Diseño y desarrollo de soluciones de aprendizaje automático para sus inversiones
Sobre Peter
Cuando se aplica el aprendizaje automático a datos financieros ruidosos, el diseño de todo el sistema es tan importante como el propio desarrollo. Diseño la idea fundamental y la transformo en un algoritmo que funcione. Añadir una capa inteligente en forma de inteligencia artificial le dará una ventaja y ofrecerá una estrategia no correlacionada que será una adición vital a su portafolio.
Peter Kostovcik es un investigador cuantitativo profesional y cofundador de un fondo algorítmico IA en Praga, República Checa. Vive en Medellín, Colombia, y combina un estilo de vida con un trabajo que le encanta.
Estrategias de inversión
Portafolio Adaptativo
(sesgo estadístico)
Esta estrategia aprovecha los sesgos estadísticos, principalmente en bolsa de valores. El portafolio se reequilibra diariamente para responder a un ambiente de mercado siempre cambiante. El sistema sólo utiliza posiciones largas, pero opera con todo el universo de activos. Gracias a los ETFs, puede entrar en posiciones cortas (ETFs invertidos) o invertir en mercados que no son de acciones, como las materias primas, los bonos, y otros. La idea que sustenta el sesgo tiene una explicación fundamental y se ha observado empíricamente. La ventaja excepcional de esta estrategia es la implementación de una red neuronal en el proceso de decisión final (diariamente hasta 30 posiciones en diferentes acciones/ETFs y alrededor de 5 contratos de futuros diferentes).
Universo de activos: Acciones, ETFs y futuros de EE.UU. y UE.
Rentabilidad esperada basada en la rentabilidad histórica: 15-20% anual
Las retiradas máximas previstas son de alrededor del 20%, hasta el 35% según el análisis de Montecarlo.
Mercado Neutral
(pares de acciones)
Estrategia muy conocida en el sector que introduce cada operación en posiciones largas y cortas, por lo que explota la relación de reversión de la media. Aun así, el sistema se mantiene neutral con respecto al mercado en su conjunto. Este sistema utiliza autocodificadores basados en redes neuronales convolucionales para encontrar pares de acciones con relaciones de reversión de la media. Las acciones son del mismo sector o tienen una relación cliente-proveedor. Junto a los enfoques clásicos, como la cointegración y el método de la distancia, los autocodificadores demostraron ser una alternativa válida.
El universo seleccionado de pares de acciones (o ETFs) forma miles de señales potenciales, así que aquí entra el graph neural network para seleccionar las mejores señales según los rendimientos esperados.
La ingeniería avanzada de características y un enfoque propio de validación cruzada de las series de tiempo son vitales para el proceso de desarrollo.
Tecnología
