Modelos de lenguaje en finanzas

No es para quien quiere aprender a usar un modelo de lenguaje, sino para quien tiene que responder por él: científicos de datos y analistas cuantitativos, desarrolladores de fintech e ingenieros de IA, gestores de portafolios y traders, y profesionales de riesgo, fraude, KYC, AML y cumplimiento que necesitan saber qué exigirle a un sistema antes de firmarlo.

Habilidades:

Transformers, ajuste fino, RAG, agentes y MCP, evaluación y gobernanza

Nivel: Avanzado

Requisitos:

Python, aprendizaje automático y nociones de mercados financieros.

Miquel Noguer i Alonso es un experimentado profesional de las finanzas con más de treinta años de experiencia en finanzas cuantitativas. Es cofundador del Artificial Intelligence Finance Institute (AIFI) y ha ocupado altos cargos en destacadas instituciones financieras, incluidos los de director ejecutivo en UBS y director de inversiones en Andbank.

Miquel es también un académico activo que imparte cursos de inteligencia artificial y fintech en la Universidad de Nueva York, la Universidad de Columbia y otras instituciones de primer nivel. Cuenta con un MBA y un título en administración de empresas por ESADE, así como un doctorado en finanzas cuantitativas por la UNED.

Ha publicado extensamente sobre inteligencia artificial en las finanzas y es coeditor del Journal of Machine Learning in Finance.

1. Introducción a los grandes modelos de lenguaje

• Caso de estudio práctico: asistente de llamadas de resultados, abierto al inicio y cerrado al final del capítulo.
• Modelos estadísticos frente a modelos de aprendizaje profundo, y la aparición de los transformers.
• Preentrenados GPT, BERT y T5; arquitectura, autoatención de múltiples cabezas, codificación posicional y normalización.
• Evolución de la IA financiera y modelos de dominio: BloombergGPT, FinBERT y FinEAS.
• Razonamiento financiero: manejo de datos numéricos, interpretación, decisión, límites y sesgos.

2. Fundamentos y diseño de sistemas de LLM financieros

• Tokenización por subpalabras, consideraciones de tokenización financiera, embeddings y vocabulario.
• Preentrenamiento: objetivos, diseño del corpus, aprendizaje por transferencia y requisitos de cómputo.
• Ingeniería de prompt en finanzas y técnicas de mejora del razonamiento.
• Cómo construir un LLM desde cero y completar el pipeline financiero.

3. Ajuste fino de LLM para finanzas

• Contrato de ajuste fino con calidad de producción, olvido catastrófico y eficiencia de muestras.
• Ajuste completo frente a PEFT: LoRA, QLoRA y otros, con criterios para elegir.
• Ajuste supervisado: instrucciones, NER, preguntas y respuestas financieras, y resumen de textos.
• RLHF de punta a punta: modelo de recompensa, PPO y DPO.
• Evaluación, robustez, pruebas A/B y gestión de riesgo de modelo; casos de BloombergGPT, FinBERT y FinQA.

4. Generación aumentada por recuperación para tareas financieras

• Marco formal y contrato matemático de RAG de nivel de producción.
• Embeddings densos, aprendizaje contrastivo, modelos financieros y Matryoshka.
• Bases vectoriales, vecinos aproximados, FAISS y búsqueda híbrida.
• Estrategias de fragmentación, expansión de consultas, reordenamiento y filtrado por metadatos.
• Patrones avanzados: CRAG, Self-RAG y RAG agéntico, con métricas y fidelidad a nivel de afirmación.
• Tres casos: conferencias de resultados, cumplimiento regulatorio y asistente de investigación.

5. Arquitecturas y aplicaciones de agentes de LLM en finanzas

• El contrato del agente: razonamiento estocástico, ejecución determinista; roles, memoria y estado.
• Modos de fallo: inyección de prompt, abuso de herramientas, alucinaciones y pérdida de supervisión.
• Patrones gobernados: intervención humana, barreras en capas, políticas como código, supervisor y especialista, agentes críticos.
• Hoja de ruta en cuatro fases, de un prototipo de solo lectura a producción gobernada.

6. Model Context Protocol e invocación endurecida de herramientas

• Qué estandariza el MCP y qué no; objetos, mensajes y transportes.
• Modelo de amenazas, autorización, menor privilegio y consentimiento humano.
• Herramientas tipadas, integridad numérica, evidencia en un momento dado y procedencia por afirmación.
• Idempotencia, reintentos, registro de auditoría y planificación de capacidad.

7. Aplicaciones de los LLM en finanzas

• Front office: predicción híbrida de series temporales y texto, sentimiento, estrategias por eventos.
• Middle office: riesgo de crédito, alerta temprana, escenarios y supervisión de mercado en tiempo real.
• Back office: suscripción, detección de fraude, flujos de KYC y AML, y operaciones documentales.
• Cuatro casos de implementación auditados y una tarjeta de evaluación de lanzamiento.

8. Documentos financieros y asesoría

• Extracción de términos clave de contratos y verificaciones de cumplimiento automatizadas para SEC y FINRA.
• Razonamiento y síntesis en múltiples documentos.
• Asesoría inteligente, automatización del servicio al cliente y planificación financiera personalizada.

9. Aprendizaje por refuerzo en LLM

• Objetivo de alineación restringida para LLM financieros y modelado de recompensas.
• PPO, GRPO y DPO aplicados a modelos de lenguaje.
• Estrategias de trading, políticas de riesgo y optimización de carteras aprendidas por refuerzo.
• Refuerzo jerárquico y multiagente.

10. Infraestructura y rendimiento

• Plataformas de cómputo, nube frente a local y arquitectura de datos.
• Ingesta en tiempo real, bases vectoriales, optimización de modelos y frameworks de inferencia.
• Monitoreo, optimización continua y soporte para trading de baja latencia.

11. Ética, gobernanza y cumplimiento

• El modelo de tres pilares y la evidencia de experimentos de mercado controlados.
• Arquitectura en cuatro capas: infraestructura, monitoreo del comportamiento, gestión de riesgos y alineación regulatoria.
• Viñetas de gobernanza reales, incluidos los casos de AI-washing sancionados por la SEC.
• Indicadores de éxito, evaluación cualitativa y ciclo de mejora continua.

12. Innovaciones matemáticas y evidencia empírica

• Modelos fundacionales: BloombergGPT, FinBERT, FinEAS y FinGPT.
• Trading multiagente y con memoria: FinMem, TradingAgents, FinCon y FinAgent, con sus advertencias de backtesting.
• Fraude y AML basados en grafos, y riesgo de crédito aumentado por narrativas.
• Benchmarks financieros, FinQA y una matriz de evidencia comparativa.

13. Razonamiento, multimodalidad y LLM de series temporales

• De Chain-of-Thought a Tree of Thoughts, autorrefinamiento y búsqueda en árbol de Monte Carlo.
• Multimodalidad en inteligencia documental y de mercado en tiempo real.
• LLM de series temporales: tokens temporales, patch transformers, time-LLM y utilidad económica.
• Los errores de fuga que arruinan un backtest: sesgo de anticipación, fuga temporal, de etiquetas, de características, de prompt y contaminación de memoria.
• Señales de texto point-in-time y una lista de verificación de auditoría a nivel de artefacto.

14. La frontera generativa

• Arquitectura de agentes financieros autónomos y teoría formal de la agencia gobernada.
• Alfa generativa: marco matemático, fuentes y retos técnicos.
• Riesgo sistémico entre agentes interactivos y un marco por capas para gestionarlo.
• Integración neurosimbólica, autonomía acotada y contrato de evaluación.

15. Fundamentos técnicos y recursos prácticos

• Estándar de calidad para código, matemáticas y explicaciones, con paquete de referencia.
• Atención, regularización, optimización y comparación de arquitecturas.
• Conjuntos de datos financieros públicos, fuentes de mercado y utilidades de evaluación.
• Ecosistema de bibliotecas, pila de despliegue y protocolo de reproducibilidad.

¿Necesito saber Python y aprendizaje automático? Sí, es un libro avanzado. Pide Python, nociones de aprendizaje automático y de mercados financieros.

¿Me sirve si aún no trabajo en finanzas? Sí, si vas hacia allá. El capítulo 2 aterriza los fundamentos al vocabulario y los datos financieros.

¿Es teórico o trae código ejecutable? Las dos cosas: matemática formal, ejemplos en Python y un repositorio complementario en GitHub.

¿Cubre RAG y agentes de verdad o solo de pasada? Tres capítulos completos: RAG de producción, arquitecturas de agentes y el Model Context Protocol endurecido.

¿Habla del Model Context Protocol? Sí, capítulo 6 entero: qué estandariza, modelo de amenazas, herramientas tipadas y registro de auditoría.

¿Sirve para trading o solo para análisis documental? Para los dos. El capítulo 7 recorre front, middle y back office con casos auditados.

¿Cubre riesgo, fraude, KYC y AML? Sí: crédito, alerta temprana, escenarios, detección de fraude por grafos y flujos de KYC y AML.

¿Trata la gobernanza y el cumplimiento regulatorio? Un capítulo completo: tres pilares, cuatro capas de implementación y casos de AI-washing sancionados.

¿Enseña a ajustar modelos con LoRA y QLoRA? Sí, con casos de estudio y criterios para elegir entre ajuste completo, LoRA y QLoRA.

¿Explica RLHF, PPO, GRPO y DPO? Sí, en el capítulo 3 y a fondo en el 9, aplicados a trading, riesgo y carteras.

¿Cómo evito la fuga temporal en un backtest? El capítulo 13 lista los seis canales de anticipación y da un protocolo de evaluación consciente de fugas.

¿Incluye métricas de evaluación y benchmarks? Sí: recuperación, generación, fidelidad por afirmación, FinQA y benchmarks financieros de varias tareas.

¿Toca series temporales y multimodalidad? Sí, capítulo 13: tokens temporales, patch transformers, time-LLM y evidencia multimodal alineada en el tiempo.

¿Hay repositorio de código? Sí, el oficial de Packt en GitHub, enlazado desde tu guía de descarga.

¿Quién es el autor y por qué confiar en él? Miquel Noguer i Alonso: treinta años en finanzas cuantitativas, exdirectivo de UBS y Andbank, profesor en NYU y Columbia.

¿Está en español y puedo leerlo hoy? Sí. Traducción íntegra al español y descarga inmediata en EPUB, PDF y DOCX apenas lo obtienes.

¿Cuánta matemática trae de verdad? Bastante, y a propósito: contratos formales de RAG, agentes y alfa generativa, siempre con su código al lado.