Revisión de literatura para el comercio algorítmico

La investigación sobre el comercio algorítmico es importante debido a su predominio en la industria financiera. En 2019, un gran porcentaje del capital negociado en EE. UU. se realizó mediante algoritmos automatizados, lo que representa 35,1% de $32 billones con un crecimiento anual esperado de 8,7% durante el período 2020 - 2027.

El tema es particularmente desafiante porque se encuentra entre tres cuerpos de conocimiento: economía, matemáticas e informática. Así mismo, presenta muchos temas, solo por mencionar algunos. Primero, su complejidad es una barrera de entrada para cualquier inversionista minorista o pequeña empresa, pero bien aprovechada por los inversionistas institucionales. En segundo lugar, la cantidad de estrategias comerciales y la información asociada es enorme, lo que dificulta elegirlas. En tercer lugar, las necesidades de inversión son idiosincrásicas y, en consecuencia, no existe una estrategia comercial que sea la mejor para todos.

El propósito de este curso es articular una revisión crítica y sistemática de la literatura sobre el comercio algorítmico. La literatura existente es vasta, compleja y dispersa en tres campos académicos, inexorablemente, este estudio es un ingenuo intento de construir una visión holística y comprensiva del tema. El primer bloque de la revisión aborda el sustento teórico a través de la escuela de pensamiento neoclásica y de las finanzas conductuales. El comercio algorítmico está fuertemente influenciado por las finanzas neoclásicas, con un vívido debate sobre si los mercados son eficientes y, en consecuencia, coherentes con la hipótesis del paseo aleatorio (RWH) y la hipótesis del mercado eficiente (EMH); o, por el contrario, los mercados son ineficientes, presentando algún tipo de tendencia, posiblemente, debido a un sesgo psicológico, como el comportamiento escuchado o la brecha emocional, como lo describen las finanzas conductuales. Inevitable, la sección de base teórica conduce al segundo bloque, la literatura comercial algorítmica per se. Aquí, el autor revisa parcialmente once libros de texto, evidencia el lenguaje de programación elegido y se conecta a dos capítulos pivote; backtesting como metodología para evaluar algoritmos con datos financieros históricos, y estrategias comerciales de la literatura más actual.

Este manuscrito sienta las bases para una revisión completa de la literatura de una tesis de DBA sobre el mismo tema. La evolución natural podría incluir literatura financiera conductual cuantitativa, que utiliza herramientas matemáticas para modelar los sesgos conductuales con una aplicación potencial a los algoritmos comerciales. Una segunda oportunidad podría consistir en una clasificación sistemática de algoritmos por categorías (p. ej. impulso, reversión a la media, inversión de valor, etc.) y resultados estadísticos (p. ej. retorno de la inversión, crecimiento anual compuesto, ratio de Sharpe, etc.), pero tiene el riesgo de convertir la revisión de literatura en una biblioteca comercial algorítmica (por ejemplo, Quantpedia) y ciertamente desviarse del propósito de una revisión de literatura.

El cuerpo de este trabajo se divide en dos bloques, el capítulo 2 Bases teóricas y el capítulo 3 Negociación algorítmica. El fundamento teórico del capítulo 2 está estructurado en dos partes, el capítulo 2.1 Finanzas neoclásicas, que muestra los dos pilares de las finanzas neoclásicas, RWH y EMH; y el capítulo 2.2 Finanzas conductuales, que captura el sesgo psicológico más influyente en los mercados financieros. El capítulo 3 Comercio algorítmico contiene una extensa lista de literatura relacionada, así mismo, tiene dos partes distintivas, el capítulo 3.1 Backtesting, con los desafíos y trampas del backtesting; y el capítulo 3.2 Estrategias de negociación, con un número breve pero representativo de estrategias clasificadas en reversión a la media, impulso e inteligencia artificial. El estudio finaliza con el capítulo 4 Conclusión, con una síntesis analítica de los aspectos más importantes de esta literatura revisando el trabajo de curso.