Algoritmo cuantitativo de trading basado en la optimización sistemática de umbrales de decisión

Resumen

El análisis de los mercados financieros, tales como el Nasdaq, el S&P 500, las acciones de Apple y el Bitcoin, plantea desafíos significativos debido a su elevada volatilidad y a la compleja interacción de estos activos con diversos indicadores macroeconómicos de Estados Unidos. En el presente estudio se propone un algoritmo cuantitativo de trading que optimiza los umbrales de decisión de compra y venta en los mercados financieros, utilizando ocho indicadores macroeconómicos, en particular la tasa de interés y la inflación. Con el propósito de abordar la complejidad y la elevada dimensionalidad de los datos, se evaluaron comparativamente cinco métodos de reducción de dimensionalidad (PCA, t-SNE, LDA, PPCA y VSD), identificándose a PCA como el procedimiento con mayor eficiencia computacional y mejor desempeño global. Posteriormente, se implementó un esquema de backtracking para determinar los umbrales óptimos de compra y venta que maximizan el rendimiento de la inversión bajo las condiciones de mercado consideradas. La aplicación de estos umbrales a los distintos activos financieros analizados generó resultados sobresalientes, con rendimientos del 98,92 % en el Nasdaq, 109,44 % en el S&P 500 y 160,27 % en Apple, en un horizonte temporal aproximado de cuatro años. Sin embargo, el modelo evidenció una eficacia sustancialmente menor en el caso de Bitcoin, fenómeno atribuible a su baja correlación con los indicadores macroeconómicos incorporados en el análisis. Estos resultados preliminares indican que el algoritmo propuesto presenta una capacidad sólida para identificar puntos de entrada y salida del mercado en las acciones analizadas.