Modelo de Trading Algorítmico basado en detección de patrones en Commodities mediante el uso de Machine Learning

Abstract

Este trabajo de fin de grado tiene como objetivo diseñar un modelo de trading algorítmico basado en la detección de patrones en los precios de una amplia gama de commodities, utilizando técnicas de Machine Learning (ML). Los commodities analizados incluyen petróleo, gas natural, oro, plata, cobre, trigo, maíz, entre otros, con el fin de identificar patrones históricos que mejoren la toma de decisiones en estrategias automatizadas de trading. El uso de algoritmos supervisados y no supervisados permitirá capturar comportamientos de precios que puedan ser aprovechados en operaciones de compra y venta.

La metodología del proyecto incluye varias etapas clave. En primer lugar, se llevará a cabo una revisión bibliográfica para investigar estudios previos en el ámbito de la predicción de precios de commodities mediante ML. Luego, se recopilarán datos históricos de precios y variables macroeconómicas relacionadas, para un análisis profundo de las variables que influyen en los precios. Se evaluarán técnicas de reducción de dimensionalidad como el análisis de componentes principales (PCA) para optimizar el uso de los datos.

El modelo de detección de patrones incluirá el uso de redes neuronales, árboles de decisión, Random Forest y algoritmos de clustering como K-means, seleccionando el enfoque que mejor se ajuste a los datos. Posteriormente, se validará el modelo utilizando métricas como precisión y recall, además de realizar pruebas retrospectivas (backtesting) para comprobar su efectividad en escenarios reales.

This final degree project aims to design an algorithmic trading model based on pattern detection in the prices of a wide range of commodities using Machine Learning (ML) techniques. The commodities analyzed include crude oil, natural gas, gold, silver, copper, wheat, corn, among others, with the goal of identifying historical patterns that enhance decision-making in automated trading strategies. The use of supervised and unsupervised algorithms will help capture price behaviors that can be leveraged in buy and sell operations.

The methodology of the project includes several key stages. First, a literature review will be conducted to investigate previous studies on commodity price prediction using ML. Then, historical price data and related macroeconomic variables will be collected to conduct a thorough analysis of the factors influencing prices. Dimensionality reduction techniques, such as principal component analysis (PCA), will be evaluated to optimize data usage.

The pattern detection model will include the use of neural networks, decision trees, Random Forest, and clustering algorithms like K-means, selecting the approach that best fits the data. The model will then be validated using metrics like precision and recall, in addition to conducting backtesting to assess its effectiveness in real-world scenarios.

Finally, the results will be analyzed, and conclusions will be drawn about the model’s ability to identify consistent and profitable patterns in commodity markets. The implications for traders will be discussed, as well as potential improvements for future research.