La programación con este método hace que el robot proporcione resultados en fracciones de segundo con una mayor objetividad al tomar decisiones, sobre todo en el momento en que aparecen las señales de compra y de venta de acciones, porque elimina el componente emocional.

“Los robots no tienen sentimientos ni sienten pánico, no dudan ni se cansan; la psicología del trading desaparece y tampoco hay cansancio, se puede parametrizar cualquier estrategia basada en las matemáticas, luego las posibilidades son infinitas”, argumenta Valentina Arteaga Bedoya, magíster en Administración de la Universidad Nacional de Colombia (UNAL) Sede Manizales, creadora de esta fórmula.

El método de los promedios móviles, comúnmente utilizado para calcular pronósticos, consiste en calcular un valor promedio basado en datos históricos, y a partir de ahí pronosticar valores futuros.

“Estas medidas son muy útiles, ya que ayudan a dar más exactitud en las proyecciones para pronósticos de lecturas de valores de las acciones y en general de las operaciones bursátiles; es la que más usan los traders o corredores de bolsa”, subraya.

En su investigación también incluyó las redes neuronales artificiales como modelos inspirados en ciertas características asociadas con el procesamiento de información en el cerebro humano.

“Los modelos de redes neuronales poseen la habilidad de aprender a través de interacciones con el medio, es decir de la experiencia, ya que están compuestas por numerosos elementos interconectados a través de neuronas que trabajan conjuntamente en la resolución de problemas brindando soluciones robustas, gracias a su capacidad de controlar la incertidumbre”.

Por otro lado, trabajó con el algoritmo genético, una función matemática que recibe como entrada la generación de posibles soluciones para el problema en cuestión, y arroja como salida los especímenes más aptos (es decir las mejores soluciones) para que se apareen y generen descendientes, los cuales deberían tener mejores características que las generaciones anteriores.

Transformación del mercado

Con esta mezcla, la investigadora logró desarrollar características que les permiten a los robots financieros –por medio de un software como MatLab– ejecutar órdenes bursátiles a gran velocidad y combinando multitud de estrategias.

Otra de las habilidades de este software es su capacidad de aprendizaje, y además está programado para detectar incrementos de volumen en un sentido y batir a los rivales.

Hoy es muy importante encontrar métodos computacionales flexibles que se puedan integrar fácilmente para mejorar los rendimientos de los inversionistas; la fórmula presentada en esta investigación mejora el rendimiento financiero, ya que está pensado en las tres partes del proceso de tomar decisiones: predicción, selección y mejora.

Utilizar desarrollos como este permite que los robots tengan mayor competitividad en los procesos decisionales para aplicaciones bursátiles, ya que los dota de herramientas eficientes con las que se puede tener mayor precisión.