Cada semana compartimos reflexiones prácticas sobre cómo el aprendizaje profundo transforma el análisis de mercados. No encontrarás soluciones mágicas aquí, sino experiencias reales y perspectivas honestas sobre lo que funciona (y lo que no) en finanzas algorítmicas.
Llevamos meses entrenando modelos LSTM para detectar cambios sutiles en volatilidad. Los resultados sorprenden porque encuentran correlaciones en momentos donde el análisis tradicional no ve nada especial.
Leer análisis completo
Nadie habla suficiente de esto: puedes tener un modelo con 95% de precisión en datos históricos que falla estrepitosamente con datos nuevos. Te cuento tres errores que cometimos nosotros mismos.
Leer experiencia
La arquitectura de atención que revolucionó el procesamiento del lenguaje también funciona con series temporales financieras. Pero hay matices importantes que descubrimos trabajando con datos reales del IBEX 35.
Ver detalles técnicosNuestro enfoque se centra en la aplicación práctica más que en la teoría pura. Escribimos sobre lo que probamos, medimos y aprendemos en el proceso.
Comparamos MSE, MAE y Huber loss en escenarios de predicción de retornos. Los resultados varían mucho según la presencia de outliers en tus datos de entrenamiento.
Dos técnicas populares para evitar overfitting, pero con comportamientos distintos. Documentamos experimentos con arquitecturas de diferentes profundidades.
Millones de registros por día requieren pipelines eficientes. Compartimos nuestra infraestructura de preprocesamiento y las lecciones aprendidas sobre gestión de memoria.
Sectores, tipos de instrumento, clasificaciones de riesgo... cómo representar variables categóricas de forma que las redes neuronales puedan extraer valor de ellas.
Publicamos cada martes. Nada de spam, solo contenido técnico cuando tengamos algo interesante que compartir sobre nuestros experimentos con deep learning aplicado a mercados financieros.