Inteligencia Artificial en Finanzas

Parte III. Ineficiencias estadísticas

"Hay pautas en el mercado", dijo Simons a un colega. "Sé que podemos encontrarlos".¹

Gregory Zuckerman (2019)

El objetivo principal de esta parte es aplicar las redes neuronales y el aprendizaje por refuerzo para descubrir ineficiencias estadísticas en los mercados financieros (datos). Una ineficiencia estadística, a efectos de este libro, se encuentra cuando un predictor (un modelo o algoritmo en general o una red neuronal en particular) predice los mercados significativamente mejor que un predictor aleatorio que asigne la misma probabilidad a los movimientos al alza y a la baja. En un contexto de negociación algorítmica, disponer de un predictor de este tipo es un requisito previo para generar alfa o rendimientos superiores a los del mercado.

Esta parte consta de tres capítulos que proporcionan más antecedentes, detalles y ejemplos relacionados con las redes neuronales densas (DNN), las redes neuronales recurrentes (RNN) y el aprendizaje por refuerzo (RL):

• El Capítulo 7 trata las DNN con algo más de detalle y las aplica al problema de predecir la dirección de los movimientos del mercado financiero. Los datos históricos se utilizan para generar datos de características retardadas y para generar datos de etiquetas binarias. A continuación, estos conjuntos de datos se utilizan para entrenar las DNN mediante aprendizaje supervisado. El objetivo es identificar ineficiencias estadísticas en los mercados financieros. En algunos de los ejemplos, ...