Optimización de robots de trading

Abstract

En este Trabajo de Fin de Grado se analiza de forma cuantitativa el precio diario de Bitcoin durante el periodo del 8 de marzo de 2022 hasta el 8 de marzo de 2023. Nuestro objetivo es establecer una comparativa entre diferentes estrategias de inversión a través de robots de trading cuantitativo programados en Python: análisis técnico, ajuste de curvas y técnicas de aprendizaje supervisado en Machine Learning. Para ello, después del análisis macroeconómico del mercado se han seleccionados las variables más relevantes empleando modelos estadísticos y mutual information. Los resultados han demostrado que el precio de Bitcoin se ve afectado por las variables del mercado tradicional y los operadores del mercado financiero deberán tener en cuenta nuestras conclusiones para la gestión de sus carteras. Se han entrenado y optimizado todos los modelos de regresión y clasificación de Matlab con el fin de incorporar el de mejor precisión a nuestro cripto – robot. El modelo con el menor RMSE fue un Proceso de Regresión Gaussiana que empleó las 6 variables más significativas de acuerdo al algoritmo de Mínima Redundancia y Máxima Relevancia: el Precio de Bitcoin el día anterior, US 10 Year Bond Yield, USD/EUR, Money Supply, NASDAQ y VIX Index. Este fue el mejor cripto – robot y registró una rentabilidad del 124% para el periodo de estudio. Finalmente, presentamos un robot de trading basado en una nueva estrategia de tecnología avanzada que combina el análisis técnico y las predicciones de inteligencia artificial de un Proceso de Regresión Gaussiana. El modelo solo emplea los precios históricos como variable para que su empleo y funcionamiento en Bolsa sea realista.

In this Final Degree Project we analyze quantitatively the daily price of Bitcoin during the period from March 8, 2022, to March 8, 2023. Our objective is to establish a comparison between different investment strategies through quantitative trading robots programmed in Python: technical analysis, curve – fitting and supervised learning techniques in Machine Learning.

For this purpose, after the macroeconomic analysis of the market, the most relevant variables have been selected using statistical models and mutual information. The results have shown that the price of Bitcoin is affected by traditional market variables and financial market operators should take into account our conclusions for the management of their portfolios.

All Matlab regression and classification models have been trained and optimized in order to incorporate the one with the best accuracy to our crypto – robot. The model with the lowest RMSE was a Gaussian Regression Process that employed the 6 most significant variables according to the Minimum Redundancy and Maximum Relevance algorithm: the Bitcoin Price the previous day, US 10 Year Bond Yield, USD/EUR, Money Supply, NASDAQ and VIX Index. This was the best crypto – robot and recorded a 124% return for the study period.

Finally, we present a trading robot based on a new state – of – the – art strategy that combines technical analysis and artificial intelligence predictions from a Gaussian Regression Process. The model only uses historical prices as a variable to make its use and performance on the stock market realistic.