DISEÑO DE UN SISTEMA AUTOMÁTICO DE INVERSIÓN EN BOLSA BASADO EN TÉCNICAS DE PREDICCIÓN DE SERIES TEMPORALES

Transcripción

1 DISEÑO DE UN SISTEMA AUTOMÁTICO DE INVERSIÓN EN BOLSA BASADO EN TÉCNICAS DE PREDICCIÓN DE SERIES TEMPORALES Autor: Astudillo Zulueta, Antón. Directores: Cruz García, Alberto Miguel. Arroyo Gallardo, Javier Entidad Colaboradora: ICAI Universidad Pontificia Comillas. RESUMEN DEL PROYECTO Hoy en día, los mercados de valores ejercen una gran influencia sobre la economía mundial y así se ha demostrado en los últimos acontecimientos recientemente ocurridos. Concretamente, las bolsas de valores son una parte muy importante de los mercados financieros y a la vez un gran vehículo de especulación. Predecir su comportamiento futuro aporta importantes ventajas competitivas a los actores del mercado pero es una difícil tarea en la que se están vertiendo continuamente grandes esfuerzos de investigación sin obtener resultados definitivos. En este proyecto se ha diseñado un sistema automático de inversión en bolsa que predice el comportamiento futuro de un conjunto de valores y en base a la estimación obtenida realiza operaciones de compra-venta de acciones. Dado que la evolución de los precios de las acciones a lo largo del tiempo forman series temporales, se han construido diferentes modelos basados en técnicas de predicción de series temporales. En el mercado de valores diario existen una gran cantidad de parámetros asociados a una acción (Precio de apertura, Volumen, Máximo, Mínimo etc), sin embargo, en este caso se ha trabajado principalmente con el precio de cierre diario. Se han seleccionado 6 valores del Ibex 35 con los que se ha desarrollado el estudio: BBVA, FCC, Iberdrola, Repsol, Santander y Telefónica, y se han recopilado los datos correspondientes a dichos valores durante un periodo de 4 años aproximadamente (del 2003 al 2007). Una parte muy importante del proyecto es el análisis técnico. En la actualidad, el análisis técnico usa una gran variedad de gráficos que muestran distintas variables financieras a lo largo del tiempo, así como indicadores técnicos y superposiciones que transforman los datos originales para facilitar la búsqueda de patrones. Precisamente, dichos indicadores y superposiciones se han utilizado como entradas a los diferentes modelos construidos a lo

2 largo de todo el proyecto y este hecho es interesante e innovador ya que, por lo general, la mayoría de los indicadores y superposiciones se calculan para ser analizados o interpretados de manera gráfica. Por tanto, se han ido estudiando y construyendo a lo largo del proyecto una serie de modelos, tanto con técnicas basadas en el análisis de series temporales como con técnicas de inteligencia artificial, para predecir cómo se va a comportar el precio de cierre de una acción concreta en el futuro. En primer lugar, se probó a estimar el valor de los precios de cierre diarios. Se estudió la posibilidad de usar un modelo ARIMA para comprobar si era posible predecir los cierres diarios solamente con los datos de la propia serie y el resultado no fue positivo. Después se optó por intentarlo con un modelo de regresión dinámica para predecir también los cierres diarios pero en este caso a partir de un conjunto de indicadores técnicos y superposiciones calculados para los diferentes valores del Ibex 35 seleccionados. Como con los modelos ARIMA, el resultado no fue positivo ya que se comprobó que no hay correlación entre los indicadores calculados y los precios de cierre diarios. Por último, se decidió cambiar de enfoque y se probó a predecir la dirección de los precios de cierre, en vez del valor concreto. Es decir, se optó por intentar estimar el signo de los rendimientos de los precios de cierre diarios (ln(ct) - ln(ct-1)) y a través de un conjunto de reglas decidir si el rendimiento futuro va a ser positivo, negativo o irrelevante. Para ello se utilizaron árboles de decisión. Dado que los resultados eran más esperanzadores que los obtenidos con los estudios realizados anteriormente, se decidió escoger esta técnica de inteligencia artificial para crear el modelo final. Antes de comenzar con el modelo final, se analizaron varias combinaciones de árboles y se eligieron las mejores en base a un criterio establecido adecuadamente para las características del proyecto. Para el modelo final, se han definido dos alternativas con dos estrategias de inversión distintas. En la primera se construye un modelo denominado modelo directo, en el que se utiliza una estrategia básica en la que ante una estimación de que el rendimiento futuro va a ser positivo se compran todas las acciones posibles de un valor en concreto con el capital disponible. Si dicha estimación indica que el rendimiento futuro va a ser irrelevante no se hace nada y, si en cambio, la estimación indica que el rendimiento futuro va ser negativo se venden todas las acciones que se tienen en cartera. En la otra alternativa, se construye un modelo denominado modelo refinado, en el que se ha utilizado una estrategia más elaborada pero más conservadora. En dicho modelo además de predecir la dirección de los

3 precios de cierre, se tiene en cuenta el factor riesgo y se hace una estimación de una medida de volatilidad, que se calcula con las bandas de Bollinger (Diferencia entre la banda de Bollinger superior y la inferior). Para ello se ha construido un modelo autorregresivo con el que se estima la diferencia entre las bandas para el futuro. Así pues, primero se estima el signo del rendimiento futuro con un árbol de decisión, como en el modelo directo. Si la predicción sale irrelevante no se hace nada pero si sale positivo o negativo se pasa a predecir la medida de volatilidad a través del modelo autorregresivo indicado anteriormente. Con la estimación de la medida de volatilidad futura se calcula un coeficiente de riesgo y en función de dicho coeficiente se compran o se venden acciones de un valor concreto. Adicionalmente, se ha construido un modelo aleatorio para utilizarlo como referencia frente a los modelos propuestos. Tras ejecutar y comparar los modelos contemplados en el modelo final (modelo directo, refinado y aleatorio) en un periodo de validación de 165 días se han sacado una serie de conclusiones importantes. En primer lugar, no se han obtenido los resultados deseados en los estudios realizados con los modelos ARIMA y de regresión dinámica definidos para la estimación del valor de los precios de cierre diarios. En segundo lugar y a raíz de la conclusión anterior, se ha comprobado que se obtienen mejores resultados con los modelos que predicen la dirección de los precios de cierre (signo del rendimiento) que con los modelos que predicen el valor de dichos cierres. Por último, en la mayoría de los casos tanto con el modelo directo como con el refinado, las rentabilidades alcanzadas son superiores a la media de los retornos obtenidos con el modelo aleatorio.

4 DESIGN OF AN AUTOMATIC STOCK MARKET INVESTMENT SYSTEM BASED ON FINANCIAL TIME SERIES FORECASTING TECHNIQUES. ABSTRACT Nowadays, stock markets play an important role in the global economy and it has been shown over the last events. Specifically, stock markets are one of the most important part in financial markets. Stock markets rate forecasting provides important competitive advantages for all the market players, currently being a challenging task for both academic researchers and business practitioners. In this Project, it has been designed an automatic stock exchange investment system that forecast the behaviour of a securities set and based on this estimate it makes buying and selling shares transactions. Since the development of share values over the time form financial time series, different models based on time series forecasting techniques have been developed. In daily stock markets there are several parameters related to a share (daily open, volume, maximum, minimum ), however, in this case the daily close has been the main one. Six securities of the Ibex 35 have been selected to do the study: BBVA, FCC, Iberdrola, Repsol, Santander and Telefónica. The data related to these securities have been collected during a period of 4 years approximately (from 2003 till 2007). One essential part of this project is the technical analysis. Currently, technical analysis uses a wide range of charts that shows different financial variables over the time, and also technical indicators and overlays that transform the original data to make easier the pattern searching. Just this overlays and indicators have been used as the inputs of most the models developed along the project. This fact is interesting and innovator because normally the majority of overlays and indicators are calculated to be analyzed in a graphical way. So, several models have been studied and developed along this project with artificial intelligence and time series analysis based techniques, to forecast how it is going to be the daily close value of one share in the future. Firstly, it was tested the level estimation of the daily close. It was studied the chance to use an ARIMA model to forecast the daily close values only with the own elements of the financial time serie but the result was not positive. After that, the same study was tried but in this case with a dynamic regression model using a set of overlays and indicators calculated for the different securities as inputs

5 of the models but the result was also not positive. The reason was that the set of indicators used as inputs are not correlated with the daily close values. Finally, it was decided to change the approach and focus on the daily close direction instead of the daily close value. Now the objective was the estimation of the next daily close return (ln(ct) - ln(ct-1)) and decide with a set of rules if that return was going to be positive, negative o irrelevant. Decision trees were chosen to do it. Since the results were more encouraging than the other studies, it was decided to use this technique to build up the final model. Before the final model development, different combinations of decision trees were evaluated and only the best were selected attending to specific criteria. Regarding to the final model, two different alternatives have been defined with two different investment strategies. The first one, called direct model uses a basic strategy. If the estimation suggests that the next daily close return is going to be positive, the system buys all the shares as possible with the available money. If the estimation suggests that the next daily close return is going to be irrelevant, the system do not do anything, and finally if the estimation suggests that the next daily close return is going to be negative, the system sells all the shares available. In the other alternative, called refined model the strategy is more thought, since there is a risk factor. So, the forecasting of the daily close return for each security is the same, but in this case, when the forecast is positive or negative there is an estimation of a volatility measurement. This measurement is calculated with difference between the superior Bollinger band and the lower Bollinger band. Once the volatility measurement is estimated a risk coefficient is calculated and the number of shares to buy or to sell depends on this factor. Additionally, a random model has been developed to compare with the proposed alternatives. After executing and comparing the considered alternatives in the final model during a 165 days validation period some conclusions have been taken. Firstly, the results obtained with the ARIMA and dynamic regression studies are not satisfactory. Secondly, it is better to forecast the daily close direction than the daily close value. And finally, in most of the cases both considered alternatives (direct and refined model) are more profitable than the random one.