Este post fue publicado originalmente por Gonzalo D’Angelo en Medium.

La ergodicidad es un concepto que describe cómo el tiempo puede reducir el impacto de la aleatoriedad en los resultados de un sistema. Por ejemplo: A largo plazo, aquellos individuos que se beneficiaron de la suerte eventualmente regresarán a un estado promedio, mientras que aquellos que sufrieron una mala suerte a corto plazo pueden recuperarse a medida que las habilidades y la estrategia se vuelven más importantes que la suerte.

¿Pero cómo funciona la ergocidad en la vida real?

Este concepto es importante en el análisis de series de tiempo. Si una serie de tiempo es ergódica, significa que sus propiedades estadísticas se mantienen constantes a lo largo del tiempo y se pueden estimar a partir de una muestra finita de los datos. Esto es importante porque permite hacer inferencias sobre la serie de tiempo y predecir su comportamiento futuro. En contraste, si una serie de tiempo no es ergódica, sus propiedades estadísticas pueden cambiar con el tiempo y las inferencias y predicciones pueden ser menos precisas. Por lo tanto, es importante evaluar la ergodicidad de una serie de tiempo antes de realizar cualquier análisis o predicción.

Un ejemplo de ergodicidad es el siguiente: supongamos que un inversor coloca su dinero en dos acciones diferentes. Una de ellas tiene una alta probabilidad de ganancias, pero también un alto riesgo de pérdidas, mientras que la otra tiene una probabilidad más baja de ganancias, pero también un riesgo más bajo de pérdidas. En un corto período de tiempo, el inversor podría tener suerte y obtener grandes ganancias en la acción de alto riesgo, mientras que la acción de bajo riesgo no tiene un rendimiento tan alto.

Sin embargo, si observamos el comportamiento de las dos acciones a largo plazo, la acción de alto riesgo probablemente mostrará una mayor variabilidad en su rendimiento, mientras que la acción de bajo riesgo será más estable. Por lo tanto, a largo plazo, es probable que el inversor que colocó su dinero en la acción de alto riesgo experimente pérdidas, mientras que el inversor que colocó su dinero en la acción de bajo riesgo obtenga ganancias más modestas pero consistentes. Este es un ejemplo de ergodicidad, en el que el tiempo elimina los efectos aleatorios de la suerte a corto plazo y muestra la verdadera calidad del rendimiento de las acciones a largo plazo.

La ergodicidad puede ser una propiedad importante para considerar al aplicar algoritmos de machine learning en una empresa financiera. En términos generales, la ergodicidad se refiere a la idea de que a largo plazo, el promedio de los resultados de una variable aleatoria tiende a converger a su valor esperado o a su estado estacionario. En el contexto de una empresa financiera, un ejemplo de aplicación de la ergodicidad en un algoritmo de machine learning podría ser en la predicción de precios de acciones o en la detección de fraudes financieros.

En la predicción de precios de acciones, el algoritmo de machine learning podría analizar datos históricos de precios y volúmenes de negociación para predecir los movimientos futuros del mercado. Sin embargo, la aleatoriedad inherente en los movimientos del mercado puede dificultar la precisión de estas predicciones. La ergodicidad puede ser importante aquí porque significa que, a largo plazo, el promedio de las fluctuaciones del mercado debería converger a su estado estacionario o a su valor esperado, lo que puede ayudar a mejorar la precisión de las predicciones.

En el caso de la detección de fraudes financieros, el algoritmo de machine learning podría analizar patrones en los datos de transacciones financieras para detectar anomalías que podrían indicar fraude. La ergodicidad podría ser importante aquí porque, en teoría, a largo plazo, las transacciones normales y las fraudulentas deberían tener un promedio similar, lo que podría ayudar al algoritmo a detectar patrones que indiquen un comportamiento anómalo.

¿Como un sistema ergódico ayuda a una empresa?

Las estadísticas que miden actividades basadas en habilidades tienden a ser persistentes, mientras que las que miden actividades aleatorias no lo son. Por lo tanto, una estadística útil es aquella que se mantiene estable a lo largo del tiempo y ayuda a tomar decisiones informadas.

En la mayoría de los casos, los éxitos y fracasos son una combinación de habilidad y suerte. Sin embargo, cuando no hay correlación clara entre las acciones y los resultados, se observa una reversión a la media.

En términos de empresas que utilizan datos para predecir el futuro, es importante destacar que los expertos con experiencia se basan en modelos predictivos, en lugar de solo en la experiencia pasada. Esto les permite tomar decisiones informadas y precisas en un entorno empresarial cada vez más complejo y competitivo.

Es importante que una empresa que da servicios de machine learning comprenda el concepto de ergodicidad, ya que esto puede afectar directamente los resultados de sus modelos y predicciones. La ergodicidad implica que el comportamiento de un sistema o proceso aleatorio puede ser representativo de su comportamiento a largo plazo. En el caso del machine learning, esto significa que los datos históricos pueden ser utilizados para entrenar y ajustar un modelo que pueda predecir comportamientos futuros.

Sin embargo, es importante tener en cuenta que la ergodicidad no siempre se cumple en todos los casos, especialmente en situaciones en las que los datos históricos pueden no ser representativos del futuro. En el caso de una empresa financiera, puede haber eventos inesperados, como una estacionalidad, una situación inesperada como Covid19, una crisis económica o un cambio en las políticas gubernamentales, que pueden afectar significativamente los comportamientos futuros del mercado.

Por lo tanto, una empresa que da servicios de machine learning debe tener en cuenta la ergodicidad al diseñar y entrenar modelos, pero también debe tener en cuenta otros factores externos que puedan afectar los resultados. Esto puede incluir la inclusión de datos de fuentes adicionales, fuentes externas y la realización de pruebas de sensibilidad para evaluar cómo los resultados pueden verse afectados por eventos inesperados.

Concluyendo: Un sistema ergódico en el aprendizaje automático también podría referirse a la capacidad del modelo para adaptarse y cambiar su comportamiento en función de nuevas muestras de datos, en lugar de estar limitado a un conjunto de datos fijo y predefinido.

La ergodicidad es una propiedad deseable en sistemas de machine learning, ya que permite que el modelo aprenda de manera efectiva y se adapte a nuevas situaciones y datos.