Trading algorítmico, machine learning y mucho más!

De la mano de Juan Pablo Braña, nos sumergimos en la realidad de los conceptos de machine learning, trading algorítmico y su contexto a nivel local y otros continentes. Es interesante poder escuchar sobre estos conceptos de la mano de alguien que ha vivido desde sus comienzos la evolución. Agradecemos a Juan Pablo por su didáctica forma de transmitirnos su experiencia.
Trading algorítmico, machine learning y mucho más!
Tiempo de lectura: 5 minutos
Table of Contents

¿Es prometedor el futuro del trading algorítmico en Argentina?

En el episodio de hoy, tenemos el agrado de presentarles a Juan Pablo Braña. Juan Pablo se inició en el trading algorítmico, inteligencia artificial, machine learning hace más de 20 años cuando aún estos conceptos tenían otro nombre. Él era estudiante de matemáticas en aquel entonces, cuando machine learning era llamado estadística aplicada. Se fue interiorizando en el tema a través de papers e investigaciones académicas que luego tomaron forma de curso “Data Science”.

Respecto a los algoritmos en el mundo del trading, Juan Pablo nos cuenta que si bien desde lo académico hace más de 20 años que se está desarrollando, su gran impulso se dio con la ayuda de grandes grupos inversores que comenzaron a confiar en el trading algorítmico. Hablando del presente, el lo ve como un presente  prometedor respecto al futuro del trading algorítmico en Argentina.

Realidad del trading algorítmico en los mercados desarrollados.

En los mercados desarrollados hay grandes jugadores con muchos recursos, que hacen la diferencia pero no son la mayoría.

El aporte de plataformas de trading algorítmico al desarrollo en mercados como Argentina.

Juan Pablo considera que plataformas como ArQuants aportaron muchísimo al desarrollo y adopción del trading algorítmico en Argentina. Por diferentes razones, por ejemplo, por el ahorro para los clientes en la inversión de infraestructura y/o equipos de profesionales para el desarrollo de sus estrategias. 

De acuerdo a los diferentes niveles de trading algorítmico que existen en Argentina, para la gran mayoría plataformas como ArQuants han agilizado la implementación y ahorrado muchísimos recursos a sus clientes.

Estrategias e ideas en Argentina.

Hasta hace unos años el diferencial lo tenía él que llegaba más rápido, pero esa velocidad siempre tiene un límite y cuando este se alcanza la condición es igual para todos. Juan Pablo considera que el mayor desafío en el mercado argentino y similares es sentarse a diseñar nuevas estrategias e ideas. Y el complemento ideal para poder implementarlo y testearlo de manera rápida es una plataforma como ArQuants.

Ahora bien, esa velocidad tiene un límite y cuando este se alcanza la condición es igual para todos. En este último escenario es donde inevitablemente se requiere de nuevas ideas y diferenciarse particularmente en las estrategias. 

Desde TradeSpark, hemos vivido lo mencionado anteriormente por Juan Pablo y notamos que estamos en ese punto de inflexión en donde los clientes comienzan a demandar desarrollos de sus propias ideas. 

En relación a este punto, Juan Pablo nos cuenta que una de las grandes diferencias que vio entre las instituciones del exterior y las de Argentina es que allí se estilan más los Quants de investigación abocados a la investigación. De lo contrario, en Argentina se suelen destinar pocos recursos a la investigación. Como conclusión, las áreas de investigación son el punto clave a desarrollar en los institucionales de Argentina.

La aplicación de inteligencia artificial en el trading algorítmico, modelos predictivos vs modelos explicativos.

La inteligencia artificial es una de las grandes tecnologías que están en constante crecimiento, hay tecnologías que pasan de moda pero la inteligencia artificial continúa evolucionando y se estima que va a seguir creciendo por mucho tiempo más. Básicamente con inteligencia artificial lo que uno hace es intentar encontrar algún patrón que te ayude a dar un conocimiento de negocio que humanamente suele ser prácticamente imposible. Es importante entender que esta tecnología no hace magia. Lo que se busca es encontrar patrones entre grandes volúmenes de datos o relaciones de negocio complejas que no se obtendrían de otra forma. Llevándolo al mundo del trading, la inteligencia artificial suele aplicarse a algoritmos especulativos. Hay una nueva tendencia que son los modelos explicativos que derivan de un modelo predictivo, por ejemplo, en Londres donde salió una regulación en el ámbito bancario. Es una regulación que muchos conocemos, donde cuando uno solicita un crédito al banco y la entidad puede tener un algoritmo de machine learning que va a indicar si estamos en condiciones o no de recibir el préstamo. Así operan muchos bancos, pero hay una nueva regulación en el Reino Unido que dice que cuando a un cliente se le niega u otorgar el préstamo se debe explicar la razón más allá de cual sea la decisión. Esta nueva tendencia lo que hace es no confiar en “cajas negras”, donde los algoritmos o instituciones deben explicar porque se toma una u otra decisión. 

En relación a esto último, Juan Pablo explica que le resulta más interesante que una herramienta que le pueda explicar a un portfolio manager lo que está pasando en el mercado con diferentes escenarios. Pero no que le indique que activo comprar, sino una recomendación de alto nivel bien explicado. Es decir, los modelos explicativos vs predictivos.

«La inteligencia artificial es una de las grandes tecnologías que están en constante crecimiento».

La recomendación de Juan Pablo es ser fuerte en un lenguaje de programación, hoy en la industria puede ser Python. Por otro lado, ser fuertes además en modelos matemáticos y estadísticos. La mejor forma de aprender para Juan Pablo es descargarse el código y trabajar sobre ello. 

Luego de la interesante conversación que hemos tenido con Juan Pablo, podemos decir que en Argentina tenemos un presente y futuro alentador respecto a la adopción del trading algorítmico. No solo limitado a la ejecución de modelos predictivos sino también con el desafío del desarrollo de modelos explicativos.

Si te interesa saber más sobre este tema ingresa acá.

.

Compartir esta noticia
Share on facebook
Facebook
Share on twitter
Twitter
Share on linkedin
LinkedIn
Share on whatsapp
WhatsApp

Otros Artículos

Suscríbete a nuestro Newsletter
No te pierdas las últimas noticias del mercado.

Algorithmic Process Automation (APA)

Esta es una “caja” de estrategias para el operador o trader, que le permite llevar adelante la optimización y minimización de errores, en la ejecución de tareas repetitivas dentro de una mesa de operaciones. Mejora de este modo la productividad y eficiencia del equipo de trabajo en el accionar diario.

Estrategias

Realice operaciones de canje entre dólar mep y cable mediante la operatoria de bonos o acciones. Para utilizar esta estrategia, debes configurar la cantidad de dólar cable a operar, el tipo de operación (compra o venta), el precio al que se desea realizar, y los títulos que se emplearán para realizar la operación.

Tiene como objetivo realizar una compra de un activo promediando un valor por debajo del máximo configurado. Está pensada para optimizar el flujo de una operación, consiguiendo el precio deseado sin la necesidad de la intervención de un operador. Se puede configurar el monto total a operar, el precio límite y por último el tamaño máximo de las órdenes.

Tiene como objetivo colocar un monto en una moneda determinada a tasa entre plazos. Pensado para poder optimizar el curso de operaciones de colocación a tasa a través de un algoritmo y no requiriendo una intervención activa de un operador.

Realizá operaciones de compra o venta de dólares mediante la operatoria de bonos o acciones. Para utilizar esta estrategia, debes configurar la cantidad de dólares a operar, el tipo de operación (compra o venta), el precio al que se desea realizar, y los títulos que se emplearán para realizar la operación.

Dada una posición tomada en un valor negociable, la desarmar y la rearma en otro valor negociable, respetando un ratio de precios configurado entre ambos.

Price Improvement Iceberg (PII). Esta estrategia busca estar siempre primera en el book de órdenes con el objetivo de discretizar una orden de compra o venta. Permite configurar precio límite, monto total a operar, límite de monto por orden y cuenta con un mecanismo para ocultarle al mercado su accionar, modificando las órdenes que va enviando en su tamaño.

Tiene como objetivo tomar un monto en una moneda determinada a tasa entre plazos. Pensado para poder optimizar el curso de operaciones de tomar tasa a través de un algoritmo y no requiriendo una intervención activa de un operador.

Tiene como objetivo realizar una venta de un activo promediando un valor por debajo del máximo configurado. Está pensada para optimizar el flujo de una operación, consiguiendo el precio deseado sin la necesidad de la intervención de un operador. Se puede configurar el monto total a operar, el precio límite y por último el tamaño máximo de las órdenes.

Pensada para simplificar la gestión pasiva de liquidez de una gran cantidad de cuentas comitentes, esta estrategia permite la automatización en la ejecución de órdenes de cauciones colocadoras en el mercado. A partir de una lista de cuentas y saldos, el algoritmo envía órdenes al mercado siguiendo parámetros de plazo, tasa, agresión y tamaño. El resultado es la ejecución de cientos de órdenes en pocos minutos manteniendo un control global del proceso en cada momento.

Es un algoritmo pensado para simplificar el proceso de colocación de órdenes para tomar liquidez del mercado. A partir de un detalle de saldo requerido por cuenta comitente y la definición del plazo (caución a t dias), el motor administra el envío de órdenes dentro de parámetros definidos de tasas objetivos y agresividad en la colocación. El resultado es la ejecución de cientos de órdenes en pocos minutos manteniendo un control global del proceso en cada momento.