Eficiencia del mercado de criptomonedas y planteamiento de estrategias de trading basadas en arbitraje y machine learning
Las criptomonedas conforman un mercado emergente de activos financieros al que cada vez se suman más inversionistas. Grandes compañías han incluido las criptomonedas dentro de su actividad e incluso, El Salvador adoptó el bitcoin como una moneda legal. Aun así, las criptomonedas siguen siendo un mer...
| Autores: | , |
|---|---|
| Tipo de documento: | dissertação |
| Estado: | Versión aceptada para publicación |
| Data de publicação: | 2021 |
| País: | Colombia |
| Recursos: | Universidad de los Andes |
| Repositório: | Séneca: repositorio Uniandes |
| Idioma: | espanhol |
| OAI Identifier: | oai:repositorio.uniandes.edu.co:1992/57722 |
| Acesso em linha: | http://hdl.handle.net/1992/57722 |
| Access Level: | Acceso aberto |
| Palavra-chave: | Trading Arbitrage Cointegration Finance Machine learning Deep reinforcement learning Market efficiency Efficiency hypothesis Aprendizaje automático (Inteligencia artificial) Criptomoneda Arbitramento (Economía) Ingeniería |
| Resumo: | Las criptomonedas conforman un mercado emergente de activos financieros al que cada vez se suman más inversionistas. Grandes compañías han incluido las criptomonedas dentro de su actividad e incluso, El Salvador adoptó el bitcoin como una moneda legal. Aun así, las criptomonedas siguen siendo un mercado altamente especulativo en el que sus participantes buscan obtener una ganancia en lugar de utilizarlas como moneda de cambio. Teniendo en cuenta que este es un mercado financiero, es de interés evaluar su eficiencia, dónde se esperaría que cumpliese por lo menos con la forma semi-fuerte. Se obtuvieron los precios históricos de las 10 criptomonedas con mayor capitalización bursátil que han sido negociadas por lo menos durante 5 años. Para hacer un análisis más profundo, se consideraron precios en 7 frecuencias diferentes: 1, 5, 15 y 30 minutos, 1 y 4 horas, y 1 día. A partir de los histogramas y diagramas de dispersión de los retornos logarítmicos de cada criptomoneda se observaron comportamientos anormales, como medidas de tendencia central diferentes de cero y dependencias seriales. Se puso a prueba la hipótesis de eficiencia del mercado de las criptomonedas a través de una batería de pruebas estadísticas. Primero, a través de una prueba de bondad de ajuste Chi-cuadrado se concluyó que los retornos logarítmicos de la mayoría de las criptomonedas no siguen una distribución Normal. Después, se evaluó la autocorrelación de los retornos con las pruebas de LJung-Box y Automatic Variance Ratio dónde se detectaron problemas en las frecuencias más bajas en la mayoría de los activos. Luego, se evaluó la independencia de los cambios de los precios con las pruebas de Runs y Bartels las cuales rechazan la hipótesis de independencia en las frecuencias más altas y en las frecuencias más bajas en todas las criptomonedas. También, se realizó la prueba BDS con la que solamente dos criptomonedas en dos frecuencias no rechazaron la hipótesis de aleatoriedad de los retornos. Finalmente, se calculó el exponente de R/S Hurst con la que se midió la persistencia o la anti-persistencia de la tendencia de los precios y se encontró que muy pocas monedas en algunas frecuencias presentan alguna de las dos condiciones evaluadas. Teniendo en cuenta los resultados de las pruebas, se concluyó que existe suficiente evidencia estadística que demuestra debilidad en la forma semi-fuerte de la eficiencia del mercado de criptomonedas, pues es posible utilizar información histórica para predecir características del comportamiento futuro de los precios. A partir de las conclusiones sobre la hipótesis de eficiencia del mercado de criptomonedas, se diseñó una estrategia de arbitraje basada en la cointegración de las series de precios entre parejas de monedas. Con el método de dos pasos de Engle-Granger se detectaron parejas de criptomonedas cuyas diferencias entre sus precios pueden ser explicadas por un modelo lineal de mínimos cuadrados. Suponiendo que la diferencia entre los precios de una pareja de monedas se conserva a través del tiempo, se definió que cada vez que las series se separan o se acercan significativamente, éstas regresarán a su diferencia original. A pesar de que se obtuvieron rendimientos positivos con la mayoría de los pares de criptomonedas en las que se detectó cointegración, algunas otras perdían esta propiedad con el paso del tiempo, haciendo que la diferencia entre sus precios nunca regresara a su valor esperado. Finalmente, se propuso una metodología de Deep Reinforcement Learning (DRL) para hacer trading en el mercado de criptomonedas. El agente utiliza únicamente los retornos históricos en diferentes frecuencias para decidir en qué activo invertir en cada momento del tiempo. El sistema de decisión del agente es una red neuronal artificial cuya arquitectura está basada en los mecanismos de atención del Transformer, los cuales han demostrado un gran desempeño en problemas de datos secuenciales. El agente interactuó con el entorno durante 400 episodios, cada uno con una duración de 30 días, dónde cada hora podía modificar su posición en los activos. El agente de DRL fue capaz de aprender a hacer trading de manera efectiva, obteniendo un retorno del 106.58% anual en un periodo posterior al utilizado durante el entrenamiento, teniendo en cuenta costos de transacción. Más aún, el agente superó el mercado en cuanto a retorno esperado ajustado por riesgo, con un Sharpe Ratio de 1.8590 vs un 1.6218 del índice S&P500 en la misma ventana de tiempo. A pesar de que lo anterior puede demostrar que no se cumple la forma semi-fuerte de la eficiencia en el mercado de criptomonedas, también se discutió de forma crítica las implicaciones y limitaciones de las estrategias que se plantearon. |
|---|