Optimización de robots de trading

En un mundo en constante digitalización, los mercados financieros con su flujo incesante de datos han encontrado en las nuevas tecnologías de la información a sus mayores aliados. Los ordenadores, aportando su inigualable capacidad de cálculo, junto con diversos algoritmos y modelos de aprendizaje automático, están revolucionando la manera en la que estos datos son aprovechados. Esta combinación, está dando lugar a un mercado cada vez más automatizado en el que gradualmente los traders humanos están siendo desplazados en favor de sus contrapartes automatizadas, capaces de tomar decisiones rápidas sin los sesgos que un humano pudiera sufrir.

Este trabajo se sumerge en esta realidad, explorando el desarrollo y optimización de diversos robots de trading. A lo largo del trabajo se desarrollan tanto robots derivados de estrategias de trading convencionales, como otros de modelos avanzados de aprendizaje automático, al mismo tiempo que se complementa este desarrollo con un análisis en profundidad del funcionamiento de los mismos.

El análisis del funcionamiento de estos robots se ha llevado a cabo haciendo uso de múltiples valores contenidos en el índice S&P 500 durante un periodo de backtesting que abarca desde 2017 hasta octubre del 2022. Los resultados muestran variedad en el desempeño de los diversos robots, evidenciando no obstante la capacidad de generar estrategias de trading efectivas. Entre los robots desarrollados, destaca el robot que implementa una estrategia optimizada basada en medias y Bandas de Bollinger. Sin embargo, otro robot, el basado en Q-Learning despierta un especial interés debido a su potencial, dada su limitada volatilidad y su prometedora capacidad si se consigue una profunda comprensión de su funcionamiento.

In a world in constant digitalization, the financial markets, with their incessant flow of data, have found their greatest allies in the new information technologies. Computers, with their unrivaled computing power, together with various algorithms and machine learning models, are revolutionizing the way in which this data is used. This combination is giving rise to an increasingly automated market in which human traders are gradually being displaced in favor of their automated counterparts, capable of making quick decisions without the biases that a human might suffer from.

This paper dives into this reality, exploring the development and optimization of various trading robots. Throughout the work, both robots derived from conventional trading strategies and advanced machine learning models are developed, while this development is complemented with an in-depth analysis of their performance.

The analysis of the performance of these robots has been carried out by making use of multiple stocks contained in the S&P 500 index during a backtesting period spanning from 2017 to October 2022. The results show variety in the performance of the various robots, evidencing nonetheless the ability to generate effective trading strategies. Among the robots developed, the robot that implements an optimized strategy based on Bollinger Bands and Averages stands out. However, another robot, the one based on Q-Learning arouses special interest due to its potential, given its limited volatility and its promising capability if a deep understanding of its operation is achieved.