En la competencia BattleFin Kaggle, los participantes se enfrentaron a un problema extremo de escasez de datos: solo 200 muestras de entrenamiento para predecir los movimientos de precios de 198 acciones. Este artículo reproduce los enfoques ganadores de BreakfastPirate (1.º) y Sergey Yurgenson (2.º), mostrando cómo aprovecharon modelos lineales simples e ingeniería de características para superar el desafío de 'muchos objetivos, pocas muestras'. La idea clave es que en las series temporales financieras, el sobreajuste es una amenaza constante, y la regularización o los métodos de conjunto en modelos simples a menudo superan al aprendizaje profundo. Para los desarrolladores cuantitativos, este estudio de caso ofrece un plan práctico para construir sistemas de predicción robustos cuando los datos son limitados. La reproducción incluye código y análisis detallados, lo que la convierte en un recurso valioso para cualquier persona que trabaje en finanzas cuantitativas o aprendizaje automático competitivo.
La reproducción de las mejores soluciones de BattleFin Kaggle revela que los modelos simples superan a los complejos en la predicción financiera con pocos datos.