7 votos

¿Cuáles son los mayores avances en el campo de las finanzas cuantitativas en los últimos 10 años?

Ejemplos como nuevas investigaciones o descubrimientos, pero también investigaciones o descubrimientos más antiguos que están empezando a aplicarse. ¿Está el aprendizaje automático empezando a afianzarse en las finanzas? ¿Hay nuevas diferencias prácticas en el mercado, como nuevos instrumentos que se negocian o nuevas regulaciones que tienen un gran impacto en el mundo de las finanzas?

En resumen, ¿qué temas, si es que hay alguno, estarán en los libros de texto de finanzas dentro de 10 años que no están en ellos ahora?

Pregunta extra, ¿cuántos años tiene que tener un libro de texto o un artículo sobre finanzas para que lo tengas en cuenta a la hora de elegirlo, es decir, cuántos años tiene que tener un libro para que esté anticuado?

4voto

Hamish Gibson Puntos 11

Así que, para responder a su pregunta sobre el ML, yo diría que sí, que está empezando a afianzarse en las finanzas. Sin embargo, esto es en el sentido de que empieza a aplicarse más en un contexto particular. Lo que quiero decir con esto es que se está utilizando para hacer cosas viejas de una manera nueva ...

Un ejemplo concreto de ello es el uso de la inteligencia artificial en el análisis y la gestión de riesgos. La fuente aquí de Moody's afirma que es potente y muy preciso. Y también está cobrando protagonismo por parte de los analistas crediticios y cuantitativos. Pero la cuestión es que el análisis y la gestión de riesgos han existido desde los albores del crédito.

Otro contexto particular es el campo del comercio algorítmico, la fuente aquí de JP Morgan señala cómo el ML puede utilizarse para obtener mejores rendimientos de las inversiones mediante el uso de ML para encontrar patrones o rendimientos nuevos y no correlacionados en un activo. En otras palabras, el trading algorítmico no es algo nuevo, pero el uso de ML es una aplicación meramente nueva y matizada de encontrar $\alpha$ .

Espero que estos dos ejemplos proporcionen una respuesta sobre cómo se utiliza el ML en el campo de las finanzas cuantitativas. Estoy más que feliz de discutir en la sección de comentarios a continuación.

2voto

pam Puntos 36

En cuanto a la valoración de las opciones, el tema de la volatilidad aproximada ( https://sites.google.com/site/roughvol/home/risks-1 ) bien podría encontrarse en los libros de texto dentro de diez años. Si se aplica ampliamente en la práctica es una pregunta que no puedo responder.

1voto

Sbennett Puntos 11

Voy a hablar sobre la industria de la gestión de activos aquí en puntos.

1) Inversión por factores y asignación estratégica de activos: Los agrupo porque la asignación de activos ahora está muy influenciada por los factores en varios niveles. La inversión por factores no es tan nueva como algunos medios de comunicación financieros podrían hacer creer, la investigación por factores ha estado en el mundo académico durante años, pero creo que la aplicación más significativa a la inversión fue cuando Cliff Asness comenzó AQR en 1998. Pero despegó en esta década y mencionaré esa investigación aquí. A lo largo de los años han publicado algunos libros blancos increíbles que puedes leer en https://www.aqr.com/Insights/Research . Creo que el documento más definitorio sobre los factores en esta década sería "Value Momentum Everywhere" de AQR y NYU que cimentó la existencia de primas de riesgo para estos factores en todo el mundo y también el efecto de diversificación del valor y el impulso juntos. Otro documento asombroso sería "MSCI Multi-Asset class factor model", que expone ampliamente la aplicación y la estrategia para implementar la asignación de activos en todo el mundo utilizando diversos factores como la inflación, el valor, etc., en clases de activos como la renta variable, la renta fija, la renta variable privada, los REIT, etc. Otra mención sería el uso del factor Carry en las clases de activos definidas en documentos como "Carry" de AQR.

2) Asignación táctica de activos: Separo la asignación a corto plazo porque la investigación aquí varía mucho, desde el uso de Factores (BlackRock) hasta algo como Deep Learning (Quantopian). Mientras que hay mucha investigación abierta sobre la Asignación Estratégica, la Táctica sigue siendo propietaria en su mayor parte (Sin embargo, puedes encontrar libros blancos para los 2 anteriores con una búsqueda en Google). A diferencia del primer punto, no puedo señalar una "investigación concreta" en esta parte, ya que no está lo suficientemente consolidada. Puedes buscar "Global Tactical Asset Allocation" en SSRN y encontrarás un montón de documentos, intenta ponerlos en práctica y ver cuál te funciona.

3) Aprendizaje automático : En lugar de señalar la plétora de investigaciones aquí, te sugeriría que leyeras el que creo que es uno de los mejores libros sobre el tema "Advances in Financial Machine Learning" de Marcos López de Prado. La parte de back-testing en este libro me parece una de las más realistas, vale la pena leerla.

Finanhelp.com

FinanHelp es una comunidad para personas con conocimientos de economía y finanzas, o quiere aprender. Puedes hacer tus propias preguntas o resolver las de los demás.

Powered by:

X