Aprendizaje Automático Probabilístico para Finanzas e Inversión

Capítulo 3. Cuantificación de la incertidumbre de salida con la simulación de Montecarlo

Este trabajo se ha traducido utilizando IA. Agradecemos tus opiniones y comentarios: [e-mail]

Yo de dados poseo la ciencia y en números así soy hábil.

-El rey Rituparna del Mahabharata (hacia 900 a.C.), sobre la estimación de las hojas de un árbol a partir de una rama seleccionada al azar

Nunca se insistirá lo suficiente en la importancia de la simulación de Montecarlo (SCM), también conocida como método de Montecarlo. En finanzas e inversiones, la SCM se utiliza para valorar todo tipo de activos, optimizar diversas carteras, estimar riesgos y evaluar estrategias comerciales complejas. La MCS se utiliza especialmente para resolver problemas que no tienen una solución analítica.¹ De hecho, hay muchos tipos de derivados financieros -como las opciones lookback y las opciones asiáticas- que no pueden valorarse con ninguna otra técnica. Aunque las matemáticas que sustentan la MCS no son sencillas, aplicar el método es en realidad bastante fácil, sobre todo una vez que comprendes los conceptos estadísticos clave en los que se basa.

El MCS también impregna los algoritmos de aprendizaje automático en general y el aprendizaje automático probabilístico en particular. Como se expone en el Capítulo 1 y se demuestra en la solución simulada al problema de Monte Hall del Capítulo 2, el MCS permite a cuantificar la incertidumbre de los resultados de un modelo en un proceso llamado ...