Deep Learning se usa mucho en las finanzas en este momento. El hecho de que muchos fondos de cobertura estén arrebatando científicos de aprendizaje profundo (como Renaissance y Two Sigma) significa que tienen algo planeado para ello. Algunas formas más experimentales son:
- Usando CNN para analizar gráficos de negociación para ver si podemos identificar patrones en los gráficos de negociación de acciones.
- Usando Deep Q Learning para analizar los tiempos óptimos para operar.
- Encontrar la combinación óptima de cartera con LSTM (básicamente queremos crear una integración que nos muestre la frontera óptima de una cartera con 300 acciones).
- Un área que siempre pensé que sería interesante es estudiar si el reconocimiento de voz podría predecir en función de cómo alguien está hablando (su tono es la voz, su elección de palabras, cómo dicen ciertas palabras, etc.) si las tasas de interés van a aumentar (por ejemplo, si estamos escuchando al presidente de la Fed, podríamos predecir si las tasas de interés vamos a subir).
Nos estamos alejando del uso de datos de retorno pasados impredecibles y de usar más texto, imágenes e incluso voz. Entonces sí, DL se usa en Finanzas.
- ¿Cuál es la forma más eficiente de clasificar 4 TB en una sola máquina con 4 GB de RAM?
- ¿Encuentra el número de fila y el número de columna donde 20096 ocurre en una matriz triangular?
- Si hipotéticamente encontré un algoritmo que genera rendimientos comerciales al 100% anualmente, ¿qué debo hacer con él?
- ¿Cuál es la mejor manera de demostrar sus habilidades como ingeniero de software junior durante una entrevista que no sea la implementación de algoritmos sofisticados y estructuras de datos?
- Tiene dos números binarios de tamaño n cada uno, ¿cuántas operaciones se necesitan para sumarlos?
