Examen final

Sección 1: Opción Múltiple

50 puntos

1

¿Por qué el ML es más difícil en finanzas que en visión por ordenador?

(10 pts)

A. Porque los ordenadores son más lentos B. Por la baja señal/ruido, no estacionariedad, datos limitados y feedback adversarial C. Porque no existen librerías de ML para finanzas D. Porque los datos financieros son siempre normales

2

¿Qué tipo de aprendizaje es agrupar activos similares sin etiquetas?

(10 pts)

A. Supervisado B. No supervisado (clustering) C. Por refuerzo D. No es machine learning

3

¿Qué hace la regularización (Ridge/Lasso)?

(10 pts)

A. Aumenta la complejidad del modelo B. Penaliza la complejidad para evitar el overfitting C. Elimina todos los datos D. Garantiza retornos positivos

4

¿Por qué falla el cross-validation aleatorio en finanzas?

(10 pts)

A. Porque produce fuga de información (datos correlacionados en train y test) B. Porque es demasiado lento C. Porque no se puede programar D. Porque solo funciona con acciones

5

¿Cuál es la lección central sobre simple vs. complejo en ML financiero?

(10 pts)

A. El modelo más complejo siempre gana B. Lo simple frecuentemente gana; empieza simple y sube complejidad solo si se justifica C. Nunca uses regresión D. Las redes neuronales son siempre la mejor opción

Sección 2: Aplicación

30 puntos

6

Predecir el signo del retorno de mañana, ¿es supervisado o no supervisado? Escribe SUPERVISADO o NO SUPERVISADO.

(10 pts)

7

Un modelo da 90% de precisión in-sample y 51% out-of-sample. ¿Cuál es el problema? Escribe OVERFITTING o BUENO.

(10 pts)

8

Con 150 features y 500 observaciones, ¿cuál es el riesgo principal? Escribe OVERFITTING o RUIDO.

(10 pts)

Sección 3: Análisis (autoevaluación)

20 puntos

9

Una red neuronal con 200 features da 65% de precisión y Sharpe 3.5 en backtest. ¿Por qué desconfiarías y qué verificarías?

(10 pts)

10

Explica por qué un modelo simple (Lasso) puede superar a uno complejo (red neuronal) en finanzas.

(10 pts)

Machine Learning para Quants

Instrucciones

Sección 1: Opción Múltiple

Sección 2: Aplicación

Sección 3: Análisis (autoevaluación)

Detalle de respuestas