{"version":"1","article":{"id":"monte-carlo-tree-search-sparse-financial-regression","slug":"monte-carlo-tree-search-sparse-financial-regression","language":"es","url":"https://haberpaper.com/es/news/monte-carlo-tree-search-sparse-financial-regression","api_url":"https://haberpaper.com/api/v1/articles/monte-carlo-tree-search-sparse-financial-regression?lang=es","title":"La búsqueda en árbol de Monte Carlo compara la selección dispersa de variables en regresión financiera","summary":"Un preprint de autores afiliados a Paris Dauphine-PSL y CNRS evalúa el ajuste fuera de muestra de la selección de variables mediante búsqueda para una regresión explicativa del NASDAQ-100.","category":"finance","region":"world","topics":["ai"],"published_at":"2026-10-13T20:11:52+03:00","modified_at":"2026-10-13T20:11:52+03:00","publication_basis":"publication-record","event_period":"2026-10-09","event_period_basis":"event-or-reference-period","sources":[{"name":"arXiv","url":"https://arxiv.org/html/2610.13574v1","publishedAt":"2026-10-09","checkedAt":"2026-10-13"}],"translations":[{"language":"tr","url":"https://haberpaper.com/tr/news/monte-carlo-tree-search-sparse-financial-regression","api_url":"https://haberpaper.com/api/v1/articles/monte-carlo-tree-search-sparse-financial-regression?lang=tr"},{"language":"en","url":"https://haberpaper.com/en/news/monte-carlo-tree-search-sparse-financial-regression","api_url":"https://haberpaper.com/api/v1/articles/monte-carlo-tree-search-sparse-financial-regression?lang=en"},{"language":"ar","url":"https://haberpaper.com/ar/news/monte-carlo-tree-search-sparse-financial-regression","api_url":"https://haberpaper.com/api/v1/articles/monte-carlo-tree-search-sparse-financial-regression?lang=ar"},{"language":"fr","url":"https://haberpaper.com/fr/news/monte-carlo-tree-search-sparse-financial-regression","api_url":"https://haberpaper.com/api/v1/articles/monte-carlo-tree-search-sparse-financial-regression?lang=fr"},{"language":"es","url":"https://haberpaper.com/es/news/monte-carlo-tree-search-sparse-financial-regression","api_url":"https://haberpaper.com/api/v1/articles/monte-carlo-tree-search-sparse-financial-regression?lang=es"}],"data_types":[],"data":null,"data_compilations":[],"data_downloads":[],"content":{"paragraphs":["Enviado a arXiv el 9 de octubre, el estudio combina búsqueda en árbol de Monte Carlo con adaptación generalizada de política de rollout anidado para seleccionar un subconjunto menor entre 1.072 variables diseñadas. Los subconjuntos candidatos se puntúan según su rendimiento de validación fuera de muestra, en vez del error de entrenamiento; el método también puede tener en cuenta el tamaño del subconjunto y la multicolinealidad. La primera página indica que ambos autores están afiliados a LAMSADE, Université Paris Dauphine-PSL y CNRS, en París, Francia.","Para una regresión explicativa de los rendimientos semanales del NASDAQ-100 entre enero de 2000 y marzo de 2026, los autores informan un R² fuera de muestra de 0,6961 con su método y 0,6313 con una comparación Lasso optimizada. El artículo aclara que el objetivo es una regresión explicativa con variables observadas contemporáneamente, por lo que el resultado no representa capacidad de pronóstico futuro de rendimientos. Es un hallazgo de preprint dentro de un conjunto de datos financieros y un protocolo experimental concretos. El trabajo propone una alternativa de búsqueda para seleccionar modelos dispersos e interpretables cuando hay muchas variables correlacionadas."],"key_points":[],"sections":[]},"text":"Un preprint de autores afiliados a Paris Dauphine-PSL y CNRS evalúa el ajuste fuera de muestra de la selección de variables mediante búsqueda para una regresión explicativa del NASDAQ-100.\n\nEnviado a arXiv el 9 de octubre, el estudio combina búsqueda en árbol de Monte Carlo con adaptación generalizada de política de rollout anidado para seleccionar un subconjunto menor entre 1.072 variables diseñadas. Los subconjuntos candidatos se puntúan según su rendimiento de validación fuera de muestra, en vez del error de entrenamiento; el método también puede tener en cuenta el tamaño del subconjunto y la multicolinealidad. La primera página indica que ambos autores están afiliados a LAMSADE, Université Paris Dauphine-PSL y CNRS, en París, Francia.\n\nPara una regresión explicativa de los rendimientos semanales del NASDAQ-100 entre enero de 2000 y marzo de 2026, los autores informan un R² fuera de muestra de 0,6961 con su método y 0,6313 con una comparación Lasso optimizada. El artículo aclara que el objetivo es una regresión explicativa con variables observadas contemporáneamente, por lo que el resultado no representa capacidad de pronóstico futuro de rendimientos. Es un hallazgo de preprint dentro de un conjunto de datos financieros y un protocolo experimental concretos. El trabajo propone una alternativa de búsqueda para seleccionar modelos dispersos e interpretables cuando hay muchas variables correlacionadas.","corrections":[],"editorial_illustration":{"kind":"symbolic-editorial-illustration","documentary":false,"scope":"section","asset_id":"finance","url":"https://haberpaper.com/assets/illustrations/finance-1536.webp","width":1536,"height":1024,"alt":"Representación simbólica del sistema financiero con una puerta de caja fuerte, columnas y monedas sin inscripciones.","language":"es"},"section_illustration":{"kind":"symbolic-editorial-illustration","documentary":false,"scope":"section","asset_id":"finance","url":"https://haberpaper.com/assets/illustrations/finance-1536.webp","width":1536,"height":1024,"alt":"Representación simbólica del sistema financiero con una puerta de caja fuerte, columnas y monedas sin inscripciones.","language":"es"}}}