Aprèn - Argimiro Alejandro Arratia Quesada

Aquesta tesi proposa un nou punt de referència (benchmark) que inclou alguns dels models de pronòstic econòmic més populars. Entre altres característiques, avalua la capacitat de pronòstic d'un indicador basat en text, de models sofisticats de mostreig de dades mixtes (MIDAS) i de diverses arquitectures de xarxes neuronals. El benchmark mostra que, de tots els models considerats, un model de factor dinàmic simple d'un factor (DFM) que utilitza únicament variables econòmiques és el millor model per predir el creixement del producte interior brut. Per a la inflació, el millor model en el benchmark és el model ARIMA. No obstant això, aquest estudi troba que en períodes d'alta incertesa com 2020-2022, les previsions a llarg termini milloren en utilitzar DFMs més complexos per al producte interior brut i arquitectures de xarxes neuronals apropiades per a la inflació.

Esta tesis propone un nuevo punto de referencia (benchmark) que incluye algunos de los modelos de pronóstico económico más populares. Entre otras características, evalúa la capacidad de pronóstico de un indicador basado en texto, de modelos sofisticados de muestreo de datos mixtos (MIDAS) y de varias arquitecturas de redes neuronales. El benchmark muestra que, de todos los modelos considerados, un modelo de factor dinámico simple de un factor (DFM) que utiliza únicamente variables económicas es el mejor modelo para predecir el crecimiento del producto interno bruto. Para la inflación, el mejor modelo en el benchmark es el modelo ARIMA. Sin embargo, este estudio encuentra que en períodos de alta incertidumbre como 2020-2022, las previsiones a largo plazo mejoran al usar DFMs más complejos para el producto interno bruto y arquitecturas de redes neuronales apropiadas para la inflación.

This thesis proposes a new benchmark including some of the most popular economic forecasting models. Among other features, it tests the forecasting ability of a text-based indicator, of sophisticated mixed data sampling (MIDAS) models and of several neural network architectures. The benchmark shows that, of all the models considered, a simple one-factor dynamic factor model (DFM) using only economic variables is the best model to predict gross domestic product growth. For inflation, the best model in the benchmark is the ARIMA model. However, this study finds that in periods with high uncertainty like 2020-2022, long term forecasts improve when using more complex DFMs for gross domestic product, and appropriate neural network architectures for inflation.

AI models for risk and opportunity in the insurance sector

Projecte Final de Màster Oficial

Martí Llobet, Arnau

Tutor/a - Director/a: Burgos Plaza, Alberto; Arratia Quesada, Argimiro Alejandro

Data de publicació: 2023

Facultat d'Informàtica de Barcelona (FIB)

Veure detall Accés al text complet

An excursion into differential machine learning and applications to finance

Treball Final de Grau

Simón i Ribas, Amàlia

Tutor/a - Director/a: Arratia Quesada, Argimiro Alejandro

Data de publicació: 2023

Facultat de Matemàtiques i Estadística (FME)

Veure detall Accés al text complet

El paper Differential Machine Learning, publicat el 2020 per Antoine Savine i Brian Huge obre una nova porta al càlcul de derivats financers a través d'un disseny d'una nova Xarxa Neuronal, nucli del Deep Learning, creant un vincle entreaquests camps. Aquesta tesi preten donar una comprensió matemàtica de tots els conceptes introduits al paper, complementant-lo i ampliant-lo. L'altra part de la tesis treballa en torn a la possibilitat d'estendre la twin network i els seus càlculs per incloure la resta de gregues, implementant les seves prediccions i comparant els resultados amb les fòrmules tancades originals obtingudes pel model de Black-Scholes. En conclusió, la tesis contribueix a la comprensió de la twin network i mostra algunes aplicacions de Deep Learning en Finances, concretament en el càlcul d'opcions europeas i les seves respectives gregues. Traducción realizada con la versión gratuita del traductor www.DeepL.com/Translator

El paper Differential Machine Learning, publicado en 2020 por Antoine Savine y Brian Huge abre una nueva puerta al cálculo de derivados financieros a través de un diseño de una nueva Red Neuronal, núcleo del Deep Learning, creando un vínculo entre estos dos campos. Esta tesis pretende dar una comprensión matemática de todos los conceptos introducidos en el paper, complementándolo y ampliándolo. La otra parte de esta tesis trabaja en torno a la posibilidad de extender la twin network y sus cálculos para incluir el resto de griegas, implementando sus predicciones y comparando sus resultados con las fórmulas cerradas originales obtenidas por el modelo Black-Scholes. En conclusión, esta tesis contribuye a la comprensión de la twin network y muestra algunas aplicaciones de Deep Learning en Finanzas, concretamente en el cálculo de opciones europeas y sus respectivas griegas.

The paper ”Differential Machine Learning”, published in 2020 by Antoine Savine and Brian Huge opens a new door to the calculation of financial derivatives through a design of a new Neural Network, the core of Deep Learning, creating a link between these two fields. This thesis aims to give a mathematical understanding of all the concepts introduced in the paper, complementing it and extending it. The other part of this thesis works around the possibility of extending the twin network and its calculations to include the rest of the Greeks, implementing its predictions and comparing its results to the original closed formulas obtained by the Black-Scholes model. In conclusion, this thesis contributes to the understanding of the twin network and showcases some applications of Deep Learning in Finance, specifically in the calculation of European call options and its respective Greeks.

A Deep learning method for optimal stopping problems

Treball Final de Grau

Boix Torres, Andreu

Tutor/a - Director/a: Arratia Quesada, Argimiro Alejandro

Data de publicació: 2023

Facultat de Matemàtiques i Estadística (FME)

Veure detall Accés al text complet

L'objectiu principal d'aquest treball és complementar els fonaments teòrics i implementar el model de Deep Learning presentat a l'article anomenat “Deep Optimal Stopping”, de Becker et al, publicat al Journal of Machine Learning Research el 2019. El model de Deep Learning és específicament dissenyat per adreçar els problemes d'aturada òptima aprenent la “norma” d'aturada òptima a partir de simulacions de Monte Carlo. Conseqüentment, la seva versatilitat s'estén a diversos escenaris on l'aleatorietat subjacent pot ser simulada efectivament. Aquest treball introdueix la teoria dels problemes d'Aturada Òptima (Optimal Stopping problems), les xarxes neuronals (en concret les Deep Neural Networks) i la relació entre ells. Després, es fa un anàlisi en detall i implementació de l'algorisme proposat per l'article de Deep Optimal Stopping, programat en PyTorch usant Python. La implementació es fa sobre dades sintètiques, per tal de testar el mètode amb la literatura disponible. D'altra banda, la nostra implementació no només usa el model d'actius subjacents de Black-Scholes, sinó que s'estén a models amb salts (Kou i Merton) i al model de Heston. Després, es maqueta breument un cas d'ús amb dades de mercat reals. Son explorades diverses aplicacions interessants pertanyents a la valoració de derivats financers, com les opcions de compra tipus Bermuda, on l'aturada òptima pren un valor crucial en el procés de valoració. La tesi analitza el rendiment de l'algorisme pel que fa a les aplicacions, comparant-lo amb altres mètodes comunament usats per valorar derivats financers. En conclusió, aquest treball contribueix a l'enteniment i les potencials aplicacions a la matemàtica financera de l'algorisme basat en l'article “Deep Optimal Stopping”, i en particular a la valoració de derivats financers.

El objetivo principal de este trabajo es complementar los fundamentos teóricos e implementar el modelo de Deep Learning presentado en el artículo nombrada “Deep Optimal Stopping”, de Becker et al, publicado en el Journal of Machine Learning Research el 2019. El modelo de Deep Learning es específicamente diseñado para tratar los problemas de parada óptima aprendiendo la “norma” de parada óptima a partir de simulaciones de Monte Carlo. Consecuentemente, su versatilidad se extiende a diferentes escenarios donde la aleatoriedad subyacente puede ser simulada efectivamente. Este trabajo introduce la teoría de problemas de Parada Óptima (Optimal Stopping problems), las redes neuronales (y, en concreto, las Deep Neural Networks) y la relación entre ellos. Luego, se hace un análisis en detalle e implementación del algoritmo propuesto por el artículo de Deep Optimal Stopping, programado en PyTorch usando Python. La implementación se hace usando datos sintéticos, por tal de testear el método con la literatura disponible. Por otro lado, nuestra implementación no solo usa el modelo de activos subyacentes de Black-Scholes, sino que se extiende a modelos con saltos (Kou y Merton) y al modelo de Heston. Después, se maqueta brevemente un caso de uso con datos de mercado reales. Son exploradas aplicaciones diversas e interesantes pertenecientes a la valoración de derivados financieros, como las opciones de compra tipo Bermuda, donde la parada óptima toma un valor crucial en el proceso de valoración. El trabajo analiza el rendimiento del algoritmo por lo que respecta a las aplicaciones, comparándolo con otros métodos comúnmente usados para valorar derivados financieros. En conclusión, este trabajo contribuye al entendimiento y a las potenciales aplicaciones a la matemática financiera del algoritmo basado en el artículo “Deep Optimal Stopping”, y en particular a la valoración de derivados financieros.

The main goal of this thesis is to complement the theoretical foundations and implement the deep learning model presented in the paper titled “Deep Optimal Stopping” by Becker et al, published in the Journal of Machine Learning Research in 2019. The deep learning model is specifically designed to address optimal stopping problems by learning the optimal stopping rule from Monte Carlo samples. Consequently, its versatility extends to various scenarios where the underlying randomness can be simulated effectively. The thesis introduces the theory of Optimal Stopping problems, Deep Neural Networks and their relation. The thesis then provides a detailed analysis and implementation of the Deep Optimal Stopping algorithm in PyTorch using Python. The implementation is done on synthetic data to test the method with the literature. Besides, the implementation provided not only uses the Black-Scholes underlying asset model but is extended to models with jumps (Kou and Merton) and the Heston model. Then a use case with real-world financial data is shortly outlined. Interesting applications pertaining to the valuation of financial derivatives, such as Bermudan call options, are explored, where optimal stopping plays a crucial role in the valuation process. The thesis analyzes the performance of the algorithm on these applications, comparing it to other commonly used methods for valuing financial derivatives. In conclusion, this thesis contributes to the understanding and potential applications of the Deep Optimal Stopping algorithm in mathematical finance, particularly in the valuation of financial derivatives.

Sentiment Analysis in Finance

Treball Final de Grau

Broto Clemente, Inés

Tutor/a - Director/a: Duarte López, Ariel; Arratia Quesada, Argimiro Alejandro

Data de publicació: 2023

Facultat d'Informàtica de Barcelona (FIB)

Veure detall Accés al text complet

Les dades regeixen el món. Qualsevol persona interessada a dissenyar un producte valuós i tenir impacte ha de tenir això en compte. Els avenços recents en el camp del Processament de Llenguatge Natural han cridat l'atenció d'un gran nombre d'investigadors. Una de les aplicacions més rellevants en aquest camp és l'anàlisi de sentiments a partir d'un text determinat. Aquesta és una tasca desafiant que moltes empreses de diversos sectors inclouen com a part de les seves línees de treball en ciència de dades. Per exemple, en el sector financer, les empreses més innovadores treballen per obtenir indicadors de sentiment mitjançant l'anàlisi de dades textuals, ja sigui per predir els moviments del mercat, guiar estratègies d'inversió o vendre aquesta valuosa informació a tercers. Utilitzant dades de 20 conegudes companyies amb un ampli marge de capitalització del mercat nord-americà, aquest treball pretén ser una prova de concepte de dues metodologies diferents d'anàlisi de sentiments en el sector financer. La primera metodologia calcula les puntuacions de sentiment a partir del text d'un article condicionat als valors de retorn del preu de les accions. La segona metodologia estudia les relacions semàntiques i sintàctiques entre paraules per calcular el sentiment vinculat a un terme d'interès. Tots dos mètodes representen un punt de partida interessant i oposat per al càlcul de sentiment. Finalment, es realitza un estudi numèric dels resultats considerant els valors de correlació i un test de causalitat. Així mateix, aquest treball introdueix un marc per a la simulació d'estratègies d'inversió guiades per les puntuacions de sentiment calculades.

Data runs the world. Anyone who is even slightly interested in having an impact and generating a valuable product should take this into account. The recent developments in Natural Language Processing have attracted the attention of a large number of practitioners. One of the most relevant applications in this field is the sentiment analysis of a given text. It is a valuable and challenging task that many companies in various sectors include as part of their data science pipeline. For example, in the field of Finance, the most innovative companies work to obtain sentiment indicators by analyzing textual data, either to predict market movements, guide trading strategies, or sell that valuable information to third parties. Using data from 20 well-known equities with a large capitalization margin from the U.S. market, this work aims to be a proof of concept of two different Sentiment Analysis methodologies in the financial sector. The first methodology computes sentiment scores from article text conditioned to the stocks' price return values. The second methodology studies the semantic and syntactic relationships between words to calculate the sentiment linked to a term of interest. Both methods represent a valuable and opposite starting point for sentiment score computation. Finally, a numerical study of the results is carried out considering correlation values and causality test performance. Also, this work introduces a framework for the simulation of trading strategies guided by the acquired scores.

Introduction to neural ordinary differential equations

Treball Final de Grau

Lisa Bou, Adria

Tutor/a - Director/a: Arratia Quesada, Argimiro Alejandro

Data de publicació: 2022

Facultat de Matemàtiques i Estadística (FME)

Veure detall Accés al text complet

Neural ordinary differential equations: analysis and implementation

Projecte Final de Màster Oficial

Romaní Rodés, Marcel

Tutor/a - Director/a: Arratia Quesada, Argimiro Alejandro; Ortiz, Carlos

Data de publicació: 2022

Facultat d'Informàtica de Barcelona (FIB)

Veure detall Accés al text complet

A machine learning approach to the optimal estimation of portfolio weights

Treball Final de Grau

Cusiné Jiménez, Irene

Tutor/a - Director/a: Arratia Quesada, Argimiro Alejandro

Data de publicació: 2022

Facultat de Matemàtiques i Estadística (FME)

Veure detall Accés al text complet

Adding support for multi-analytes medical drugs in a software called Tucuxi

Treball Final de Grau

Climent I Gutiérrez, Alex

Tutor/a - Director/a: Arratia Quesada, Argimiro Alejandro; Thoma, Yann

Data de publicació: 2022

Facultat d'Informàtica de Barcelona (FIB)

Accés al text complet

A deep learning approach to portfolio optimization

Treball Final de Grau

Cartanyà Caro, Pau

Tutor/a - Director/a: Pérez Palomar, Daniel; Arratia Quesada, Argimiro Alejandro

Data de publicació: 2022

Centre de Formació Interdisciplinària Superior (CFIS)

Veure detall Accés al text complet

Des del desenvolupament de la teoria moderna de carteres de Markowitz l'any 1952, s'han dut a terme numerosos avenços per a millorar-ne les tècniques originals, fins al punt que la recerca actual en aquest àmbit es centra en construir models d'aprenentatge profund que distribueixin el capital de manera òptima entre els actius considerats en un sol pas. Malgrat que l'aprenentatge profund ha ajudat a resoldre un gran nombre de problemes en altres àrees, encara no s'ha demostrat que sigui prou exitós en algunes branques del camp de les finances com és el cas del disseny de carteres. Després de comprovar que mètodes més heurístics no funcionen com a estratègies d'inversió activa, l'objectiu d'aquesta tesi esdevé explorar com l'aprenentatge profund pot servir per abordar el problema de l'optimització de carteres. S'analitza si les idees clàssiques de la teoria de carteres han d'ésser reemplaçades completament per xarxes neuronals que integrin tot el procés, o si bé és més adequat incorporar-les dins de l'arquitectura dels models. Es discuteix també l'impacte que té la freqüència de les dades amb què treballen els models en el seu rendiment. Per aquests motius, s'han implementat i posat a prova diversos models d'aprenentatge profund que treballen únicament amb els guanys històrics dels actius, entrenats principalment en dades d'alta freqüència de criptomonedes. Totes les proves s'han dut a terme sota el mateix marc d'inversió i els seus rendiments s'han comparat amb el d'altres carteres estàndard per tal de poder extreure conclusions significatives. Els results obtinguts indiquen els models d'aprenentatge profund implementats són capaços de detectar patrons en les dades que són invisibles pels models financers clàssics. No obstant, aquesta predictibilitat no es pot aprofitar completament en les inversions a temps real ja que les carteres han de ser reoptimizades sovint i això provoca que els costs que les plataformes imposen a cada transacció neutralitzin els guanys.

Desde el desarrollo de la teoría moderna de carteras de Markowitz en el año 1952, se han llevado a cabo numerosas mejoras sobre las técnicas originales, hasta el punto que la investigación actual en este ámbito se centra en construir modelos de aprendizaje profundo que distribuyan el capital de manera óptima entre los activos en un solo paso. Aunque el aprendizaje profundo ha ayudado a resolver un gran número de problemas en otras áreas, aún no se ha demostrado que sea suficientemente exitoso en algunas ramas del campo de las finanzas como el diseño de carteras. Después de verificar que métodos más heurísticos no funcionan como estrategias de inversión activa, el objetivo de esta tesi es explorar cómo el aprendizaje profundo puede usarse para abordar el problema de la optimización de carteras. Se analiza si las ideas clásicas de la teoría de carteras deben ser reemplazadas completamente por redes neuronales que integren todo el proceso, o si conviene incorporarlas dentro de la arquitectura de los modelos. Se discute también el impacto que tiene la frecuencia de los datos con que trabajan los modelos en su rendimiento. Por estos motivos, se han implementado y puesto a prueba varios modelos de aprendizaje profundo que trabajan únicamente con las ganancias históricas de los activos, entrenados principalmente con datos de alta frecuencia de criptomonedas. Todas las pruebas se han llevado a cabo bajo el mismo marco de inversión y sus rendimientos se han comparado con el de otras carteras estándar. Los resultados obtenidos indican que los modelos de aprendizaje profundo implementados son capaces de detectar patrones en los datos que son invisibles para los modelos financieros clásicos. Sin embargo, esta predictibilidad no se puede aprovechar completamente en las inversiones a tiempo real ya que las carteras deben ser reoptimizadas a menudo y esto provoca que los costes que las plataformas imponen a cada transacción neutralicen todos los beneficios.

Since Markowitz's work on portfolio theory in 1952, numerous developments have been carried out to improve the original techniques of portfolio optimization, to the point that the current research on the topic focuses on building deep learning models that design the whole portfolio in only one step. Even though deep learning has helped to solve a wide range of problems in different areas, it has not proven successful enough yet in some branches of finance such as portfolio design. After verifying that heuristic or more simple methods do not work as active trading strategies, the goal of this thesis becomes to explore how the portfolio optimization problem can be approached via deep learning. We analyze whether the classical portfolio theory ideas should be either completely replaced by end-to-end neural networks or incorporated into the architectures, and we discuss the impact that the frequency of the data has on the performance of the models. For this reason, multiple deep learning architectures that take as input only asset returns have been implemented and extensively backtested, mainly on high-frequency cryptocurrency data. All backtests have been carried out under the same trading framework and their performances have been compared to some standard benchmarks in order to extract significant conclusions. Our results indicate that, on high-frequency data, deep learning models are capable of detecting features that are invisible to the classical financial methods. Nevertheless, this predictability can not be exploited in real-life trading as the portfolios need to be largely reoptimized often and therefore the transaction costs imposed by the exchanges cancel out all the profits.

Optimal stopping problems and the Mean-Variance selling strategy

Treball Final de Grau

Martin Podesta, Fausto

Tutor/a - Director/a: Arratia Quesada, Argimiro Alejandro

Data de publicació: 2022

Facultat de Matemàtiques i Estadística (FME)

Veure detall Accés al text complet

A study of Deep Learning techniques for sequence-based problems

Projecte Final de Màster Oficial

Quintana Valenzuela, Diego

Tutor/a - Director/a: Arias Vicente, Marta; Arratia Quesada, Argimiro Alejandro

Data de publicació: 2021

Facultat d'Informàtica de Barcelona (FIB)

Veure detall Accés al text complet

Deep learning based Recommender System for an online retailer

Projecte Final de Màster Oficial

Breve Ramírez, Manuel Alejandro

Tutor/a - Director/a: Arratia Quesada, Argimiro Alejandro; Arias Vicente, Marta

Data de publicació: 2021

Facultat d'Informàtica de Barcelona (FIB)

Veure detall Accés al text complet

Since Wide and Deep Learning for Recommender Systems appeared in 2016, multiple architecture models have been created around this idea of jointly train a wide and deep neural networks as this architecture allow the model to learn both memorization and generalization, which are critical for recommender systems. It may be possible that these kind of architecture change forever the way recommendation systems predict the preference of a user with respect to an item? In the spirit of answering this question from our own experience, we explore, design, and reproduce a deep learning-based model recommender system, and trained it with the Camper's e-commerce dataset. We wanted to validate in our own experience how good a wide and deep model can be, and how much could improve the accuracy of different baseline models. We have explored two different experiments. The first model was trained to predict the potential rating with which a user would evaluate his preference for a certain category of shoes, on a [1,5] scale, whereas the second model was trained to determine whether a user would, or would not, have a interaction with a specific category of shoes. Our experiment's results reveal that wide and deep models present slightly better but similar performance with respect to other deep learning models, however, for small to medium size dataset instances, or for those datasets that do not have the most suitable feature variables for a recommendation problem, then it would be better to use classic algorithms. Wide and deep models have a nice theoretical basis, but in practice the results only improve under certain circumstances, and with huge instances of data, even so the improvement could not be that significant. Our results are an invitation to don't neglect or ignore the nature of the data. Although deep learning models are considerably improving multiple algorithms, they do not always perform better than simpler and well-known machine learning models which require less data pre-processing.