○ planned · proyecto
Otorga nivel a: Autoencoders · Anomaly Detection
Usa: Autoencoders · Anomaly Detection · Unsupervised Learning · Dimensionality Reduction · Time Series
Gerardo explora, de forma descriptiva y sin tecnicismos, cómo los autoencoders pueden atacar problemas financieros: detección de eventos atípicos y construcción de portafolios. Su tesis central es que si un autoencoder es capaz de aprender la estructura del mercado (aun cuando los retornos parezcan ruido blanco), puede reconstruir índices y depurar choques específicos de cada activo para mejorar la matriz de covarianza.
Hallazgos clave
- El supuesto de rendimientos gaussianos es incorrecto: en realidad tienen colas pesadas, lo que significa eventos extremos más frecuentes de lo que el modelo normal predice; por eso importa detectarlos.
- El sesgo de confirmación es el enemigo a combatir: uno busca instintivamente información que refuerce lo que cree y descarta lo que lo contradice; por eso se recurre a modelos matemáticos para decidir con dinero.
- Entrenó un autoencoder con los retornos de 194 activos del S&P 500 (como si fueran imágenes tipo MNIST) y logró reconstruir el índice S&P 500 sin haberlo visto en entrenamiento, sugiriendo que el modelo captura el comportamiento global del mercado.
- La reconstrucción vía autoencoder produce una matriz de covarianza distinta a la de los datos originales: argumenta que es mejor porque elimina choques particulares de cada activo, lo que tiene implicaciones directas en la construcción de portafolios.
- El error cuadrático medio entre entrada y reconstrucción es el umbral operativo: un error grande indica un dato atípico (fraude, evento anómalo), la misma lógica de los sistemas bancarios de detección de fraudes.
Módulos
- El problema de los eventos atípicos y los sesgos cognitivos — Taleb, el cisne negro, sesgo de confirmación y por qué los retornos no son gaussianos.
- Qué es un autoencoder y cómo aprende estructura — Reducción de dimensionalidad tipo PCA, reconstrucción y el ejemplo de reconocer escritura (MNIST).
- Entrenando un autoencoder con retornos del mercado — De matrices de rendimientos a la reconstrucción del S&P 500 y su evaluación con scatter plot diagonal.
- Detección de anomalías con error de reconstrucción — Cálculo del error cuadrático medio y umbrales para señalar fraudes o eventos atípicos.
- Aplicación a portafolios: matriz de covarianza reconstruida — Correlación, diversificación y cómo usar la reconstrucción para depurar choques idiosincráticos.
- Límites e interpretación — El problema de la interpretabilidad de modelos no lineales, el caso Renaissance y la elección ML vs métodos clásicos según el problema.
Fuente: https://www.youtube.com/watch?v=EpJo7mny1hY · Transcript local: data/cursos/datapub-autoencoders-financieros/autoencoders-financieros.srt
Enlaces
Otorga nivel a: Autoencoders · Anomaly Detection Usa: Autoencoders · Anomaly Detection · Unsupervised Learning · Dimensionality Reduction · Time Series