Publicación: Estrategia Automarizada de Inversión con Base en Tendencias
Portada
PDF 
FLIP Citas bibliográficas
Gestores Bibliográficos
Indexadores
Código QR
Autores
Autor corporativo
Recolector de datos
Otros/Desconocido
Director audiovisual
Editor/Compilador
Editores
Tipo de Material
Fecha
Palabras claves
Cita bibliográfica
Título de serie/ reporte/ volumen/ colección
Es Parte de
Resumen en español
¿Cómo diseñar una estrategia de negociación, con base en modelos neuronales, para identificar tendencias de precio en diferentes mercados, y que esta se pueda ejecutar automáticamente? Eliminar el componente emocional de las personas cuando hacen trading es algo importante, ya que puede llevar a que éstas incurran en pérdidas. La automatización permite hacer trading sin la dedicación que esta actividad normalmente requiere. En este trabajo se buscó evaluar la efectividad de modelos neuronales en la identificación de tendencias de activos de inversión para negociar. Se investigó la manera de construir un modelo que se ajustara a las condiciones de mercado actuales y tuviera la capacidad de tomar la historia de diferentes activos para tratar de predecir los precios futuros. En el trabajo se analizaron diferentes mercados: acciones, índices bursátiles, commodities y divisas. El fin de este estudio fue crear una estrategia de trading con base en modelos neuronales, que identificara tendencias en los mercados para invertir de manera automática, sin la intervención de personas. Se busca plantear un modelo que sea capaz de optimizar de manera dinámica los parámetros que usa para identificar tendencias. El impacto de esta estrategia se puede ver reflejado como apoyo a personas que no tienen tiempo, experiencia o capacidad para negociar en los mercados. Se buscó eliminar por completo el componente emocional que afecta a los seres humanos a la hora de negociar y se pretendió desarrollar un modelo de inversión que redujera los riesgos inherentes a la negociación en los mercados. En el modelo no se vieron resultados concluyentes, aunque en promedio, las acciones fueron el tipo de activo en el que el modelo presentó el mejor desempeño, mientras que los índices tuvieron los resultados más negativos. Los parámetros que determinaban cuándo se cerraban las posiciones tuvieron una influencia alta sobre los resultados obtenidos, tanto en lo referente al tipo de activo como al nivel de riesgo que se deseaba asumir. El modelo demostró la capacidad para obtener buenos resultados en algunos casos específicos y, con algunos ajustes en los parámetros, se podrían obtener resultados más concluyentes en el futuro.
Resumen en inglés
Abstract ¿How can an automated trading strategy based on neural networks be developed to identify and predict market trends? Taking emotions away from trading is vital, given the fact that these often lead to losses. Automation allows trading to be done without the time and dedication it normally requires. This paper aimed to test the effectiveness of a neural network model for predicting trends in different tradeable assets by finding a model that adjusts to the current market conditions, while having the capacity to take several financial instruments’ history to predict their prices in the future. Different instruments were analyzed: stocks, stock indices, commodities, and currencies. The goal of this study was to develop a trading strategy, supported by neural models, that can identify trends in financial markets in order to invest automatically, without any human interaction. The aim was to create a model that could constantly adjust its parameters to optimally identify trends in financial markets. A strategy like this could have a positive impact on people who either don’t have time for trading, lack experience, or don’t feel capable of trading in financial markets. This strategy aspired to completely eliminate human emotions in trading, which often lead to losses, and reduce risks that are inherent to trading. As a whole, the results were inconclusive, although stocks showed the highest average returns, when grouping by the asset type, while stock indices had the worst returns. The parameters that determined when a position was closed were found to be very significant in the model, their impact on different asset types was variable, and the level of risk taken, given by these parameters, completely changed the results recorded. The model proved to be capable of obtaining good predictions in some specific cases and, with some adjustments, it could obtain better and more conclusive results in the future.