Gestión de Carteras Basada en Análisis Técnico y Machine Learning

Abstract

El objetivo de este Trabajo de Fin de Grado es aplicar técnicas de inversión basadas en Machine Learning y estrategias tradicionales sobre dos activos financieros. Para ello, se han diseñado y simulado sistemas de trading automatizados que generan señales de compra y venta, utilizando como objetivo de predicción (target) una fluctuación del ±1,5 % en el precio de cierre diario. De esta manera, se podrá saber cuáles son las estrategias claves para futuras operaciones. Los activos financieros empleados en este proyecto son el Bitcoin (BTC) y el Nasdaq 100 (bolsa de valores formada por las empresas tecnológicas más relevantes, la cual se encuentra ubicada en New York). Una vez se tengan los datos que queramos y se hayan desarrollado las estrategias se hará backtesting para el modelo de Machine Learning. Es decir, se van a comprobar si se obtienen buenos o malos resultados desde el 1 de Enero de 2024 hasta el 17 de febrero de 2025. Este será nuestro período de prueba para evaluar si son efectivas o no las estrategias que se han creado. Se han implementado dos enfoques distintos de gestión de posiciones. En el primero, la estrategia cierra la posición al final del día si la señal deja de estar activa o cambia, siguiendo un enfoque tradicional de gestión diaria. En el segundo enfoque, la posición permanece abierta indefinidamente hasta que la señal cambie (por ejemplo, de compra a venta), asegurando así una operativa continua mientras persista la condición original. Esto permite comparar el impacto de cerrar posiciones diariamente frente a mantenerlas abiertas hasta un cambio de señal. Se ha incluido también un Stop-loss y un apalancamiento a las estrategias empleadas. La temporalidad que se ha usado ha sido diaria. Se ha optado por una temporalidad diaria ya que nuestro objetivo es obtener un 1.5% de fluctuación de un día para otro. Finalmente, se han comentado y analizado con detalle los resultados obtenidos.