REFERENCIAS

INTRODUCCIÓN: [1] y [2]

- https://eprints.ucm.es/id/eprint/67088/1/TFMFE_2021_Martina%20Pattuzzi.pdf

- https://economipedia.com/definiciones/bono-catastrofe.html

- https://fundspeople.com/es/glosario/como-funcionan-los-bonos-catastrofe-una-activo-en-
auge-para-diversificar-las-carteras/#:~:text=%C2%BFQu%C3%A9%20son%20los%20bonos
%20cat%C3%A1strofe,%2C%20una%20pandemia%2C%20etc).

https://ieeexplore.ieee.org/document/9395582/figures#figures

PARTE 1 :

1.1 [2]

1.1.1 [3 y 4]

1.1.2 [5]

1.1.3 [5]

1.2

C C C V nom n
C V
n ∑
PB = 1
+ 2
+ …+ n
+ ≈ j
+ nom n
( 1+ r 1 ) ( 1+r 2 ) ( 1+ r n ) ( 1+r n ) j=1 ( 1+ r n ) ( 1+r n )
ED=t n−t 1

MM=
∑ Mi
n

E=10(11.8+ 1.5M )

RSRER=
∑ E 0.5
i
ED
b=¿ ¿

a=
∑ log10 ( N i )+ b M i
n

MSD=
∑ (log ¿¿ 10 ( N i ) −( a−b M i )2)
¿
n−1
a
MD=M maximumobserved −M maximumexpected =M maximum observed −
b
 MTBCE=
∑ t i caract
ncaract
observed׿
CVFMT =standard deviation of the ¿
MTBCE

XS2032522182
US49835KAD54

US62983QAK94

US91734PAA49

US90323WAJ99

XS1837201638

https://www.artemis.bm/news/cat-bonds-structurally-diversifying-primed-for-growth-says-
neuberger-berman/#:~:text=While%20this%20is%20slightly%20lower,effectiveness%20as
%20a%20portfolio%20diversifier.%E2%80%9D

https://www.investopedia.com/terms/b/bondquote.asp#:~:text=Key%20Takeaways,also
%20be%20expressed%20as%20fractions.

https://www.kansascityfed.org/oklahomacity/oklahoma-economist/2016q1-economic-
damage-large-earthquakes/

https://dialnet.unirioja.es/servlet/tesis?codigo=291954#:~:text=El%20modelo%20ETAS%20es
%20un,en%20ingl%C3%A9s%2C%20branching%20process).

https://www.researchgate.net/publication/363918362_Spatio-
Temporal_Seismicity_Prediction_in_Chile_Using_a_Multi-Column_ConvLSTM

https://ijece.iaescore.com/index.php/IJECE/article/view/8992/11763
Requisitos obligatorios
 Diseña un servicio financiero, algoritmo de inversión, o algoritmo de mejor ejecución.
 Incluye al menos una red neuronal, y valora combinarla con otras redes, algoritmos genéticos o
algoritmos enjambre.
 Emplea técnicas Big Data para analizar la información y realizar el entrenamiento de las redes
neuronales.
 El lenguaje deberá ser R o Python.
 El tribunal deberá poder ejecutar el código entregado para poder evaluar la veracidad de la
memoria.

Pasos a dar (y a justificar) en el diseño del servicio financiero o algoritmo de

inversión.
 Determina los datos con los que vas a trabajar (renta variable, renta fija, fondos, derivados,
activos exóticos…)
 Obtención de los datos: Sesgo de supervivencia.
 Homogeneización de los datos.
 Ajuste de la serie de datos (split, contrasplit, dividendos)
 Diseño el algoritmo de inversión:
o Determina el criterio selección de activos para entrar en mercado: Qué comprar y
cuando.
o Determina el criterio de asignación de capital disponible: Cuanto.
o Determina el criterio de selección de activos para salir de mercado: Qué vender y
cuando.
o Determina el criterio de desasignación de capital invertido: Cuanto vender (no tienes
porqué vender el 100% de la posición de un activo).
 Gestión de la cartera en el algoritmo de inversión:
o ¿Qué hacer con el capital disponible al realizar una venta? Criterio de reasignación.
o ¿Qué hacer cuando no hay capital disponible suficiente?
o Determinar límites en la concentración de riesgo (% de capital asignado máximo).
o Determinar comisiones de compra – venta.
 o Umbral de eficiencia: Capital inicial mínimo.
o Umbral de arrastre: Punto en el que las compras o ventas afectarían al mercado.
o Tipo de órdenes a introducir en el mercado. ¿Cómo eliminas la suposición de
ejecución?
o Gestión de la tesorería
 Cálculo de flujos y beneficios.
 ¿Con cuanto cuánto capital trabajamos? No podemos suponer dinero infinito.
 ¿Reinvertimos los beneficios?
 ¿Mantenemos un % de dinero líquido para el pago de las comisiones?
o Determinar la ventana de datos con la que realizamos los cálculos (estática –
dinámica)
o Determinar tipo de stop loss (o justificar su no existencia).
o Gestión del riesgo divisa
 Backtesting (algoritmo & servicio): análisis histórico del rendimiento del algoritmo
o Análisis de mínimo 5 años.
o Determina y utiliza un benchmark adecuado (si no existe, créalo y justifícalo).
o Compárate con diferentes benchmark (otros índices o fondos de inversión y justifica su
adecuación).
o Comprueba si el algoritmo supera la prueba de aleatoriedad.
 Configuración del Algoritmo:
o Argumenta porqué has elegido una configuración estática, dinámica o evolutiva.
Pasos a dar (y a justificar) en el diseño y uso de redes neuronales
 Definición de la tarea de aprendizaje
o Describir las características o variables de entrada, indicando las combinaciones y
transformaciones realizadas para su construcción.
o Describir las variables de salida, detallando su construcción.
 Arquitectura:
o Indicar y describir las capas y funciones de activación utilizadas y la razón de su
elección.
o Justificar la elección del tipo de arquitectura, o método determinado, para la
resolución del problema. Por ejemplo, si se utiliza Reinforcement LearningL en vez de
aprendizaje supervisado, o si se utilizar en el caso del PLN (Procesamiento de Lenguaje
Natural) embeddings pre-entrenados en vez de entrenarlos con un corpus propio.
o Justificar el método de entrenamiento utilizado y la razón de su elección.
 Diseño Experimental:
o Describir el esquema de separación de los datos (entrenamiento/prueba, validación
cruzada) justificando su adecuación al tipo de problema
o Indicar las métricas de evaluación utilizadas para el problema y la razón de su elección.
o Optimización de las redes: ajuste de los hiperparámetros, indicar las técnicas
utilizadas.
o Generalización: Indicar las técnicas empleadas para evitar el sobreajuste de la red. Es
deseable emplear técnicas adicionales a las estándar de Tensorflow.
 Resultados:
o Análisis de sensibilidad: Explicación de los efectos observables en las diferentes
pruebas y cambios en los modelos probados.
o Presentación clara y concisa de los resultados, según las métricas elegidas, incluyendo
estadísticos, ratios y gráficas explicativas.

Pasos a dar (y a justificar) en el diseño y uso de técnicas de big data

 Arquitectura Big Data.
o Justificación: Razonamiento de la arquitectura seleccionada en función de las distintas
opciones de Cloud.
o Escalabilidad: Detalle de como escalaria el algoritmo ante el entrenamiento con un
mínimo de 100 Gb.
o Despliegue: Como se va a desplegar el modelo para que pueda ser utilizado por otras
personas, no solo por los autores del proyecto en sus equipos.
o Evidencias: Uso de al menos una solución de Cloud para el entrenamiento. puesta en
producción y despliegue.

Entregables
 Memoria detallada.
o Idea: Se valorará positivamente la originalidad de la misma (no duplicidad con otros
TFM).
o Pasos realizados y por qué (algoritmo, redes neuronales, big data).
o Descartes realizados (ideas finalmente no incorporadas).
 Código fuente del algoritmo.
 Informe con análisis histórico sobre el rendimiento del algoritmo.
 Presentación.