Finanzas Multimodales: Un marco para el análisis y la toma de decisiones financieras transmodales

De qué trata

Miquel Noguer i Alonso, del Artificial Intelligence Finance Institute, expuso en la III Jornada Anual de Riesgos (septiembre de 2025) una arquitectura de redes neuronales para predicción financiera que combina datos de naturaleza distinta (mercado, sentimiento y eventos fundamentales). Es una presentación técnica y las diapositivas están en inglés.

Las 19 diapositivas plantean el reto de integrar datos asíncronos y heterogéneos, los principios de la arquitectura MS-MRFN, sus tres codificadores (retornos en varias frecuencias, sentimiento disperso y eventos fundamentales), el módulo de fusión y la cabeza de predicción, las ecuaciones del modelo y el protocolo de entrenamiento.

Objetivos

• Explicar por qué la predicción financiera requiere integrar datos con frecuencias y formatos distintos.
• Describir los componentes de una red multimodal de múltiples resoluciones.
• Presentar el protocolo de entrenamiento que evita el sesgo de anticipación.

Ideas clave

1. Los datos financieros combinan series de mercado densas y de alta frecuencia, señales de sentimiento dispersas y reportes fundamentales poco frecuentes.
2. La arquitectura respeta las frecuencias de muestreo originales, modela de forma explícita la antigüedad (staleness) de los datos y hace cumplir estrictamente el orden temporal.
3. Usa tres codificadores en paralelo: redes convolucionales temporales con LSTM para retornos, una pila similar para sentimiento y un transformador con atención cruzada para eventos fundamentales.
4. Una capa de modulación (FiLM) ajusta cuánta relevancia se da a la información fundamental según su antigüedad, y una fusión adaptativa produce la predicción final.
5. El entrenamiento usa validación walk-forward, con particiones cronológicas de entrenamiento, validación y prueba, para evitar el sesgo de anticipación (lookahead).