Consultoria
Llevamos trabajando desde 2016 en el mundo de la Inteligencia Artificial, estudiando, modelizando y emitiendo predicciones sobre la evolución de los mercados financieros, por lo que hemos adquirido una experiencia y conocimiento en big data y machine learning que pueden ser muy útiles para tu negocio, sea del sector que sea.
Si quieres saber cómo el machine learning puede ayudar a tu empresa escríbenos a: hola@investmood.com
Road Map Proyecto IA
Nos comprometemos a ayudarte completando tu proyecto de analítica avanzada. El proyecto seguiría las siguientes etapas:
Entendimiento del Problema
Entendimiento de los datos
Análisis exploratorio de datos (data visualization).
Estimación sobre si los datos disponibles son suficientes, y relevantes, para construir un modelo.
Definir un criterio de evaluación que mida la eficiencia del modelo y si es viable implementarlo en producción o no.
Preparar los datos:
Corregir datos Incompletos
Combinar datos de varias fuentes
Formateo de datos
Normalización de datos
Entrenamiento y validación del modelo (retrospectiva o prospectiva) utilizando las principales herramientas de machine learning
Especificaciones del modelo a integrar en el sistema
Herramientas
Utilizamos diversas herramientas de machine learning "cero code" para que sea más sencilla la interpretación e implementación de los modelos IA en tu negocio :
Referencias
Algunos proyectos, en diversos contextos, en los que hemos utilizado la Inteligencia Artificial:
Inteligencia artificial como herramienta de análisis en gestión value
🎯Objetivo: Batir al índice con un enfoque de gestión value, utilizando IA para identificar qué valores van a batir al índice.
🔢Datos: Dataset de 541 observaciones con ratios que abarcan desde 2014 hasta 2019. 453 líneas han sido utilizadas para entrenar el modelo con datos anuales que van desde 2014 hasta 2018.
🖥️Modelo: A pesar de que es asumido que los valores con ratios más bajos son valores baratos y deben tener un mejor rendimiento que el mercado la “gestion value” ha tenido problemas para batir al mercado sistemáticamente. En este estudio pretendemos identificar si la inteligencia artificial puede ser una herramienta útil en la “gestión value” y puede identificar qué valores o carteras van a batir al mercado. Con este propósito se han realizado diferentes entrenamientos de un modelo de inteligencia artificial que utiliza las ratios como predictores, mientras que la variable objetivo toma los valores “bate/no bate” al mercado. Los resultados obtenidos para el Mercado Español y Americano muestran que la capacidad predictiva del modelo supera el 60% de tasa de acierto y que una cartera diseñada por un sistema experto basado en inteligencia artificial es capaz de batir al Ibex 35. Por lo tanto, la inteligencia artificial es una herramienta útil para la gestión de activos con perfil value, ya sea como herramienta para ayudar en la investigación del analista o como motor de un sistema experto que diseñe carteras con el objetivo de batir al mercado.
📚Referencias: Saz-Peñas, L. J., Gómez-Martínez, R., & Prado-Román, C. (2017, September). Value Investment Using Stock Index. In Annual Meeting of the European Academy of Management and Business Economics (pp. 105-114). Springer, Cham.
Inteligencia artificial para predecir la lealtad a la universidad
🎯Objetivo: Identificar las variables más determinantes sobre las que actuar para incrementar la lealtad a la universidad.
🔢Datos: Esta investigación obtuvo datos a través de una encuesta on-line. Se obtuvieron 650 cuestionarios válidos, de los cuales un 59% corresponden a mujeres y el 41% hombres, un 60% fueron estudiantes un 21% profesores y el 19% a egresados.
🖥️Modelo: La tasa de acierto del modelo sobre la muestra reservada para la validación es de un 61% en global, cerca del doble de la que se podría esperar en un proceso aleatorio.
📚Referencias: Rodríguez, G. C., Martínez, R. G., Navalón, J. G. M., & Román, C. P. (2019). Inteligencia artificial para predecir la lealtad a la universidad. Journal of Management and Business Education, 2(1), 17-27.
Optimización de la selección y formación de profesionales medienate inteligencia artificial
🎯Objetivo: Estimar cuál va a ser la probabilidad de mejora en el desempeño del trabajador de una entidad multinacional a partir de una acción formativa
🔢Datos: 447 evaluaciones realizadas por la consultora Overlap a profesionales de la fuerza de ventas de uno de sus clientes.
🖥️Modelo: Modelo de inteligencia artificial que no sólo cuantifica la relación entre capacidades y formación sobre el desempeño del profesional, sino que también permite medir cómo aumentaría la probabilidad de un mejor desempeño si el profesional realizase un determinado curso formativo o mejora de capacidad. Así el modelo de inteligencia artificial se puede utilizar para definir el perfil óptimo del profesional que debe desarrollar esa actividad, perfil a intentar conseguir en los procesos de selección y en la planificación de la formación interna de la compañía.
🏆Premio: La ponencia "Artificial intelligence models to predict professional performance based on skills, abilities and knowledge" de Raúl Gómez Martínez, Miguel Prado Román y Ravi Purswani (CTO de Overlap) fue premiada como "best paper in competency and collaborative learning in higher education (accesit)" el en el XXVIII Congreso Internacional AEDEM, celebrado los días 3 y 4 de septiembre en Tokyo.
📚Referencias: Gómez-Martínez, R., Purswani, R., & Prado-Román, M. (2020). Optimization of the professionals selection and training by artificial intelligence. Journal of Management and Business Education, 3(2), 129-144.
Identificación de la motivación de los alumnos y personalización de la experiencia educativa con machine learning
🎯Objetivo: Identificar por qué el alumno se ha matriculado en un curso o seminario para personalizar las actividades a desarrollar, incrementando así la motivación y por lo tanto el aprovechamiento de la formación.
🔢Datos: Dataset de entrenamiento elaborado a partir de encuestas en LinkedIn. Dataset de validación prospectiva con los alumnos de la actividad
🖥️Modelo: Modelo de inteligencia artificial de árboles de decisión en el que los predictores son las características del alumno (género, sector profesional, años de experiencia, etc.) y la variable objetivo es una respuesta acotada sobre "para qué necesita esa formación".
🏆Premio: Premio AEDEM a la mejor investigación en innovación educativa en el XXXVII Congreso Anual de AEDEM, celebrado en Vigo, junio de 2023, por la ponencia "Identificación de la Motivación de los alumnos y personalización de la experiencia educativa con machine learning" de Raúl Gómez Martínez, María Luisa Medrano García y Tomás Aznar Sánchez.
📚Referencias: Gómez Martínez, R., Medrano García, M. L., & Aznar Sánchez, T. (2023). Motivation and personalization of teaching with machine learning. Journal of Management and Business Education, 6(3), 330–342. https://doi.org/10.35564/jmbe.2023.0017
Inteligencia artificial para predecir la recomendación de un máster universitario
🎯Objetivo: Predecir qué alumnos matriculados en master recomendarán en el futuro la matriculación en ese máster. Identificar qué factores son más sensibles para conseguir esa recomendación.
🔢Datos: Dataset de entrenamiento elaborado a partir de encuestas distribuidas a alumnos del Máster en Asesoramiento y Planificación Financiera
🖥️Modelo: Modelo de inteligencia artificial de árboles de decisión en el que los predictores son las valoraciones de la encuesta y la variable objetivo es "recomedarías este máster".
📚Referencias: Gómez Martínez, R., Medrano García, M. L., & Aznar Sánchez, T. (2023). Inteligencia artificial para predecir la recomendación de un máster universitario. Congreso Internacional de AEDEM, Tanger, Marruecos
Quantitative Trading Using Artificial Intelligence on Trend-Following Indicators: An Example in 2020
🎯Objetivo: Predecir la tendencia de los índices bursátiles utilizando modelos de inteligencia artificial con indicadores de tendencia.
🔢Datos:
Datos de entrenamiento: Desde enero de 2003 hasta diciembre de 2018.
Dataset de Validación: Desde enero de 2019 a diciembre de 2019
Test Dataset: Datos de enero de 2020 a octubre de 2020.
🖥️Modelo: Actualmente, los sistemas de trading algorítmico son uno de los mayores desafíos para el aprendizaje automático (ML) y la inteligencia artificial (IA). En este artículo, se propone un modelo de IA utilizando variables predictoras basadas en indicadores de tendencia. Utilizando una muestra de datos de contratos de futuros altamente negociados y sus indicadores técnicos, los resultados muestran una capacidad predictiva superior al 50% de la tendencia del mercado de la próxima sesión. Sin embargo, ML no permitió un sistema de comercio algorítmico rentable durante el proceso de prueba..
📚Referencias: Gómez-Martínez, R., Orden-Cruz, C., & Medrano-García, M. L. (2022). Quantitative Trading Using Artificial Intelligence on Trend-following Indicators: An Example in 2020. The Journal of Investing. https://doi.org/10.3905/joi.2022.1.235 .
Formación
Algunas referencia de actividades formativas sobre Inteligencia Artificial y Machine Learning, en los que hemos mostrado la experiencia de InvestMood.
Behavioural Finance - IA & Big Data en gestión de activos
Objetivo: Formar a los alumnos del Máster en Bolsa y Mercados Financieros sobre cómo La Inteligencia Artificial y el Machine Learning se están aplicando en los mercados financieros, haciéndo incapé en el enfoqeu alternativo que propone el Behavioural Finance.
Programa impartido desde 2018
- Behavioural Finance
- Marco Conceptual
- ¿Qué entendemos por Behavioural Finance?
- Big Data e Inteligencia Artificial
- Sistemas Big Data de Trading Algorítmico
- IA & Big Data en gestión de activos
- Introducción al Machine Learning
- Comprensión de los principales tipos de aprendizaje automático.
- Aprendizaje Supervisado.
- Aprendizaje No Supervisado.
- Caso práctico final
Fundamentos del Machine Learning
Objetivo: Formar a un grupo diverso de profesinales de la FNMT en Machine Learning, aprendinedo a manejar herramientas de enfoque usuario y entendiendo las posibilidades y dificultados del data mining
Programa: Programa impartido diciembre 2022
- Introducción al Machine Learning
- Comprensión de los principales tipos de aprendizaje automático.
- Aprendizaje Supervisado.
- Regresión linear
- Datos de panel
- Regresión logística
- Árboles de decisión
- Random forest.
- Redes bayesianas
- SupportVector Machine (SVM)
- Linear / quadraticdiscriminantanalysis.
- Aprendizaje No Supervisado.
- K-means Clustering.
- Hierrarchical Clustering.
- Recommender System.
Datos: Diversos datasets ilustrativos para cada técnica de machine learning.
Machine Learning en Economía de la Empresa
Objetivo: Formación online orientada a alumnos, jovenes investigadores y profesionales sobre cómo utilizar herramientas de Machine Learning gratuitas y orientadas al usuario (Gretl, Weka y Knime), en un contexto participativo, para utilizarlas en investigación y como soporte en las decisiones empresariales.
Programa impartido desde :
Sesión 1: 13/2/2023 (17:30 a 20:30h)• Introducción al Machine Learning• Comprensión de los principales tipos de aprendizaje automático.• Aprendizaje Supervisado.o Regresión Linearo Modelos de datos de panelo Regresión Logísticao Árboles de decisióno Random Forest.o Redes Bayesianaso Support Vector Machine (SVM)Sesión 2: 14/2/2023 (17:30 a 20:30h)• Aprendizaje No Supervisado.o K-means Clustering.o Hierrarchical Clustering.• Caso práctico final
Business intelligence para la toma de decisiones
Formación impartida sobre el uso de machine learning con los sigueines objetivos:
- Utilizar técnicas de datawarehouse y métodos de procesamiento analítico en línea para obtener información relevante en el contexto de la inteligencia de negocios.
- Poseer y comprender conocimientos que aporten una base u oportunidad de ser originales en el desarrollo y/o aplicación de ideas, a menudo en un contexto de investigación.
- Que los estudiantes sepan aplicar los conocimientos adquiridos y su capacidad de resolución de problemas en entornos nuevos o poco conocidos dentro de contextos más amplios (o multidisciplinares) relacionados con su área de estudio.
- Que los estudiantes sepan comunicar sus conclusiones (y los conocimientos y razones últimas que las sustentan) a públicos especializados y no especializados de un modo claro y sin ambigüedades.