Planteamiento de un Agente de Trading basado el algoritmos de Machine Learning (Reinforcement Learning)

Abstract

Hoy en día Machine Learning es un área de vital importancia y que se puede aplicar en múltiples problemas o situaciones del mundo. Por ejemplo, entre los usos más comunes se encuentra la seguridad de datos, la seguridad personal, el comercio financiero, el cuidado de la salud, el marketing personalizado, la detección de fraudes, entre otros. Sin embargo, el uso de Machine Learning en el área de finanzas ha aumentado drásticamente durante los últimos años. Esto se puede observar en los modelos de machine Learning que se utilizan en el área financiera para la gestión de crédito, Regtech y el trading automatizado (Corporate Finance Institute, s.f.) Así, la importancia de este trabajo de grado se debe a que el área de Machine Learning está en pleno crecimiento y desarrollo. Es un área que trae varios beneficios en la forma en que se llevan a cabo diferentes procesos y la metodología para la toma de decisiones. Además, es un área que aplica todo el conocimiento acerca de probabilidad y estadística para lograr buscar mejores métodos y maneras de describir variables, separarlas y poder realizar predicciones acerca de nueva información. Por otro lado, con respecto a el área de finanzas, es un área que es de vanguardia y que ha generado varios cambios en el sector. Cada vez se integran más estos dos mundos para buscar solución a diferentes problemas como la probabilidad de un banco de hacer default, el modelamiento de precios o diferentes estrategias de trading. Debido a la relevancia y la importancia mundial que está tomando el tema de Machine Learning y su aplicación en el área de finanzas se considera que este proyecto puede ser de gran beneficio para conocer e indagar más en este mundo y abordar temas de actual importancia. En ese sentido, En este proyecto de investigación se utilizará Reinforcement Learning para plantear y obtener diferentes estrategias de trading con derivados. Se utilizarán temas como el pricing de diferentes opciones a partir del método de Black-S

Today Machine Learning is an area of vital importance and that can be applied in multiple problems or situations in the world. For example, among the most common uses are data security, personal security, financial commerce, health care, personalized marketing, fraud detection, among others. However, the use of Machine Learning in finance has increased dramatically in recent years. This can be observed in the machine learning models that are used in the financial area for credit management, Regtech and automated trading (Corporate Finance Institute, s.f.) Thus, the importance of this degree work is because the Machine Learning area is in full growth and development. It is an area that brings several benefits in the way in which different processes and the methodology for decision making are carried out. In addition, it is an area that applies all the knowledge about probability and statistics to find better methods and ways of describing variables, separating them and being able to make predictions about new information. On the other hand, regarding the finance area, it is an area that is at the forefront and that has generated several changes in the sector. These two worlds are increasingly integrated to seek solutions to different problems such as the probability of a bank to default, price modeling or different trading strategies. Due to the relevance and global importance that the subject of Machine Learning and its application in the finance area is taking, it is considered that this project can be of great benefit to know and investigate more in this world and address issues of current importance. In that sense, in this research project Reinforcement Learning will be used to propose and obtain different derivatives trading strategies. Topics such as the pricing of different options will be used based on the Black-Scholes method. Also, Markov decision processes will be used to define the actions and the transition probabilities of the different states of the Re