Introducción a la negociación algorítmica y a los métodos de aprendizaje automático

Torres Daza, David Rafael
Alcalá Nalvaiz, José Tomás (dir.)

Universidad de Zaragoza, CIEN, 2024

Graduado en Matemáticas

Resumen: El propósito de este trabajo es explorar en profundidad el impacto del aprendizaje automático en el trading automático, identificando cómo estos algoritmos no solo han mejorado las operaciones tradicionales, sino que también han introducido nuevas estrategias de inversión. A través de la discusión, se delineará la evolución del ML, se explicarán los principios fundamentales del trading automático y se analizarán modelos específicos de ML aplicados a este campo. Este estudio no solo proporcionará una comprensión teórica de estos procesos, sino que también incluirá un caso práctico para ilustrar su aplicación y eficacia en el mercado real financiero.
El trabajo se estructura en tres capítulos principales. En el primer capítulo, se introduce el aprendizaje automático (ML), una rama de la inteligencia artificial que combina el análisis estadístico y la informática. Se explican tres métodos de ML: el aprendizaje supervisado, que utiliza datos etiquetados para entrenar modelos capaces de predecir salidas basadas en entradas conocidas; el aprendizaje no supervisado, que analiza datos sin etiquetar para encontrar patrones o agrupaciones subyacentes; y el aprendizaje por refuerzo, que se basa en agentes que toman decisiones en un entorno dinámico para maximizar recompensas a lo largo del tiempo. Además, se discuten diversas aplicaciones del ML en el ámbito financiero, como la predicción de movimientos de precios y la optimización de portfolios de inversión. En este capítulo también aborda el concepto de trading automático. El trading automático, o trading algorítmico, es una metodología en la que las decisiones de compra y venta en los mercados financieros son ejecutadas por software que utiliza algoritmos predefinidos. Estos algoritmos permiten operar con una velocidad y precisión que superan las capacidades humanas, eliminando las emociones de las decisiones de trading y permitiendo responder rápidamente a las condiciones del mercado. Los sistemas de trading automático utilizan modelos matemáticos y análisis cuantitativo para generar señales de trading.
En el segundo capítulo, se detallan dos modelos de ML aplicables al trading automático: los métodos basados en árboles (Random Forests) y las máquinas de soporte vectorial (SVM). Los métodos basados en árboles dividen el espacio de características en regiones simples para tomar decisiones basadas en observaciones de datos, mientras que las SVM clasifican datos mediante la construcción del mejor hiperplano que separa las clases en el espacio de características. Estos modelos fueron seleccionados por su rendimiento en contextos complejos y no lineales típicos de los mercados financieros. Se explica en detalle la construcción y entrenamiento de estos modelos, así como sus ventajas e inconvenientes.
El tercer capítulo se dedica a un caso práctico cuyo objetivo es aplicar los modelos de ML para predecir los precios de activos en el mercado financiero y desarrollar un sistema de trading automático. La cartera de inversión utilizada incluye acciones del Ibex35 y del S&P500.; Se implementan dos estrategias principales: una basada en la predicción de retornos futuros utilizando Random Forest y otra que combina esta predicción con la clasificación de tendencias de precios mediante SVM. Los resultados de estas estrategias se comparan con los obtenidos mediante una estrategia de análisis técnico basada en medias móviles.
En los apéndices, se incluyen análisis detallados y adicionales que complementan al tercer capitulo. Se muestran los resultados de las estrategias de trading en un escenario de mercado alcista y se presentan gráficos de la evolución del capital y de las operaciones realizadas. También se describe el proceso de optimización de hiperparámetros para los modelos de Random Forest, así como la importancia de las características utilizadas en el conjunto de datos. Además, se proporciona un esquema del código utilizado en Python, destacando las librerías y funciones clave para la implementación y evaluación de las estrategias de trading. Estos apéndices ofrecen una visión más completa y técnica de los métodos y resultados obtenidos, subrayando la robustez y eficacia de los modelos de ML aplicados en este estudio.
En conclusión, el trabajo demuestra que los modelos de ML son efectivos para desarrollar estrategias de trading automático que generan rendimientos positivos y consistentes. Hemos tratado las bases del aprendizaje automático aplicado en el trading financiero con modelos sencillos tanto en el un número de características como la optimización de los hiperparámetros. Esto permite el estudio de modelos más complejos para así mejorar el rendimiento de las estrategias y abrir nuevas posibilidades a la aplicación del aprendizaje automático en las finanzas cuantitativas.

Tipo de Trabajo Académico: Trabajo Fin de Grado