El problema
Como descubrir reglas de decision utiles sin perder interpretabilidad ni control sobre la actividad del sistema.
En entornos complejos, como mercados financieros, salud o planificacion operativa, una decision debe equilibrar varios criterios al mismo tiempo.
Actuar mucho puede aumentar oportunidades, pero tambien exposicion y riesgo. Actuar poco puede ser mas estable, pero perder informacion o rendimiento.
Los modelos predictivos suelen ocultar la logica interna. Para un sistema de apoyo a la decision, eso es un problema: la regla debe poder leerse, auditarse y compararse.
Por que es dificil
Los objetivos entran en conflicto
Beneficio, riesgo, frecuencia de decision y exposicion operacional no mejoran siempre en la misma direccion.
La regla debe ser legible
Una solucion con buen resultado pero imposible de explicar puede no servir como apoyo a la decision.
La busqueda puede estancarse
Un optimizador estatico puede explotar demasiado una zona del espacio y dejar de descubrir alternativas utiles.
La actividad importa
No solo importa si una decision acierta, sino cuantas veces actua y cuanto tiempo mantiene exposicion.
La reproducibilidad es delicada
Cuando hay evolucion, semillas aleatorias y una capa de IA, hace falta separar claramente evaluacion, gobernanza y validacion.
No se busca predecir el precio
El objetivo es optimizar la logica de decision, no construir otro modelo de prediccion de mercado.
La idea principal
El sistema representa cada decision como una frase logica interpretable, por ejemplo una regla que combina imbalance del libro de ordenes, spread y condiciones de tendencia.
Cada regla se evalua con informacion causal, usando solo lo disponible hasta el instante de decision. Despues se compara con otras reglas bajo varios objetivos simultaneos.
Por encima del optimizador, una capa AI-in-the-loop observa el estado agregado de la busqueda y decide si conviene explotar, explorar, ampliar el lenguaje de reglas o detener el proceso.
La aportacion no es solo encontrar reglas mejores, sino gobernar como se buscan esas reglas sin romper interpretabilidad ni reproducibilidad metodologica.
Una forma sencilla de verlo
Es como un laboratorio de decisiones: el optimizador prueba reglas, el frente de Pareto muestra compromisos, y la capa de gobernanza decide como debe continuar la exploracion.
Como se resolvio
El framework combina un lenguaje de reglas interpretables, evaluacion causal, optimizacion multiobjetivo y gobernanza del proceso.
Preparar datos de mercado
Los datos L2 se transforman en variables interpretables como bid, ask, mid-price, spread e imbalance por niveles.
Definir frases de decision
Las reglas se representan como arboles de sintaxis abstracta con operadores logicos y predicados legibles.
Evaluar cada regla causalmente
Una regla solo utiliza informacion disponible hasta el momento de decision y se cachea para evitar evaluaciones inconsistentes.
Optimizar varios objetivos
NSGA-II busca reglas no dominadas maximizando beneficio neto y minimizando riesgo y exposicion.
Gobernar la busqueda
La capa AI-in-the-loop observa indicadores agregados y propone acciones como EXPLOIT, EXPLORE, EXPAND_LANGUAGE o STOP.
Validar las acciones
Un validador determinista limita las acciones permitidas, evita cambios no admisibles y mantiene control metodologico.
NSGA-II
Algoritmo evolutivo usado para explorar el frente de soluciones no dominadas.
Reglas interpretables
Frases logicas como LONG IF ..., expresadas mediante arboles de sintaxis abstracta.
Semantic caching
Las reglas se canonicizan y se cachean para evitar duplicados y mantener consistencia.
AI-in-the-loop governance
Una capa de IA controla el proceso de busqueda, no la evaluacion directa de cada regla.
Deterministic validator
Filtro que asegura que toda accion de gobernanza cumple reglas y limites predefinidos.
El experimento
La validacion se realizo con datos reales de libro de ordenes L2 de una accion liquida, NVDA.
Las reglas decidian si entrar en posicion LONG en un instante concreto y mantenerla durante un horizonte fijo. La evaluacion se hizo sobre los retornos observados cuando la regla decidia actuar.
El proceso se ejecuto durante rondas gobernadas. En cada ronda, NSGA-II generaba soluciones, se agregaban indicadores del frente de Pareto, y la capa de gobernanza ajustaba la siguiente fase.
Que se descubrio
Los resultados muestran que la busqueda gobernada produce conjuntos de reglas mas estables, diversas e interpretables que una optimizacion estatica.
Las reglas Pareto-optimas se mantuvieron simples, con complejidades estructurales de 1 a 2, y aun asi ofrecieron compromisos competitivos entre beneficio neto, riesgo y exposicion.
El analisis tambien muestra que reglas con rendimiento similar pueden diferir mucho en exposicion y frecuencia de decision, lo que justifica tratar la actividad como objetivo propio.
- La optimizacion no converge a una unica solucion extrema, sino a alternativas de decision con compromisos distintos.
- La exposicion ayuda a diferenciar reglas que parecen similares si solo se mira beneficio y riesgo.
- Aumentar la complejidad sintactica no fue necesario para obtener resultados competitivos.
- La gobernanza opera sobre el proceso de busqueda y no altera las metricas ni las relaciones de dominancia.
- La reproducibilidad se mantiene al nivel del protocolo, aunque las trayectorias puedan variar por la capa de IA.
El resultado mas importante es que la interpretabilidad puede formar parte del diseno de la optimizacion, no ser una explicacion anadida despues.
Por que importa
En sistemas de apoyo a la decision, una regla sencilla y auditable puede ser mas valiosa que una caja negra ligeramente mas precisa.
El enfoque permite entregar no una unica decision automatica, sino un conjunto de alternativas Pareto para que una persona o un sistema downstream elija segun preferencias operativas.
Aunque el caso de uso es financiero, el marco se plantea como general para problemas donde las decisiones puedan expresarse mediante reglas interpretables y evaluarse bajo varios criterios.
Aplicaciones reales
Finanzas cuantitativas
Descubrir reglas de actuacion interpretables sobre microestructura de mercado.
Decision support
Ofrecer alternativas Pareto en lugar de una unica prescripcion opaca.
Salud digital
Optimizar reglas clinicas transparentes equilibrando beneficio, coste y riesgo.
Operacion industrial
Buscar reglas de actuacion con control de frecuencia, exposicion y seguridad.
Auditoria de IA
Separar evaluacion determinista de gobernanza adaptativa del proceso.
Que podemos aprender
La decision no tiene por que estar escondida dentro de un modelo. Puede escribirse como una regla, optimizarse como un objeto y gobernarse como un proceso.
Preguntas frecuentes
ParetoMetaDecision predice precios
No. El articulo utiliza datos de mercado, pero el objetivo es optimizar reglas de decision interpretables, no predecir directamente el precio futuro.
Que significa AI-in-the-loop
Significa que una capa de IA participa gobernando el proceso de busqueda: observa indicadores agregados y propone acciones de control validadas por reglas deterministas.
Por que usar Pareto
Porque las decisiones tienen objetivos en conflicto. Pareto permite mostrar alternativas eficientes sin reducir todo a una sola puntuacion.
Las reglas siguen siendo interpretables
Si. Las reglas se expresan como frases logicas legibles y se controla su complejidad estructural.
Publicacion y recursos
Hidalgo Marin, A.J. Governed multi-objective decision making with collaborative human-AI systems. Manuscript, 2026.