Redes neuronales y finanzas: valoración de derivados y gestión de riesgos

De qué trata

Casos de uso de las redes neuronales en finanzas: redes generativas adversarias (GAN) para crear datos sintéticos aplicables a la gestión del riesgo de mercado y al stress testing; autoencoders variacionales (VAE) para analizar la dinámica de las curvas de rendimiento y sus aplicaciones en stress testing; redes neuronales para valorar opciones financieras; y nuevos algoritmos de optimización para redes neuronales, como el descenso de gradiente con derivadas fraccionarias.

Resumen de la sesión

El expositor, segundo de una serie de webinars sobre inteligencia artificial, parte de una explicación de qué es una red neuronal: una función compleja que captura relaciones no lineales, con funciones de activación, varias capas y un entrenamiento por retropropagación y descenso de gradiente. Presenta tres aplicaciones. La primera son las redes generativas adversarias para crear datos sintéticos, útiles cuando hay pocos datos, con un ejercicio sobre el índice mensual de actividad económica del Banco Central; explica sus ventajas para pruebas de estrés frente a las simulaciones de Montecarlo, y sus límites: costo, complejidad y que el entrenamiento puede no converger.

La segunda son los autocodificadores variacionales para reducir la dimensionalidad de los datos, que contrasta con el análisis de componentes principales aplicado a la curva de rendimientos de títulos del Ministerio de Hacienda, como complemento no lineal todavía experimental. La tercera es una investigación propia sobre algoritmos de optimización con derivadas fraccionarias, que en un ejercicio de valoración de opciones europeas con ruido redujo el número de iteraciones necesarias para entrenar la red. En las preguntas recomendó usar los datos sintéticos como una herramienta adicional, con cuidado por la calidad, probando varias arquitecturas y verificando que los datos generados reflejen las características de los reales.

Temas tratados

• Qué es una red neuronal y cómo se entrena
• Redes generativas adversarias y datos sintéticos para pruebas de estrés
• Autocodificadores variacionales frente al análisis de componentes principales
• Curva de rendimientos y reducción de dimensionalidad
• Optimización con derivadas fraccionarias y valoración de opciones
• Límites: costo, complejidad, convergencia y calidad de los datos
• Preguntas: cómo usar estas herramientas con datos limitados