Tal vez la pregunta debería ser si el CAPM no ha estado muerto antes debido a otras dificultades, por ejemplo, definir un proxy apropiado para el concepto de “cartera de mercado”. La validez empírica del CAPM varía ampliamente según el índice, el país, la rama de la industria, etc. que elija. O que su componente de riesgo es de índice único (de hecho, poco después del lanzamiento de CAPM, esto ya fue reconocido y refinado, por ejemplo, ver Fama / French-Three-Factor Model o Carhart-Four-Factor-Model).
Además, definitivamente apoyaría el punto de Lisa sobre los supuestos que uno podría considerar demasiado artificiales (por ejemplo, todos los inversores tienen la misma interpretación sobre los rendimientos esperados y el riesgo, las preferencias de riesgo) y, por lo tanto, son regularmente los primeros puntos que las críticas introducen cuando se habla de CAPM.
Con referencia a su pregunta , las posibilidades tecnológicas avanzadas, debido al aumento de la computabilidad, ciertamente ayudarán en la verificación / falsificación de modelos financieros. Los modelos financieros con algoritmos de autorrefinación ayudados por el aprendizaje automático son sin duda algo interesante.
- ¿Hay alguna forma de llamar a las funciones de Python desde mi aplicación NodeJS para aprovechar el poder del aprendizaje automático en una aplicación Node?
- ¿Cuál es el punto de ejecutar un modelo de regresión logística antes de un árbol de decisión?
- Dada una oración, quiero encontrar la emoción de la persona que la dijo. ¿Cómo puedo hacer esto?
- ¿Cuántos datos son suficientes para entrenar un modelo NN profundo?
- ¿Por qué se usan capas completamente conectadas en el "extremo" [lado de salida] de las NN convolucionales? ¿Por qué no antes?
Sin embargo, no ayuda, si el modelo utilizado (incluso antes de eso, la concepción teórica) está diseñado para ser bastante “elegante”.
Es decir, los modelos de aprendizaje automático deben tener la capacidad inherente de volver a ingresar los datos generados y aprender de los errores, significa: necesitan un sub-algoritmo para diferenciar ex post entre el pronóstico incorrecto / correcto y rastrear el pronóstico falso causalmente de regreso a componentes específicos del modelo, luego volver -definiéndolos. El modelo ‘aprendió’ entonces y ahora es ‘más inteligente’.
