Aprendizaje profundo en finanzas cuantitativas

Para el analista cuantitativo que ya domina Monte Carlo, PDE y XVA, pero se queda callado cuando alguien dice «lo resolvemos con una red neuronal». Y para quien programa en PyTorch, pero choca con la teoría de derivados y la cobertura.

Habilidades:

Redes profundas, valoración, calibración, XVA y cobertura.

Nivel: Avanzado

Requisitos:

Cálculo, probabilidad, álgebra lineal y algo de Python.

Andrew Green (FIMA MINSTP BA MA MAST DPHIL) es Managing Director y Lead Rates and XVA Quant en Scotiabank, con más de veinticinco años de experiencia en finanzas cuantitativas. Antes ocupó posiciones de liderazgo en modelización de XVA en Lloyds Banking Group y en Barclays Capital.

Es también autor de «XVA: Credit, Funding and Capital Valuation Adjustments» (Wiley, 2015), la referencia del oficio sobre el tema. A lo largo de su carrera ha trabajado en el desarrollo e implementación de modelos de derivados de tasas de interés, de crédito y de renta variable.

Por eso las aplicaciones de este libro no son ejercicios inventados para ilustrar una idea: son los problemas que él resuelve. Lo escribe alguien que firma modelos en producción, no un divulgador que los mira desde afuera. Su primera aplicación concreta del aprendizaje profundo fue la replicación de una opción sobre cesta (Ferguson y Green, 2018), y de ese impulso —querer aprender el tema a fondo— salió el volumen que tienes enfrente.

Parte uno: Introducción a las redes neuronales profundas — por qué la IA llegó a la banca cuantitativa, qué promete de verdad y cómo leer este libro según de dónde vengas.

• Capítulo 1: Introducción — sobre qué trata este libro; el auge de la IA; la promesa de la IA en las finanzas cuantitativas; aspectos prácticos; cómo leer este libro.

Parte dos: Fundamentos — la maquinaria completa del aprendizaje profundo, contada para alguien que ya sabe matemática y no necesita que se la endulcen.

• Capítulo 2: Redes neuronales prealimentadas — introducción a las redes neuronales; regresión y clasificación; funciones de activación; el teorema de aproximación universal de funciones.
• Capítulo 3: Entrenamiento de redes neuronales — retropropagación y diferenciación algorítmica adjunta; preparación y escalado de datos; inicialización de pesos; elección de la función de pérdida; algoritmos de optimización; problemas comunes de entrenamiento; normalización por lotes; evaluación y validación; entrenamiento de Sobolev con derivadas de funciones.
• Capítulo 4: Regularización — regularización y generalización; decaimiento de pesos; parada temprana; métodos de conjunto y dropout; aumento de datos; otros métodos; estrategia de regularización.
• Capítulo 5: Optimización de hiperparámetros — manual, búsqueda en cuadrícula y búsqueda aleatoria; optimización bayesiana; métodos basados en bandidos; entrenamiento basado en población (PBT).
• Capítulo 6: Redes neuronales convolucionales — convoluciones; submuestreo; aumento de datos; aprendizaje por transferencia con redes preentrenadas; visualización de características; CNNs famosas.
• Capítulo 7: Modelos secuenciales — introducción a los modelos secuenciales; redes neuronales recurrentes; procesamiento del lenguaje natural neuronal.
• Capítulo 8: Autocodificadores — autocodificadores y descomposición en valores singulares; superficiales y profundos; regularizados y dispersos; de desruidizado; autocodificadores y modelos generativos.
• Capítulo 9: Modelos generativos — evaluación del rendimiento; modelos basados en energía (EBMs); autocodificadores variacionales (VAEs); redes generativas antagónicas (GANs); modelos de difusión latente (LDMs).
• Capítulo 10: Aprendizaje por refuerzo profundo — conceptos clave; procesos de decisión de Márkov (MDPs) y ecuaciones de Bellman; programación dinámica y búsqueda de políticas; métodos de Monte Carlo para RL; aprendizaje TD; redes Q profundas (DQNs); gradiente de política; métodos actor-crítico.

Parte tres: Aplicaciones — nueve capítulos de investigación de frontera aterrizada en los problemas que de verdad aparecen en una mesa. Aquí es donde el libro se separa de cualquier manual genérico.

• Capítulo 11: Valoración de derivados mediante redes neuronales — redes entrenadas como modelos no paramétricos; aproximación de funciones en la valoración de derivados.
• Capítulo 12: Solutores de PDE y BSDE de alta dimensión — método de Galerkin profundo (DGM); solutores profundos de BSDE; solutores de proyección y martingala; PDE profundas dependientes de la trayectoria (DPPDE); redes neuronales informadas por la física (PINNs); programación dinámica retrógrada profunda (DBDP); splitting profundo.
• Capítulo 13: Monte Carlo profundo y parada óptima — Monte Carlo profundo; parada óptima profunda y sus aplicaciones.
• Capítulo 14: Replicación estática mediante redes neuronales — replicación (semi)estática; replicación estática neuronal.
• Capítulo 15: Superficies de volatilidad — modelos de superficies de volatilidad; superficies con aprendizaje profundo; volatilidad local profunda.
• Capítulo 16: Calibración de modelos — calibración de modelos y calibración profunda.
• Capítulo 17: XVA — mapeo de curvas de crédito; cálculo de exposición mediante redes neuronales; conclusiones sobre el XVA profundo.
• Capítulo 18: Generación de datos de mercado realistas — métodos clásicos; motivación y aplicaciones de los datos de mercado sintéticos; generación de series temporales; estructuras de mayor dimensión; imputación de valores faltantes.
• Capítulo 19: Cobertura profunda — enfoques de la cobertura profunda y ejemplos resueltos.

Parte cuatro: El futuro — en qué se convierte tu oficio cuando el aprendizaje profundo deja de ser novedad y pasa a ser una herramienta más del cajón.

• Capítulo 20: El analista cuantitativo del futuro — conclusión sobre el aprendizaje profundo; el futuro de la analítica cuantitativa; el analista cuantitativo del futuro; una palabra final.

¿Necesito saber aprendizaje profundo antes de empezar o el libro me lleva desde el principio? Desde cero. La Parte dos construye los fundamentos completos: redes prealimentadas, entrenamiento, regularización.

¿Qué nivel de matemática exige de verdad? Está escrito para quien ya sabe matemática, sin diluir. Si trabajas con Monte Carlo y PDE, tienes el piso.

¿Sirve si mi día a día es riesgo y no valoración? Sí. XVA, mapeo de curvas de crédito y cálculo de exposición ocupan un capítulo entero: eso es riesgo de contraparte.

¿Cubre XVA o solo lo menciona de pasada? Capítulo 17 completo: mapeo de curvas de crédito y exposición con redes. El autor lleva 25 años en XVA.

¿Trae algoritmos y ejemplos o es puramente teórico? Ambos. La teoría viene con algoritmos de optimización, métodos de calibración y ejemplos como los de cobertura profunda.

¿Está al día con lo último en modelos generativos y difusión? Sí: el capítulo 9 cubre EBMs, autocodificadores variacionales, GANs y modelos de difusión latente. Edición de 2026.

¿Sirve si trabajo con Python y PyTorch pero mi teoría de derivados está oxidada? Sí. Es una de sus audiencias: valoración, calibración, replicación y cobertura se explican desde su lógica financiera.

¿Es un libro académico o se puede aplicar en una mesa real? Se aplica. Lo escribió el Lead Rates and XVA Quant de Scotiabank: los problemas del libro son los que él resuelve.

¿En qué se diferencia de los manuales genéricos de aprendizaje automático? Los genéricos enseñan a clasificar imágenes. Este arranca donde termina tu formación de analista cuantitativo.

¿Cubre aprendizaje por refuerzo aplicado a cobertura? Sí. El capítulo 10 arma el aprendizaje por refuerzo profundo y el 19 lo lleva a la cobertura, con ejemplos.

¿Habla de generación de datos sintéticos de mercado? El capítulo 18 entero: series temporales, estructuras de mayor dimensión e imputación de datos de mercado faltantes.

¿La traducción al español respeta la terminología técnica del oficio? Sí. Español neutro latinoamericano con la terminología del gremio intacta: se estudia, no se traduce mientras estudias.

¿En qué formatos lo recibo y en cuánto tiempo? EPUB, PDF y DOCX en español, más EPUB y PDF en inglés. Descarga inmediata, con guía para llevarlos a tu dispositivo.

¿Lo puedo leer en mi Kindle o en la tablet? Sí. El EPUB va a tu Kindle o tablet y el PDF a cualquier pantalla; la guía te dice cómo cargarlo paso a paso.

¿Necesito comprar algo más después? No. Lo compras una vez y es tuyo: sin suscripción, sin renovación, sin segunda parte que te falte.

¿Sirve para preparar entrevistas de analista cuantitativo? Te da el vocabulario y los fundamentos para sostener un argumento técnico, en una junta o frente a un panel.

¿Vale la pena si ya leí artículos sueltos sobre estos temas? Sí. Los artículos existen sueltos; aquí tienen orden, notación unificada y el puente de uno al siguiente.