Aprendizaje profundo para las finanzas

Prefacio

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

El aprendizaje nunca agota la mente.

Leonardo da Vinci

El aprendizaje automático y el aprendizaje profundo han cambiado por completo el sector de las finanzas en los últimos años. Los distintos modelos de aprendizaje se adaptan bien a un mundo en el que los datos son abundantes y continuos. Los datos son el nuevo oro, y su valor sigue aumentando a medida que los análisis adecuados conducen a decisiones empresariales clave, que son el motor de los cambios económicos.

El auge de los fondos cuantitativos es la prueba viviente de que el mundo de la ciencia de datos tiene mucho que ofrecer al mundo del trading. Después de los operadores fundamentales y técnicos, está surgiendo una nueva raza de líderes del universo. Se trata de los operadores cuantitativos que se basan en algoritmos basados en máquinas con operaciones extremadamente complejas que tratan de predecir y superar los resultados de los mercados.

Este libro trata en detalle el tema del aprendizaje profundo para las finanzas.

¿Por qué este libro?

He dedicado mi carrera a investigar estrategias de negociación, técnicas y todo lo relacionado con el mundo financiero. A lo largo de los años, me he familiarizado con algunos modelos algorítmicos que tienen el potencial de añadir valor al marco del trading. En este libro, hablo de diferentes modelos de aprendizaje y sus aplicaciones en el mundo del trading, centrándome en el aprendizaje profundo y las redes neuronales. Mi principal objetivo es abarcarlos de forma que todo el mundo entienda cómo funcionan.

Las máquinas pueden realizar operaciones y detecciones mejor que los humanos por muchas razones, una de las cuales es su objetividad. Esto significa que una de las habilidades clave que aprenderás es cómo utilizar Python para crear los algoritmos necesarios para realizar dichas operaciones.

Como ya he mencionado, mi objetivo es ofrecer una introducción exhaustiva al uso del aprendizaje profundo en las finanzas. Lo hago tratando una amplia gama de temas, como la ciencia de los datos, el trading, los modelos de aprendizaje automático y profundo, y las aplicaciones del aprendizaje por refuerzo para el trading.

El libro comienza con una visión general del campo de la ciencia de datos y su papel en el mundo de las finanzas. A continuación, profundiza en los conocimientos necesarios, como estadística, matemáticas y Python, antes de centrarse en cómo utilizar el aprendizaje automático y profundo en las estrategias de negociación.

¿Quién debe leerlo?

Este libro está dirigido a un público amplio, incluidos profesionales y académicos de las finanzas, científicos de datos, operadores cuantitativos y estudiantes de finanzas de cualquier nivel. Proporciona una introducción exhaustiva al uso del aprendizaje automático y profundo en la predicción de series temporales, y es un recurso esencial para cualquiera que desee comprender y aplicar estas potentes técnicas.

El libro asume que tienes conocimientos básicos tanto de programación en Python (los usuarios profesionales de Python encontrarán el código muy sencillo) como de operaciones financieras. Adopto un enfoque claro y sencillo que se centra en los conceptos clave para que entiendas el propósito de cada idea.

Convenciones utilizadas en este libro

En este libro se utilizan las siguientes convenciones tipográficas:

Cursiva

Indica nuevos términos, URL, direcciones de correo electrónico, nombres de archivo y extensiones de archivo.

Constant width

Se utiliza en los listados de programas, así como dentro de los párrafos para referirse a elementos del programa como nombres de variables o funciones, bases de datos, tipos de datos, variables de entorno, sentencias y palabras clave.

Constant width bold

Muestra comandos u otros textos que deben ser tecleados literalmente por el usuario.

Constant width italic

Muestra el texto que debe sustituirse por valores proporcionados por el usuario o por valores determinados por el contexto.

Consejo

Este elemento significa un consejo o sugerencia.

Nota

Este elemento significa una nota general.

Advertencia

Este elemento indica una advertencia o precaución.

Utilizar ejemplos de código

El material complementario (ejemplos de código, ejercicios, etc.) se puede descargar en https://github.com/sofienkaabar/deep-learning-for-finance.

Si tienes una pregunta técnica o un problema al utilizar los ejemplos de código, envía un correo electrónico a [e-mail].

Este libro está aquí para ayudarte a hacer tu trabajo. En general, si se ofrece código de ejemplo con este libro, puedes utilizarlo en tus programas y documentación. No es necesario que te pongas en contacto con nosotros para pedirnos permiso, a menos que estés reproduciendo una parte importante del código. Por ejemplo, escribir un programa que utilice varios trozos de código de este libro no requiere permiso. Vender o distribuir ejemplos de los libros de O'Reilly sí requiere permiso. Responder a una pregunta citando este libro y el código de ejemplo no requiere permiso. Incorporar una cantidad significativa de código de ejemplo de este libro en la documentación de tu producto sí requierepermiso.

Agradecemos, pero generalmente no exigimos, la atribución, que suele incluir el título, el autor, la editorial y el ISBN. Por ejemplo "Aprendizaje profundo para finanzas por Sofien Kaabar (O'Reilly). Copyright 2024 Sofien Kaabar, 978-1-098-14839-3".

Si crees que el uso que haces de los ejemplos de código no se ajusta al uso legítimo o al permiso concedido anteriormente, no dudes en ponerte en contacto con nosotros en [e-mail].

Aprendizaje en línea O'Reilly

Nota

Durante más de 40 años, O'Reilly Media ha proporcionado formación tecnológica y empresarial, conocimientos y perspectivas para ayudar a las empresas a alcanzar el éxito.

Nuestra red única de expertos e innovadores comparten sus conocimientos y experiencia a través de libros, artículos y nuestra plataforma de aprendizaje online. La plataforma de aprendizaje en línea de O'Reilly te ofrece acceso bajo demanda a cursos de formación en directo, rutas de aprendizaje en profundidad, entornos de codificación interactivos y una amplia colección de textos y vídeos de O'Reilly y de más de 200 editoriales. Para más información, visita https://oreilly.com.

Cómo contactar con nosotros

Dirige tus comentarios y preguntas sobre este libro a la editorial:

• O'Reilly Media, Inc.
• 1005 Gravenstein Highway Norte
• Sebastopol, CA 95472
• 800-889-8969 (en Estados Unidos o Canadá)
• 707-829-7019 (internacional o local)
• 707-829-0104 (fax)
• [e-mail]
• https://www.oreilly.com/about/contact.html

Tenemos una página web para este libro, donde se enumeran erratas, ejemplos y cualquier información adicional. Puedes acceder a esta página en https://oreil.ly/deep-learning-for-finance.

Para obtener noticias e información sobre nuestros libros y cursos, visita https://oreilly.com.

Encuéntranos en LinkedIn: https://linkedin.com/company/oreilly-media.

Síguenos en Twitter: https://twitter.com/oreillymedia.

Míranos en YouTube: https://youtube.com/oreillymedia.

Agradecimientos

Nada sería lo mismo sin el apoyo de mis padres, por lo que no puedo dejar de reconocer su impacto directo e indirecto en el libro.

También me gustaría reconocer la deuda que tengo con los editores, Michelle Smith y Corbin Collins, así como con la editora de producción, Elizabeth Faerm, por su continuo apoyo, el increíble trabajo que hacen y su paciencia. Del mismo modo, me gustaría dar las gracias a todas las personas de O'Reilly que han participado en la producción de este libro.

Además, mi agradecimiento especial a los grandes revisores técnicos por sus inmensas contribuciones. Han contribuido enormemente a que este libro sea legible, útil y sencillo. No podría pedir mejores personas para revisar mi libro.

Por último, te estoy profundamente agradecido a ti, lector, por invertir tu tiempo en leer mi trabajo y por depositar tu confianza en mi investigación. Espero que te resulte útil.