Deep Learning for Finance

Manual especializado que fusiona las arquitecturas neuronales modernas y la ciencia de datos con el análisis técnico y el trading algorítmico en mercados financieros. Publicado en 2024 por Sofien Kaabar, el libro se basa en Python e implementa algoritmos mediante librerías fundamentales como Keras, TensorFlow, PyTorch, Scikit-learn, Pandas y NumPy. Está concebido para operadores de mercado, analistas cuantitativos y desarrolladores de nivel intermedio con manejo fluido de Python que buscan formular, entrenar y evaluar estrategias automáticas sobre series temporales financieras.

La obra establece primero los pilares matemáticos esenciales de probabilidad, inferencia estadística, regresión y álgebra lineal orientados a finanzas, conectándolos con la formulación algorítmica de indicadores técnicos clásicos (RSI, medias móviles, bandas de Bollinger). A partir de allí, cubre modelos predictivos tradicionales (Random Forest, XGBoost) y profundiza en redes neuronales: Perceptrón Multicapa (MLP), redes recurrentes (RNN), redes de memoria a corto y largo plazo (LSTM) y Redes Convolucionales Temporales (TCN). Introduce también técnicas avanzadas para series de tiempo como diferenciación fraccionaria, validación cruzada temporal y agentes de Deep Reinforcement Learning (DRL) para la toma de decisiones.

En la parte aplicada, se desarrollan sistemas para anticipar la dirección y los precios de divisas y acciones, marcos de reentrenamiento continuo y algoritmos evaluados bajo backtesting riguroso considerando comisiones, deslizamiento (slippage), ratios de Sharpe y drawdowns máximos. Su principal mérito es el enfoque escéptico y realista sobre los peligros del sobreajuste y la naturaleza estocástica del mercado, evitando promesas irreales. No cubre negociación de alta frecuencia (HFT) en C++ ni protocolos de conectividad FIX con brokers; resulta indispensable contar con nociones de mercados bursátiles y análisis técnico básico.