Propuesta de investigación para el comercio algorítmico

Introducción

El comercio algorítmico (AT) consiste en algoritmos informáticos, creados por especialistas, que negocian en los mercados de valores de forma autónoma. La primera automatización comercial ocurrió en marzo de 1976 con la introducción del sistema de giro de órdenes designado (DOT) en la Bolsa de Valores de Nueva York (NYSE) (Guerard 1990), que permitió enrutar órdenes electrónicamente entre centros comerciales.

Desde su introducción temprana, AT está adquiriendo una importancia cada vez mayor para los bancos de inversión, los fondos de cobertura, los fondos mutuos y similares. Como reflejo de esta actividad, en 2019 los fondos administrados automáticamente fueron responsables de 35.1% del capital negociado en EE. UU., equivalente a $31 billones (Buchholz 2019). En 2020, el mercado global estimado para AT fue de $14 billones alcanzando $31.7 billones para 2027 (StrategyR 2022). Adicionalmente, el comercio de alta frecuencia (HFT), un caso particular de AT caracterizado por el comercio diario, mostró un crecimiento de 164% de 2005 a 2010 en NYSE (Lin 2013), capturando en 2018 los 52% del total de acciones negociadas en EE. UU. (Zaharudin et al. 2022). Dada la proliferación y el crecimiento de AT, también merece suficiente atención académica. Aunque el fenómeno es prominente en los libros de texto (p. ej., Chan (2017) o Hilpisch (2020a)) y temáticamente limitado en los artículos (p. ej., Bowen y Hutchinson (2016) o Corbet et al. (2019)), no se ha estudiado de manera holística, lo que justifica esta propuesta de investigación.

El tema presenta muchas cuestiones y ángulos. La corriente principal de las finanzas neoclásicas respalda los mercados eficientes, por lo tanto, las estrategias comerciales que no capturan los rendimientos del mercado están condenadas a tener un rendimiento inferior. Sin embargo, las finanzas conductuales argumentan que en muchos escenarios los mercados son ineficientes, lo que abre oportunidades para explotarlos y vencer al mercado. En segundo lugar, los inversores institucionales emplean grandes recursos humanos y de capital para aprovechar AT, mientras que los inversores minoristas tienen oportunidades limitadas pero crecientes. En tercer lugar, la cantidad de estrategias comerciales de AT es grande y tiende a infinitas suponiendo que cambien los parámetros, lo que hace que la selección de estrategias sea un desafío. En cuarto lugar, los inversores son idiosincrásicos por naturaleza y, en consecuencia, no existe una estrategia válida para todos.

La propuesta de pregunta de investigación pivota en torno a la primera dicotomía. ¿Existen estrategias comerciales que presentan sistemáticamente un rendimiento superior al del mercado? La pregunta se estudia utilizando la estrategia de comprar y mantener en S&P 500 como proxy de los rendimientos del mercado frente a otras tres estrategias: comercio de pares, oscilador de promedio móvil (OsMA) y reversión en la deriva del anuncio de ganancias posteriores (PEAD).

El objetivo de la investigación es dar respuesta a la pregunta de investigación realizando un estudio empírico de las cuatro estrategias utilizando AT. Cada estrategia se prueba utilizando datos financieros históricos para obtener las variables comerciales clave de retorno mensual (, retorno de la inversión (ROI), reducción máxima (MDD), desviación estándar anual (SD) y relación de Sharpe (SR). Las variables son se utiliza para evaluar el rendimiento de cada estrategia y comparar entre ellas.Si el mercado es eficiente, ninguna estrategia algorítmica debería ser capaz de superar a la compra y retención, al menos sistemáticamente durante un largo período de tiempo.

Este curso está estructurado en siete secciones principales: fundamento teórico, comercio algorítmico, hipótesis de investigación propuestas, metodología de investigación, plan de tiempo de tesis de DBA y conclusión. La sección de fundamento teórico captura las finanzas neoclásicas y las finanzas conductuales. La sección de comercio algorítmico cubre estrategias de reversión a la media y estrategias de impulso. Las hipótesis de investigación propuestas definen las pruebas de hipótesis para el comercio de pares, OsMA y reversión en PEAD. La metodología de investigación es un capítulo común para todas las estrategias, incluidas las pruebas retrospectivas y la plataforma de negociación. El plan de tiempo define las tareas y la duración de la tesis de DBA. Finalmente, el capítulo de conclusiones resume este trabajo de curso.

Contenido de la descarga

• Curso completo en formato PDF.
• Presentación utilizada durante la viva de la propuesta de investigación