Diego Leon
Current Organizations / Institutes
The organizations/institutes from the scholar's latest article
Research Subjects
Diego Leon has a total of 18 co-authors. Here are the top co-authors by number of shared publications:
- German Hernandez
Universidad Nacional de Colombia
9 shared publications - Javier Sandoval
Universidad Externado de Colombia
7 shared publications - Andrea Cruz
Department of Systems and Industrial Engineering, Universidad Nacional de Colombia, Bogotá, Colombia
2 shared publications - Carlos Andrés Zapata Quimbayo
Universidad Externado de Colombia
2 shared publications - Cristian Quintero
Department of Finance, Universidad Externado de Colombia, Bogota, Colombia
2 shared publications - Edwin Lopez
Universidad Nacional de Colombia
2 shared publications
Latest Publications
- 16 October 2025
- Published by Springer Nature
- p. 74-85
Forecasting the USD/COP Exchange Rate Using LSTM Networks: A Comparison with ARIMA Models
- 16 October 2025
- Published by Springer Nature
- p. 74-85
Forecasting the USD/COP Exchange Rate Using LSTM Networks: A Comparison with ARIMA Models
- 16 October 2025
- Published by Springer Nature
- p. 62-73
Intraday Prediction of Oil Price Using Deep Learning Techniques
- 16 October 2025
- Published by Springer Nature
- p. 62-73
Intraday Prediction of Oil Price Using Deep Learning Techniques
- 16 October 2025
- Published by Springer Nature
- p. 137-149
A Computer Vision-Based System for Medications Recognition in Inventory Management
- 16 October 2025
- Published by Springer Nature
- p. 137-149
A Computer Vision-Based System for Medications Recognition in Inventory Management
- 21 April 2025
- Published by Springer Nature in SN Computer Science
- Vol. 6 (5) , 1-13
Deep Reinforcement Learning in Continuous Action Spaces for Pair Trading: A Comparative Study of A2 C and PPO
- 21 April 2025
- Published by Springer Nature in SN Computer Science
- Vol. 6 (5) , 1-13
Deep Reinforcement Learning in Continuous Action Spaces for Pair Trading: A Comparative Study of A2 C and PPO
- 18 October 2024
- Published by Springer Nature
- p. 31-42
Reinforcement Learning Model Applied in a Pair Trading Strategy
- 18 October 2024
- Published by Springer Nature
- p. 31-42
Reinforcement Learning Model Applied in a Pair Trading Strategy
- Open Access
- 10 June 2024
- Published by Springer Nature in SN Computer Science
- Vol. 5 (5) , 1-12
Deep Heterogeneous AutoML Trend Prediction Model for Algorithmic Trading in the USD/COP Colombian FX Market Through Limit Order Book (LOB)
This study presents a novel and competitive approach for algorithmic trading in the Colombian US dollar inter-bank market (SET-FX). At the core of this strategy is an advanced predictive model, developed using the Tree-based Pipeline Optimization Tool (TPOT). TPOT, an automated machine learning platform based on strongly-typed genetic programming, incorporates the Non-dominated Sorting Genetic Algorithm II (NSGA-II). This multi-objective evolutionary algorithm is instrumental in identifying machine learning models that strike an optimal balance between high accuracy and low complexity, thereby advancing the field of predictive modeling in financial markets.
- 10 June 2024
- Published by Springer Nature in SN Computer Science
- Vol. 5 (5) , 1-12
Open AccessDeep Heterogeneous AutoML Trend Prediction Model for Algorithmic Trading in the USD/COP Colombian FX Market Through Limit Order Book (LOB)
This study presents a novel and competitive approach for algorithmic trading in the Colombian US dollar inter-bank market (SET-FX). At the core of this strategy is an advanced predictive model, developed using the Tree-based Pipeline Optimization Tool (TPOT). TPOT, an automated machine learning platform based on strongly-typed genetic programming, incorporates the Non-dominated Sorting Genetic Algorithm II (NSGA-II). This multi-objective evolutionary algorithm is instrumental in identifying machine learning models that strike an optimal balance between high accuracy and low complexity, thereby advancing the field of predictive modeling in financial markets.
- Open Access
- 30 November 2023
- Published by Universidad Externado de Colombia in ODEON
- No. 24,p. 7-24
Reinforcement learning for finance: A review
Este artículo ofrece una revisión exhaustiva de la aplicación del aprendizaje por refuerzo (AR) en el dominio de las finanzas, y arroja una luz sobre el innovador progreso alcanzado y los desafíos que se avecinan. Exploramos cómo el AR, un subcampo del aprendizaje automático, ha sido instrumental para resolver problemas financieros complejos al permitir procesos de toma de decisiones que optimizan las recompensas a largo plazo. El AR es una poderosa técnica de aprendizaje automático que se puede utilizar para entrenar a agentes a fin de tomar decisiones en entornos complejos. En finanzas, el AR se ha utilizado para resolver una variedad de problemas, incluyendo la ejecución óptima, la optimización de carteras, la valoración y cobertura de opciones, la creación de mercados, el enrutamiento inteligente de órdenes y el robo-asesoramiento. En este artículo revisamos los desarrollos recientes en AR para finanzas. Comenzamos proporcionando una introducción al AR y a los procesos de decisión de Markov (MDP), que es el marco matemático para el AR. Luego discutimos los diversos algoritmos de AR que se han utilizado en finanzas, con un enfoque en métodos basados en valor y políticas. También discutimos el uso de redes neuronales en AR para finanzas. Finalmente, abordamos los resultados de estudios recientes que han utilizado AR para resolver problemas financieros. Concluimos discutiendo los desafíos y las oportunidades para futuras investigaciones en AR para finanzas.
- 30 November 2023
- Published by Universidad Externado de Colombia in ODEON
- No. 24,p. 7-24
Open AccessReinforcement learning for finance: A review
Este artículo ofrece una revisión exhaustiva de la aplicación del aprendizaje por refuerzo (AR) en el dominio de las finanzas, y arroja una luz sobre el innovador progreso alcanzado y los desafíos que se avecinan. Exploramos cómo el AR, un subcampo del aprendizaje automático, ha sido instrumental para resolver problemas financieros complejos al permitir procesos de toma de decisiones que optimizan las recompensas a largo plazo. El AR es una poderosa técnica de aprendizaje automático que se puede utilizar para entrenar a agentes a fin de tomar decisiones en entornos complejos. En finanzas, el AR se ha utilizado para resolver una variedad de problemas, incluyendo la ejecución óptima, la optimización de carteras, la valoración y cobertura de opciones, la creación de mercados, el enrutamiento inteligente de órdenes y el robo-asesoramiento. En este artículo revisamos los desarrollos recientes en AR para finanzas. Comenzamos proporcionando una introducción al AR y a los procesos de decisión de Markov (MDP), que es el marco matemático para el AR. Luego discutimos los diversos algoritmos de AR que se han utilizado en finanzas, con un enfoque en métodos basados en valor y políticas. También discutimos el uso de redes neuronales en AR para finanzas. Finalmente, abordamos los resultados de estudios recientes que han utilizado AR para resolver problemas financieros. Concluimos discutiendo los desafíos y las oportunidades para futuras investigaciones en AR para finanzas.
- 27 October 2023
- Published by Springer Nature
- p. 3-11
Algorithmic Trading System Using Auto-machine Learning as a Filter Rule
- 27 October 2023
- Published by Springer Nature
- p. 3-11
Algorithmic Trading System Using Auto-machine Learning as a Filter Rule
- 23 November 2022
- Published by Springer Nature
- p. 160-169
Multivariate Financial Time Series Forecasting with Deep Learning
- 23 November 2022
- Published by Springer Nature
- p. 160-169
Multivariate Financial Time Series Forecasting with Deep Learning