Machine Learning Adversarial y Robustez en Trading — Examen Final

Este es el final calificado de Machine Learning Adversarial y Robustez de Modelos en Trading, y recorre todo lo que el curso ha construido. Empezasteis adoptando la mentalidad de seguridad: un mercado no es un muestreador benigno de extracciones i.i.d. — está lleno de contrapartes que se benefician cuando vuestro modelo se equivoca, así que debéis razonar con modelos de amenaza (quién ataca, qué sabe, qué puede cambiar) y aceptar que robusto no es lo mismo que preciso. La reflexividad y la visión de los Mercados Adaptativos implican que el propio acto de operar sobre una ventaja puede destruirla. A partir de ahí conocisteis los ejemplos adversariales — el menor empujón en la entrada que voltea una decisión — formalizados por FGSM, donde la perturbación es $\delta = \epsilon\,\mathrm{sign}(\nabla_x L)$, y su primo iterado PGD; visteis que la pérdida en el peor caso de un modelo lineal se desplaza en $\epsilon\lVert w\rVert_1$, de modo que los pesos de norma alta son frágiles, y que $\epsilon$ se lee mejor como el presupuesto de trading de un atacante. Estudiasteis los ataques en tiempo de entrenamiento — el envenenamiento de datos, las puertas traseras que se disparan ante un detonante, y el spoofing/layering que es simultáneamente una entrada adversarial y un envenenamiento de vuestras características — además de los ataques de confidencialidad: la extracción de modelos (clonar vuestro modelo a partir de sus ejecuciones) y la inferencia de pertenencia (detectar vuestro conjunto de entrenamiento, amplificada por el sobreajuste). Construisteis el lenguaje del cambio de distribución — deriva de covariables, de etiqueta y de concepto — y aprendisteis por qué decaen las estrategias en vivo (sobreajuste, masificación del alfa, reflexividad), monitorizado con PSI y CUSUM. Por último abastecisteis el kit de robustez — el entrenamiento adversarial como un juego $\min_\theta \max_\delta$, la optimización distribucionalmente robusta sobre un conjunto de ambigüedad, la regularización que acota la sensibilidad, el ensembling que reduce la varianza hacia $\sigma^2/k$, y la predicción conforme cuya garantía de cobertura se apoya en la intercambiabilidad — y aprendisteis a evaluar el estrés con honestidad: el peor caso en lugar del promedio, alerta al enmascaramiento de gradiente, sometido a red-teaming, e informado en un cuadro de mando desinflado. No se muestran pistas, cada respuesta se bloquea en el momento en que la enviáis, y vuestra puntuación permanece oculta hasta el final.

Repaso del Curso