Uso del aprendizaje automático en la parte Q de las finanzas cuantitativas

Question

Los algoritmos de Machine Learning son ampliamente utilizados en las estrategias de trading y en general cuando se trata de trabajar con series temporales financieras. La página web Quantopian es una plataforma para ver algunas de las posibilidades que ofrece el ML en las finanzas.

Me preguntaba entonces si el ML también se utiliza en la parte Q de las finanzas cuando se trata de fijar el precio de los derivados, construir coberturas, etc. Como este SE no permite preguntas basadas en la opinión, intento ser más preciso: ¿Existen algunos ejemplos de investigación en los que se utilice el ML en la parte Q de las finanzas cuantitativas?

Answer 1

Existe al menos un área clara de aplicación del ML en las finanzas cuantitativas, se trata del algoritmo LSM inventado por Longstaff, Schwartz y Carriere a finales de la década de 1990 para la valoración de los productos exóticos exigibles en el contexto de las simulaciones de Monte-Carlo, y ampliamente adoptado para los cálculos de riesgo más recientes de los bancos, como el CVA.

Para estimar el valor de continuación en una fecha de ejercicio, o el valor de una cartera en una fecha de exposición, en el contexto de las simulaciones de Monte-Carlo, normalmente se necesitarían simulaciones anidadas extremadamente costosas. El algoritmo LSM, ampliamente adoptado, resuelve el problema de forma especialmente elegante:

1) Simular un conjunto de entrenamiento compuesto por las variables de estado simuladas del modelo en la fecha de ejercicio/exposición como entradas x, y los valores (descontados) de los flujos de caja futuros en los escenarios correspondientes como etiquetas y.

2) Utilizar el conjunto de entrenamiento simulado para entrenar una regresión/ANN/ RNA profunda para estimar f(x) = E[y|x], es decir, el valor en la fecha de ejercicio/exposición de los flujos de caja restantes como función de las variables de estado del modelo en esa fecha en este escenario.

3) Realizar simulaciones de Monte-Carlo, aplicando la función entrenada f(x) para estimar el valor futuro de la(s) transacción(es) en las fechas de ejercicio/exposición.

Ahora he reformulado el LSM en la jerga moderna del ML. El algoritmo original recomendaba encontrar f mediante regresión lineal o regresión polinómica o, más generalmente, mediante regresión lineal sobre funciones base de las variables de estado.

Ahora somos muy conscientes de que el aprendizaje profundo, una poderosa generalización de la regresión lineal, produce resultados más precisos con mucha más eficacia (cuando se aplica correctamente). La estimación correcta y eficiente de los valores futuros en las simulaciones de Monte-Carlo es un problema crucial en las finanzas modernas, porque está en el centro de la mayoría de los cálculos de riesgo regulados: CVA, XVA, CCR, FRTB, PRIIPS, ... Los recientes avances de ML y DL se aplican naturalmente para resolver las dificultades de LSM, en particular con muchas variables de regresión (x de alta dimensión)

Encontrará más información sobre el LSM y su aplicación al CVA en mi artículo en SSRN: https://papers.ssrn.com/sol3/papers.cfm?abstract_id=2966155 aunque el documento no discute exactamente por qué y cómo ML/DL ayuda a resolver problemas de LSM en alta dimensión, que es un tema activo de la investigación actual.

También publiqué una presentación (más suave) sobre temas similares (y con las mismas limitaciones) aquí: https://www.slideshare.net/AntoineSavine/financial-cashflow-scripting-beyond-valuation

Por último, puede que quieras echar un vistazo a mis notas de clase sobre la retropropagación, y en particular a la primera parte, que introduce el aprendizaje profundo (muy básico) como una extensión de la regresión lineal y muestra cómo DL resuelve naturalmente los problemas en alta dimensión: https://github.com/asavine/CompFinance/blob/master/Intro2AADinMachineLearningAndFinance.pdf