Conformación automática de portafolios de inversión usando analítica financiera

Abstract

En este trabajo se presenta un prototipo de simulación para evaluar diferentes estrategias de Comercio Algorítmico en el mercado financiero colombiano; esto con el fin de analizar si es posible incorporar este tipo de estrategias por parte de los inversionistas. Para construir las estrategias, se hacen uso de diversos tipos de modelos de Inteligencia Artificial, como por ejemplo redes neuronales, bosques aleatorios y regresión logística, los cuales predicen la tendencia del precio del día siguiente. Estas predicciones son transformadas en señales de compra y venta de las acciones que permiten la conformación diaria del portafolio. Las diferentes estrategias varían en cuanto al tipo de modelo entrenado para cada activo, el subconjunto de acciones seleccionado y otros parámetros que se dan en la negociación y que dependen exclusivamente de la aversión al riesgo del inversionista, tal como el porcentaje invertido en cada movimiento y la pérdida máxima aceptada. Las diferentes simulaciones permiten establecer la estrategia que logra la mayor rentabilidad para el inversionista, que en el escenario planteado en este trabajo consta de la selección de 11 acciones y un tipo de modelo diferente para cada activo según su mejor desempeño predictivo. Dicha estrategia alcanza una rentabilidad de 78% sobre la inversión. Los resultados de esta estrategia automática de negociación fueron comparados con la rentabilidad generada por la estrategia tradicional de conformación de portafolio Markowitz, la cual genera un 5% de pérdida. Al contrastar estos resultados se aprecian las bondades que trae para el inversionista implementar una estrategia automática de negociación basada en la predicción de la dirección del precio de las acciones. (Texto tomado de la fuente)

In this work a simulation prototype is presented to evaluate different Algorithmic Trading strategies in the Colombian financial market; the purpose is to analyze the possibility to incorporate this type of strategy by investors. In order to build the strategies, various types of Artificial Intelligence models are applied, such as neural networks, random forests and logistic regression, which predict the price trend of the next day. These predictions are transformed into buy and sell signals for the stocks that allow the daily formation of the portfolio. The different strategies vary in terms of the type of model trained for each asset, the selected subset of stocks and other parameters that occur in the negotiation and that depend exclusively on the investor's aversion to risk, such as the percentage invested in each movement and the maximum accepted loss. The different simulations make it possible to establish the strategy that achieves the highest profitability for the investor, which in the scenario proposed in this work consists of the selection of 11 stocks and a different type of model for each asset according to its best predictive performance. This strategy achieves a 78% return on investment. The results of this automatic trading strategy were compared with the profitability generated by the traditional Markowitz portfolio formation strategy, which generates a 5% loss. When comparing these results, the benefits that the investor brings to implement an automatic negotiation strategy based on the prediction of the direction of the share price can be appreciated.