Redes Neuronales de Grafos para Redes Financieras y Riesgo Sistémico

Casi toda receta de machine learning en finanzas empieza cometiendo el mismo acto silencioso de vandalismo: coge un mundo densamente interconectado —bancos que prestan a bancos, proveedores que envían a fabricantes, activos que se hunden juntos, monederos que se pasan monedas— y lo aplana en una tabla. Una fila por entidad, una columna ordenada para cada característica, ¿y las relaciones? Cortadas de cuajo. Tiradas con los metadatos. Sin embargo, las preguntas más importantes de las finanzas viven precisamente en esas relaciones descartadas: si cae este banco, ¿quién más cae? ¿Qué monederos, anodinos por separado, forman juntos una red de fraude? Cuando un proveedor clave tropieza, ¿qué empresas a tres enlaces de distancia están a punto de fallar sus resultados? Una tabla plana, por construcción, no puede ver nada de esto.

Este curso os da la caja de herramientas que se niega a tirar las aristas. Una red neuronal de grafos (GNN) aprende directamente sobre la red: nodos (instituciones, empresas, activos, monederos), aristas (préstamos, enlaces de suministro, correlaciones, transferencias) y una sola idea engañosamente poderosa llamada paso de mensajes — cada nodo actualiza repetidamente su propia representación agregando información de sus vecinos. De ese único mecanismo cae todo: puntuar una institución por la compañía que mantiene, predecir un enlace de contraparte oculto, clasificar la fragilidad de una cartera entera y rastrear un shock mientras cascadea saltos de distancia a través del grafo de préstamos. Construimos sobre Deep Learning para Datos de Mercado: ya respetáis los tamaños de muestra efectivos minúsculos, la evaluación purgada y el Sharpe desinflado — y vais a necesitar toda esa paranoia, porque los grafos filtran información más fuerte que cualquier estructura de datos que hayáis conocido. El recorrido:

• Los mercados son grafos, no tablas — el cambio de representación: nodos y aristas, dirigido frente a no dirigido, ponderado frente a binario, la pila de características nodo/arista/grafo, y los cuatro grafos financieros canónicos (préstamos interbancarios, cadenas de suministro, redes de correlación de activos, grafos de monederos/transacciones en cadena).
• Paso de mensajes y las tres tareas — agregar-de-los-vecinos como el motor de toda GNN, por qué la agregación invariante a permutaciones es innegociable, cómo apilar capas hace crecer el campo receptivo salto a salto, y los tres tipos de tarea: nivel-nodo (clasificar/puntuar una entidad), nivel-arista (predecir un enlace), nivel-grafo (puntuar el estado de una red entera).
• GCN, GraphSAGE, GAT y GNN temporales — la estirpe de arquitecturas: la GCN de sabor espectral (promediado fijo normalizado por grado), la GraphSAGE inductiva (muestrear-y-agregar que generaliza a nodos no vistos), la GAT (atención aprendida sobre los vecinos) y las GNN temporales/dinámicas para una red cuya topología cambia cada día.
• Riesgo sistémico y contagio — la aplicación estrella: la cascada de impagos a través de una red interbancaria, DebtRank y los bucles de retroalimentación que un modelo tabular por-empresa se pierde estructuralmente, y cómo una GNN aprende una puntuación de fragilidad que incrusta la topología.
• Redes de fraude y alfa relacional — detección de redes en antiblanqueo (AML) sobre grafos de transacciones (la señal es la estructura, no ninguna cuenta concreta), alfa relacional/de empresa par propagando una señal a través de aristas de cadena de suministro y co-movimiento, y analítica en cadena sobre grafos de monederos.
• La auditoría honesta — por qué los grafos filtran tan mal (un nodo ve a sus vecinos, así que una división descuidada deja al conjunto de test espiar a través de las aristas), división consciente de la topología, sobresuavizado al apilar demasiadas capas, topología no estacionaria y el brutal coste de fontanería de datos que hunde la mayoría de proyectos de GNN antes de que predigan nada.

Al final seréis capaces de modelar un sistema financiero como la red que realmente es, elegir la arquitectura cuyo sesgo inductivo encaja con el problema y —lo más valioso— distinguir una ventaja relacional genuina de un artefacto de fuga que una división ciega a la topología os fabricó. Un examen final calificado os devuelve toda la disciplina, una pregunta bloqueada cada vez.