Desarrollo de un sistema automático de inversión basado en reconocimiento de patrones

El Análisis Técnico de mercados financieros permite obtener de forma mucho más ortodoxa señales de compra/venta en los distintos instrumentos financieros, por tanto, resultando mucho más apropiado que el Análisis Fundamental para implementar estrategias automatizadas de inversión. Mientras que la mayor parte de los análisis de tipo técnico que se realizan están basados en el uso de indicadores técnicos, los análisis basados en la identificación de patrones gráficos en el precio ofrecen aparentemente ciertas ventajas. No obstante, la utilización de los mismos en técnicas automatizadas de trading es infrecuente. En primer lugar, existe mucha controversia sobre la verdadera eficacia de su utilización. Los estudios existentes arrojan resultados muy dispares, no ayudando el hecho de que la mayor parte de los mismos carecen de una metodología adecuada y de análisis cuantitativos completos con base estadística. En segundo lugar, los patrones de precio son poco frecuentes y difíciles de detectar. Esto provoca que se generen muy pocas señales de inversión, aspecto que no ayuda ni a la rentabilidad ni a poder realizar análisis concluyentes sobre los mismos. El objetivo principal de este trabajo trata fundamentalmente de arrojar luz sobre la controversia existente, y anteriormente citada, sobre la verdadera eficacia del uso de patrones de precio para estrategias automatizadas de inversión. Para ello, se ha desarrollado en primer lugar, un sistema de reconocimiento de patrones de precio automático. El sistema, que se ha implementado utilizando el software Matlab, permite detectar de manera automática patrones de tipo Cabeza-Hombros, Triángulos, Rectángulos, Banderas y Líneas de Tendencia. En segundo lugar, y a diferencia de la mayoría de los trabajos presentes en el estado del arte, se ha realizado un estudio de la capacidad predictiva de los patrones de precio detectados utilizando una metodología desacoplada de las estrategias de inversión que pudieran emplearse con los mismos. Habiéndose observado evidencia estadística de que los patrones tienen capacidad de predicción sobre la dirección que tomarán los precios posterior a la formación del patrón, se ha dado paso, en tercer y último lugar, al diseño de estrategias de inversión sencillas para permitirnos analizar no solo su capacidad de predicción en mayor profundidad si no también el potencial, en términos de rentabilidad, que pueden ofrecer los mismos. Es necesario destacar, que la metodología empleada incluye la optimización de las estrategias por medio de Algoritmos Genéticos. Uno de los puntos fuertes de la metodología es que no solo se analiza el beneficio si no que se tiene en consideración el riesgo, el coste de transacción y la problemática de data snooping descuidados en otro estudios. Otro punto fuerte a destacar es que se han realizado pruebas con datos totalmente nuevos a los usados en el proceso de desarrollo del detector de patrones y en el proceso de optimización. El análisis realizado en este trabajo arroja resultados muy favorables para la mayor parte de los patrones utilizados. No obstante, no se ha podido demostrar con evidencia estadística la capacidad de predicción de los patrones Cabeza-Hombros. Por otro lado, las estrategias de inversión desarrolladas, y probadas después en el periodo del 2013 y sobre el conjunto de acciones que forman el índice S&P500, el cual subió un 25% ese año, arrojan beneficios de entre el 50% y el 70% con niveles de riesgo bajos.The Technical Analysis used in financial markets is able to generate buy/sell signals in an orthodox way, thus, resulting much more appropriate than Fundamental Analysis to implement automatic investment strategies. Apparently, analysis based on Chart Patterns recognition offer some advantages compared to other technical indicators used in most technical analysis. However, the use of Chart Patterns in automated trading strategies is not very frequent. In first place, there is a lot of controversy in their real effectiveness. The existent studies offer very different results, furthermore, most of them lack of an appropriate methodology and complete quantitative analysis with statistical evidence. In second place, Chart Patterns are not frequent and are hard to detect. This, impede the generation of lot of investment signals, aspects that does not help neither the profitability of any strategy nor to perform conclusive analysis about patterns. The present study, tries to shed light on top of the existent controversy, pointed out previously, and to test the real effectiveness of Chart Patterns in automated investment strategies. For that, we first develop an automatic recognition system for Chart Patterns. The system implemented in Matlab software, is able to detect Head and Shoulder patterns, Triangles, Rectangles, Flags and Tendency Lines. In second place, and unlike most of the studies present in the state of the art, we carry out an analysis of the predictive power of the Chart Patterns detected. Having observed statistical evidence that patterns have predictive capacity about the direction that prices will follow posterior to the pattern formation, in third and last place, we start the design of simple investment strategies. This helps us analyze not only the predictive power of patterns deeply, but also their potential, in terms of profitability. We must highlight that the methodology followed in the optimization of the strategies, include the use of Genetic Algorithms. One of the strong points in the methodology is that apart from the balance, we take into account, risk, transaction costs and the problematic of data snooping neglected in other studies. The other strong point is that the strategy is tested with new data neither used in the development process of the pattern detector nor in the optimization process. Analysis performed in this project point out very positive results for most patterns used. However, we have been not able to prove with statistical evidence the predictive power of Head and Shoulders pattern. On the other hand, the investment strategies developed, and tested later in the period of 2013 with the groups of stocks forming the S&P500 index, that went up a 25% that year, brought profits around 50% and 70% with low risk levels.Ingeniería en Tecnologías Industriale