{"id":22618,"date":"2023-05-09T12:37:33","date_gmt":"2023-05-09T10:37:33","guid":{"rendered":"https:\/\/raulbartolome.com\/?post_type=product&p=22618"},"modified":"2023-08-10T09:28:26","modified_gmt":"2023-08-10T07:28:26","slug":"research-proposal-for-algorithmic-trading","status":"publish","type":"product","link":"https:\/\/raulbartolome.com\/es\/producto\/research-proposal-for-algorithmic-trading\/","title":{"rendered":"Propuesta de investigaci\u00f3n para el comercio algor\u00edtmico"},"content":{"rendered":"


\n<\/p>","protected":false},"excerpt":{"rendered":"

Introducci\u00f3n<\/strong><\/p>\n

El comercio algor\u00edtmico (AT) consiste en algoritmos inform\u00e1ticos, creados por especialistas, que negocian en los mercados de valores de forma aut\u00f3noma. La primera automatizaci\u00f3n comercial ocurri\u00f3 en marzo de 1976 con la introducci\u00f3n del sistema de giro de \u00f3rdenes designado (DOT) en la Bolsa de Valores de Nueva York (NYSE) (Guerard 1990), que permiti\u00f3 enrutar \u00f3rdenes electr\u00f3nicamente entre centros comerciales.<\/p>\n

Desde su introducci\u00f3n temprana, AT est\u00e1 adquiriendo una importancia cada vez mayor para los bancos de inversi\u00f3n, los fondos de cobertura, los fondos mutuos y similares. Como reflejo de esta actividad, en 2019 los fondos administrados autom\u00e1ticamente 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, mostr\u00f3 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 proliferaci\u00f3n y el crecimiento de AT, tambi\u00e9n merece suficiente atenci\u00f3n acad\u00e9mica. Aunque el fen\u00f3meno es prominente en los libros de texto (p. ej., Chan (2017) o Hilpisch (2020a)) y tem\u00e1ticamente limitado en los art\u00edculos (p. ej., Bowen y Hutchinson (2016) o Corbet et al. (2019)), no se ha estudiado de manera hol\u00edstica, lo que justifica esta propuesta de investigaci\u00f3n.<\/p>\n

El tema presenta muchas cuestiones y \u00e1ngulos. La corriente principal de las finanzas neocl\u00e1sicas respalda los mercados eficientes, por lo tanto, las estrategias comerciales que no capturan los rendimientos del mercado est\u00e1n 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 par\u00e1metros, lo que hace que la selecci\u00f3n de estrategias sea un desaf\u00edo. En cuarto lugar, los inversores son idiosincr\u00e1sicos por naturaleza y, en consecuencia, no existe una estrategia v\u00e1lida para todos.<\/p>\n

La propuesta de pregunta de investigaci\u00f3n pivota en torno a la primera dicotom\u00eda. \u00bfExisten estrategias comerciales que presentan sistem\u00e1ticamente 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 m\u00f3vil (OsMA) y reversi\u00f3n en la deriva del anuncio de ganancias posteriores (PEAD).<\/p>\n

El objetivo de la investigaci\u00f3n es dar respuesta a la pregunta de investigaci\u00f3n realizando un estudio emp\u00edrico de las cuatro estrategias utilizando AT. Cada estrategia se prueba utilizando datos financieros hist\u00f3ricos para obtener las variables comerciales clave de retorno mensual (, retorno de la inversi\u00f3n (ROI), reducci\u00f3n m\u00e1xima (MDD), desviaci\u00f3n est\u00e1ndar anual (SD) y relaci\u00f3n 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 algor\u00edtmica deber\u00eda ser capaz de superar a la compra y retenci\u00f3n, al menos sistem\u00e1ticamente durante un largo per\u00edodo de tiempo.<\/p>\n

Este curso est\u00e1 estructurado en siete secciones principales: fundamento te\u00f3rico, comercio algor\u00edtmico, hip\u00f3tesis de investigaci\u00f3n propuestas, metodolog\u00eda de investigaci\u00f3n, plan de tiempo de tesis de DBA y conclusi\u00f3n. La secci\u00f3n de fundamento te\u00f3rico captura las finanzas neocl\u00e1sicas y las finanzas conductuales. La secci\u00f3n de comercio algor\u00edtmico cubre estrategias de reversi\u00f3n a la media y estrategias de impulso. Las hip\u00f3tesis de investigaci\u00f3n propuestas definen las pruebas de hip\u00f3tesis para el comercio de pares, OsMA y reversi\u00f3n en PEAD. La metodolog\u00eda de investigaci\u00f3n es un cap\u00edtulo com\u00fan para todas las estrategias, incluidas las pruebas retrospectivas y la plataforma de negociaci\u00f3n. El plan de tiempo define las tareas y la duraci\u00f3n de la tesis de DBA. Finalmente, el cap\u00edtulo de conclusiones resume este trabajo de curso.<\/p>\n

Contenido de la descarga<\/strong><\/p>\n