book

Aprendizaje Automático Probabilístico para Finanzas e Inversión

by Deepak K. Kanungo

September 2024

Intermediate to advanced

266 pages

8h 46m

Spanish

O'Reilly Media, Inc.

Book available

Read now

Unlock full access

¿Quién debería leer este libro?Por qué escribí este libroNavegar por este libroConvenciones utilizadas en este libroUtilizar ejemplos de códigoAprendizaje en línea O'ReillyCómo contactar con nosotrosAgradecimientos
Las finanzas no son físicaTodos los modelos financieros son erróneos, la mayoría son inútilesLa trifecta de los errores de modelizaciónErrores en la especificación del modeloErrores en las estimaciones de los parámetros del modeloErrores derivados de la falta de adaptación de un modelo a los cambios estructuralesModelos financieros probabilísticosIA financiera y MLML probabilísticoDistribuciones de probabilidadIntegración de conocimientosInferencia de parámetrosConjuntos GenerativosConciencia de incertidumbreResumenReferenciasOtras lecturas
El problema de Monty HallAxiomas de probabilidadInvertir probabilidadesSimulación de la soluciónSignificado de ProbabilidadProbabilidad frecuentistaProbabilidad epistémicaProbabilidad relativaRiesgo frente a incertidumbre: Una distinción inútilLa Trinidad de la IncertidumbreIncertidumbre AleatoriaIncertidumbre epistémicaIncertidumbre ontológicaLos teoremas de la no gratuidadLa inversión y el problema de la inducciónEl problema de la inducción, los teoremas de la NFL y el aprendizaje automático probabilísticoResumenReferencias
Simulación Monte Carlo: Prueba de conceptoConceptos estadísticos claveMedia y varianzaValor esperado: Media aritmética ponderada por la probabilidadPor qué la volatilidad es una medida absurda del riesgoAsimetría y CurtosisLa Distribución Gaussiana o NormalPor qué la volatilidad subestima el riesgo financieroLa ley de los grandes númerosTeorema del límite centralFundamentos teóricos del SCVValorar un proyecto de softwareConstruir un MCS sólidoResumenReferencias
La falacia inversaNHST es culpable de la falacia del fiscalEl juego de la confianzaModelo de mercado de un solo factor para la renta variableRegresión lineal simple con modelos estadísticosIntervalos de confianza para Alfa y BetaDesvelar el juego de la confianzaErrores al hacer afirmaciones probabilísticas sobre los parámetros de la poblaciónErrores al hacer afirmaciones probabilísticas sobre un intervalo de confianza específicoErrores al hacer afirmaciones probabilísticas sobre las distribuciones muestralesResumenReferenciasOtras lecturas
Investigar la regla de la probabilidad inversaEstimación de la probabilidad de impago de la deudaGenerar datos con distribuciones de probabilidad predictivasResumenOtras lecturas
Sistemas de IA: Una peligrosa falta de sentido comúnPor qué fracasan los modelos MLE en finanzasUn modelo MLE para las expectativas de beneficiosUn modelo probabilístico para las expectativas de beneficiosSimulaciones Monte Carlo con Cadena de MarkovCadenas de MarkovMuestreo de MetrópolisResumenReferencias
Modelos de regresión MLEModelo de mercadoSupuestos del modeloParámetros de aprendizaje mediante MLECuantificar la incertidumbre de los parámetros con intervalos de confianzaPredicción y simulación de los resultados del modeloConjuntos lineales probabilísticosDistribuciones de probabilidad previas P(a, b, e)Función de verosimilitud P(Y| a, b, e, X)Función de verosimilitud marginal P(Y|X)Distribuciones de probabilidad posteriores P(a, b, e| X, Y)Montaje de PLEs con PyMC y ArviZDefinir las métricas de rendimiento del conjuntoAnalizar datos y diseñar funcionesDesarrollar y retrodictaminar el conjunto previoEntrenar y retrodictaminar el modelo posteriorProbar y evaluar las predicciones conjuntasResumenReferenciasOtras lecturas
Marco de Inferencia Probabilística y PredicciónMarco Probabilístico de Toma de DecisionesIntegrar la subjetividadEstimación de pérdidasMinimizar las pérdidasGestión de riesgosPreservación del capitalErgodicidadValor Generativo en RiesgoDéficit Generativo EsperadoRiesgo de cola generativoAsignación de capitalRuina del jugadorRuina esperada del tasadorTeoría Moderna de CarterasLa ruina del inversor MarkowitzCriterio KellyLa ruina del inversor KellyResumenReferenciasOtras lecturas

Content preview from Aprendizaje Automático Probabilístico para Finanzas e Inversión

Capítulo 4. Los peligros de las metodologías estadísticas convencionales

Este trabajo se ha traducido utilizando IA. Agradecemos tus opiniones y comentarios: translation-feedback@oreilly.com

Peor que inútil.

-Jerzy Neyman, eminente estadístico matemático, refiriéndose a la metodología de inferencia estadística de R. A. Fisher, el principal arquitecto de la estadística convencional

Recordemos del Capítulo 1 que todos los modelos financieros de están a merced de la trifecta de errores, a saber: errores en las especificaciones del modelo; errores en las estimaciones de los parámetros del modelo; y errores derivados de la incapacidad del modelo para adaptarse a los cambios estructurales de su entorno. Debido a estos errores, necesitamos modelos dinámicos que cuantifiquen la incertidumbre inherente a nuestras inferencias y predicciones financieras.

Una metodología de inferencia estadística conocida como prueba de significación de hipótesis nula (NHST) domina casi por completo la investigación y la práctica de las ciencias sociales y económicas. En este capítulo, examinamos cómo se utiliza el NHST y su estadístico p-valor para probar hipótesis y cuantificar la incertidumbre de los parámetros del modelo. Los profundos defectos lógicos de la metodología NHST son los principales responsables de la crisis de reproducibilidad en todas las ciencias sociales y económicas, donde la mayoría de los resultados de investigación publicados son falsos.¹ En las próximas secciones, expondremos las ...