Machine Learning Para Inversiones

S1- IA, Machine Learning y Fundamentos

de programación Python

Expositora: Ruth Delgado

Ruth-Delgado
Temas:
❑ IA, y Machine Learning: Aprendizaje Profundo – Supervisado.
❑ Funciones y operaciones básicas en Python.
❑ Introducción a la sintaxis, bucles, declaraciones condicionales.
❑ Bibliotecas de Python para la Ciencias de Datos.
Evalución de la IA:

Inteligencia Artificial (IA) es el campo de la informática que se

dedica a crear sistemas capaces de realizar tareas que
normalmente requieren inteligencia humana, como el
reconocimiento de voz, la toma de decisiones, el razonamiento
lógico y la resolución de problemas. La IA abarca varios
subcampos, siendo Machine Learning uno de los más
importantes.

Machine Learning (ML) es una rama de la IA que se centra en el

desarrollo de algoritmos y modelos que permiten a las
computadoras aprender a partir de datos. En lugar de
programar explícitamente todas las reglas que el sistema debe
seguir, el objetivo es que el sistema pueda identificar patrones y
mejorar su rendimiento conforme procesa más datos.
Evalución de la IA:

❑ 1940s-1950s: Fundamentos teóricos de la IA con los trabajos de Alan Turing y la creación de

los primeros algoritmos como el Test de Turing.

❑ 1956-1970s: Se celebra la Conferencia de Dartmouth, donde se acuña el término IA, y se

crean los primeros sistemas simbólicos y expertos.

❑ 1970s-1990s: Se experimenta el primer "invierno de la IA", con disminución de fondos debido a

las limitaciones de los sistemas simbólicos, expectativas altas y pocos resultados, potencia de
cómputo también era insuficiente en ese momento.

❑ 1990s-2010s: Resurgimiento de la IA con el auge del Machine Learning, el uso de

backpropagation, y logros como la victoria de Deep Blue sobre Garry Kasparov en ajedrez.

❑ 2010s-presente: Explosión del Deep Learning, y gracias a procesadores más potentes como
GPU y grandes voulumenes de datos, se desarrolla redes neuronales profundas, avances como
AlphaGo y el desarrollo de modelos avanzados de procesamiento de lenguaje como GPT-3.
IA, y Machine Learning
IA, y Machine Learning
IA, y Machine Learning

Aspecto Inteligencia Artificial (IA) Machine Learning (ML)

Rama de la informática que busca crear Subcampo de la IA que enseña a las

Definición
sistemas inteligentes máquinas a aprender de datos

Desarrollar sistemas que simulen Hacer que las máquinas aprendan

Propósito
inteligencia humana automáticamente de los datos

Incluye aprendizaje, razonamiento, Se enfoca principalmente en algoritmos que

Técnicas
planificación, entre otras aprenden de datos

Más amplio, incluye el aprendizaje Es una parte de la IA, centrada solo en el

Alcance
automático y otras áreas aprendizaje a partir de datos

Asistentes virtuales, robótica, coches Modelos de predicción, clasificación de

Ejemplos
autónomos imágenes, recomendadores
Machine Learning (ML)

Es una rama de la inteligencia artificial (IA)

que se enfoca en la creación de sistemas
que pueden aprender de los datos y
mejorar su rendimiento con el tiempo sin
ser programados explícitamente para
realizar tareas específicas.

A través del uso de algoritmos, los

sistemas de ML identifican patrones en los
datos, construyen modelos predictivos y
toman decisiones basadas en esos datos.
Componentes clave de Machine Learning:

❑ Datos: La materia prima de ML. Los modelos aprenden a partir de grandes conjuntos de datos que
contienen ejemplos del problema a resolver.

❑ Algoritmos: Son fórmulas matemáticas o conjuntos de instrucciones que permiten que las máquinas
analicen datos, encuentren patrones y hagan predicciones o decisiones.

❑ Modelos: Son las representaciones matemáticas de las relaciones detectadas en los datos. El objetivo es
crear modelos que puedan generalizar bien a nuevos datos.

❑ Entrenamiento: Es el proceso mediante el cual un algoritmo ajusta un modelo utilizando datos de

entrenamiento. El modelo se ajusta para minimizar errores al hacer predicciones.

❑ Validación y prueba: Después de entrenar un modelo, se valida y prueba en nuevos conjuntos de datos
para verificar su precisión y capacidad de generalización.
Tipos de Machine Learning:

1. Supervisado

2. No supervisado

3. Aprendizaje por refuerzo

En resumen, Machine Learning permite a las máquinas aprender de los datos y mejorar con el tiempo, lo que
abre la puerta a aplicaciones complejas, como la predicción financiera, la conducción autónoma, y el
diagnóstico médico.
Tipos de Machine Learning:

1. Supervisado: Ejemplos aplicados a las finanzas:

El algoritmo aprende de un 1. Predicción de precios de acciones:

conjunto de datos de Los modelos de aprendizaje supervisado pueden ser entrenados utilizando datos
entrenamiento que tiene históricos de precios de acciones, junto con otras variables como volúmenes de
etiquetas o respuestas correctas transacciones, indicadores económicos y resultados financieros de las empresas.
(por ejemplo, clasificar correos 2. Optimización de portafolios:
electrónicos como "spam" o "no Predecir la rentabilidad de diferentes activos o fondos. Basados en datos
spam"). históricos de rendimiento, los modelos pueden predecir la mejor combinación
de activos en un portafolio que maximice el retorno ajustado al riesgo, usando
métricas como el ratio de Sharpe.
3. Predicción de default en bonos corporativos:
En la predicción de defaults (incumplimientos) de bonos corporativos, los
modelos de aprendizaje supervisado son entrenados con datos históricos de
bonos que han incumplido, junto con las características financieras de las
empresas emisoras (deuda, liquidez, flujo de caja, etc.). El objetivo es predecir la
probabilidad de que una empresa incumpla el pago de sus bonos.
Tipos de Machine Learning:

2. No supervisado: Ejemplos aplicados a las finanzas:

El algoritmo trata de encontrar 1. Análisis de patrones de comportamiento del mercado:

patrones o estructuras en los Los algoritmos no supervisados, como los Mapas Auto-Organizativos (SOM) o el
datos sin etiquetas predefinidas Análisis de Componentes Principales (PCA), pueden identificar patrones ocultos
(por ejemplo, agrupar clientes en en los datos históricos del mercado, como tendencias o ciclos en los precios de
segmentos similares) : activos, sin la necesidad de etiquetas predefinidas.
2. Agrupación de carteras de inversión:
Los algoritmos de clustering pueden ser aplicados a carteras de inversión para
identificar carteras que tienen características similares (por ejemplo, perfil de
riesgo, composición sectorial). Esto ayuda a los gestores de fondos a entender
mejor las relaciones entre diferentes carteras y ajustar sus estrategias de
diversificación.

Los algoritmos no supervisados permiten a las instituciones financieras explorar

y encontrar patrones ocultos en los datos, sin la necesidad de etiquetas o
predicciones explícitas, lo que mejora la toma de decisiones y la gestión de
riesgos.
Tipos de Machine Learning:

3. Aprendizaje por refuerzo: Ejemplos aplicados a las finanzas:

1. Trading algorítmico:
Aquí, un agente aprende a tomar
En el trading algorítmico, los modelos de aprendizaje por refuerzo pueden aprender
decisiones mediante la prueba y a ejecutar operaciones automáticamente basándose en datos del mercado en tiempo
error, recibiendo recompensas o real. El agente de trading decide cuándo comprar o vender activos y recibe
castigos por las acciones recompensas basadas en la rentabilidad obtenida. A medida que el modelo realiza
realizadas (por ejemplo, entrenar más operaciones, ajusta su estrategia para mejorar el desempeño.
a una IA para jugar un
2. Cobertura dinámica de riesgos:
videojuego). En la cobertura de riesgos, el aprendizaje por refuerzo puede aprender a ajustar
dinámicamente las posiciones de cobertura de derivados como opciones o futuros,
buscando minimizar las pérdidas ante movimientos adversos del mercado. El agente
aprende las acciones óptimas para cubrirse contra el riesgo basado en la evolución de
los precios de los activos subyacentes.
3. Optimización de estrategias de opciones:
•En las estrategias complejas de opciones (como las combinaciones de calls y puts), el
aprendizaje por refuerzo puede aprender cuándo ajustar las posiciones (comprar o
vender opciones) para maximizar las recompensas, que podrían ser rentabilidades o
reducción del riesgo en función de la volatilidad del mercado.
 Seleección del apropiado Algoritmo de Machine Learning

Tiene muchas variables

Dimensionalidad independientes (features)
Alta Aplica reducción con algoritmos

No es Problema Èjemplo: Es problema de

de Clasificación predicción numérica
Data (regresión) Modelos:
▪KNN o SVM.
• Modelo Regresivo, ARCH y
GARCH
Dimensionalidad ▪ CART, Random Forest,
Baja Neuronal Networks
Supervisado ▪XGBoost

Problema de ▪K-Means o Hierarchical.

Clasificación No Supervisado
▪Neuronal Networks
* Dimensionalidad: depende del # de variables independientes
Instalación de Sofware
 GRACIAS

Ética Expositora: Ruth Delgado

Sesión 3 Ruth-Delgado