Este artículo explora las estrategias de cobertura en finanzas impulsadas por la IA: una inmersión profunda en el uso de redes neuronales recurrentes y modelos de bandidos armados con k para una simulación de mercado y una gestión de riesgos eficientes

La inteligencia artificial se utiliza en todos los ámbitos de la vida, aportando utilidad en todos los campos. También se utiliza en finanzas para gestionar los riesgos asociados con productos de inversión complejos conocidos como contratos de derivados. Sin embargo, debido a los altos costos de transacción y otras limitaciones, es posible que el comercio continuo no sea viable. Como resultado, los inversores suelen realizar ajustes discretos en la cartera para equilibrar los errores de replicación y los costos comerciales, teniendo en cuenta sus niveles de tolerancia al riesgo. La combinación de RL con redes neuronales (NN) profundas ha demostrado capacidades notables para las finanzas.

En consecuencia, un equipo de investigación de Suiza y EE. UU. estudió la aplicación de agentes RL en contratos de derivados de cobertura en un estudio reciente publicado en The Journal of Finance and Data Science. Destacaron que el principal desafío radica en la escasez de datos de capacitación, por lo que los investigadores deben confiar en simuladores de mercado precisos. Sin embargo, la creación de tales simuladores introduce problemas de ingeniería financiera, que requieren selección y calibración de modelos y se asemejan a los métodos tradicionales de Monte Carlo.

Este estudio se basa en Deep Contextual Bandits, conocidos en RL por la eficiencia y solidez de sus datos. Impulsado por la realidad operativa de las empresas de inversión reales, integra las necesidades de informes al final del día. Se distingue por una necesidad notablemente reducida de datos de capacitación en comparación con los modelos tradicionales y flexibilidad para adaptarse a los mercados en constante cambio. Deep Contextual Bandits también resuelve problemas limitados de datos de entrenamiento, lo que muestra el potencial para superar estos obstáculos. Los hallazgos del estudio se suman al creciente conjunto de conocimientos sobre las aplicaciones de la IA en las finanzas y satisfacen las necesidades de las empresas de inversión reales.

Este modelo es más útil en circunstancias del mundo real al incorporar características inspiradas en actividades de organizaciones de inversión genuinas. El marco está diseñado para integrar elementos realistas, como la necesidad de informes al final del día, y para requerir menos datos de capacitación que los modelos convencionales. Un investigador dijo que entrenar la IA con datos de mercado simulados funciona bien sólo cuando el mercado refleja la simulación. Destacó la necesidad de un uso eficaz de los datos, destacando la importante cantidad de datos que consumen muchos sistemas de inteligencia artificial. Otro investigador destacó el desafío de considerar la ausencia de modelos de IA debido a la escasez de datos de mercado para la capacitación, particularmente en mercados de derivados realistas.

Los investigadores evaluaron el rendimiento del marco y descubrieron que el modelo supera a los sistemas de referencia en términos de eficiencia, adaptabilidad y precisión en condiciones realistas. La disponibilidad de datos y las realidades operativas, como los requisitos de presentación de informes al final del día, son importantes para dar forma al trabajo de los bancos de inversión. Si bien no está completamente libre de modelos, el enfoque del estudio está diseñado para abordar las limitaciones impuestas por la disponibilidad de datos y las restricciones operativas.

En conclusión, esta investigación muestra que la integración de la IA en la cobertura de contratos de derivados es una vía prometedora de gestión de riesgos en la banca de inversión. Los hallazgos del estudio contribuyen al panorama cambiante de las aplicaciones de IA en las finanzas y ofrecen una solución práctica que se alinea con las demandas operativas de las empresas de inversión del mundo real. Esta investigación también destaca que, si bien es necesario realizar más investigaciones y perfeccionamientos, los beneficios potenciales de combinar RL y la gestión de contratos de derivados ofrecen conocimientos tanto para académicos como para profesionales.

Revisar la Papel. Todo el crédito por esta investigación va a los investigadores de este proyecto. Además, no olvides unirte. nuestro SubReddit de más de 35.000 ml, 41k+ comunidad de Facebook, Canal de discordia, LinkedIn Grarribay Boletín electrónicodonde compartimos las últimas noticias sobre investigaciones de IA, interesantes proyectos de IA y más.

Si te gusta nuestro trabajo, te encantará nuestra newsletter.