Modelos fundacionales para series temporales financieras — Examen final

Este es el final con nota de Modelos fundacionales para series temporales financieras, y recorre todo el arco que construyó el curso. Empezasteis con la apuesta de preentrenar-y-adaptar — la definición de Bommasani de 2021 de un modelo entrenado de forma amplia a escala y adaptado a muchas tareas — y la economía de amortización en dos fases que la justifica: un gran coste fijo de preentrenamiento más una adaptación barata por tarea, de modo que una curva de 40-fijo-más-1-por-tarea cruza una curva desde cero de 10-por-tarea en torno a $5$ tareas. Aprendisteis cómo los modelos fundacionales de series temporales (TimesFM, Chronos, Moirai, Lag-Llama) tokenizan valores continuos de dos maneras — patching ( $512$ de contexto $/\,32$ de patch $=16$ tokens) y la escala-más-cuantización de Chronos a un vocabulario fijo — y por qué se escala por la media usando solo el contexto. Recorristeis el espectro de adaptación desde zero-shot hasta fine-tune, conocisteis el MASE ( $<1$ supera al ingenuo) y la ley de escala $L(N)=L_\infty+(N_c/N)^\alpha$ cuyo suelo irreducible $L_\infty$ aplana la curva en los mercados. Visteis cómo los LLM se dividen en los roles de señal frente a investigador y la explosión del data-snooping donde el Sharpe del mejor-de-N se infla con $\sqrt{2\ln N}$ . Cartografiasteis el campo de minas de la fuga que los modelos fundacionales empeoran — contaminación temporal, contaminación del benchmark, revisiones point-in-time — y terminasteis con la evaluación honesta: el listón del Sharpe deflactado, la validación cruzada purgada/con embargo, y el test de extremo a extremo de sobrevivir a costes, capacidad y una corrida fuera de muestra posterior al corte. No se muestran pistas, cada respuesta se bloquea en cuanto la envías, y tu puntuación permanece oculta hasta el final.

Repaso del curso

Big picture

Modelos fundacionales para series temporales financieras — el arco completo

MF para series temporales financieras
- 1 · La apuesta de preentrenar-y-adaptar
  - Modelo fundacional = preentrenamiento amplio, adaptación a muchas tareas (Bommasani 2021)
  - Amortización: gran coste fijo + barato por tarea; cruce ≈ 5 tareas
  - Mercados no estacionarios, reflexivos, bajo SNR → transferencia dudosa
- 2 · Modelos fundacionales de series temporales
  - TimesFM / Chronos / Moirai / Lag-Llama
  - Patching frente a escala+cuantización de Chronos; escalar por media solo en el contexto
  - Objetivo probabilístico de siguiente patch; corpus mayormente no financieros
- 3 · Zero/few-shot y leyes de escala
  - Zero-shot = sin actualizar pesos; MASE < 1 supera al ingenuo
  - Espectro de adaptación zero → few → fine-tune; aprendizaje en contexto
  - L(N)=L∞+(Nc/N)^α; el suelo de ruido L∞ aplana la curva
- 4 · LLM como herramientas de investigación y señales
  - Señal: extracción de sentimiento/eventos, decae en días
  - Investigador: hipótesis/features/código, puede inventar sinsentidos
  - Data-snooping: el Sharpe del mejor-de-N se infla con √(2 ln N)
- 5 · El campo de minas de la fuga
  - Contaminación temporal: hacer backtest solo después del corte
  - La contaminación del benchmark infla las puntuaciones zero-shot
  - Point-in-time: hora de disponibilidad, datos de vintage, supervivencia
- 6 · La evaluación honesta
  - Sharpe deflactado + validación cruzada purgada/con embargo
  - Ayuda: transferencia entre activos, arranque en frío, regímenes pobres en datos
  - Hype: predicción de retornos líquidos, arbitrados y de bajo SNR

Seis lecciones, una tesis: la escala prestada es poderosa, pero los mercados castigan la transferencia ingenua.

Una corrida, un solo disparo

Este es un examen con nota e irreversible. Hay 25 preguntas, mostradas de una en una. En el instante en que envías una pregunta se bloquea — no hay botón de Atrás, ni reintentos, ni Reiniciar. Una respuesta incorrecta simplemente suspende esa pregunta y el examen avanza; no puedes volver a ella. Tu puntuación parcial permanece oculta hasta la pantalla final. El aprobado está en el 70%. Algunas preguntas admiten más de una opción correcta — lee todas las opciones antes de comprometerte, porque una vez que envías, la respuesta es tuya.

Pregunta 1 de 25

El informe de Stanford de 2021 de Bommasani y colaboradores introdujo el término 'modelo fundacional'. ¿Qué definición coincide con la usada en ese trabajo?

Un modelo estadístico cuyos fundamentos se derivan analíticamente en lugar de aprenderse de los datos.Un modelo entrenado de extremo a extremo en una única tarea estrecha sin reutilización entre problemas.Un modelo preentrenado con datos amplios a escala que luego puede adaptarse a un amplio abanico de tareas posteriores.Cualquier red neuronal con más de mil millones de parámetros, sin importar cómo se entrene.

Selecciona una respuesta para continuar.

Dónde te deja esto en la escalera cuant

Apruebes o suspendas, ahora posees el juicio escaso del que todo este campo anda corto: saber cuándo la escala prestada es una ventaja genuina de salida y cuándo es una cinta de correr. Sabes leer la aritmética de amortización de un modelo fundacional, ver a través del patching y la cuantización hasta el tokenizador que hay debajo, exigir un escalado solo con el contexto, y distinguir una predicción zero-shot real de una prueba de memoria. Sabes manejar un LLM tanto como señal como investigador mientras deflactas su Sharpe del mejor-de-N, y sabes recorrer el campo de minas de la fuga — temporal, de benchmark y point-in-time — sin pisar una mina. Y sobre todo, sabes correr el test honesto de extremo a extremo: costes, capacidad, deflación y una corrida fuera de muestra estrictamente posterior al corte. Esa es exactamente la disciplina que te permite desplegar modelos fundacionales donde de verdad ayudan — transferencia entre activos, arranque en frío, regímenes pobres en datos — y alejarte del hype en todos los demás sitios.