Probabilistic Machine Learning for Finance and Investing

Tratado especializado escrito por Deepak K. Kanungo (operador de derivados algorítmicos y director ejecutivo de Hedged Capital), publicado por O'Reilly en 2023. La obra plantea el aprendizaje automático probabilístico como un paradigma superador frente a las limitaciones de los modelos financieros deterministas y los enfoques estadísticos clásicos, argumentando que los mercados bursátiles no siguen leyes físicas invariables sino que están expuestos a incertidumbre constante y cambios de régimen. Está dirigida a analistas cuantitativos, científicos de datos en el sector fintech y gestores de inversión de nivel intermedio que ya programan en Python y poseen fundamentos de probabilidad y cálculo financiero, y que buscan cuantificar el riesgo mediante distribuciones probabilísticas completas en vez de estimaciones puntuales rígidas.

El autor expone las fallas de la estadística convencional y de la estimación por máxima verosimilitud (MLE) al enfrentarse a series financieras con pocas observaciones y mucho ruido, analizando sesgos como la falacia de inversión y las limitaciones de las pruebas de significación de hipótesis nulas (NHST). Enseña a descomponer y cuantificar la incertidumbre en sus vertientes aleatoria, epistémica y ontológica, aplicando la regla de probabilidad inversa de Bayes. Emplea la pila de computación científica de Python (NumPy, SciPy, Pandas, Statsmodels y Matplotlib) para ejecutar simulaciones de Monte Carlo, cadenas de Markov con muestreo de Metropolis (MCMC) y conjuntos o ensambles generativos lineales. En el plano financiero aplicado, aborda la inferencia en riesgo crediticio y quiebra corporativa, pronósticos de expectativas de beneficios empresariales, y estrategias de asignación de capital basadas en ergodisidad, Valor en Riesgo (VaR), déficit esperado (Expected Shortfall) y el Criterio de Kelly.

Mediante cuadernos de Jupyter en Python, el lector implementa simuladores estocásticos y ensambles generativos orientados a modelar la dinámica de acciones, calcular probabilidades de impago y optimizar carteras bajo distribuciones de colas pesadas. La gran fortaleza del libro es su lucidez crítica y conceptual, forzando a replantear dogmas de las finanzas cuantitativas como la teoría moderna de carteras o el supuesto de normalidad gaussiana en la volatilidad. No incluye el desarrollo de plataformas de ejecución de órdenes en tiempo real ni conectores con APIs de intermediarios bursátiles, ya que su foco exclusivo es el modelado riguroso del riesgo y la incertidumbre. Resulta una lectura valiosa para profesionales cuantitativos interesados en la inferencia bayesiana aplicada a los mercados.