Rendimiento Ajustado al Riesgo de Modelos de Bosques Aleatorios en el Comercio de Alta Frecuencia
Autores: Deep, Akash; Shirvani, Abootaleb; Monico, Chris; Rachev, Svetlozar; Fabozzi, Frank
Idioma: Inglés
Editor: MDPI
Año: 2025
Acceso abierto
Artículo científico
2025
Rendimiento Ajustado al Riesgo de Modelos de Bosques Aleatorios en el Comercio de Alta Frecuencia
Categoría
Gestión y administración
Subcategoría
Gestión de recursos
Palabras clave
Hipótesis del mercado eficiente
Análisis técnico
Comercio de alta frecuencia
Regresión de bosque aleatorio
Indicadores técnicos tradicionales
Gestión de riesgos
Licencia
CC BY-SA – Atribución – Compartir Igual
Consultas: 13
Citaciones: Sin citaciones
Debido a los desafíos teóricos planteados por la Hipótesis del Mercado Eficiente con respecto al análisis técnico, la efectividad de los indicadores técnicos en el comercio de alta frecuencia sigue siendo inadecuadamente explorada, particularmente a la frecuencia de nivel minuto, donde los efectos de la microestructura del mercado dominan. Este estudio evalúa la integración de indicadores técnicos tradicionales con modelos de regresión de Bosques Aleatorios utilizando datos de SPY a nivel minuto, analizando 13 configuraciones de modelo distintas. Nuestros resultados empíricos revelan un marcado contraste entre el rendimiento dentro de la muestra y fuera de la muestra, con valores que se deterioran de 0.749-0.812 durante el entrenamiento a valores negativos en la prueba. Un análisis de importancia de características demuestra que las características principales basadas en el precio dominan las predicciones realizadas por el modelo, representando más del 60% de la importancia, mientras que los indicadores técnicos establecidos, como el RSI y las Bandas de Bollinger, representan solo el 14-15%. Aunque los modelos mejorados con indicadores lograron métricas ajustadas al riesgo superiores, con ratios de Rachev entre 0.919 y 0.961, consistentemente tuvieron un rendimiento inferior a una estrategia simple de compra y mantenimiento, generando retornos que oscilan entre -2.4% y -3.9%. Estos hallazgos desafían las suposiciones convencionales sobre la utilidad de los indicadores técnicos en el comercio algorítmico, sugiriendo que en contextos de alta frecuencia, pueden ser más relevantes para la gestión de riesgos que para predecir retornos. Para los profesionales e investigadores, nuestros hallazgos indican que las estrategias exitosas de comercio de alta frecuencia deberían centrarse en la selección adaptativa de características y el modelado específico de regímenes en lugar de depender de indicadores técnicos tradicionales, así como indicar la importancia crítica de las pruebas robustas fuera de la muestra en el desarrollo de un modelo.
Descripción
Debido a los desafíos teóricos planteados por la Hipótesis del Mercado Eficiente con respecto al análisis técnico, la efectividad de los indicadores técnicos en el comercio de alta frecuencia sigue siendo inadecuadamente explorada, particularmente a la frecuencia de nivel minuto, donde los efectos de la microestructura del mercado dominan. Este estudio evalúa la integración de indicadores técnicos tradicionales con modelos de regresión de Bosques Aleatorios utilizando datos de SPY a nivel minuto, analizando 13 configuraciones de modelo distintas. Nuestros resultados empíricos revelan un marcado contraste entre el rendimiento dentro de la muestra y fuera de la muestra, con valores que se deterioran de 0.749-0.812 durante el entrenamiento a valores negativos en la prueba. Un análisis de importancia de características demuestra que las características principales basadas en el precio dominan las predicciones realizadas por el modelo, representando más del 60% de la importancia, mientras que los indicadores técnicos establecidos, como el RSI y las Bandas de Bollinger, representan solo el 14-15%. Aunque los modelos mejorados con indicadores lograron métricas ajustadas al riesgo superiores, con ratios de Rachev entre 0.919 y 0.961, consistentemente tuvieron un rendimiento inferior a una estrategia simple de compra y mantenimiento, generando retornos que oscilan entre -2.4% y -3.9%. Estos hallazgos desafían las suposiciones convencionales sobre la utilidad de los indicadores técnicos en el comercio algorítmico, sugiriendo que en contextos de alta frecuencia, pueden ser más relevantes para la gestión de riesgos que para predecir retornos. Para los profesionales e investigadores, nuestros hallazgos indican que las estrategias exitosas de comercio de alta frecuencia deberían centrarse en la selección adaptativa de características y el modelado específico de regímenes en lugar de depender de indicadores técnicos tradicionales, así como indicar la importancia crítica de las pruebas robustas fuera de la muestra en el desarrollo de un modelo.