pero la aplica con prudencia a una serie financiera: el "espacio" no es una posición física, sino el logaritmo del NAV, y las fuerzas no son leyes universales, sino presiones latentes del mercado que solo se ven indirectamente en la trayectoria.
La lectura intuitiva es sencilla: \(x_t\) es la posición del fondo en escala logarítmica, \(v_t\) aproxima su velocidad, \(a_t\) aproxima su aceleración y \(\xi_h\) recuerda que el futuro no es una extrapolación limpia. Si el movimiento reciente es consistente, la volatilidad no se dispara y varios modelos proyectan distribuciones compatibles, Aletheia puede detectar una tendencia probable. Si la trayectoria cambia de régimen, el drawdown domina o la dispersión de escenarios crece, la predicción se degrada.
Ahí está la diferencia con una lectura ingenua de tendencia. Aletheia no intenta decir "la línea sube, por tanto compra". Intenta estimar una distribución condicionada a la información disponible hasta hoy:
En términos prácticos, eso significa que para cada horizonte \(h\) el sistema no solo mira una dirección esperada. También mira la probabilidad de retorno positivo, el retorno esperado, la mediana, los cuantiles, la volatilidad, el drawdown y la calidad de validación histórica de modelos parecidos. Una tendencia es útil solo si sobrevive a esa batería de preguntas.
El modelo de Kalman encaja especialmente bien con esta intuición física porque trata el nivel y la tendencia como variables latentes que se actualizan al llegar cada observación:
La variable \(\ell_t\) funciona como nivel latente, \(b_t\) como tendencia y \(y_t\) como log-NAV observado. La predicción no es una línea única: es una proyección con varianza. Ese detalle es esencial, porque dos fondos pueden tener la misma pendiente estimada y riesgos muy distintos. Una tendencia suave con poca incertidumbre no significa lo mismo que una tendencia parecida dentro de una nube de volatilidad.
La regla científica clave es causal: el estado reconstruido en la fecha \(t\) solo puede usar observaciones hasta \(t\). No puede mirar datos futuros. Además, el esquema de estado tiene versión y fingerprint, de forma que un modelo no compare por accidente vectores calculados con definiciones incompatibles.
4) Modelos matemáticos que usa Aletheia
Aletheia no se apoya en un único modelo milagroso. Usa modelos con papeles distintos y los obliga a competir contra baselines simples. Algunos describen el estado actual, otros proyectan distribuciones futuras y otros prueban si una señal de timing tiene evidencia suficiente.
| Retornos y escala | El NAV se transforma en retornos simples para reporting y en retornos logarítmicos para modelos. El retorno logarítmico \(r_t=\log(P_t/P_{t-1})\) es aditivo a través del tiempo, lo que facilita simulación, agregación por horizonte y comparación entre fondos con escalas distintas. |
|---|---|
| AR(1) | Modelo autoregresivo de retorno logarítmico: \(r_t=c+\phi r_{t-1}+\varepsilon_t\). Sirve como baseline transparente para preguntar si el último retorno contiene información sobre el siguiente. Aletheia rechaza su uso predictivo cuando la dinámica ajustada no es estacionaria. |
| Kalman local lineal | Modelo de espacio de estados sobre log-NAV. Separa un nivel latente \(\ell_t\) y una tendencia \(b_t\), actualiza ambos al llegar cada observación y proyecta una distribución futura con varianza. Es útil para estudiar trayectoria, tendencia e incertidumbre, no para convertir la tendencia en una certeza. |
| EWMA y GARCH(1,1) | Modelos de volatilidad condicional. EWMA actualiza la varianza dando más peso a observaciones recientes. GARCH usa \(\sigma_t^2=\omega+\alpha e_{t-1}^2+\beta\sigma_{t-1}^2\) para capturar agrupación de volatilidad. Esto ayuda a entender el tamaño del riesgo, no la dirección por sí sola. |
| HMM gaussiano | Modelo de regímenes ocultos. Supone estados latentes \(z_t\), probabilidades de transición \(P(z_t=j\mid z_{t-1}=i)=A_{ij}\) y retornos observados como emisiones gaussianas. En la práctica permite hablar de fases más calmadas o más volátiles, siempre como diagnóstico probabilístico y no como recomendación directa. |
| Análogos históricos | Busca estados pasados parecidos al estado actual usando distancia estandarizada entre vectores compatibles. La pregunta es empírica: "cuando el fondo se parecía a esto, ¿qué ocurrió en el mismo horizonte?". Si hay pocos análogos, están muy concentrados o el estado actual está fuera de distribución, la evidencia debe bajar. |
| Model Arena y ensembles | Los modelos se comparan por horizonte y con el mismo corte temporal. Una señal no debería depender de que el modelo más complejo parezca elegante, sino de que mejore a alternativas simples bajo validación equivalente. Cuando los modelos discrepan o no cubren bien el caso actual, Aletheia reduce la fuerza de la señal. |
Por eso el componente matemático no debe entenderse como "predice el mercado" en singular. Es más correcto decir que Aletheia construye una representación dinámica del fondo, estima posibles transiciones bajo varios supuestos, genera distribuciones por horizonte y después pregunta si esas distribuciones han sido suficientemente validadas como para influir en una señal.
Para un inversor no técnico, esa diferencia es importante. Una etiqueta como BUY? puede nacer de una expectativa positiva, pero el interrogante dice que el sistema no tiene bastante evidencia para tratarla como conclusión fuerte. En cambio, para una persona técnica, el mismo resultado deja un rastro: estado usado, horizonte, modelo, configuración, muestra disponible, validación y motivo de degradación.
5) No basta con ajustar bien el pasado
Un modelo puede quedar precioso sobre el histórico y aun así fallar en cuanto sale del laboratorio. Por eso Aletheia distingue entre ajuste in-sample y evaluación out-of-sample.
En lenguaje llano: no es lo mismo construir una explicación mirando todo el pasado ya conocido que simular qué habría sabido el modelo en una fecha concreta. Si una predicción histórica usa datos que todavía no existían en ese momento, aparece el sesgo de anticipación. El resultado puede parecer científico, pero está contaminado.
La documentación de Aletheia insiste mucho en esa frontera. La validación walk-forward entrena con prefijos históricos, las etiquetas de market timing solo entran cuando su final ya es conocido, las evidencias se mantienen por horizonte temporal y los modelos complejos deben competir contra baselines simples.
También separa calibración estadística y rentabilidad económica. Una probabilidad bien calibrada no prueba que una estrategia gane dinero. Para eso hay que mirar costes, slippage, retraso de ejecución, rotación, drawdown y comparación con alternativas como buy-and-hold. Cuando hay pocas decisiones históricas útiles, el sistema debe decir NO RELIABLE ECONOMIC BACKTEST, no fabricar una curva convincente.
6) La capacidad de abstenerse
La parte más interesante de Aletheia quizá no sea que pueda calcular muchas cosas. Es que está diseñado para callarse cuando no puede defender una conclusión.
| Señal firme | BUY, HOLD o SELL: la dirección aparece con validación y puertas de acción suficientemente fuertes para mostrarla como etiqueta confirmada. Sigue sin ser asesoramiento financiero. |
|---|---|
| Señal tentativa | BUY?, HOLD? o SELL?: hay una dirección estimada, pero la evidencia es débil, antigua, discrepante, incompleta o no plenamente accionable. |
| Sin señal defendible | NO CALL: con los datos disponibles, Aletheia no puede sostener una conclusión direccional. |
El signo de interrogación no es decoración. Es una advertencia visible. Del mismo modo, ReliabilityIndex no es la probabilidad de acertar la próxima predicción: es un índice de calidad de evidencia y validación. Confundirlo con una probabilidad de éxito sería leer el resultado al revés.
7) Qué puede hacer actualmente y qué no
La lectura honesta es esta: Aletheia ya es una infraestructura de investigación cuantitativa cuidadosa, pero no demuestra todavía una capacidad de inversión rentable.
Puede ayudar a estudiar fondos, cargar históricos, calcular métricas, simular escenarios, reconstruir estados dinámicos, comparar modelos y documentar predicciones. Puede hacer más difícil caer en errores obvios como mezclar horizontes o mirar el futuro por accidente. Eso ya es valioso.
Pero sus límites actuales son importantes. El flujo principal trabaja sobre todo con históricos de NAV de forma univariante. CNMV IIC es el primer proveedor oficial, no un universo global de fondos. La cobertura y el sesgo de supervivencia no quedan resueltos por la aplicación. No hay integración con brokers, optimización de carteras, ejecución fiscalmente consciente ni modelos multifactoriales globales. Y cualquier afirmación de rentabilidad necesitaría validación independiente y seguimiento live-forward.
En otras palabras: Aletheia puede ser una buena herramienta para investigar. No convierte una serie histórica en una promesa.
8) Ingeniería del proyecto
Una señal de madurez del proyecto es que no está construido como una maqueta de interfaz. El repositorio está organizado en 14 proyectos de código fuente y 13 proyectos de test. En el estado revisado para esta publicación hay 198 pruebas xUnit declaradas con Fact o Theory, y la documentación técnica suma 119 páginas Markdown.
La separación de capas es bastante clara: dominio, series temporales, matemáticas, analítica, datos, dinámica, espectral, forecasting, simulación, validación, persistencia, aplicación, CLI y escritorio. La CI construye, prueba y publica un paquete de escritorio Windows; el workflow de release genera el ZIP descargable cuando se etiqueta una versión.
Ese trabajo de ingeniería no prueba que un modelo gane dinero. Sí prueba algo más básico y necesario: que el sistema está pensado para evolucionar con trazabilidad, pruebas y documentación, no solo para enseñar una pantalla resultona.
9) Por qué es open source
En finanzas, las cajas negras tienen un problema evidente: pueden sonar muy inteligentes mientras ocultan supuestos frágiles. Publicar Aletheia como código abierto permite inspeccionar cómo se calculan los resultados, cuestionar las hipótesis, reproducir análisis, detectar errores y proponer mejoras.
Open source no significa correcto por arte de magia. Un repositorio abierto también puede tener bugs, supuestos discutibles o validaciones incompletas. Pero permite una conversación más seria: no hay que limitarse a creer en una señal; se puede mirar cómo se ha construido.
10) Cierre: colaboración antes que promesa
Aletheia será más interesante cuanto más gente la mire con criterios distintos: inversión, estadística, investigación cuantitativa, ciencia de datos e ingeniería de software.
La invitación pública no es "usa esto para ganar dinero". Es más prudente y más útil:
Revisa el código.
Cuestiona los supuestos.
Prueba datos reales.
Señala errores.
Ayuda a convertir una herramienta de investigación en algo cada vez más robusto.Enlaces del proyecto
Aletheia es una herramienta de investigación y análisis cuantitativo. No garantiza rendimiento futuro, no ejecuta operaciones y no sustituye asesoramiento financiero profesional.