19 artículos
Este artículo presenta y demuestra la convergencia de un algoritmo iterativo análogo a Sinkhorn para resolver numéricamente el problema de transporte óptimo de Benamou-Brenier en el contexto de martingalas en dimensiones arbitrarias, extendiendo la teoría existente más allá del régimen de momentos de segundo orden bajo suposiciones mínimas.
Este artículo presenta la atención estocástica, un método libre de entrenamiento que utiliza dinámicas de Langevin sobre la energía de Hopfield moderna para controlar la recuperación exacta o la generación abierta mediante la temperatura, logrando mayor novedad y diversidad que los modelos aprendidos sin requerir cambios arquitectónicos.
Este artículo presenta los Modelos Causales de Series Temporales Aumentados (ATSCM), un enfoque que integra la descubrimiento causal neuronal para modelar las relaciones causales dinámicas en los mercados energéticos y permitir el razonamiento contrafactual sobre escenarios de generación renovada sin depender de grafos causales predefinidos.
El artículo presenta el TNCM-VAE, un modelo que combina autoencoders variacionales con modelos causales estructurales para generar series temporales financieras contrafactuales que preservan tanto las dependencias temporales como las relaciones causales, permitiendo así análisis de riesgo y pruebas de estrés más robustos.
Este artículo presenta un marco de cobertura profunda con cuantificación de incertidumbre mediante ensembles de redes LSTM que, al combinar sus predicciones con el delta de Black-Scholes ponderado por la confianza del modelo, supera significativamente tanto a las estrategias clásicas como a las óptimas teóricas en términos de riesgo condicional (CVaR).
Este artículo propone un marco de aprendizaje automático basado en grafos bipartitos que aprovecha las horas de negociación no superpuestas de los mercados de EE. UU. y China para revelar una asimetría informativa significativa, donde los rendimientos estadounidenses previenen eficazmente los rendimientos intradía chinos, pero no a la inversa.
Este trabajo propone un marco de evaluación de seguridad para modelos de lenguaje en el sector financiero que introduce la puntuación de daño ajustada al riesgo (RAHS) y un pipeline de red teaming automatizado para cuantificar la severidad operativa de las vulnerabilidades específicas del dominio, demostrando que la interacción adversaria sostenida y la estocasticidad en la decodificación aumentan tanto el éxito de los jailbreaks como la gravedad de las divulgaciones financieras.
Este artículo propone un marco independiente de modelos que utiliza una metodología de perturbación aplicada al transporte óptimo para generar escenarios de riesgo y estimaciones de sensibilidad para el SPX y el VIX de manera rápida y precisa, evitando la necesidad de recalibraciones completas tras choques de mercado.
Este artículo resuelve el problema de optimización de cartera de Merton en un entorno de Volterra multivariado no markoviano mediante el uso de una ecuación diferencial estocástica hacia atrás de tipo Riccati, obteniendo estrategias óptimas en forma semi-cerrada que ilustran el impacto de la volatilidad rugosa estacionaria.
Este artículo presenta nuevos algoritmos numéricos de un solo nivel y multinivel que combinan técnicas de inversión de Fourier con muestreo cuasi-Monte Carlo aleatorizado para estimar de manera eficiente y precisa el riesgo de déficit multivariante y sus asignaciones óptimas, superando a los métodos tradicionales de Monte Carlo en términos de convergencia y costo computacional.
Este estudio utiliza simulaciones de mercados artificiales para demostrar que, durante caídas bruscas de precios, la arbitraje entre ETFs apalancados y futuros actúa como un mecanismo estabilizador que transfiere liquidez (específicamente profundidad de venta y estrechamiento) entre ambos mercados para mitigar los impactos de órdenes erróneas.
Este artículo presenta un marco basado en redes neuronales para problemas de control estocástico de riesgo-recompensa con políticas de retroalimentación de dos pasos, demostrando teóricamente la convergencia en probabilidad del óptimo empírico hacia el valor óptimo real y validando su eficacia mediante experimentos numéricos que confirman la robustez y precisión del método.
El artículo presenta Onflow, un algoritmo de asignación de carteras basado en aprendizaje por refuerzo y flujos de gradiente que optimiza los retornos logarítmicos sin asumir distribuciones de rentabilidad y demuestra ser robusto y superior a métodos existentes en escenarios con altos costos de transacción.
Este artículo presenta FINN, una red neuronal informada por finanzas que aprende la geometría de la valoración de opciones mediante un objetivo de cobertura dinámica auto-supervisado, logrando así consistencia económica, recuperación de relaciones fundamentales como la paridad put-call y una adaptación superior a entornos de volatilidad estocástica sin depender de soluciones analíticas o datos históricos de precios de opciones.
El artículo presenta WaveLSFormer, un modelo Transformer basado en wavelets aprendibles que optimiza directamente la rentabilidad y el riesgo en operaciones de compra-venta de acciones mediante una descomposición multiescala y un objetivo de negociación integrado, superando consistentemente a arquitecturas tradicionales en datos financieros intradía.
Este artículo estudia un problema de parada óptima con una función de recompensa discontinua, motivado por la valoración de contratos de anualidades variables, estableciendo condiciones bajo las cuales la parada óptima ocurre al vencimiento y caracterizando la región de rescate mediante representaciones analíticas novedosas de la función de valor.
Este artículo demuestra que incorporar estrategias de opciones sobre el índice S&P 500 en la indexación mejorada, utilizando dominancia estocástica de segundo orden y un conjunto de datos corregido por sesgo de supervivencia, genera mejoras significativas en el rendimiento fuera de muestra.
Este artículo presenta dos marcos de aprendizaje por refuerzo, RLOP y QLBS, diseñados para agentes autónomos de cobertura de opciones que priorizan la probabilidad de déficit y la gestión del riesgo de cola, demostrando empíricamente una mejora en la estabilidad financiera frente a los modelos paramétricos tradicionales.
Este artículo presenta un método de aprendizaje diferencial que, mediante una arquitectura de red neuronal con corrección de varianza y penalización de residuos de PIDE, calcula de manera eficiente y precisa precios y griegos para opciones 0DTE bajo un modelo de volatilidad estocástica con saltos, superando a los métodos tradicionales en velocidad y estabilidad de cobertura.