Inteligencia Artificial y Computación Cuántica en Finanzas

Permanent URI for this collection

https://repositorio.uai.edu.ar/handle/123456789/529

Browse

Recent Submissions

Now showing 1 - 2 of 2
  • Item
    Inteligencia artificial y computación cuántica en finanzas
    (Universidad Nacional de la Patagonia Austral, 2020-6) Braña, Juan Pablo ; Fernández, Alejandro ; Litterio, Alejandra M. J.
    El proyecto de investigación en curso, que aquí se presenta, propone estudiar las aplicaciones de la Computación Cuántica (QC) y la Inteligencia Artificial (IA) utilizando los simuladores de la Plataforma Cloud de IBM-Q en el campo de las Finanzas y el Trading Algorítmico para los Mercados Financieros. Con el fin de realizar avances y mejoras en las aproximaciones actuales se diseñará un modelo híbrido de ambas tecnologías que permita codificar algoritmos de Machine Learning en computadoras cuánticas, siempre manteniendo el criterio comparativo entre aproximaciones tradicionales y cuánticas, para (1) la administración de carteras de inversión y el análisis de riesgo; y (2) el procesamiento y análisis de datos alternativos, como por ejemplo redes sociales, earnings conference calls o noticias financieras.
  • Item
    Optimización de carteras de inversión : un benchmark con modelos clásico, de computación cuántica y de hibridación AI /QC
    (Universidad Nacional de Chilecito, 2021) Braña, Juan Pablo ; Fernández, Alejandro ; Litterio, Alejandra M. J.
    La optimización de carteras de inversión representa un desafío para el inversor al momento de seleccionar la combinación correcta de acciones a efectos de maximizar los retornos esperados y minimizar los riesgos. Es así que en contraste con el paradigma de la computación tradicional, la computación cuántica no sólo acelera de manera sustancial el proceso de las computadoras tradicionales si no que optimiza la performance del método que determina cuáles acciones deben ser incluidas en las carteras de inversión y cuáles no. En este trabajo presentamos un estudio de comparación y referencia entre el resultado obtenido por tres diferentes metodologías de optimización de cartera: a) aproximación clásica, b) aproximación cuántica, c) un híbrido entre la aproximación cuántica incorporando criterios de Inteligencia Artificial. Para el primero de los casos utilizamos el modelo de Markowitz, el cual es un algoritmo clásico para determinar carteras eficientes, para nuestra aproximación cuántica hemos trabajado con un algoritmo de optimización cuántico llamado Variational Quantum Eigensolver (VQE) y por último hemos intentado mejorar este último criterio de optimización con un índice de sentimiento calculado con procesamiento de lenguaje natural (NLP) y una métrica de forecasting multivariado basado en Machine Learning.