fbpx

Corporación Universitaria Empresarial de Salamanca

Decodificado: aplicaciones de aprendizaje automático para finanzas

El aprendizaje automático se ha convertido en un tema clave para las finanzas en los últimos años. Algunos ejemplos de aplicaciones de esta tecnología son el descubrimiento de señales, técnicas de procesamiento de datos alternativos, inversión en factores, optimización de carteras y uso del procesamiento del lenguaje natural para el análisis de percepción en las redes sociales y la detección de anomalías. Aunque ha habido un considerable progreso en la automatización y análisis, también hay mucho revuelo sobre la IA y el aprendizaje automático. Por lo que es esencial tener cuidado con las trampas comunes que incluyen sesgo, sobreajuste y correlación espuria. El camino hacia el uso efectivo y confiable de esas tecnologías reside en una combinación de formación y práctica, con respeto por el rigor científico y claridad sobre las fortalezas y debilidades de enfoques y resultados específicos. Es un buen momento para buscar expertos, hacer preguntas difíciles y escuchar cuidadosamente sus respuestas.

Durante el webinario inaugural en la serie Tecnología Decodificada de Bloomberg, Matthew F. Dixon, profesor asistente de matemáticas aplicadas del Instituto de Tecnología de Illinois e Igor Halperin, exprofesor de investigación de aprendizaje automático financiero de la Escuela de Ingeniería Tandon de la Universidad de Nueva York y vicepresidente de gestión de activos de IA en Fidelity Investments, analizaron la historia y el actual estado de las aplicaciones de aprendizaje automático en las finanzas. Presentado por Arun Verma, investigador cuantitativo sénior y director de investigación quant en la Oficina del director de tecnología, Dixon abarcó los matices del aprendizaje profundo como se aplica a los modelos de factores, que incluyen la no linealidad, efectos de interacción y clasificación de factores.

¿Quieres saber más sobre IA, Quant y nuevas tecnologías? Aprenda más con nuestros expertos

Métodos cuantitativos tradicionales con perspectivas de aprendizaje automático

A medida que el aprendizaje automático gana terreno en el mercado financiero general, los inversionistas institucionales buscan maneras de incorporar sus técnicas en los actuales regímenes de modelos financieros. En general, estos regímenes ya tienen un componente cuantitativo y las empresas esperan continuar con sus métodos tradicionales y utilizar el aprendizaje automático para mejorar su análisis y oferta de productos. El trabajo de investigación abarca el diseño experimental, el examen de sensibilidades de factores, la captación y evaluación de los valores atípicos y la descomposición de los rendimientos en componentes explicables e inexplicables.

El aprendizaje profundo ofrece distintas oportunidades para el análisis, ya que puede capturar automáticamente la no linealidad en el rendimiento. También puede ayudar a identificar y explorar el impacto material de los efectos de orden superior y valores atípicos, impactos que no son captados por modelos lineales o cuadráticos. Los investigadores pueden comparar las sensibilidades de los factores de los modelos de aprendizaje profundo con aquellas indicadas por los modelos lineales y cuadráticos, realizar descomposiciones y desarrollar explicaciones para las diferencias entre los modelos de aprendizaje profundo, lineales y cuadráticos.

Pasando a un ejemplo concreto de investigación, Dixon habló del trabajo que realizó con el estadístico británico Nicholas G. Polson, profesor de econometría y estadística en la Escuela de Negocios Booth de la Universidad de Chicago, en el que examinaron un modelo de aprendizaje profundo de 50 factores que se aplicó a más de 3.000 activos del índice Russell 1000 durante un periodo de 30 años y produjo ratios de información (IR). Estos fueron comparados con los resultados de un modelo de mínimos cuadrados ordinarios (OLS) y un modelo LASSO. Encontraron que el modelo de 50 factores producía IR aproximadamente 1,5 veces mayores que los producidos por el modelo OLS. También observaron que parecía tener menos sensibilidad a los efectos de la interacción y que en general tenían un desempeño superior. El trabajo futuro consistirá en ampliar las sensibilidades de los factores con intervalos de confianza a un uso más contextual, a la descomposición del riesgo y al análisis.

Aprendizaje de refuerzo y refuerzo inverso: agentes y medidas

Tras la charla de Dixon, Halperin describió el contexto del aprendizaje por refuerzo (RL) y el aprendizaje por refuerzo inverso (IRL) en relación con aplicaciones financieras. El RL es una forma de toma de decisiones secuencial que consiste en un agente, sus acciones dentro de un entorno y circuitos de retroalimentación que informan de las próximas acciones y que son únicos de esta forma de aprendizaje automático. Dado que el estado del entorno puede cambiar con el tiempo, el RL también incluye planificación y previsión.

En términos de aplicaciones prácticas, la gestión de carteras puede estructurarse como una tarea RL, donde el sistema está tomando decisiones de compra y venta y también puede elegir depositar o retirar efectivo. En este caso, el circuito de retroalimentación implica el impacto de grandes transacciones (o enfocadas en muchas negociaciones más pequeñas) en los precios del mercado. En contraste con el RL, el RL inverso evalúa una serie de decisiones que ya se han tomado y aprende la función de utilidad (recompensa) del agente sin observar ninguna recompensa específica. Un ejemplo de una tarea adecuada de IRL sería la optimización de carteras, donde el objetivo es inferir y mejorar una estrategia de inversión; otro ejemplo sería aprender sobre la función de utilidad de otro agente.

Comience con modelos simples y expándase según estime necesario

Halperin señala que el RL y el IRL son paradigmas basados en datos que pueden ayudar a resolver problemas de control óptimo. Aunque hay numerosas bibliotecas de aprendizaje profundo y de profundo RL disponibles, recomienda comenzar con un simple modelo de recompensa del agente, incorporando métodos clásicos para un control óptimo, y extenderlo a redes neuronales solo si se justifica.

Mirando hacia el futuro de las aplicaciones para RL e IRL en finanzas, Halperin presentó un trabajo adicional en dos algoritmos: el aprendizaje G, que puede cosechar señales débiles de actividades de negociación y trabaja para mejorar los ratios de Sharpe y GIRL, que infiere parámetros de recompensa de un agente de aprendizaje G basado en un comportamiento observado. En conjunto los inversionistas reales pueden modelarse como aprendices de G, quienes pueden agruparse en clases en función de su comportamiento de ahorro e inversión. GIRL puede entonces ser utilizada como un asesor automático (robo-advisor) para estos inversionistas. El IRL también puede aplicarse a un agente de mercado más amplio que incorpora las actividades y dinámicas de todos los participantes del mercado, produciendo un enfoque IRL para modelar la “Mano Invisible” del mercado.

Tras sus charlas, Dixon y Halperin respondieron a dudas de la audiencia en una sesión de preguntas y respuestas en línea y ofrecieron información adicional sobre su reciente libro, Machine Learning in Finance: From Theory to Practice.

Acerca de la serie Tecnología Decodificada

Desde orientación práctica sobre la construcción de sólidos modelos de aprendizaje automático hasta predicciones del impacto que tendrán sobre su papel y los mercados financieros, la serie de webinars Tech Decoded le dará acceso al pensamiento de algunos de los investigadores de IA y científicos de datos más agudos del sector.

The post Decodificado: aplicaciones de aprendizaje automático para finanzas appeared first on Servicio Bloomberg Professional.

Deja un comentario

Tu dirección de correo electrónico no será publicada. Los campos obligatorios están marcados con *

5 + seis =

Generated by Feedzy