Develando estrategias de mercado: minería de datos aplicada al análisis de mercados financieros

Inferring Market Strategies: Applying Data-Mining to Analysis of Financial Markets

José Luis Gordillo-Ruiz¹, Enrique Martínez-Miranda² y Christopher R. Stephens³

¹ Dirección de Cómputo y Tecnologías de la Información y la Comunicación, UNAM, D.F., México jlgr@super.unam.mx

³ Instituto de Ciencias Nucleares, C3 - Centro de Ciencias de la Complejidad, UNAM, D.F., México stephens@nucleares.unam.mx

Artículo recibido el 08/12/2010.
Aceptado el 16/01/2012.

Resumen

En los últimos años se han venido desarrollando marcos de estudio que intentan describir a los mercados financieros con mayor apego a la realidad que los marcos tradicionales, excesivamente simplificadores. En estos marcos se incluyen herramientas conceptuales y de análisis como evolución, sistemas complejos y minería de datos, entre otras. En particular, la minería de datos proporciona herramientas para extraer información a partir de la gran cantidad de datos que se generan del funcionamiento de los mercados financieros. En este trabajo, se presenta una metodología para inferir, a partir de los datos de un mercado, si participantes con resultados similares tienen estrategias similares y así intentar entender porque ciertos agentes son exitosos. Por decirlo de alguna manera, usamos estas herramientas para tratar de encontrar "huellas" de las estrategias de los agentes en las series de tiempo que son generadas a partir de su actividad en los mercados. Esta metodología puede verse a su vez como una conversión del problema a uno de clasificación, en donde se pretende corroborar que agentes con ganancias similares se encuentran en una misma región de un espacio discreto multidimensional, constituido por variables derivadas de los datos de las operaciones del mercado.

Palabras clave: Minería de datos, estrategias de mercado, análisis bayesiano, evolución, adaptación, predicción.

It has become increasingly common to model financial markets using frameworks which better capture their behavior than the excessively simplistic traditional frameworks. Key concepts in these new frameworks are evolution, complex systems and data mining, each with their associated characteristic analysis. In particular, data mining provides extremely useful tools for potentially extracting knowledge from the huge quantity of data available in financial markets. In this paper we present a new methodology for inferring, using market data, whether or not agents with similar performance are using similar trading strategies and by that to try to understand why certain agents are more successful than others. Put another way, we use data mining to look for "footprints", in the time series of price, that characterize the distinct trading strategies, and that are generated by their trading activity. One way to look at this is as a classification problem, where we try to classify agents with similar performance, determining if they are found in the same region of a discrete, multi-dimensional space composed of variables that are derived from the market data.

Keywords: Data mining, trading strategy, Bayesian analysis, evolution, adaptation, prediction.

DESCARGAR ARTÍCULO EN FORMATO PDF

Agradecimientos

Los autores agradecen el financiamiento de CONACYT a través de los proyectos "Centro de Ciencias de la Complejidad" y "Red Temática de Complejidad, Ciencia y Sociedad", así como al proyecto UNAM-PAPIIT IN120509.

Referencias

1. Aragonés, J.R. & Mascareñas, J. (1994). La Eficiencia y el Equilibrio en los Mercados de Capital. Análisis Financiero, 64, 76–89.         [ Links ]

2. Benink, H.A., Gordillo, J.L., Pardo, J.P., & Stephens, C.R. (2010). Market efficiency and learning in an artificial stock market: A perspective from Neo-Austrian economics. Journal of Empirical Finance, 17(4), 668–688.         [ Links ]

3. Cont, R. (1999). Modeling Economic Randomness: Statistical Mechanics of Market Phenomena. In M.T Batchelor & L.T. Wille (Eds.), Statistical Physics in the eve of the 21st Century. Singapore: World-Scientific. Retrieved from http://www.cmap.polytechnique.fr/~rama/papers/festschrift.ps .         [ Links ]

4. Fama, E.F. (1970). Efficient Capital Markets: A Review of Theory and Empirical Work. The Journal of Finance, 25(2), 383–417.         [ Links ]

5. Kovalerchuk, B. & Vityaev, E. (2000). Data Miningin Finance: Advances in Relational and HybridMethods. Boston: Kluwer Academic Publishers.         [ Links ]

6. Mansilla, R. (2003). Introducción a la Econofísica. Madrid: Equipo Sirus.         [ Links ]

7. Mantegna, R.N. & Stanley, H.E. (2000). An Introduction to Econophysics: Correlations and Complexity in Finance. Cambridge, UK: Cambridge University Press.         [ Links ]

8. O'Hara, M. (1998). Market Microstructure Theory. Cambridge, Mass: Blackwell Publishers.         [ Links ]

9. Sharpe, W.F. (1994). The Sharpe ratio. The Journal of Portfolio Management, 21(1), 49–58.         [ Links ]

10. Stephens, C.R., Gordillo, J.L., & Hauser, F. (2006). Testing inefficiency in an Experimental Market using Excess Trading Returns. 1st International Conference on Economic Sciences with Heterogeneous Interacting Agents (WEHIA 2006). Bolognia, Italy. Retrieved from http://www2.dse.unibo.it/wehia/paper/parallel%20session_5/session_5.4/Stephens_5.4.pdf        [ Links ]

11. Stephens, C.R., Benink H.A., Gordillo J.L., & Pardo-Guerra, J.P. (2007). A New Measure of Market Inefficiency. Retrieved from http://ssrn.com/abstract=1009669        [ Links ]

12. Stephens, C.R., & Sukumar, R. (2007). An introduction to Data Mining. The Handbook of Market Research. 455-486. SAGE Publications.         [ Links ]