--- title: "Nivel 5: machine learning y deep learning para trading" description: "Nivel 5 del curso Python para Trading: features, triple barrera, meta-labeling, purged CV, boosting, Keras 3, PyTorch, modelos fundacionales y RL." url: "https://pythonparatrading.com/curso-python-trading/nivel-5/" lang: "es" image: "https://pythonparatrading.com/og/curso-python-trading/nivel-5.png" --- # Nivel 5: Machine learning y deep learning (Keras/PyTorch) > Machine learning financiero con las reglas del dominio: poca señal, mucho ruido y datos no estacionarios. Etiquetado, validación sin fugas y comparación honesta con baselines simples. - Horas: 120–140 - Prerrequisito: Niveles 1 y 2; álgebra lineal, probabilidad - Perfil: Data scientist, quant junior - Curso: [Curso Python para Trading](https://pythonparatrading.com/curso-python-trading/) ## 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). *Fig. — Método de la triple barrera: toma de beneficio, stop y límite temporal (esquema).* Trayectoria de precio desde la entrada en 100, entre una barrera superior en 104, una inferior en 97 y una vertical en la barra 25. El precio toca primero la barrera superior en la barra 19, punto destacado, y la observación recibe la etiqueta +1. ## 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). ## Proyecto del nivel Pipeline completo de ML financiero: features, triple barrera, meta-labeling, LightGBM y un modelo de deep learning en Keras o PyTorch, CPCV, backtest con costes y Deflated Sharpe, más una comparación honesta con una baseline simple y con un modelo fundacional zero-shot. Nivel anterior: [Nivel 4: Carteras, riesgo, ejecución y trading en real](https://pythonparatrading.com/curso-python-trading/nivel-4/) Nivel siguiente: [Nivel 6: IA generativa, LLMs, agentes, big data y datos alternativos](https://pythonparatrading.com/curso-python-trading/nivel-6/)