Comparativa de algoritmos de aprendizaje para el fraccionamiento óptimo de grandes órdenes

Abstract

Existen varias técnicas para la división de grandes órdenes bursátiles en pequeñas subórdenes y así reducir su impacto en la bolsa de valores. Estas técnicas requieren de distintas disciplinas como la predicción, redes neuronales, y otros tipos de algoritmos. En el presente proyecto se han construido dos algoritmos de optimización que utilizan datos locales basados en precios y volúmenes reales de una determinada acción para obtener una secuencia óptima de compra/venta en un horizonte de tiempo reducido. Ambos surgieron como alternativa al algoritmo [1], en el que se implementan técnicas de predicción. Sin embargo, en este proyecto se prescinde de estrategia de horizonte deslizante y de la optimización en línea reduciéndose todo a un esquema de aprendizaje/estimación. Además, se utilizan técnicas como Local Data llevada a cabo en el algoritmo [2] . El objetivo del trabajo es plantear un enfoque alternativo para luego compararlos con el algoritmo de partida, y comprobar la viabilidad de estos. El proyecto se estructura en 5 capítulos. El primero introduce el contexto, y se habla del objetivo y trabajo previo del algoritmo. El segundo abarca el desarrollo del Algoritmo 2. En el tercero se realizan pruebas para comprobar la correcta ejecución de este, y se crea el Algoritmo 3. El cuarto muestra los resultados realizando una comparativa entre ellos. Y, por último, en el quinto capítulo, se redactan las conclusiones.

There are several techniques for dividing large stock orders into small sub-orders to reduce their impact on the stock market. These techniques require different disciplines such as prediction, neural networks, and other types of algorithms. In this project, two optimization algorithms have been built that use local data based on real prices and volumes of a given stock to obtain an optimal purchase / sale sequence in a short time horizon. Both algorithms emerged as an alternative to Algorithm [1], in which prediction techniques are implemented. However, this project dispenses with the sliding horizon strategy and online optimization, reducing everything to a learning / estimation scheme. Also, techniques such as Local Data carried out in the algorithm [2] are used. The objective of this project is to propose an alternative approach and then compare it with the starting algorithm to check the viability of the algorithms. The project is structured in 5 chapters. The first one introduces the context and talks about the objective and previous work of the algorithm. The second one covers the development of the Algorithm 2. In the third one, tests are carried out to verify the correct execution of the algorithm, and Algorithm 3 is developed. The fourth shows the results by comparing the algorithms. And finally, in the fifth chapter, the conclusions are shown.