¿Qué tipos de técnicas de aprendizaje automático pueden ser útiles para los datos financieros?

Eche un vistazo a Support Vector Machines (SVM). Esto podría estar fechado, pero Tay et al. demostró que los SVM superaron a los ANN en sus experimentos: aplicación de máquinas de vectores de soporte en pronósticos de series de tiempo financieras
Según mi experiencia limitada, le recomendaría que investigue también los enfoques bayesianos. Escribí mi tesis de licenciatura sobre la eficacia de las técnicas de aprendizaje automático para la predicción de precios de Bitcoin. En ese caso, los SVM no funcionaron tan bien para mí y no pude generar ganancias, pero un simple Regresor Bayesian Ridge sí. Además, eche un vistazo a este documento (que fue una de las razones por las que decidí investigar también los enfoques bayesianos): https://arxiv.org/pdf/1410.1231v…

Podría citar muchos papeles aquí y podría escribirte mucho más. Sin embargo, creo que sería más beneficioso para usted investigar más a fondo: vaya a Google Scholar y busque documentos en este dominio. Busque los muy citados primero. Luego comience y juegue con datos históricos y aplique los modelos elegidos a esos. Preste mucha atención a la selección de características y la ingeniería de características adecuadas. Si sus datos y sus características son malos, sus predicciones también serán malas, independientemente de la sofisticación de su modelo. Para extraer características significativas, necesitará algunos conocimientos de dominio en el área relacionada de las finanzas. Finalmente, intente armar sus diferentes modelos. En las competiciones de Kaggle, las entradas ganadoras suelen ser conjuntos de modelos. Mira esto: Winton Stock Market Challenge, Entrevista del ganador: 3er lugar, Mendrika Ramarlina

¡Buena suerte y diviertete!