¿Cuáles son las áreas de investigación más cruciales actualmente en las finanzas cuantitativas/subcampos interesantes?

Question

¿Cuáles son algunas de las cosas que se están investigando actualmente, o cuáles son las grandes preguntas sin respuesta de las finanzas cuantitativas que los investigadores están tratando de resolver? ¿Cuáles son algunos de los temas interesantes y extremadamente importantes que se están investigando con aplicaciones masivas directas a las finanzas cuantitativas?

Answer 1

El tema más acuciante en el mundo de los tipos de interés es la modelización de los nuevos RFR (SOFR, SONIA, ESTR, etc.) como parte de la transición al IBOR. Se están desarrollando nuevos productos, hay que desarrollar modelos para la fijación de precios de estos productos (o adaptar los modelos existentes), y hay que calibrar los modelos de riesgo utilizando datos limitados. Este es probablemente el mayor desarrollo desde la introducción de los marcos de curvas múltiples.

Answer 2

En cuanto a la fijación empírica de los precios de los activos, se produce un crisis de replicación , similar a otras ciencias sociales. Muchos de los resultados, factores y anomalías publicados no pueden reproducirse, otros no se mantienen en muestras ampliadas o en mercados internacionales. Esto cuestiona lo que realmente sabemos sobre la sección transversal de los rendimientos.

Harvey, Liu y Zhu (2016, RFS):

Sostenemos que la mayoría de los resultados de la investigación en economía financiera son probablemente falsos.

Hou, Xue y Zhang (2020, RFS):

La mayoría de las anomalías no cumplen con los estándares actualmente aceptables para las finanzas empíricas. [ ] Incluso en el caso de las anomalías reproducidas, sus magnitudes económicas son mucho menores que las comunicadas originalmente. En definitiva, los mercados de capitales son más eficientes de lo que se reconocía anteriormente.

Se está investigando mucho sobre el desarrollo de nuevas pruebas econométricas, incluyendo la corrección de las pruebas múltiples, proponiendo nuevos obstáculos para las pruebas y normas más estrictas para la publicación.

Answer 3

Investigación sobre aprovechar el aprendizaje automático para acelerar los modelos parece estar ganando terreno. Esto puede ser útil en problemas de gran complejidad computacional, como las griegas de los productos valorados mediante Monte-Carlo, la fijación de precios de los ajustes de valoración (CVA, FVA, etc.) o la contabilización óptima de las garantías. Véase, por ejemplo, Huge & Savine (2020), Itkin (2020), Henry-Labordère (2019) o Horvath, Muguruza & Tomas (2019).

Sin embargo, todavía no veo que estos métodos se apliquen sobre el terreno. En particular, sé que en algunos lugares se ha descartado la Diferenciación Adjunta Automática (DAA) debido a los recursos humanos y temporales que supone reescribir las bibliotecas de precios para acomodar esta técnica.

Answer 4

La aplicación del aprendizaje automático para mejorar la predicción o previsión del rendimiento de los modelos financieros utilizando algoritmos históricos basados en datos (como boosting, support vector machine) ha sido incapaz de acercarse por completo a la diferencia entre el rendimiento dentro y fuera de la muestra . Las preguntas sin respuesta que se refieren a los modelos ajustados mediante la división de entrenamiento/prueba u otras técnicas de validación cruzada, en los intentos de generalizar mejor a los datos no vistos, de prueba, son:

• cómo estimar modelos de previsión de la volatilidad financiera dentro de la muestra que puede predecir con exactitud los datos de prueba no vistos (fuera de la muestra) para horizontes temporales de más de 1 día o 5 días.
• cómo estimar pesos óptimos de la cartera dentro de la muestra que siguen siendo óptimas fuera de la muestra hasta la siguiente fecha de reequilibrio para tamaños de muestra pequeños (mensuales), lo que se sabe que aumenta el error de estimación a medida que disminuye el número disponible de observaciones históricas
• cómo previsión de los rendimientos de los activos para horizontes superiores a 1 paso adelante, a pesar de que son estacionarios en comparación con la volatilidad de los rendimientos, sigue siendo una cuestión abierta, principalmente debido a la dificultad conocida (desde hace décadas) para estimar la media de los activos

Las simulaciones de Monte Carlo pueden indicar la consistencia que podemos esperar del rendimiento de ciertos algoritmos de aprendizaje supervisado fuera de la muestra, pero no instruyen la calibración óptima de los hiperparámetros para conjuntos de datos únicos y no simulados.

Answer 5

Una de las grandes preguntas (que no sólo está vinculada a las finanzas cuantitativas) es, si $P=NP$ . Maymin (2002) descubrió que los mercados son eficientes si y sólo si $P=NP$ . Así que se podría cerrar esa discusión de una vez por todas.