Optimización bayesiana multiobjetivo de los hiperparámetros de un algoritmo de aprendizaje reforzado profundo en el ámbito financiero

Abstract

Los mercados financieros son cada vez más complejos, presentando desafíos significativos para los analistas y gestores de carteras. Sin embargo, con la aparición de herramientas avanzadas como la inteligencia artificial y el machine learning, se están desarrollando nuevas técnicas para tratar de predecir y optimizar el comportamiento del mercado. En este contexto, la optimización multiobjetivo, en particular a través de enfoques como la optimización bayesiana y el random search, ha cobrado relevancia. Estas técnicas permiten manejar múltiples objetivos simultáneamente, ofreciendo una forma más sofisticada de abordar la toma de decisiones en la gestión de carteras. La optimización bayesiana ha demostrado ser superior en otros sectores, como la robótica, gracias a su capacidad para manejar la incertidumbre, trabajar con grandes volúmenes de datos y mejorar el rendimiento en entornos complejos. Sin embargo, en el sector financiero, debido a la imprevisibilidad del mercado y la existencia de ruido, todavía hay muy poca investigación en esta área. Esta investigación se centra en comparar y demostrar la superioridad de la optimización bayesiana multiobjetivo frente al random search, evaluando su efectividad mediante la métrica del hipervolumen.

Financial markets are becoming increasingly complex, presenting significant challenges for analysts and portfolio managers. However, with the advent of advanced tools such as artificial intelligence and machine learning, new techniques are being developed to predict and optimize market behavior. In this context, multi-objective optimization, particularly through approaches such as Bayesian optimization and random search, has gained relevance. These techniques allow for the simultaneous handling of multiple objectives, offering a more sophisticated way to approach decision-making in portfolio management. Bayesian optimization has proven to be superior in other sectors, such as robotics, due to its ability to handle uncertainties, work with large volumes of data and improve performance in complex environments. However, in the financial sector, due to the unpredictability of the market and the existence of noise, there is still very little research in this area. This research focuses on comparing and demonstrating the superiority of multi-objective Bayesian optimization over random search, evaluating their effectiveness using the hypervolume metric.