Exploring Machine Learning Advances in Finance

Abstract

No és un misteri que l’aprenentatge automàtic ha revolucionat la forma en que els humans analitzem dades. No obstant, a l’hora de tractar dades tan complexes com les trobades al mercat de valors, encara no s’han aconseguit avenços clars. Aquest treball estara centrat en tres àrees noves de l’aprenentatge automàtic aplicat a les finances: Meta-labeling, diferenciació fraccional i parsing de dades en forma de barres. Cada aspecte serà analitzat de forma independent per determinar la seva eficàcia individual.

A més, atès que l’aprenentatge automàtic es sustenta amb dades, s’ha d’anar amb molt de compte amb la informació proporcionada als algoritmes usats. Per això, sempre que sigui possible, la solució proposada es provarà amb dades sintètiques, proporcionant un ambient controlat. Un cop assolit l’èxit en aquestes condicions, s’utilitzarà el procediment amb dades reals, on es compararan els mètodes usats amb tècniques estàndard per determinar si les prediccions donen millors pronòstics o estratègies amb majors rendiments ajustats al risc.

No es un misterio que el aprendizaje automático ha revolucionado la forma en que los humanos analizamos datos. Sin embargo, al tratar datos tan complejos como los que se encuentran en el mercado de valores, aún no se han logrado avances claros. Este trabajo estará centrado en tres áreas novedosas del aprendizaje automático aplicado a las finanzas: Meta-labeling, diferenciación fraccional y parsing de datos en forma de barras. Cada aspecto será analizado de forma independiente para determinar su eficacia individual.

Además, dado que el aprendizaje automático se nutre de datos, se debe tener mucho cuidado con la información proporcionada a los algoritmos usados. Por eso, siempre que sea posible, la solución propuesta se probará con datos sintéticos, proporcionando un ambiente controlado. Cuando se logre el éxito en estas condiciones, se utilizará el procedimiento con datos reales, donde se compararán los métodos usados con técnicas estándar para determinar si las predicciones ofrecen mejores pronósticos o estrategias con mayores rendimientos ajustados al riesgo.

It is not a mystery that Machine Learning has revolutionized the way humans analyze data. However, when treating data as complex as the one found in the stock market, clear advances are yet to be accomplished. This work will be focused on three novel areas of Machine Learning applied to finance: meta- labeling, fractional differentiation and financial data parsing in the form of bars. Every aspect will be analyzed independently so as to determine its individual effectiveness.

Furthermore, as Machine Learning thrives in data, one should be very careful with the information provided to algorithms. That is why, whenever possible, the proposed solution will be tested with synthetic data, providing a controlled environment. When success is achieved under these conditions, the procedure will be put to use with real data, where these methods will be compared with standard techniques to ascertain if predictions deliver better forecasts or strategies with higher risk-adjusted returns.