Optimización mediante aprendizaje automático de estrategias de inversión en mercados financieros basadas en medias móviles

Abstract

En este proyecto se ha realizado un análisis y optimización de estrategias clásicas de inversión basadas en medias móviles. Para ello, se ha estudiado a fondo la estrategia de inversión basada en medias móviles realizando previamente un análisis preliminar de lo que ya se ha estudiado en este campo para conocer y entender el punto de partida. Posteriormente se han optimizado estas estrategias de inversión basadas en medias móviles con diferentes casos para analizar. Se ha hecho de forma global para el conjunto de acciones tomadas y de forma individual para cada acción. También se ha realizado un análisis de persistencia en el tiempo del parámetro óptimo. A continuación, se han propuesto nuevas estrategias de inversión basadas en redes neuronales para entender cuál sería la estrategia óptima. Estas redes neuronales toman como entrada las medias móviles y la salida resultante es la rentabilidad predicha a 5 o 10 días. Una vez obtenida la rentabilidad predicha, se calculan los umbrales de compra y de venta para maximizar la rentabilidad. El significado de estos umbrales es que cuando la rentabilidad predicha sea superior al umbral de compra, se genera una señal de compra y cuando la rentabilidad predicha sea inferior al umbral de venta, se genera una señal de venta. Como resultado al trabajo, se puede comprobar que las redes neuronales superan al método clásico de cruces de medias y en algunos casos, a la estrategia pasiva (buy & hold).

In this project, an analysis and optimization of classical investment strategies based on moving averages has been carried out. For this purpose, the investment strategy based on moving averages has been studied in depth by performing a preliminary analysis of what has already been studied in this field in order to know and understand the starting point. Subsequently, these investment strategies based on moving averages have been optimized with different cases to analyze. This has been done globally for the set of actions taken and individually for each action. A time persistence analysis of the optimal parameter has also been performed. Then, new investment strategies based on neural networks have been proposed to understand what would be the optimal strategy. These neural networks take as input the moving averages and the resulting output is the predicted 5- or 10-day return. Once the predicted return is obtained, buy and sell thresholds are calculated to maximize the return. The meaning of these thresholds is that when the predicted return is above the buy threshold, a buy signal is generated and when the predicted return is below the sell threshold, a sell signal is generated. As a result of the work, it can be seen that the neural networks outperform the classical method of moving average and, in some cases, the buy & hold strategy.