Finanzas cuantitativas y gestión de riesgos

 

MATLAB para machine learning en finanzas

Descubra patrones ocultos y cree modelos predictivos con datos financieros y alternativos

Los analistas de datos cuantitativos y financieros utilizan MATLAB® para desarrollar y desplegar diversas aplicaciones de machine learning en finanzas, tales como negociación algorítmica, asset allocation, análisis de sentimiento, análisis de crédito y detección de fraudes. Las siguientes prestaciones de MATLAB simplifican machine learning:

  • Apps de apuntar y hacer clic para entrenar y comparar modelos
  • Ajuste automático de hiperparámetros y selección de funcionalidades para optimizar el rendimiento de los modelos
  • Capacidad de usar el mismo código para escalar el procesamiento para big data y clusters
  • Generación automatizada de código C/C++ o de GPU para aplicaciones embebidas y de alto rendimiento
  • Todos los algoritmos de clasificación, regresión y agrupación de uso frecuente para el aprendizaje supervisado y no supervisado
  • Ejecución más rápida que con Python® y R en la mayoría de los índices de referencia estadísticas y de machine learning
Panel Navigation

Voz del cliente

MathWorks reconocida con la distinción Gartner Peer Insights Customers' Choice para plataformas de data science y machine learning, mayo de 2019

Aplicaciones de machine learning en finanzas

Asset allocation

Aberdeen Standard describe el uso de MATLAB para machine learning para analizar las tendencias de los mercados financieros y realizar pruebas en Microsoft Azure.

Negociación algorítmica

Este breve e-book describe técnicas básicas. Comprobará que machine learning está al alcance de su mano: no es necesario ser un experto para empezar a usarlo.

Gestión de riesgos

Descubra cómo aplicar técnicas de machine learning a la gestión de riesgos, incluidos el riesgo de mercado, el riesgo crediticio y el riesgo operativo.

Análisis de datos exploratorio

Dedique menos tiempo a preprocesar los datos. Desde series temporales financieras hasta texto, los tipos de datos de MATLAB reducen significativamente el tiempo necesario para preprocesar los datos. Las funciones de alto nivel facilitan la sincronización de series temporales dispares, la sustitución de valores atípicos por otros interpolados, el filtrado de anomalías, la división de texto sin formato en palabras y mucho más. Puede visualizar datos con rapidez para comprender las tendencias y detectar problemas de calidad de los datos mediante gráficas y Live Editor.


Machine learning aplicado

Identifique los mejores modelos de machine learning. Las apps de clasificación y regresión ofrecen resultados rápidos, ya sea para principiantes que necesitan ayuda para iniciarse en machine learning o para expertos que necesitan evaluar diferentes tipos de modelos. Puede elegir entre una gran variedad de algoritmos de clasificación y regresión de uso frecuente, comparar modelos de acuerdo con métricas estándar y exportar modelos prometedores para su posterior análisis e integración. Si prefiere escribir código, puede emplear la optimización de hiperparámetros, integrada en las funciones de entrenamiento de modelos, para identificar los mejores parámetros con los que ajustar su modelo.


Despliegue en plataformas múltiples

Despliegue modelos de machine learning en cualquier lugar, por ejemplo, código C/C++, código CUDA®, sistemas de TI empresariales o la nube. Si lo que busca es rendimiento, puede generar código C autónomo a partir de su código de MATLAB para crear modelos desplegables con una velocidad de predicción de alto rendimiento y escaso uso de memoria. También puede desplegar modelos de machine learning en MATLAB Production Server™ para su integración con aplicaciones de bases de datos, web y empresariales.


Computational Finance Suite

MATLAB Computational Finance Suite es un conjunto de 12 productos esenciales que permite desarrollar aplicaciones cuantitativas para gestión de riesgos, gestión de inversiones, econometría, fijación de precios y valoración, seguros y negociación algorítmica.