Machine learning y deep learning (Keras/PyTorch).

Fundamentos de ML aplicados a finanzas

• 5.1.1 Por qué el ML financiero es distinto: baja relación señal/ruido, no estacionariedad, datos escasos y competidos.
• 5.1.2 Supervisado, no supervisado y por refuerzo; scikit-learn: pipelines, transformadores, búsqueda de hiperparámetros.
• 5.1.3 Métricas adecuadas, no solo accuracy: métricas económicas (Sharpe de la señal, P&L tras costes).

Ingeniería de características

• 5.2.1 Features de precio y volumen y de microestructura: rentabilidades multi-horizonte, volatilidad, indicadores normalizados, imbalance, VPIN.
• 5.2.2 Fundamentales point-in-time, macro, sentimiento, datos alternativos.
• 5.2.3 Diferenciación fraccional para conservar memoria con estacionariedad.
• 5.2.4 Normalización sin leakage (estadísticos móviles), rank-transform transversal.
• 5.2.5 Selección e importancia de features: MDI, MDA, SFI, SHAP; clustering de features.

Etiquetado y muestreo

• 5.3.1 Etiquetado de horizonte fijo y sus problemas.
• 5.3.2 Método de la triple barrera.
• 5.3.3 Meta-labeling: modelo primario y modelo secundario para sizing o filtrado.
• 5.3.4 Unicidad de las muestras, pesos por solapamiento y por rentabilidad; bootstrapping secuencial.
• 5.3.5 Muestreo por eventos (filtro CUSUM).

Validación para series financieras

• 5.4.1 Por qué falla el k-fold aleatorio.
• 5.4.2 Purged K-Fold con embargo; CPCV.
• 5.4.3 Walk-forward con reentrenamiento; ventanas expansivas frente a móviles.
• 5.4.4 Backtest de la señal de ML con costes; Deflated Sharpe sobre los experimentos realizados.

Modelos clásicos

• 5.5.1 Regresiones regularizadas (Ridge, Lasso, Elastic Net); logística.
• 5.5.2 Árboles, Random Forest, bagging.
• 5.5.3 Gradient boosting: XGBoost, LightGBM, CatBoost, los caballos de batalla para datos tabulares.
• 5.5.4 Ajuste de hiperparámetros con Optuna, y el riesgo de sobreajustar la validación.
• 5.5.5 No supervisado: PCA, clustering (regímenes, agrupación de activos), autoencoders.
• 5.5.6 Modelos de ranking transversal (learning to rank) para selección de acciones.

Deep learning con Keras 3

• 5.6.1 Keras 3 multi-backend (JAX, TensorFlow, PyTorch): configuración, API funcional y de subclase.
• 5.6.2 MLP para datos tabulares financieros; regularización (dropout, weight decay, early stopping).
• 5.6.3 CNN 1D y LSTM/GRU para secuencias; ventanas, escalado y leakage.
• 5.6.4 Callbacks, pérdidas personalizadas (por ejemplo, basada en el Sharpe), exportación e inferencia.

Deep learning con PyTorch

• 5.7.1 Tensores, autograd, nn.Module, Dataset y DataLoader, bucle de entrenamiento; GPU y MPS, torch.compile, Lightning.
• 5.7.2 Arquitecturas de series: TCN, N-BEATS y N-HiTS, PatchTST, iTransformer; transformers con atención y patching.
• 5.7.3 Modelos probabilísticos: pérdida cuantílica, DeepAR, intervalos de confianza.
• 5.7.4 Redes de grafos (GNN) para relaciones entre activos (introducción).
• 5.7.5 Optimización de carteras end-to-end (capas diferenciables, pérdida de Sharpe).

Modelos fundacionales de series temporales

• 5.8.1 Qué son: preentrenamiento masivo y predicción zero-shot.
• 5.8.2 Familias: Chronos, Chronos-Bolt y Chronos-2, TimesFM-2.5, Moirai-2.0, TiRex, TimeGPT; Kronos, preentrenado en OHLCV.
• 5.8.3 Uso práctico: inferencia zero-shot, covariables, fine-tuning, predicción probabilística.
• 5.8.4 Evidencia en finanzas: en un benchmark de 2026 (arXiv:2606.27100) sobre las rentabilidades diarias de AAPL, AMZN, GOOG, JPM y META, Moirai-2.0 y TimesFM-2.5 lograron los mejores rankings medios (2,9 y 3,1), pero sus mejoras frente al paseo aleatorio fueron «small and sparse». Otro estudio encontró que las estrategias con estos modelos rinden bastante menos que modelos de referencia específicos. Lección: útiles para volatilidad, covariables y series con estructura; escepticismo con la predicción directa de rentabilidades.
• 5.8.5 Laboratorio: modelo fundacional frente a GARCH y LightGBM en la predicción de la volatilidad realizada.

Aprendizaje por refuerzo

• 5.9.1 MDPs, Q-learning, policy gradient, PPO, SAC; entornos Gymnasium y diseño de recompensas con costes.
• 5.9.2 Aplicaciones realistas: ejecución óptima, market making, hedging dinámico.
• 5.9.3 Por qué el RL suele sobreajustar en trading direccional; FinRL como referencia crítica.

Interpretabilidad, robustez y riesgo de modelo

• 5.10.1 SHAP, dependencia parcial, estabilidad de las importancias.
• 5.10.2 Deriva de datos y de concepto (data y concept drift), detección de regímenes.
• 5.10.3 Ensembles, combinación de señales y datos sintéticos (GANs y difusión: estado del arte y límites).