Optimización mediante aprendizaje automático de estrategias de inversión en mercados financieros basadas en osciladores

Abstract

En este proyecto, se han revisado y optimizado las estrategias ya propuestas basadas en un oscilador financiero llamado RSI (Relative Strength Index), y posteriormente se han desarrollado nuevas estrategias mediante la aplicación de métodos de aprendizaje automático, en concreto redes neuronales. Las distintas estrategias que se han analizado son: la optimización del RSI utilizando parámetros globales para todas las acciones y utilizando parámetros individuales para cada acción; la persistencia en el tiempo de la optimización del RSI, tanto con parámetros globales como individuales; y la optimización de una estrategia que combina el RSI con las redes neuronales, con el fin de predecir las evoluciones futuras de las acciones. Para ello, se han empleado datos de fin de día de Yahoo para los últimos 9 años correspondientes a 2604 valores del mercado americano (NYSE y Nasdaq) con el fin de disponer de un volumen de datos significativo. Finalmente, se han comparado los resultados de las distintas estrategias entre ellas y con la estrategia de buy & hold y se ha concluido que con los resultados de este estudio la mejor estrategia es la optimización del RSI con parámetros individuales para cada acción. El desarrollo para optimizar y analizar las distintas estrategias se ha realizado en el entorno Matlab.

In this project, the already proposed strategies based on a financial oscillator called RSI (Relative Strength Index) have been reviewed and optimized, and subsequently new strategies have been developed through the application of machine learning methods, specifically neural networks. The different strategies that have been analyzed are: the optimization of the RSI using global parameters for all stocks and using individual parameters for each stock; the persistence in time of the optimization of the RSI, both with global and individual parameters; and the optimization of a strategy that combines the RSI with neural networks, in order to predict the future evolutions of the stocks. For this purpose, Yahoo end of day data for the last 9 years corresponding to 2604 stocks of the American market (NYSE and Nasdaq) have been used in order to have a significant volume of data. Finally, the results of the different strategies have been compared with each other and with the buy & hold strategy and it has been concluded that with the results of this study the best strategy is the optimization of the RSI with individual parameters for each stock. The development to optimize and analyze the different strategies has been carried out in Matlab environment.