Trading algorítmico para la optimización de portafolios en mercados financieros

Abstract

El trading algorítmico ha revolucionado la gestión de portafolios de inversión al automatizar la ejecución de órdenes mediante algoritmos, optimizando rendimientos y reduciendo riesgos. Esta investigación explora sus principales estrategias, como Medias Móviles, Momentum y la teoría de Markowitz, aplicadas a criptomonedas, acciones del NASDAQ y activos de la Bolsa de Valores de Lima (BVL). Utilizando Python y herramientas como Pandas y PyPortfolioOpt, se implementaron algoritmos para evaluar su efectividad a través de backtesting, ajustando periodos de lookback y estrategias de optimización. Los resultados muestran que las criptomonedas generan altos rendimientos con mayor volatilidad, mientras que el NASDAQ equilibra rendimiento y estabilidad, y la BVL presenta un perfil menos favorable. Se concluye que Momentum es más eficaz para criptomonedas, Markowitz para NASDAQ y Medias Móviles para la BVL, adaptando cada estrategia a las características del mercado. Además, se destaca la importancia de seleccionar plataformas adecuadas y enfrentar los desafíos regulatorios en mercados emergentes, como Perú, donde la falta de regulación en criptomonedas y la limitada disponibilidad de API's representan obstáculos para los inversores.