Un nuevo algoritmo de b

usqueda de sistemas de trading bursatil a

corto plazo basado en GAPs
Manuel E. Fernandez Garca Enrique A. de la Cal Marn Raquel Quiroga Garca
Dpto. de Inform
atica

Dpto. de Inform
atica

Dpto. de Economa Cuantitativa

Universidad de Oviedo

Universidad de Oviedo

Universidad de Oviedo

Campus de Viesques

Campus de Viesques

Campus del Cristo

33203 Gij
on

33203 Gij
on

33002 Oviedo

enri99@yahoo.com

delacal@uniovi.es

rquiroga@uniovi.es

Resumen
La Hip
otesis del Mercado Eficiente se basa en
la suposici
on de que los precios de los activos burs
atiles son impredecibles, seg
un la cual
sera in
util anticipar el comportamiento de los
precios. Por otro lado, la teora del an
alisis tecnico afirma que s es posible obtener beneficios
bas
andose en la evoluci
on hist
orica de los precios. En este trabajo se presenta un sistema
generador de reglas de trading a corto plazo,
implementado utilizando un algoritmo GAP,
capaz de devolver
ordenes de compra y venta
rentables. Adem
as incorpora dos aspectos novedosos respecto a los sistemas existentes en la
literatura que le hacen hacen m
as eficaz, por
un lado, la funci
on de evaluaci
on no incorpora
la estrategia Buy&Hold, como hacen la mayora de trabajos, permitiendo al sistema obtener
buenos resultados en mercado bajistas, y por
otro lado, se ha considerado un serie de indicadores tecnicos m
as rica y completa de lo que
es habitual. El algoritmo se ha aplicado sobre
dos series hist
oricas alcista y bajista correspondientes a los ndices S&P500 e Ibex35 respectivamente, obtiendo mejores rentabilidades
que otros sistemas existentes en la literatura.

burs
atiles son impredecibles ya que en todo
momento incorporan toda la informaci
on, hist
orica, p
ublica y privada existente en los mercados. Seg
un esta teora, la informaci
on hist
orica no sera u
til para anticipar el comportamiento de los precios, ya que varan u
nicamente en presencia de nueva informaci
on. Esto implica que el uso del an
alisis tecnico como
herramienta b
asica a la hora de invertir, no
generara ninguna rentabilidad, ya que este se
basa u
nicamente en la evoluci
on hist
orica de
los precios que se supone ya incorporada en
los mismos. No obstante hay situaciones que
no es capaz de explicar, como el crack burs
atil
de octubre del 87.
Por ello la EMH es cada vez m
as cuestionada lo que da lugar a la teora de los Mercados
Conductistas o Conductivistas o Finanzas del
Comportamiento [12] (Behavioral Finance).
1.1.

An
alisis t
ecnico

Dentro de los Mercados Conductistas existen

diferentes corrientes: por un lado las que basan su predicci
on en el estudio en profundidad
de los datos econ
omicos y macroecon
omicos
de empresas e ndices burs
atiles, sera el llamado An
alisis Fundamental y, por otro lado,
los que tratan de anticipar el comportamiento
del mercado bas
andose en la conducta pasa1. Introducci
on
da del mismo, que sera el An
alisis Tecnico.
En este trabajo, tomaremos como referencia
La Hip
otesis del Mercado Eficiente (EMH: Efel An
alisis Tecnico en su vertiente cuantitatificient Market Hypothesis) [5] se basa en la
va considerando un horizonte de corto plazo,
afirmaci
on de que los precios de los activos
Actas del IV Congreso Espaol sobre Metaheursticas, Algoritmos Evolutivos y Bioinspirados,
MAEB2005, pp.85-92
ISBN: Vol I:84-9732-440-4 Vol II: 84-9732-467-6 2005 Los autores, Thomson

86

Programacin Gentica: Fundamentos y Aplicaciones

es decir, das o semanas, a lo sumo unos pocos meses. Esta inversi

on es m
as activa que la
de largo plazo, ya que requiere un seguimiento constante del mercado, realizando un buen
n
umero de operaciones de compra/venta para aprovechar los movimientos del mismo. Este proceso se denomina habitualmente trading.
El an
alisis tecnico cuantitativo utiliza una serie de indicadores que aplicados a series temporales de datos hist
oricos, permiten detectar
determinadas caractersticas del mercado, como: tendencias, divergencias, volatilidad, etc.
En este trabajo se combinaran estos indicadores, mediante un algoritmo GAP para generar
reglas de trading.

Figura 1: a) Estrategia Buy&Hold frente a b) m

ultiples operaciones de un Sistema de Trading

1.3.

1.2.

Sistemas de Trading

Un sistema de trading es un conjunto de reglas

que indican cu
ando comprar y cu
ando vender
cualquier activo que cotice en un mercado financiero. Existen diferentes tipos de sistemas
de trading: manuales, consideran criterios subjetivos a la hora de tomar las decisiones de inversi
on; y mec
anicos, basados u
nicamente en
criterios objetivos. Estos u
ltimos utilizan las
herramientas cuantitativas del an
alisis tecnico
y se dividen en: no autom
aticos, requieren intervenci
on humana para llevar a cabo las operaciones; y autom
aticos, est
an completamente
automatizados de modo que cuando se produce una se
nal de compra o de venta, la realizan
por s solos sin ninguna intervenci
on humana.
La eficacia de un sistema de trading se suele
medir tomando como benchmark la rentabilidad de la estrategia Buy&Hold. Esta refleja
la operativa de un inversor que en un periodo
de trading hubiera comprando al principio del
periodo y vendido al final de mismo y se basa
en la hip
otesis EMH seg
un la cual no es posible superar el rendimiento del mercado. En
la figura 1a se puede apreciar como la estrategia Buy&Hold efect
ua una u
nica operaci
on de
compra-venta frente a las tres operaciones que
ha efectuado el sistema de trading de la figura
1b obteniendo una mayor rentabilidad.

Aplicaci
on de indicadores t
ecnicos
burs
atiles al trading

El An
alisis Tecnico Cuantitativo engloba el
desarrollo, interpretaci
on y aplicaci
on de modelos matem
aticos y estadsticos (indicadores
tecnicos). En este trabajo utilizaremos los indicadores tecnicos: Media M
ovil, RSI1 , Estoc
astico y ROC2 .
Estos indicadores generan se
nales de compra
y venta que, con ayuda computacional, se aplican al an
alisis de activos financieros. La mayor
parte de estos indicadores incorporan lneas de
referencia cuyo cruce genera se
nales de operaci
on (compra o venta). Cuando el indicador
corta estas lneas de referencia hacia arriba o
hacia abajo seg
un los casos, se originan se
nales
de compra o venta. La figura 2 arriba) presenta el gr
afico de ACERINOX para un horizonte
de 3 meses, en la figura 2 abajo) el indicador
empleado (estoc
astico K) supera la lnea de sobreventa generando una orden de compra a 23
euros (ver figura 2 arriba) y vuelve a rebasar
hacia abajo la lnea de sobrecompra a 33 euros.
1.4.

Estado del arte

Las primeras aplicaciones de los Algoritmos

Geneticos al campo de la inversi
on burs
atil es
el sistema desarrollado por Bauer [2] en el que
utilizaba variables econ
omicas fundamentales
para generar reglas de decisi
on sobre si inver1
2

Relative Strenght Index

Rate of Change

IV Congreso Espaol sobre Metaheursticas, Algoritmos Evolutivos y Bioinspirados, MAEB2005

Figura 2: arriba) Valor estudiado; abajo) Indicador

de se
nales de compra-venta

tir en el S&P 500 o en el mercado de Bonos.

Los resultados de su sistema eran buenos en
el perodo de entrenamiento pero no en el de
test.
La primera aplicaci
on de la Programaci
on
Genetica a la predicci
on financiera se materializa en el sistema de predicci
on generico EDDIE3 [13] [9], sin embargo, sus resultados no
han tenido en cuenta los costes de operaci
on
que podran ser relevantes si el sistema realizara muchas operaciones. En posteriores trabajos s se han considerado comprob
andose que
se pasa de elevadas rentabilidades a perdidas.
El trabajo de Allen [1] implementa un algoritmo de b
usqueda basado en Programaci
on Genetica que utiliza como nodos funci
on
varias Medias M
oviles y operadores aritmeticos y l
ogicos. Como funci
on de evaluaci
on toma el exceso de rentabilidad sobre Buy&Hold.
Considera distintos costes de operaci
on (0.1 %,
0.25 % y 0.5 %), no superando en el periodo de
prueba la rentabilidad de Buy&Hold. Resultados muy similares obtienen [11] y [4] con coste
de operaci
on 0.25 % y utilizando como u
nico
indicador tecnico la Media M
ovil. Todos estos
trabajos se basan en el ndice S&P500.
El u
nico trabajo realizado sobre un ndice
espa
nol [6], el IGBM, emplea una funci
on de
evaluaci
on que consiste en maximizar el porcentaje de aciertos de las reglas de trading utilizando la Media M
ovil. Como resultado, las
3

tor

Evolutionary Dynamic Data Investment Evalua-

87

reglas generadas por este sistema de Programaci

on Genetica son muy activas (producen
muchas se
nales de compra-venta) lo cual ocasiona que la rentabilidad en los perodos de
prueba sea bastante inferior a Buy&Hold (con
un coste de operaci
on del 0.25 %).
Becker & Seshadri [3] desarollan el u
nico sistema basado en Programaci
on Genetica con
rentabilidad por encima de Buy&Hold. El handicap de este trabajo es que el sistemas de trading no llegan a realizar una operaci
on al a
no,
por lo que no se puede considerar un sistema a corto plazo. Esto es debido a que utiliza
como datos de entrada para su algoritmo datos de cierre mensual, al contrario que el resto
de investigadores que utilizan precios de cierre
diarios.
1.5.

Motivaci
on

En ning
un caso se ha logrado, mediante Algoritmos Evolutivos, obtener reglas de trading a
corto plazo que, a
un siendo rentables, superen
la rentabilidad de Buy&Hold en el periodo de
prueba, aunque s es relativamente f
acil conseguirlo en el periodo de entrenamiento. Probablemente esto es debido a que la mayora de los
estudios utilizan como funci
on de evaluaci
on el
exceso de rentabilidad sobre Buy&Hold, que a
su vez, probablemente es la causa de los altos
niveles de sobreentrenamiento que obtienen.
La utilizaci
on del exceso de rentabilidad sobre Buy&Hold como funci
on de evaluaci
on tiene, a nuestro juicio, otro problema a
nadido: el
sistema de trading se entrena para seguir al
mercado, con lo cual lo m
as probable es que
cuando el mercado baje, el sistema tenga malos resultados. Consideramos m
as interesante
obtener reglas de trading que no tengan esta caracterstica y puedan tener buenos resultados independientemente de la evoluci
on del
mercado, aprovechando las constantes subidas
y bajadas del valor del activo que se producen
tanto en periodos alcistas como bajistas.
El indicador m
as utilizado en los trabajos
revisados es la Media M
ovil. Este indicador,
aunque es uno de los m
as sencillos del An
alisis Tecnico Burs
atil, es uno de los que mejores
resultados proporciona, sin embargo, la consideraci
on de un mayor n
umero de indicadores

88

Programacin Gentica: Fundamentos y Aplicaciones

IV Congreso Espaol sobre Metaheursticas, Algoritmos Evolutivos y Bioinspirados, MAEB2005

PMin(n). Precio mnimo. Es el precio mnimo del activo de los u
ltimos n das.

Genotipo GA
c1 c2 c3

MM(n). Media m
ovil. Es la media m
ovil
de los u
ltimos n das. Su f
ormula de c
alculo sera la siguiente:

c0 c1 c2

Genotipo GP
OR

parmetros I. Tcnicos

constantes

i00 i01 i02

................. .......

....

i60 i61 i62

i50 i51 i52 i60 i61 i62

89

<=

>

MM

sqrt

PMax

i00

PMin

i21

c1

i12

M M (n) =

n
1X

Pi

i=1

donde: Pi es el precio del activo el da i y

n el n
umero de das.
ROC(n). Rate Of Change. Es el ROC del
activo de los u
ltimos n das.
ROCn = 100

C
Cn

donde: n es el n
umero de sesiones, C el
cierre de la u
ltima sesi
on y Cn el cierre de
la sesi
on de hace n das.
RSI(n). Relative Strength Index. Es el RSI
del activo de los u
ltimos n das antes. Su
f
ormula de c
alculo es la siguiente:
RSIn = 100

100
1 + RS

donde: n es el n
umero de sesiones (habitualmente se usa 14) y RS es la suma de
la cotizaci
on de las sesiones al alza / suma
de la cotizaci
on de sesiones a la baja.
K(n). Stochastic. Es el K del activo de
los u
ltimos n das. Se calcula en base a la
siguiente f
ormula:
K = 100

C min
M ax min

donde: C es cierre de la u
ltima sesi
on,
M ax el valor m
aximo del ttulo en el periodo considerado, M in el valor mnimo
del ttulo en el periodo considerado y D
la media m
ovil de K en las u
ltimas tres
sesiones.

Figura 4: Genotipo-Fenotipo del cromosoma propuesto

2.3.

Formulaci
on gen
etica

El problema se resolver
a empleando un algoritmo evolutivo GAP [7], decisi
on que viene
avalada por la necesidad de un
arbol de decisi
on dependiente no s
olo de operadores complejos, como son los indicadores tecnicos, sino
tambien de un amplio n
umero de par
ametros
correspondientes a sus argumentos.
Cada individuo GAP estar
a formado por
(ver figura 5):
Un
arbol de decisi
on (GP) de altura limitada a 10, que consideramos es altura
suficiente para evitar reglas escesivamente
complejas poco interpretables.
Una cadena GA de longitud, s (n + 1),
siendo s la longitud de cada segmento de
la cadena y n el n
umero de indicadores
tecnicos.
La cadena GA estar
a dividida en n + 1 segmentos de longitud s. El primer segmento se
dedica a coeficientes reales para las operaciones aritmeticas y cada uno de los n segmentos
siguientes contendr
a par
ametros enteros para
cada tipo de indicador tecnico. En nuestra implementaci
on s ser
a 3 y n 7.
2.4.

Operadores de cruce y mutaci

on

Con el fin de no aumentar la diversidad de la

poblaci
on, seleccionamos un operador de cruce
que cruza con la misma probabilidad la parte
GP que la cadena GA. Para la parte GP se
emplear
a un cruce swap de un punto [8] y para
la parte GA un cruce aritmetico uniforme [10]
(ver figura 5).

90

Programacin Gentica: Fundamentos y Aplicaciones

IV Congreso Espaol sobre Metaheursticas, Algoritmos Evolutivos y Bioinspirados, MAEB2005

Cuadro 1: Resultados de S&P500

Ra.

NOp. %Ac.

Rent.

Entrenamiento
Buy&Hold
351,76 %
Media
10,57 % 38,90 60,67 % 159,74 %
Mejor
10,72 % 39,00 58,97 % 162,66 %
Prueba
Buy&Hold
49,07 %
Media
6,08 % 20,60 59,71 % 46,11 %
Mejor
7,16 % 19,00 73,68 % 54,38 %

de un 5 % a la del ndice en el mismo periodo,

realizando 19 operaciones (NOp.) en algo m
as
de siete a
nos y medio y con un elevado porcentaje de aciertos ( %Ac.). La rentabilidad del
resto de reglas es muy similar a la del ndice.
Se observa un sobreentrenamiento elevado,
ya que las rentabilidades medias anuales (Ra.)
en el periodo de prueba son bastante inferiores
a las del periodo de entrenamiento.
3.3.

91

En la tabla 2 se observa que la rentabilidad

total de la mejor regla supera en casi un 30 %
a la del ndice en el mismo periodo, realizando
28 operaciones en algo m
as de tres a
nos y medio. Incluso la rentabilidad anual media de las
reglas obtenidas es bastante superior a la del
ndice.
Al igual que en el caso del S&P500, tambien
se observa un sobreentrenamiento elevado, ya
que las rentabilidades anuales en el periodo de
prueba son bastante inferiores a las del periodo
de entrenamiento.
3.4.

Valoraci
on de los resultados

Los mejores resultados se obtienen en el escenario bajista, con el Ibex35 (ver tabla 2),
superando ampliamente en rentabilidad a la
estrategia Buy&Hold.
En el escenario alcista las reglas obtenidas tienen, de media, una rentabilidad similar
a Buy&Hold. La mejor regla obtenida supera claramente en rentabilidad a la estrategia
Buy&Hold (ver tabla 1).

Resultados sobre el ndice Ibex35

El periodo de entrenamiento empleado va desde el 14/01/1992 hasta el 30/12/1999. En este

periodo, el ndice ha obtenido una revalorizaci
on del 332,27 % (esto se correspondera con
la rentabilidad de la estrategia Buy&Hold para este perodo).
Cuadro 2: Resultados de Ibex35
Ra

NOp %Ac.

Entrenamiento
Buy&Hold
Media
23,75 % 31,20 59,94 %
Mejor
25,12 % 47,00 68,08 %
Prueba
Buy&Hold
Media
-4,54 % 21,90 44,75 %
Mejor
2,70 % 28,00 35,71 %

Rent.
332,27 %
186,21 %
196,94 %
-18,82 %
-16,11 %
9,61 %

El periodo de prueba incluye datos desde

el 08/01/2001 hasta el 04/08/2004. En dicho
periodo la revalorizaci
on del ndice fue del 18,82 %.

4.
4.1.

Conclusiones y trabajos futuros

Conclusiones

Podemos decir a la vista de los resultados obtenidos que nuestro algoritmo genera reglas m
as
rentables que la estrategia Buy&Hold, sobre
todo en escenarios negativos (Ibex35). Creemos que esto es debido a no tener en cuenta la
rentabilidad de la estrategia Buy&Hold en la
funci
on de evaluaci
on. Adem
as el trading permite anticipar los beneficios, ya que el capital
no tiene que estar invertido durante largusimos periodos, como ocurrira si un inversor siguiese la estrategia Buy&Hold.
Por otra parte, se observa un sobreentrenamiento bastante elevado, siendo las rentabilidades medias anuales muy superiores en los
periodos de entrenamiento respecto a los de
prueba.
Por u
ltimo, podemos afirmar que las rentabilidades obtenidas con el estudio del Ibex35
en un escenario bajista proporciona resultados positivos. En definitiva nuestro algoritmo
es independiente de la tendencia del mercado.

92
4.2.

Programacin Gentica: Fundamentos y Aplicaciones

Trabajo futuros

Pensamos que sera posible mejorar el sobreentrenamiento del sistema y por lo tanto la
rentabilidad en la fase de prueba empleando
cross-validation. As mismo, consideramos ampliar nuestros estudios a otros tipos de activos
burs
atiles, como son los futuros o las acciones. E incluir un mayor n
umero de indicadores tecnicos para tener en cuenta m
as factores
de comportamiento de mercado. Y finalmente,
sera interesante la realizaci
on de un estudio
completo de riesgo y robustez de las reglas obtenidas as como de la calidad de las reglas
de trading en cuanto a factores de Drawdown,
Rentabilidad/Riesgo y Beneficio/Perdidas.

5.

Agradecimientos

Este trabajo ha sido llevado a cabo con el apoyo del Ministerio de Ciencia y Tecnologa y
los fondos FEDER, bajo el proyecto TIC200204036-C05-05.

Referencias
[1] Franklin Allen and Risto Karjalainen.
Using genetic algorithms to find technical
trading rules. Journal of Financial Economics, (51):245271, 1999.
[2] Richard J. Jr. Bauer. Genetic Algorithms
and Investment Strategies. John Wiley
and Sons, Inc., 1994.
[3] Lee A. Becker and Mukund Seshadri. GPevolved technical trading rules can outperform buy and hold. In Procceedings
of the Sixth International Conference on
Computational Intelligence and Natural
Computing, Embassy Suites Hotel and
Conference Center, Cary, North Carolina
USA, September 26-30 2003.
[4] Hongqin Chen. Equity premium prediction and investment strategy searching
with genetic programming. Technical report, Faculty of Wiskunde en Natuurwetenschappen of the Universiteit Leiden,
July 2003.

[5] E. F. Fama. Efficient capital markets:

A review of theory and empirical work.
Journal of Finance, pages 383417, May
1970.
[6] Christian Gonz
alez Martel and Fernando
Fern
andez Rodrguez. La creaci
on de nuevas reglas tecnicas en el igbm mediante
la programaci
on genetica. X Jornadas de
la Asociaci
on Espa
nola de profesores Universitarios de Matem
aticas para la Economa y la Empresa, 2002.
[7] L. Howard and D. D Angelo. The ga-p:
a genetic algorithm and genetic programming hybrid. IEEE Expert, pages 1115,
1995.
[8] J. Koza. Genetic Programming: On the
programming of computers by means of
Natural Selection and Genetic.
MIT
press, 1992.
[9] Jin Li and Edward P. K. Tsang. Improving technical analysis predictions: An
application of genetic programming. In
Proceedings, Florida Artificial Intelligence Research Symposium, USA, 1999.
[10] Z. Michalewicz. Genetic Algorithms +
Data Structures = Evolution Programs.
Springer-Verlag, 1992.
[11] C. J. Neely. Risk-adjusted, ex ante, optimal, technical trading rules in equity markets. Technical report, Federal Reserve
Bank of St. Louis., 2001.
[12] Richard Thaler and Nicholas Barberis. A
survey of behavioral finance. National
Bureau of Economic Research, (working
paper no 9222), September 2002.
[13] E. P. K. Tsang, J. Li, and J. M. Butler.
Eddie beats the bookies. International
Journal of Software, Practice and Experience, (28(10)):10331043, 1998.