Publicación: Sistema de trading algorítmico para ETFS en el mercado de renta variable en Estados Unidos, utilizando aprendizaje automático
Portada
PDF 
FLIP Citas bibliográficas
Gestores Bibliográficos
Indexadores
Código QR
Autores
Director
Autor corporativo
Recolector de datos
Otros/Desconocido
Director audiovisual
Editor/Compilador
Editores
Tipo de Material
Fecha
Cita bibliográfica
Título de serie/ reporte/ volumen/ colección
Es Parte de
Resumen en español
RESUMEN: Se desarrolló un sistema de trading algorítmico para los fondos cotizados FAS, TNA y UGL aprovechando las herramientas de aprendizaje automático (regresión logística, bosque aleatorio, gradient boost y redes neuronales) en un entorno de programación que utilizó la librería Sklearn de Python. Con este fin, se preprocesaron datos sobre el precio de los activos, indicadores técnicos, índices y sorpresas económicas. Estos datos fueron utilizados para el entrenamiento de los modelos. Tras la optimización y el contraste de treinta y seis modelos diferentes, se introduce la posibilidad de recurrir a modelos econométricos o modelos mucho más sencillos en términos teóricos. Acudiendo entonces a modelos como el de suavizamiento exponencial de Holt y señales de trading básicas como el cruce de medias móviles, se logran resultados iguales o incluso más destacados que aquellos logrados con el aprendizaje automático.
Resumen en inglés
ABSTRACT: An algorithmic trading system was developed for the exchange-traded funds FAS, TNA, and UGL, leveraging machine learning tools (logistic regression, random forest, gradient boost, and neural networks) in a programming environment that utilized Python's Sklearn library. To this end, data on asset prices, technical indicators, indices, and economic surprises were preprocessed and used for model training. After optimizing and testing thirty-six different models, the possibility of using econometric models or much simpler theoretical models was introduced. By turning to models such as Holt's exponential smoothing and basic trading signals like moving average crossovers, results equal to or even better than those achieved with machine learning were obtained.