Segun arXiv q-fin, los modelos generativos basados en difusión han alcanzado un crecimiento notable en la representación de datos financieros complejos. Estos métodos no solo ofrecen una estructura matemática sólida, sino que también permiten entrenar de forma estable mediante likelihoods, capturan ampliamente las distribuciones de datos y permiten condiciones flexibles. Además, su formulación a través de ecuaciones diferenciales estocásticas se alinea directamente con las herramientas de cálculo de Itô y los marcos de control estocástico, fundamentales en el análisis financiero tradicional. Este trabajo presenta una revisión exhaustiva de la literatura existente sobre modelos generativos de familia difusiva aplicados al sector financiero, clasificando las investigaciones según el tipo de dato financiero involucrado: series temporales, libros de órdenes, datos en tablas y otros objetos estructurados. Cada categoría revela objetivos específicos de modelado y escenarios de aplicación distintos, mostrando cómo las necesidades del entorno financiero influyen en el diseño de estos modelos. A diferencia de otras revisiones, este documento constituye la primera encuadre especializado en la aplicación de modelos de difusión a datos financieros, ofreciendo así un panorama completo y actualizado. El contenido completo está disponible en un repositorio abierto en GitHub, accesible en https://github.com/ZhuoHan1998/Diffusion-Models-In-Finance.
Para los lectores peruanos, este avance técnico es especialmente relevante en un contexto donde las instituciones financieras enfrentan crecientes demandas por modelos predictivos precisos y robustos. En el mercado peruano, donde las series temporales de precios y volatilidad de activos son clave para decisiones de inversión, los modelos de difusión pueden ayudar a mejorar la calidad de las proyecciones. Su capacidad para capturar patrones complejos y ruidos estocásticos es particularmente útil en mercados altamente volátiles, como el de valores o derivados. Aunque aún no se han implementado ampliamente en entornos operativos locales, su desarrollo podría acelerar la integración de inteligencia artificial en herramientas de gestión de riesgo y toma de decisiones. Esto implica que futuras inversiones en plataformas tecnológicas podrían beneficiarse de este tipo de modelos, especialmente en entidades que buscan optimizar su análisis de datos sin sacrificar precisión. Sin embargo, es esencial mantener una visión crítica: la aplicación práctica requiere validación rigurosa, ya que los datos locales, como los de bolsas o mercados de títulos, pueden no seguir patrones universales. Por tanto, el peruano que gestiona su cartera o evalúa oportunidades debe estar atento a cómo estas tecnologías evolucionan, y entender que no reemplazan, sino que complementan, las decisiones basadas en análisis tradicionales y experiencia del mercado.