Esta es la prueba de cierre. Seis lecciones enseñaron el oficio brutal de apuntar el aprendizaje automático a los mercados financieros — donde la relación señal-ruido es tan infame que el ML de manual, aplicado de forma ingenua, no produce más que alpha seguro de sí mismo, bien validado y completamente ficticio. Aprendiste por qué las finanzas rompen los supuestos habituales del ML: la relación señal-ruido es diminuta (IC ≈ 0,02–0,05, R² casi nulo), el proceso generador de datos es no estacionario (los regímenes cambian, las ventajas decaen, los conceptos derivan), y los propios experimentos repetidos del analista convierten todo el ejercicio en un campo de minas de contrastes múltiples. Aprendiste a construir rasgos estacionarios pero que preservan la memoria con la diferenciación fraccionaria y a etiquetar los resultados de la forma correcta con el método de triple barrera y el meta-etiquetado en vez de con rendimientos ingenuos a horizonte fijo. Aprendiste las siete caras de la fuga de datos y por qué la validación cruzada k-fold ordinaria es una mentira en las series temporales — y cómo la purga y el embargo (y la CV combinatoria purgada) lo reparan. Aprendiste por qué el mejor de N backtests es un espejismo casi garantizado, cómo el Sharpe máximo esperado bajo la hipótesis nula crece como √(2 ln N), y cómo el ratio de Sharpe desinflado y la probabilidad de sobreajuste del backtest ponen un listón real bajo un resultado. Aprendiste la lógica de sesgo–varianza detrás de la regularización, por qué el bagging mata la varianza mientras el boosting persigue el sesgo (y sobreajusta el ruido), y por qué el MDI miente dentro de la muestra mientras que el MDA dice la verdad fuera de la muestra — y que la importancia nunca es causalidad. Por último, aprendiste a integrar una predicción ML débil en un libro real: predicción → posición, combinando alphas ortogonales mediante IR ≈ IC·√amplitud, respetando la capacidad, la rotación y el decaimiento, y desplegando con un conjunto de test bloqueado, paper trading, monitorización del IC en vivo y un interruptor de corte. Sin hoja de fórmulas, sin pistas, sin marcha atrás: cada respuesta se bloquea en el instante en que la envías, las opciones erróneas son las trampas exactas que engañan a mesas reales, y tu puntuación permanece oculta hasta el final.
Big picture
Machine Learning para Alpha — toda la escalera
- Machine Learning para Alpha
- El ML y el enemigo del sobreajuste
- La señal-ruido es diminuta: IC ≈ 0,02–0,05, R² casi nulo
- No estacionariedad: los regímenes cambian, las ventajas decaen, deriva de conceptos
- Contrastes múltiples con humano en el bucle → dentro ≠ fuera de muestra
- Rasgos y etiquetado
- Diferenciación fraccionaria: estacionaria PERO conserva memoria
- Triple barrera: superior/inferior/vertical, primer toque, escalada por volatilidad
- Meta-etiquetado + pesos de unicidad para etiquetas solapadas
- Fuga y CV purgada
- Fuga: solapamiento, anticipación, preprocesar sobre todo, supervivencia
- El k-fold miente en series temporales incluso sin barajar
- Purgar etiquetas solapadas + embargar una banda; la CPCV da muchos caminos
- Sobreajuste del backtest y Sharpe desinflado
- El mejor de N infla: E[Sharpe máx] ≈ √(2 ln N)·σ_pruebas
- El PSR ajusta por longitud del historial, asimetría, curtosis
- DSR y PBO; la longitud mínima de backtest crece con ln N
- Modelos, ensembles e importancia
- Sesgo–varianza; regularizar (ridge/lasso, profundidad, parada temprana)
- Bagging ↓varianza (random forest) vs boosting ↓sesgo (sobreajusta el ruido)
- MDI sesgado dentro de muestra vs permutación MDA; importancia ≠ causalidad
- De la señal ML a la cartera
- Predicción → posición: proporcional, rango L/S, confianza, Kelly-lite
- Combinar alphas ortogonales: IR ≈ IC·√amplitud; capacidad y rotación
- Decaimiento y reentrenar; bloquear test, paper trade, monitorizar IC, interruptor de corte
- El ML y el enemigo del sobreajuste
Una tirada, un solo disparo
Este examen tiene nota y es irreversible. Cada pregunta se bloquea en el momento en que la envías — no hay botón de Atrás, ni segundo intento, ni Reiniciar. Una respuesta equivocada simplemente suspende esa pregunta y el examen avanza. Tu puntuación de aprobado/suspenso aparece solo al final del todo. Lee todas las opciones antes de decidirte.
Un proveedor te presenta un modelo ML de acciones con un R² fuera de muestra de 0,01 y un IC transversal de alrededor de 0,04. ¿Cuál es la reacción correcta?
Selecciona una respuesta para continuar.
Dónde encaja esto en la escalera
Aprobar este examen cierra el peldaño del aprendizaje automático de la escalera quant — el punto donde la estadística, el software y un escepticismo ganado a pulso se funden en un proceso capaz de extraer una ventaja real (aunque frágil) de datos diseñados para engañarte. Ahora dominas la disciplina que separa el alpha de ML que funciona del cementerio de backtests bellamente validados: respetar la baja relación señal-ruido, etiquetar y validar sin fugas, desinflar cada resultado por las pruebas que hay detrás, preferir la importancia que sobrevive fuera de muestra, e integrar la señal en un libro dimensionado, monitorizado y con interruptor de corte. La lección más profunda hace eco del resto del trading sistemático — el modelo nunca es tu mayor riesgo; el humano que lo maneja, engañado por un backtest de aspecto magnífico, siempre lo es.