IV Curso sobre Machine Learning y Banca Central

La Dirección de Infraestructuras del Mercado Financiero del CEMLA, en conjunto con el Deutsche Bundesbank, organizaron el IV Curso sobre Machine Learning y Banca Central. El curso se llevó a cabo de manera virtual del 19 al 21 de abril de 2023. Asistieron 89 representantes de 23 instituciones y asociados del CEMLA, en representación de 21 países de América Latina y el Caribe, 3 países europeos y 1 país asiático. Durante el curso se presentaron los componentes básicos del Aprendizaje Automatizado (Machine Learning, ML) y se analizaron a detalle algunos métodos, estableciendo conexiones entre ellos y los métodos estadísticos convencionales.

Durante el primer día del curso se cubrieron temas introductorios necesarios para entrenar un modelo de ML. En particular se habló de las diferencias entre los datos de entrenamiento, los de validación y los de prueba. Del mismo modo, se abordó el concepto de validación cruzada y se discutió todos sus detalles relevantes. A continuación, se estudiaron formas de evaluar un modelo de ML, entre las que destacan la matriz de confusión, así como las medidas de precisión, sensibilidad, F1-score y la curva PR.

En el segundo día del evento se trataron algunos métodos basados en árboles, tales como los árboles de decisión (CART, por sus siglas en inglés) y los árboles de inferencia condicional. Más adelante, se explicaron algunos criterios tales como el índice de GINI y la entropía, que son utilizados para que los modelos puedan hacer distinciones entre los datos. Durante la última sesión del día se cubrieron algunos modelos más avanzados de árboles tales como el Bagging, y Boosting. Mientras que el primero está basado en técnicas de muestreo, el segundo se basa en la premisa “¿pueden varios algoritmos débiles crear un algoritmo más robusto?”.

Durante el último día del curso se estudiaron los llamados Bosques Aleatorios, así como la Potenciación del Gradiente, los cuales mejoran algunas cualidades de los métodos anteriores. Sin embargo, se recalcó que se debe ser cuidadoso en su implementación, ya que, dependiendo de las cualidades de los datos de entrenamiento, estos pueden tener un desempeño inferior a los algoritmos introductorios cubiertos en los días anteriores.  Durante la última sesión del curso, se discutieron problemas reales de algunos bancos centrales. Entre los participantes que expusieron sus problemas cabe mencionar a miembros del Banco Central de Nicaragua y del Banco Central de Filipinas.