Este es el final puntuable de Modelos generativos de datos de mercado sintéticos, y recorre todo lo que el curso ha construido. Abristeis con la incómoda verdad de que los mercados os entregan exactamente una historia realizada — autocorrelada, atormentada por regímenes y con un tamaño de muestra efectivo mucho menor de lo que sugiere su número de filas — y de que esa escasez es lo que hace que merezca la pena perseguir un generador de datos sintéticos, para aumentar datos, generar escenarios y estrés, compartir de forma que preserve la privacidad y hacer backtesting sintético (sin olvidar jamás que un generador entrenado sobre tu historia puede filtrarla de vuelta y silenciosamente colarla en tus tests). Luego aprendisteis la rúbrica que cualquier generador honesto debe satisfacer — colas anchas, agrupamiento de volatilidad, autocorrelación de rendimientos absolutos de decaimiento lento, el efecto apalancamiento, gaussianidad agregada, asimetría ganancia/pérdida — y visteis a un paseo aleatorio gaussiano suspender casi todos. Desde ahí subisteis por la caja de herramientas: los simuladores clásicos (GBM, bootstrap por bloques y estacionario, HMM de conmutación de regímenes) que forman la referencia resistente a fugas; las GAN (QuantGAN, TimeGAN, WGAN-GP) con su juego minimax y sus dos demonios, el colapso de modos y la memorización; los VAE con su ELBO, el truco de la reparametrización y su costumbre de difuminar las colas; y los modelos de difusión y basados en la puntuación que eliminan ruido partiendo de ruido puro pero muestrean despacio y siguen siendo ávidos de datos. Por fin ensamblasteis el desafío de evaluación — tests de distribución y dependencia, la puntuación discriminativa, el TSTR de entrenar con sintético, el test de memorización por vecino más próximo y el campo de minas de la fuga — y aprendisteis la ley de hierro de que ningún test por sí solo basta. No se muestran pistas, cada respuesta se bloquea en cuanto la envías, y tu puntuación queda oculta hasta el final.
Repaso del curso
Big picture
Modelos generativos de datos de mercado sintéticos — el arco completo
- Datos de mercado sintéticos
- 1 · Por qué generar datos
- Solo una historia realizada, muestra efectiva minúscula
- Cuatro usos aumento estrés privacidad backtesting
- Aprender un generador frente a simular un mecanismo
- Trampa de fuga el generador memoriza tu historia
- 2 · Rúbrica de hechos estilizados
- Colas anchas y exceso de curtosis
- Agrupamiento de volatilidad en rendimientos absolutos
- Decaimiento lento memoria larga y efecto apalancamiento
- El paseo aleatorio gaussiano falla casi todo
- 3 · Simuladores clásicos
- GBM colas finas sin agrupamiento
- El bootstrap por bloques no puede superar la historia
- Conmutación de regímenes HMM calmo y turbulento
- La referencia resistente a fugas a batir
- 4 · GAN
- Generador frente a discriminador juego minimax
- QuantGAN TimeGAN condicional y WGAN
- El colapso de modos se pierde los cracs
- La memorización copia los datos de entrenamiento
- 5 · VAE
- Codificador distribución latente decodificador reconstruye
- ELBO reconstrucción más beta por KL
- Truco de reparametrización mu más sigma por ruido
- Difumina colas anchas colapso posterior si beta es grande
- 6 · Modelos de difusión y puntuación
- El proceso directo añade ruido el inverso lo elimina
- La vista de puntuación aprende el gradiente del log densidad
- Estable y de alta fidelidad cubre los modos
- Muestreo lento ávido de datos transferencia incierta
- 7 · Evaluar datos sintéticos
- Tests de distribución y dependencia de hechos estilizados
- Puntuación discriminativa AUC del clasificador cerca de un medio
- TSTR entrenar con sintético testear con real
- Test de memorización por vecino más próximo y CV de fuga
- 1 · Por qué generar datos
Una vuelta, un solo intento
Este es un examen puntuable e irreversible. Hay 24 preguntas, mostradas de una en una. En el instante en que envías una pregunta se bloquea: no hay botón de Atrás, ni reintento, ni Reiniciar. Una respuesta incorrecta simplemente suspende esa pregunta y el examen avanza; no puedes volver a ella. Tu puntuación acumulada queda oculta hasta la pantalla final. La nota para aprobar es del 70%. Algunas preguntas aceptan más de una opción correcta: lee todas las opciones antes de confirmar, porque una vez que envías, la respuesta es tuya.
Los mercados llevan funcionando más de un siglo, y aun así los profesionales se siguen quejando de 'escasez de datos' al construir modelos generativos. ¿Cuál es la razón de fondo de que una historia larga de precios siga siendo efectivamente pequeña?
Selecciona una respuesta para continuar.
Conclusiones clave
Dónde te deja esto en la escalera quant
Apruebes o no, ahora posees una destreza que la mayoría de los profesionales se salta de largo: sabes construir un generador de datos de mercado y probar si merece confianza. Sabes por qué una sola historia realizada son demasiado pocos datos, puedes recitar la rúbrica de hechos estilizados que un generador debe satisfacer y ver a un paseo aleatorio gaussiano suspenderla, y puedes situar cada herramienta — GBM, bootstrap, conmutación de regímenes, GAN, VAE, difusión — en un espectro que va de transparente-pero-rígido a flexible-pero-opaco, con el colapso de modos, el difuminado de colas y la memorización como los modos de fallo que temer. Sobre todo, llevas contigo la ley de hierro de la evaluación: los tests de distribución, discriminativos, TSTR y de memorización por vecino más próximo detectan cada uno una mentira distinta, ninguno por sí solo basta, y todo el conjunto debe correr dentro de un protocolo con purga, embargo y deflactado por ensayos, o los datos sintéticos sencillamente filtran tu historia de vuelta a tu backtest. Desde aquí la escalera sube hacia sistemas completos de riesgo y carteras guiados por simulación — y llegas con el hábito que más importa: confiar en el desafío de evaluación por encima de un histograma bonito.