Differential Machine Learning: IA que APRENDE la FORMA de las FINANZAS скачать в хорошем качестве

Differential Machine Learning: IA que APRENDE la FORMA de las FINANZAS

Este estudio presenta el 'Differential Machine Learning', una técnica que combina el aprendizaje automático (Machine Learning) con la diferenciación adjunta automática (AAD) para optimizar la gestión de riesgos de derivados financieros. Esta metodología permite entrenar modelos de manera rápida y precisa para la valoración y el riesgo, resolviendo cuellos de botella computacionales en informes de riesgo y cálculos de capital. A diferencia del aprendizaje supervisado tradicional que solo usa entradas y etiquetas, el 'Differential ML' también utiliza las derivadas de las etiquetas con respecto a las entradas, mejorando drásticamente el rendimiento, especialmente con conjuntos de datos pequeños. La clave de esta técnica es el uso de la AAD para calcular diferenciales de manera muy eficiente, lo que permite crear conjuntos de datos de entrenamiento 'aumentados'. Estos diferenciales actúan como estimaciones insesgadas de los 'griegos' (sensibilidades al riesgo), permitiendo que los modelos de aprendizaje no solo aprendan valores puntuales, sino la 'forma' completa de la función de valoración. Esto resulta en una convergencia mucho más rápida y estable, y en la capacidad de generar tanto precios como sensibilidades al riesgo con una velocidad casi analítica, utilizando una arquitectura de 'redes gemelas' (twin networks). Las aplicaciones prácticas son enormes, especialmente en el sector financiero, donde se necesita calcular repetidamente los valores y sensibilidades de carteras de derivados en múltiples escenarios de mercado para regulaciones como XVA, FRTB o SIMM-MVA. Los resultados numéricos demuestran que el 'Differential ML' supera a los métodos clásicos por órdenes de magnitud, logrando aproximaciones casi perfectas con conjuntos de datos mucho más pequeños. El código de la implementación está disponible en TensorFlow, lo que facilita su adopción y experimentación en otros campos más allá de las finanzas, como la física, donde las derivadas se conocen por principios fundamentales. Link al paper: https://arxiv.org/pdf/2005.02347 Autores del estudio: Brian Huge, Antoine Savine Apoyanos en   / audioarxiv   Unete en   / discord   #Ciencia de la computación #InteligenciaArtificial #MachineLearning #Finanzas #AAD #RiesgoFinanciero