Uso de algoritmos data driven para superar al S&P500

Abstract

Ante la automatización de gran parte de las operaciones bursátiles actuales, el presente trabajo final de máster propone la fusión de datos de significancia para los mercados financieros con el objetivo de desarrollar algoritmos que propongan rendimientos superiores al índice de referencia americano S&P500. En este sentido, la meta será superar el benchmarking mediante una estrategia de inversión rotacional que utilizará vehículos de inversión sectoriales. Este proyecto va más allá de una mera exploración de datos financieros, siendo una inmersión profunda en la sinergia entre diversas fuentes de información. La integración de datos macroeconómicos procura entender las complejidades del entorno global, mientras que la consideración de factores técnicos busca identificar patrones y tendencias cruciales en el mercado. Además, la inclusión de factores Fama-French agrega un nivel de sofisticación al modelado, capturando características específicas de las acciones.

Given the automation of a large part of the current stock market operations, this final master’s thesis proposes the fusi´on of data of significance for the financial markets with the objective of developing algorithms that offer superior returns to the American reference index S&P500. In this sense, the goal will be to overcome the benchmarking through a rotational investment strategy that will use sectoral investment vehicles. This project goes beyond a mere exploration of financial data, being a deep dive into the synergy between various sources of information. The integration of macroeconomic data seeks to understand the complexities of the global environment, while the consideration of technical factors seeks to identify crucial patterns and trends in the market. In addition, the inclusion of Fama-French factors adds a level of sophistication to the model, capturing specific characteristics of the actions.