Guia pilar
Machine Learning y Finanzas Cuantitativas
Una guia sobre el uso de machine learning en mercados: donde ayuda, donde falla y como evitar sobreajuste en datos financieros.
Aplicaciones principales
- Prediccion de series temporales y retornos condicionales.
- Clasificacion de regimenes de mercado.
- Feature engineering para factores y senales.
- Deteccion de anomalias, riesgo y liquidez.
Riesgos metodologicos
Los mercados son ruidosos, no estacionarios y competitivos. Un modelo complejo puede capturar patrones espurios si no se valida con separacion temporal, pruebas out-of-sample, control de leakage y costes realistas.
Buenas practicas
- Separar entrenamiento, validacion y prueba por tiempo.
- Comparar contra modelos simples.
- Documentar variables excluidas y sesgos potenciales.
- Medir estabilidad, no solo precision puntual.