Glosario IA
El diccionario completo de la Inteligencia Artificial
Value at Risk (VaR) condicional
Medida de riesgo que estima la pérdida potencial máxima de una cartera en un horizonte determinado, condicionalmente a un conjunto de informaciones o estados de mercado específicos, a menudo calculada mediante modelos de IA como las redes neuronales recurrentes.
Expected Shortfall (ES) por aprendizaje profundo
Estimación de la pérdida promedio de una cartera en los peores escenarios que superan el umbral de la VaR, donde la distribución de las pérdidas extremas es modelada por redes neuronales profundas para capturar las no linealidades y las dependencias complejas.
Stress-Testing generado por IA
Técnica donde los modelos de IA, como los GANs (Generative Adversarial Networks), se utilizan para generar escenarios de crisis económicas y financieras plausibles pero inéditos, con el fin de evaluar la resiliencia de una cartera o una institución.
Modelo de cópula profundo
Arquitectura de aprendizaje profundo que aprende una estructura de dependencia compleja (cópula) entre múltiples variables financieras, permitiendo una modelización más precisa de las correlaciones de cola, esenciales para la evaluación del riesgo de contraparte.
Redes neuronales cuánticas para el pricing de opciones
Aplicación de algoritmos de inspiración cuántica o redes neuronales que funcionan en computadoras cuánticas para resolver las ecuaciones diferenciales estocásticas complejas del pricing de opciones, especialmente para productos exóticos.
Aprendizaje por refuerzo para la asignación de activos táctica
Utilización de agentes de aprendizaje por refuerzo que aprenden una política de inversión óptima interactuando con un entorno de mercado simulado, con el fin de maximizar el rendimiento ajustado al riesgo en horizontes a corto/medio plazo.
Detección de anomalías en series temporales financieras
Empleo de algoritmos de IA no supervisados (ej: autoencoders, isolation forest) para identificar patrones de transacción o movimiento de precios anormales que podrían indicar fraudes, errores de mercado o eventos sistémicos nacientes.
Modelización del riesgo de crédito mediante Graph Neural Networks (GNN)
Enfoque que representa las entidades (prestatarios, garantías, empresas) y sus relaciones como un grafo, y luego utiliza GNNs para predecir la probabilidad de incumplimiento capturando los efectos de contagio y las dependencias estructurales de la red.
Prévision de la volatilité par Transformer Networks
Application de modèles Transformer, initialement conçus pour le NLP, aux séries temporelles financières pour prévoir la volatilité future en capturant efficacement les dépendances à long terme et les motifs complexes dans les données de marché.
XAI (Explainable AI) pour la validation réglementaire des modèles
Ensemble de techniques (ex: SHAP, LIME) visant à interpréter et à justifier les décisions des modèles d'IA 'boîte noire' utilisés en finance, afin de satisfaire aux exigences de transparence et de documentation imposées par les régulateurs comme la BCE ou l'EFSA.
Calibration de modèles de risque par apprentissage par renforcement inversé
Méthode qui infère les paramètres d'un modèle de risque (ex: aversion au risque, probabilités de transition) en observant les décisions prises par des experts, en supposant que ces décisions sont optimales selon un certain critère de risque.
Méta-apprentissage pour l'adaptation rapide des modèles de risque
Technique où un modèle apprend à apprendre, lui permettant de s'adapter à de nouveaux régimes de marché ou à de nouveaux types d'instruments avec très peu de données, ce qui est crucial pour maintenir la pertinence des modèles de risque en temps de crise.
Quantification de l'incertitude des modèles d'IA (Deep Ensembles)
Approche qui entraîne plusieurs modèles d'IA sur des sous-ensembles de données différents et agrège leurs prédictions pour non seulement obtenir une estimation plus robuste, mais aussi mesurer l'incertitude ou la confiance associée à chaque prédiction de risque.
Modélisation du risque de liquidité par agents basés sur l'IA
Simulation de marché où des agents artificiels intelligents, dotés de stratégies d'apprentissage, interagissent pour former les prix et les volumes, permettant d'étudier l'impact de chocs sur la liquidité et le coût de transaction des portefeuilles.
Analyse du risque systémique par NLP sur les actualités financières
Utilisation du traitement du langage naturel (NLP) et de modèles de transformers pour analyser en temps réel des flux de données textuelles (news, rapports, réseaux sociaux) afin de quantifier le sentiment du marché et d'identifier les signaux avant-coureurs de risque systémique.