Anticipando el Mercado: Matemáticas de un Algoritmo Previsor

Abstract

Este Trabajo Fin de Máster estudia la incorporación de estimadores de drift a un algoritmo de market making basado en Avellaneda-Stoikov mediante un banco de pruebas sintético y controlado. La pregunta central no es si un filtro más complejo gana siempre, sino cuándo una señal estadística puede monetizarse después de ejecución, inventario, costes y control de quotes obsoletas. La evidencia se obtiene con 50 semillas reproducibles, escenarios con drift latente conocido, ejecución pasiva corregida, controles de señal invertida, ausencia de comisiones, sensibilidad de Q, sensibilidad de τ, proxy OFI y validación walk-forward. El resultado principal es deliberadamente prudente: la agregación temporal mejora la relación señal-ruido, pero no garantiza PnL neto positivo si el motor de cotización genera quotes cruzadas, stale quotes o fills adversos.This Master’s Thesis examines the incorporation of drift estimators into an Avellaneda-Stoikov-based market-making algorithm using a synthetic and controlled test bed. The central question is not whether a more complex filter always outperforms, but rather when a statistical signal can be monetized after accounting for execution, inventory, costs, and the management of obsolete quotes. Evidence is obtained using 50 reproducible seeds, scenarios with known latent drift, corrected passive execution, inverted signal controls, no commissions, Q sensitivity, τ sensitivity, an OFI proxy, and walk-forward validation. The main result is deliberately conservative: temporal aggregation improves the signal-to-noise ratio, but does not guarantee positive net PnL if the quote engine generates cross quotes, stale quotes, or adverse fills.