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 6. Los peligros de los sistemas convencionales de IA

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

Un hombre debe conocer sus limitaciones.

-El detective "Harry el Sucio" en la película Magnum Force, cuando ve explotar el coche de un cerebro criminal demasiado confiado

Un modelo debe conocer sus limitaciones. Merece la pena insistir en esto por la importancia de esta característica para los modelos en finanzas e inversión. El corolario es que una IA tiene que conocer sus limitaciones. La limitación más grave de todos los sistemas de IA es que carecen de sentido común. Esto se deriva de su incapacidad para comprender las relaciones causales. Los sistemas de IA sólo aprenden relaciones estadísticas durante el entrenamiento, que son difíciles de generalizar a situaciones nuevas sin comprender la causalidad.

En el Capítulo 1, examinamos las tres formas en que los mercados financieros pueden humillarte incluso cuando aplicas nuestros mejores modelos con cautela y reflexión. Es casi seguro que los mercados te humillarán cuando tus modelos se basen en teorías financieras y estadísticas erróneas, como las que se analizan en la primera mitad del libro. En realidad, no es un resultado tan malo, porque una pérdida financiera humillante a menudo puede conducir a la comprensión y el crecimiento personales. Peor resultado es que te despidan del trabajo o que tu carrera llegue a un final innoble. El peor resultado ...