Show simple item record

dc.rights.licensehttps://creativecommons.org/licenses/by-sa/2.5/ar/es_AR
dc.contributor.advisorIaccarino, Diegoes_Ar
dc.contributor.authorZanuso, Francoes_AR
dc.coverage.spatialArgentinaes_AR
dc.date.accessioned2023-01-06T14:00:54Z
dc.date.available2023-01-06T14:00:54Z
dc.date.issued2020
dc.identifier.urihttps://repositorio.utdt.edu/handle/20.500.13098/11556
dc.description.abstractEl objetivo del presente trabajo es contestar la siguiente pregunta: ¿Es rentable implementar estrategias algorítmicas en el Mercado Argentino de derivados? Para poder responderla se deben analizar varios aspectos del Mercado Argentino y del funcionamiento del trading algorítmico. Al entender lo anterior, se pueden implementar ciertas estrategias que operen en el mercado y determinar su rendimiento histórico a través del proceso conocido como backtesting. La primera parte mostrará un marco teórico sobre el trading algorítmico. Se explica cómo fueron evolucionando los mercados en el mundo y cuáles son las formas de operar en la actualidad. Exponiendo las ventajas que tiene el trading algorítmico respecto a otro tipo de operatoria y mostrando algunos ejemplos de algoritmos utilizados por los operadores. En la segunda parte del trabajo se analiza la microestructura de los mercados en general, enfocándonos en el Mercado Argentino. Se muestran los distintos tipos de sistemas utilizados por los mercados, cómo funcionan y qué características tienen. Se analizan diferentes formas que permiten establecer una conexión entre un algoritmo y el mercado para consumir información y enviar órdenes. Después se procede a explicar cómo es posible desarrollar estrategias de trading exitosas. Dónde buscar ideas y cómo analizarlas desde distintos puntos de vista, para determinar cuáles son las mejores candidatas a ser implementadas. Se explica en qué consiste el backtesting de estrategias, analizando sus ventajas y errores más comunes. En la cuarta parte, se analizan y desarrollan dos estrategias de trading. La primera de tipo mean-reversion, donde se explica cómo es posible detectar este tipo de comportamientos en series de precios. Se presenta un modelo simple para valuar contratos de futuros y se explica cómo utilizarlo para encontrar oportunidades en el mercado. La segunda estrategia presentada es de tipo Momentum o Tendencia, en esta parte es expuesto cómo se puede detectar y capturar las correlaciones entre series de tiempo que permiten encontrar el momento en el cual se genera una tendencia en el precio y así poder aprovecharla. Por último, después de analizar ambas estrategias y entender su funcionamiento, se procede a implementarlas en un sistema de backtesting desarrollado en Python. Dicho sistema permite determinar los rendimientos históricos de las estrategias en el pasado. Finalmente, con los resultados se exponen las conclusiones y se contesta la pregunta inicial.es_AR
dc.format.extent57 p.es_AR
dc.format.mediumapplication/pdfes_AR
dc.languagespaes_AR
dc.rightsinfo:eu-repo/semantics/openAccesses_AR
dc.subjectValores bursatileses_AR
dc.subjectMercado de valoreses_AR
dc.subjectAlgoritmoses_AR
dc.subjectEstrategiases_AR
dc.titleTrading Algorítmico en el Mercado Argentino de Derivadoses_AR
dc.typeinfo:eu-repo/semantics/masterThesises_AR
thesis.degree.nameMaestría en Finanzases_Ar
thesis.degree.grantorUniversidad Torcuato Di Tellaes_Ar
thesis.degree.grantorEscuela de Negocioses_Ar
dc.subject.keywordTradinges_AR
dc.subject.keywordTrading Algorítimicoes_AR
dc.subject.keywordBacktestinges_AR
dc.type.versioninfo:eu-repo/semantics/acceptedVersiones_AR


Files in this item

Thumbnail

This item appears in the following Collection(s)

Show simple item record