8 fantásticos trabajos sobre Finanzas Cuantitativas durante el 2024
En esta edición el Director de Bourbaki Finanzas Gerardo Hernandez-del-Valle ha compartido con nosotros 8 trabajos publicados de gran relevancia para las Finanzas Cuantitativas, con esto completamos nuestra lista sobre los grandes avances en Matemáticas, Inteligencia Artificial y finalmente el importante mundo de las finanzas.
Hemos incluido trabajos relacionados con la valuación de opciones, factores de riesgo en renta fija y acciones, order book y una gran variedad de problemas relacionados con los mercados bursátiles. Como ha pasado con muchas otras áreas, la Inteligencia Artificial ha aparecido también en esta área ya sea por medio de Deep Learning o algunos modelos más clásicos de Machine Learning.
Es importante mencionar que así como en Inteligencia Artificial, existe un numeroso grupo de trabajos que seguramente no se publican o no de manera íntegra, seguramente relacionado con la intención de aprovechar los beneficios de una estrategia, un modelo matemático o un algoritmo. Lo anterior no debe desanimarnos pues la inmensa mayoría de los modelos muy exitosos terminan saliendo a la luz. ¡Esperemos que disfruten de esta elección!
A New Closed-Form Discrete-Time Option Pricing Model with Stochastic Volatility
Este artículo presenta un nuevo modelo matemático para valorar opciones financieras en tiempo discreto, teniendo en cuenta los cambios en la volatilidad del mercado. A diferencia de los modelos tradicionales, que asumen una volatilidad constante, este enfoque incorpora una volatilidad estocástica, lo que significa que la volatilidad puede fluctuar de manera impredecible a lo largo del tiempo. El modelo ofrece una solución en forma cerrada, lo que lo hace eficiente y práctico para su uso en los mercados financieros. Al mejorar la precisión en la valoración de opciones, este trabajo contribuye a una mejor gestión de riesgos y toma de decisiones para inversores e instituciones financieras.
Les compartimos la liga con el trabajo original.
Common Risk Factors in the Returns on Stocks, Bonds (and Options), Redux
Este artículo retoma la idea de que los rendimientos de las acciones, los bonos y las opciones están influenciados por factores de riesgo comunes. Explora cómo estos factores, como los movimientos del mercado, las tasas de interés y las condiciones económicas, ayudan a explicar el comportamiento de los precios de los activos a lo largo del tiempo. Basándose en investigaciones previas, el estudio ofrece perspectivas actualizadas sobre cómo se comparten estos riesgos en los diferentes mercados financieros. Este conocimiento puede ayudar a los inversionistas e instituciones a evaluar mejor los riesgos, diversificar sus portafolios y mejorar sus estrategias de inversión.
Les compartimos la liga con el trabajo original.
Backtesting Correlated Quantities
El artículo titulado "Backtesting Correlated Quantities" presenta un método simple pero efectivo para preparar datos eliminando las correlaciones entre muestras. Este proceso es fundamental para garantizar que los datos cumplan con los supuestos requeridos por las pruebas estadísticas estándar, lo que mejora la fiabilidad de los resultados obtenidos en el backtesting.
El enfoque propuesto es especialmente relevante en escenarios donde las cantidades a analizar están correlacionadas, como en modelos financieros o econométricos. Las correlaciones entre datos pueden distorsionar los resultados de las pruebas estadísticas tradicionales, llevando a conclusiones erróneas sobre el rendimiento de un modelo o estrategia. Este método aborda directamente este problema al transformar los datos para que sean independientes, sin perder información clave sobre su comportamiento subyacente.
El artículo contribuye al campo del backtesting al ofrecer una herramienta práctica que permite a investigadores y profesionales evaluar la precisión de sus modelos en condiciones más realistas. Esto es particularmente útil en finanzas, donde la gestión de riesgos y la validación de estrategias de inversión dependen de análisis estadísticos sólidos. Al aplicar este enfoque, los usuarios pueden obtener resultados más confiables y tomar decisiones mejor fundamentadas en contextos donde las correlaciones pueden afectar la interpretación de los datos.
Les compartimos la liga con el trabajo original.
Deep Limit Order Book Forecasting
El artículo explora cómo las técnicas avanzadas de aprendizaje automático pueden usarse para predecir los movimientos de precios en los mercados financieros analizando los datos dentro de los libros de órdenes límite. Un libro de órdenes límite es un registro detallado de las órdenes de compra y venta de un activo en particular, que captura en tiempo real la dinámica de oferta y demanda del mercado. El estudio aplica modelos de aprendizaje profundo a estos datos complejos y altamente dinámicos, con el objetivo de descubrir patrones que los métodos tradicionales podrían pasar por alto.
La investigación demuestra que estos modelos pueden predecir con precisión los cambios de precios a corto plazo, proporcionando información valiosa para traders, creadores de mercado e instituciones financieras. Al aprovechar la gran cantidad de información contenida en los libros de órdenes límite, este enfoque tiene el potencial de mejorar la toma de decisiones, optimizar estrategias de negociación y aumentar la eficiencia del mercado. Este trabajo resalta la creciente importancia de la inteligencia artificial para comprender y navegar los mercados financieros modernos.
Les compartimos la liga con el trabajo original.
Sensitivity of causal distributionally robust optimization
El artículo analiza cómo tomar decisiones más confiables bajo condiciones de incertidumbre, combinando modelos causales y técnicas de optimización robusta. Los modelos causales ayudan a identificar las relaciones entre diferentes factores, mientras que la optimización robusta asegura que las decisiones sigan siendo efectivas incluso cuando hay variaciones o incertidumbres en los datos.
El estudio se centra en entender qué tan sensibles son las soluciones de estos modelos a cambios en las suposiciones o en los datos de entrada. Esto es crucial porque las decisiones en el mundo real a menudo implican información incompleta o imperfecta. Al analizar estas sensibilidades, el artículo proporciona ideas para crear marcos de toma de decisiones más estables y confiables, especialmente en áreas como finanzas, gestión de cadenas de suministro y salud, donde la incertidumbre es un desafío constante. La investigación avanza en el desarrollo de herramientas que ayudan a los responsables de tomar decisiones a considerar tanto las relaciones de causa-efecto como los cambios impredecibles en los datos.
Les compartimos la liga con el trabajo original.
Rethinking P&L attribution for options
Aborda los desafíos y matices de la atribución de ganancias y pérdidas (P&L) en el comercio de opciones. Examina los métodos tradicionales de análisis de P&L e identifica sus limitaciones, especialmente en el contexto de las opciones, donde factores como la volatilidad, la decadencia temporal y los movimientos del activo subyacente pueden tener impactos complejos y no lineales en los rendimientos. Se propone un nuevo enfoque para la atribución de P&L que refleja de manera más precisa la dinámica de las opciones, lo que permite a los traders y analistas comprender y gestionar mejor el riesgo y el rendimiento de los portafolios de opciones. A través de este marco innovador, se busca mejorar la transparencia, optimizar las prácticas de gestión de riesgos y proporcionar una comprensión más profunda de las fuentes de ganancias y pérdidas en el comercio de opciones.
Les compartimos la liga con el trabajo original.
Market-Maker Hard Exit Thresholds Strategy
Explora un enfoque estratégico para gestionar el riesgo de los creadores de mercado en los mercados financieros. El artículo introduce el concepto de "umbrales de salida rígidos", que son niveles predefinidos en los que los creadores de mercado abandonan una operación para limitar pérdidas o asegurar ganancias. Esta estrategia busca mejorar la toma de decisiones al proporcionar reglas claras y accionables sobre cuándo dejar de participar en una posición, reduciendo los factores emocionales y discrecionales que pueden llevar a resultados sub-óptimos. Al centrarse en la gestión sistemática del riesgo, el artículo destaca cómo este enfoque puede mejorar el rendimiento de los creadores de mercado, aumentar la estabilidad y proporcionar una mayor predictibilidad en condiciones de mercado volátiles.
Les compartimos la liga con el trabajo original.
Limit Order Book Simulation and Trade Evaluation with K-Nearest-Neighbor Resampling
Presenta un método para simular y evaluar operaciones en los mercados financieros utilizando un modelo de libro de órdenes límite. El artículo introduce el uso del re-muestreo K-Nearest-Neighbor (K-NN), una técnica que aprovecha los datos históricos de operaciones para generar condiciones de mercado realistas con fines de simulación. Al analizar patrones de operaciones pasadas, el método K-NN ayuda a crear simulaciones más precisas del comportamiento del mercado, lo que permite una mejor evaluación de las estrategias de trading. Este enfoque permite a los traders y analistas evaluar los posibles resultados de las operaciones bajo diversas condiciones de mercado, mejorando la toma de decisiones y el entendimiento general de la dinámica del mercado.
Les compartimos la liga con el trabajo original.
¿Dónde aprender sobre Finanzas Cuantitativas y sus fundamentos matemáticos?
En el Colegio de Matemáticas Bourbaki enseñamos con detalle las matemáticas y las bases para que nuestros estudiantes estén listos para aprender los modelos más avanzados de Inteligencia Artificial. Todos los perfiles y necesidades son bienvenidos pues los curso son progresivos. Pueden revisar información en las páginas Track de Finanzas Cuantitativas & AI y Track de Ciencia de Datos.
Compartimos con ustedes algunos de nuestros temarios de cursos por iniciar:
- Track de Ciencia de Datos. (49 semanas).
- Machine Learning & AI for the Working Analyst ( 12 semanas).
- Matemáticas para Ciencia de Datos ( 24 semanas).
- Especialización en Deep Learning. (12 semanas).
- Track de Finanzas Cuantitativas (49 semanas)
- Aplicaciones Financieras De Machine Learning E IA ( 12 semanas).
- Las matemáticas de los mercados financieros (24 semanas).
- Deep Learning for Finance (12 semanas).
