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.