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 7. Aprendizaje automático probabilístico con conjuntos generativos

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

No busques la aguja en el pajar. ¡Compra el pajar!

- John Bogle, inventor del fondo indexado y fundador del Grupo Vanguard

La mayoría de nosotros probablemente no sabíamos que estábamos aprendiendo uno de los algoritmos de ML más potentes y robustos en el instituto cuando encontrábamos la línea de mejor ajuste a una dispersión de puntos de datos. El algoritmo de mínimos cuadrados ordinarios (MCO) que se utiliza para estimar los parámetros de los modelos de regresión lineal fue desarrollado por Adrien-Marie Legendre y Carl Gauss hace más de doscientos años. Estos tipos de modelos tienen la historia más larga y se consideran los modelos básicos de aprendizaje automático en general. Los modelos de regresión lineal y clasificación se consideran las redes neuronales artificiales más básicas. Por estas razones, los modelos lineales se consideran la "madre de todos los modelos paramétricos".

Los modelos de regresión lineal desempeñan un papel fundamental en la práctica financiera moderna, el mundo académico y la investigación. Los dos modelos fundacionales de la teoría financiera son modelos de regresión lineal: el modelo de fijación de precios de los activos de capital (CAPM) es un modelo de regresión lineal simple; y el modelo de la teoría de fijación de precios de arbitraje (APT) es un ...