Optimización de estrategias de inversión en el mercado de valores mediante algoritmos genéticos

Abstract

La correcta predicción de los mercados financieros es una antigua quimera perseguida desde sus inicios por sus inversores. El diseño de estrategias de inversión eficientes ha sido el epicentro de controversias del mundo financiero en las últimas décadas. No hay ninguna fórmula estática y cerrada capaz de batir al mercado en cualquier circunstancia, pues el propio mercado la inutilizaría en muy poco tiempo. La dificultad de establecer un modelo que se ajuste a los cambios y la volatilidad del mercado es la piedra angular que supone el éxito de cualquier estrategia de inversión. Son precisamente la incertidumbre y la presunta ineficiencia de los mercados las que han dividido el panorama de especuladores en dos corrientes de pensamiento: los partidarios del análisis técnico y fundamental.

El presente trabajo se ha desarrollado atendiendo las premisas del análisis técnico. Sus fronteras se han ido extendiendo exponencialmente y por ello, las viejas técnicas chartistas de análisis de gráficos se han visto repudiadas por ventanas tridimensionales que siguen el comportamiento de los mercados financieros desde la pantalla de los ordenadores.

En este sentido, dicho análisis ha experimentado una transformación sustancial desde el punto de vista de las herramientas empleadas, recabando avances registrados en otras disciplinas. En este punto, el empleo de sistemas inteligentes de optimización desempeña un papel fundamental. De este modo, la biología ha servido como fuente de inspiración de otros procedimientos de algoritmos de optimización y han permitido el desarrollo de los algoritmos genéticos, cuyo futuro parece ser bastante prometedor en el ámbito bursátil. Este algoritmo emula el proceso empleado por los seres vivos en la lucha por la supervivencia de su especie, haciendo uso de estrategias de optimización empleadas de modo ancestral en la naturaleza, como la selección natural, la transmisión genética y la mutación de la especie.

Por todo ello, el objetivo fundamental del proyecto consiste en diseñar estrategias de inversión rentables mediante el empleo de algoritmos genéticos.

The correct prediction of the financial markets is an old chimera pursued from the beginning by its investors. The design of efficient investment strategies has been the epicenter of controversy in the financial world in recent decades. There is no static, closed formula capable of beating the market in any circumstance, as the market itself would render it useless in a very short time. The difficulty of establishing a model that adjusts to market changes and volatility is the cornerstone of any successful investment strategy. It is precisely the uncertainty and presumed inefficiency of the markets that have divided the speculator's landscape into two schools of thought: those in favor of technical and fundamental analysis.

This paper has been developed in accordance with the premises of technical analysis. Its boundaries have been extended exponentially and therefore, the old chartist techniques of chart analysis have been repudiated by three-dimensional windows that follow the behavior of financial markets from the computer screen. In this sense, such analysis has undergone a substantial transformation from the point of view of the tools used, gathering advances registered in other disciplines. The use of intelligent optimization systems plays a fundamental role here. Thus, biology has served as a source of inspiration for other optimization algorithm procedures and has allowed the development of genetic algorithms, whose future seems to be quite promising in the field of stock exchange. This algorithm emulates the process used by living beings in the fight for the survival of their species, making use of optimization strategies used in an ancestral way in nature, such as natural selection, genetic transmission and mutation of the species.

Therefore, the fundamental objective of the project is to design profitable investment strategies through the use of genetic algorithms.