El trading algorítmico es un método de ejecución de órdenes mediante instrucciones de trading automatizadas preprogramadas que tienen en cuenta variables como el tiempo, el precio y el volumen. [1] Este tipo de trading intenta aprovechar la velocidad y los recursos computacionales de las computadoras en relación con los traders humanos. En el siglo XXI, el trading algorítmico ha ido ganando terreno tanto entre los traders minoristas como entre los institucionales. [2] [3] Un estudio de 2019 mostró que alrededor del 92% de las operaciones en el mercado Forex se realizaban mediante algoritmos de trading en lugar de humanos. [4]
Es ampliamente utilizado por bancos de inversión , fondos de pensiones , fondos mutuos y fondos de cobertura que pueden necesitar distribuir la ejecución de una orden más grande o realizar operaciones demasiado rápido para que los operadores humanos puedan reaccionar. Sin embargo, también está disponible para operadores privados que utilizan herramientas minoristas simples.
El término trading algorítmico se utiliza a menudo como sinónimo de sistema de trading automatizado . Estos abarcan una variedad de estrategias de trading , algunas de las cuales se basan en fórmulas y resultados de las finanzas matemáticas , y a menudo dependen de software especializado. [5] [6]
Entre los ejemplos de estrategias utilizadas en el trading algorítmico se incluyen el trading sistemático , la creación de mercado , la difusión entre mercados, el arbitraje o la especulación pura , como el seguimiento de tendencias . Muchas entran en la categoría de trading de alta frecuencia (HFT), que se caracteriza por una alta rotación y altas relaciones orden-operación. [7] Las estrategias de HFT utilizan computadoras que toman decisiones elaboradas para iniciar órdenes basadas en información que se recibe electrónicamente, antes de que los operadores humanos sean capaces de procesar la información que observan. Como resultado, en febrero de 2012, la Comisión de Comercio de Futuros de Productos Básicos (CFTC) formó un grupo de trabajo especial que incluía académicos y expertos de la industria para asesorar a la CFTC sobre la mejor manera de definir el HFT. [8] [9] El trading algorítmico y el HFT han dado lugar a un cambio drástico en la microestructura del mercado y en la complejidad e incertidumbre de la macrodinámica del mercado, [10] particularmente en la forma en que se proporciona liquidez . [11]
La informatización del flujo de órdenes en los mercados financieros comenzó a principios de los años 70, cuando la Bolsa de Nueva York introdujo el sistema de "transferencia de órdenes designadas" (DOT, por sus siglas en inglés). SuperDOT se introdujo en 1984 como una versión mejorada del DOT. Ambos sistemas permitían el envío electrónico de órdenes al puesto de negociación correspondiente. El "sistema de informes automatizados de apertura" (OARS, por sus siglas en inglés) ayudaba al especialista a determinar el precio de apertura de compensación del mercado (SOR, por sus siglas en inglés; Smart Order Routing).
Con el auge de los mercados totalmente electrónicos llegó la introducción de la negociación programada , que la Bolsa de Valores de Nueva York define como una orden para comprar o vender 15 o más acciones valoradas en más de un millón de dólares estadounidenses en total. En la práctica, las operaciones programadas se programaban previamente para entrar o salir automáticamente de las operaciones en función de diversos factores. [12] En la década de 1980, la negociación programada se utilizó ampliamente en las operaciones entre los mercados de acciones y futuros del S&P 500 en una estrategia conocida como arbitraje de índices.
Casi al mismo tiempo, se diseñó un seguro de cartera para crear una opción de venta sintética sobre una cartera de acciones mediante la negociación dinámica de futuros sobre índices bursátiles según un modelo informático basado en el modelo de fijación de precios de opciones de Black-Scholes .
Ambas estrategias, a menudo simplemente agrupadas como "comercio programado", fueron culpadas por muchas personas (por ejemplo, por el informe Brady ) de exacerbar o incluso iniciar el colapso del mercado de valores de 1987. Sin embargo, el impacto del comercio controlado por computadora en los colapsos del mercado de valores no está claro y se discute ampliamente en la comunidad académica. [13]
El panorama financiero cambió nuevamente con la aparición de las redes de comunicación electrónica (ECN) en la década de 1990, que permitieron la negociación de acciones y divisas fuera de las bolsas tradicionales. [12] En los EE. UU., la decimalización cambió el tamaño mínimo de tick de 1/16 de dólar (US$0,0625) [a] a US$0,01 por acción en 2001, y puede haber fomentado el comercio algorítmico ya que cambió la microestructura del mercado al permitir diferencias más pequeñas entre los precios de oferta y demanda , disminuyendo la ventaja comercial de los creadores de mercado , aumentando así la liquidez del mercado . [16]
Esta mayor liquidez del mercado llevó a los operadores institucionales a dividir las órdenes según algoritmos informáticos para poder ejecutarlas a un mejor precio promedio. Estos puntos de referencia de precios promedio se miden y calculan mediante computadoras aplicando el precio promedio ponderado por tiempo o, más habitualmente, el precio promedio ponderado por volumen .
Se acabó. El comercio que existía a lo largo de los siglos ha muerto. Hoy tenemos un mercado electrónico. Es el presente. Es el futuro.
Robert Greifeld , director ejecutivo de NASDAQ , abril de 2011 [17]
Un estímulo adicional para la adopción del comercio algorítmico en los mercados financieros llegó en 2001 cuando un equipo de investigadores de IBM publicó un artículo [18] en la Conferencia Conjunta Internacional sobre Inteligencia Artificial donde demostraron que en versiones experimentales de laboratorio de las subastas electrónicas utilizadas en los mercados financieros, dos estrategias algorítmicas ( MGD de IBM y ZIP de Hewlett-Packard ) podían superar consistentemente a los operadores humanos. MGD era una versión modificada del algoritmo "GD" inventado por Steven Gjerstad y John Dickhaut en 1996/7; [19] el algoritmo ZIP había sido inventado en HP por Dave Cliff (profesor) en 1996. [20] En su artículo, el equipo de IBM escribió que el impacto financiero de sus resultados que mostraban que MGD y ZIP superaban a los operadores humanos "...podría medirse en miles de millones de dólares anuales"; el artículo de IBM generó cobertura mediática internacional.
En 2005, la SEC puso en marcha el Sistema Nacional de Regulación del Mercado para fortalecer el mercado de valores. [12] Esto cambió la forma en que las empresas negociaban con reglas como la Regla de Comercio a Través, que establece que las órdenes de mercado deben publicarse y ejecutarse electrónicamente al mejor precio disponible, impidiendo así que las casas de bolsa se beneficien de las diferencias de precios al combinar órdenes de compra y venta. [12]
A medida que se abrieron más mercados electrónicos, se introdujeron otras estrategias de negociación algorítmica. Estas estrategias son más fáciles de implementar por las computadoras, ya que pueden reaccionar rápidamente a los cambios de precios y observar varios mercados simultáneamente.
Muchos corredores de bolsa ofrecieron estrategias de negociación algorítmica a sus clientes, diferenciándolos por comportamiento, opciones y marca. Algunos ejemplos incluyen Chameleon (desarrollado por BNP Paribas ), Stealth [21] (desarrollado por Deutsche Bank ), Sniper y Guerilla (desarrollado por Credit Suisse ). [22] Estas implementaciones adoptaron prácticas de los enfoques de inversión de arbitraje , arbitraje estadístico , seguimiento de tendencias y reversión a la media .
En los mercados financieros globales modernos, el comercio algorítmico desempeña un papel crucial para alcanzar los objetivos financieros. [23] Durante casi 30 años, los comerciantes, los bancos de inversión, los fondos de inversión y otras entidades financieras han utilizado algoritmos para refinar e implementar estrategias comerciales. [24] El uso de algoritmos en los mercados financieros ha crecido sustancialmente desde mediados de la década de 1990, aunque la contribución exacta a los volúmenes comerciales diarios sigue siendo imprecisa. [25]
Los avances tecnológicos y el comercio algorítmico han facilitado el aumento de los volúmenes de transacciones, la reducción de los costos, la mejora del rendimiento de las carteras y la mejora de la transparencia en los mercados financieros. [26] Según el informe de Actividad Cambiaria de abril de 2019, los mercados de divisas tuvieron una facturación diaria de 6,6 billones de dólares, un aumento significativo respecto de los 5,1 billones de dólares de 2016. [27]
Las proyecciones de rentabilidad del TABB Group, una firma de investigación de la industria de servicios financieros, para la industria de HFT de acciones estadounidenses fueron de US$1.300 millones antes de gastos para 2014, [28] significativamente por debajo del máximo de US$21.000 millones que las 300 firmas de valores y fondos de cobertura que entonces se especializaban en este tipo de operaciones obtuvieron en ganancias en 2008, [29] que los autores habían llamado entonces "relativamente pequeño" y "sorprendentemente modesto" en comparación con el volumen de operaciones general del mercado. En marzo de 2014, Virtu Financial , una firma de operaciones de alta frecuencia, informó que durante cinco años la firma en su conjunto fue rentable en 1.277 de 1.278 días de operaciones, [30] perdiendo dinero solo un día, lo que demuestra los beneficios de operar millones de veces, a través de un conjunto diverso de instrumentos cada día de operaciones. [31]
Un tercio de todas las transacciones bursátiles de la Unión Europea y los Estados Unidos en 2006 fueron impulsadas por programas automáticos o algoritmos. [33] A partir de 2009, los estudios sugirieron que las empresas de HFT representaban entre el 60% y el 73% de todo el volumen de transacciones bursátiles de EE. UU., y que esa cifra descendió a aproximadamente el 50% en 2012. [34] [35] En 2006, en la Bolsa de Valores de Londres , más del 40% de todas las órdenes fueron ingresadas por operadores algorítmicos, y se predijo que el 60% para 2007. Los mercados estadounidenses y europeos generalmente tienen una mayor proporción de transacciones algorítmicas que otros mercados, y las estimaciones para 2008 llegan a una proporción del 80% en algunos mercados. Los mercados de divisas también tienen transacciones algorítmicas activas, medidas en aproximadamente el 80% de las órdenes en 2016 (frente a aproximadamente el 25% de las órdenes en 2006). [36] Se considera que los mercados de futuros son bastante fáciles de integrar en el comercio algorítmico, [37] [38] con aproximadamente el 40% del comercio de opciones realizado a través de algoritmos de comercio en 2016. [39] Los mercados de bonos están avanzando hacia un mayor acceso a los comerciantes algorítmicos. [40]
El trading algorítmico y el HFT han sido objeto de mucho debate público desde que la Comisión de Bolsa y Valores de Estados Unidos y la Comisión de Comercio de Futuros de Materias Primas dijeron en informes que una operación algorítmica realizada por una empresa de fondos mutuos desencadenó una ola de ventas que condujo al Flash Crash de 2010. [ 41] [42] [43] [44 ] [45] [46] [47] [48] Los mismos informes encontraron que las estrategias HFT pueden haber contribuido a la volatilidad posterior al retirar rápidamente liquidez del mercado. Como resultado de estos eventos, el Promedio Industrial Dow Jones sufrió su segunda mayor oscilación de puntos intradía hasta esa fecha, aunque los precios se recuperaron rápidamente. (Véase la lista de los mayores cambios diarios en el Promedio Industrial Dow Jones ). Un informe de julio de 2011 de la Organización Internacional de Comisiones de Valores (IOSCO), un organismo internacional de reguladores de valores, concluyó que si bien "los participantes del mercado han utilizado algoritmos y tecnología HFT para gestionar sus operaciones y riesgos, su uso también fue claramente un factor que contribuyó al evento de caída repentina del 6 de mayo de 2010". [49] [50] Sin embargo, otros investigadores han llegado a una conclusión diferente. Un estudio de 2010 concluyó que la HFT no alteró significativamente el inventario de operaciones durante la caída repentina. [51] Algunas operaciones algorítmicas antes del reequilibrio de los fondos indexados transfieren las ganancias de los inversores. [52] [53] [54]
La mayoría de los ahorros para la jubilación , como los fondos de pensiones privados o 401(k) y las cuentas de jubilación individuales en los EE. UU., se invierten en fondos mutuos , los más populares de los cuales son los fondos indexados que deben "reequilibrar" o ajustar periódicamente su cartera para que coincida con los nuevos precios y la capitalización de mercado de los valores subyacentes en la acción u otro índice que siguen. [55] [56] Las ganancias se transfieren de los inversores pasivos del índice a los inversores activos, algunos de los cuales son operadores algorítmicos que explotan específicamente el efecto de reequilibrio del índice. La magnitud de estas pérdidas sufridas por los inversores pasivos se ha estimado en 21-28 puntos básicos por año para el S&P 500 y 38-77 puntos básicos por año para el Russell 2000. [53] John Montgomery de Bridgeway Capital Management dice que los "bajos retornos para los inversores" resultantes de operar por delante de los fondos mutuos es "el elefante en la habitación" del que "sorprendentemente, la gente no está hablando". [54]
El trading de pares es una estrategia de posiciones largas y cortas, idealmente neutral respecto del mercado, que permite a los operadores beneficiarse de las discrepancias transitorias en el valor relativo de los sustitutos cercanos. A diferencia del caso del arbitraje clásico, en el caso del trading de pares, la ley del precio único no puede garantizar la convergencia de los precios. Esto es especialmente cierto cuando la estrategia se aplica a acciones individuales: estos sustitutos imperfectos pueden, de hecho, divergir indefinidamente. En teoría, la naturaleza larga y corta de la estrategia debería hacer que funcione independientemente de la dirección del mercado de valores. En la práctica, el riesgo de ejecución, las divergencias persistentes y grandes, así como una disminución de la volatilidad pueden hacer que esta estrategia no sea rentable durante largos períodos de tiempo (por ejemplo, 2004-2007). Pertenece a categorías más amplias de arbitraje estadístico , trading de convergencia y estrategias de valor relativo . [57]
En finanzas, el término delta neutral describe una cartera de valores financieros relacionados, en la que el valor de la cartera permanece inalterado debido a pequeños cambios en el valor del valor subyacente. Este tipo de cartera normalmente contiene opciones y sus valores subyacentes correspondientes, de modo que los componentes delta positivos y negativos se compensan, lo que hace que el valor de la cartera sea relativamente insensible a los cambios en el valor del valor subyacente.
En economía y finanzas , el arbitraje / ˈ ɑːr b ɪ t r ɑː ʒ / es la práctica de aprovechar una diferencia de precio entre dos o más mercados : lograr una combinación de acuerdos coincidentes que capitalicen el desequilibrio, siendo la ganancia la diferencia entre los precios de mercado . Cuando lo usan los académicos, un arbitraje es una transacción que no implica un flujo de efectivo negativo en ningún estado probabilístico o temporal y un flujo de efectivo positivo en al menos un estado; en términos simples, es la posibilidad de una ganancia libre de riesgo a costo cero. Ejemplo: Una de las oportunidades comerciales de arbitraje más populares se juega con los futuros del S&P y las acciones del S&P 500. Durante la mayoría de los días de negociación, estos dos desarrollarán disparidad en el precio entre los dos. Esto sucede cuando el precio de las acciones que se negocian principalmente en los mercados NYSE y NASDAQ se adelanta o se queda atrás de los futuros del S&P que se negocian en el mercado CME.
El arbitraje es posible cuando se cumple una de tres condiciones:
El arbitraje no es simplemente el acto de comprar un producto en un mercado y venderlo en otro por un precio más alto en algún momento posterior. Las transacciones largas y cortas deberían ocurrir idealmente de manera simultánea para minimizar la exposición al riesgo de mercado, o el riesgo de que los precios puedan cambiar en un mercado antes de que se completen ambas transacciones. En términos prácticos, esto generalmente solo es posible con valores y productos financieros que pueden negociarse electrónicamente, e incluso entonces, cuando se ejecuta la primera o las primeras etapas de la operación, los precios en las otras etapas pueden haber empeorado, lo que asegura una pérdida garantizada. Pasar por alto una de las etapas de la operación (y, posteriormente, tener que abrirla a un precio peor) se denomina "riesgo de ejecución" o, más específicamente, "riesgo de entrada y salida de etapa". [b] En el ejemplo más simple, cualquier bien vendido en un mercado debería venderse al mismo precio en otro. Los comerciantes pueden, por ejemplo, descubrir que el precio del trigo es más bajo en las regiones agrícolas que en las ciudades, comprar el bien y transportarlo a otra región para venderlo a un precio más alto. Este tipo de arbitraje de precios es el más común, pero este ejemplo simple ignora el costo de transporte, almacenamiento, riesgo y otros factores. El arbitraje "verdadero" requiere que no haya riesgo de mercado involucrado. Cuando los valores se negocian en más de una bolsa, el arbitraje se produce comprando simultáneamente en una y vendiendo en la otra. Esa ejecución simultánea, si hay sustitutos perfectos involucrados, minimiza los requisitos de capital, pero en la práctica nunca crea una posición "autofinanciada" (libre), como muchas fuentes suponen incorrectamente siguiendo la teoría. Mientras haya alguna diferencia en el valor de mercado y el riesgo de las dos partes, se tendría que aportar capital para llevar la posición de arbitraje de largo-corto.
La reversión a la media es una metodología matemática que se utiliza a veces para invertir en acciones, pero que puede aplicarse a otros procesos. En términos generales, la idea es que tanto los precios altos como los bajos de una acción son temporales y que el precio de una acción tiende a tener un precio promedio a lo largo del tiempo. Un ejemplo de un proceso de reversión a la media es la ecuación estocástica de Ornstein-Uhlenbeck .
La reversión a la media implica primero identificar el rango de negociación de una acción y luego calcular el precio promedio utilizando técnicas analíticas relacionadas con activos, ganancias, etc.
Cuando el precio actual del mercado es inferior al precio medio, se considera que la acción es atractiva para la compra, con la expectativa de que el precio aumentará. Cuando el precio actual del mercado es superior al precio medio, se espera que el precio del mercado baje. En otras palabras, se espera que las desviaciones del precio medio vuelvan al promedio.
La desviación estándar de los precios más recientes (por ejemplo, los últimos 20) se utiliza a menudo como indicador de compra o venta.
Los servicios de informes bursátiles (como Yahoo! Finance , MS Investor, Morningstar , etc.) suelen ofrecer promedios móviles para períodos como 50 y 100 días. Si bien los servicios de informes proporcionan los promedios, sigue siendo necesario identificar los precios máximos y mínimos para el período de estudio.
El scalping es la provisión de liquidez por parte de creadores de mercado no tradicionales , mediante la cual los operadores intentan ganar (o hacer ) el diferencial entre oferta y demanda. Este procedimiento permite obtener ganancias mientras los movimientos de precios sean menores que este diferencial y normalmente implica establecer y liquidar una posición rápidamente, generalmente en cuestión de minutos o menos. [58]
Un creador de mercado es básicamente un especulador especializado y también se lo conoce como distribuidor. [59] El volumen que negocia un creador de mercado es muchas veces mayor que el de un especulador individual promedio y utilizaría sistemas y tecnología de negociación más sofisticados. Sin embargo, los creadores de mercado registrados están sujetos a las reglas de la bolsa que estipulan sus obligaciones de cotización mínima. Por ejemplo, NASDAQ requiere que cada creador de mercado publique al menos una oferta y una demanda a un cierto nivel de precios, a fin de mantener un mercado de dos caras para cada acción representada. [60] [59] [61]
La mayoría de las estrategias conocidas como trading algorítmico (así como la búsqueda algorítmica de liquidez) entran en la categoría de reducción de costos. La idea básica es dividir una orden grande en órdenes más pequeñas y colocarlas en el mercado a lo largo del tiempo. La elección del algoritmo depende de varios factores, siendo los más importantes la volatilidad y la liquidez de la acción. Por ejemplo, para una acción altamente líquida, igualar un cierto porcentaje de las órdenes totales de la acción (llamados algoritmos de volumen en línea) suele ser una buena estrategia, pero para una acción altamente ilíquida, los algoritmos intentan igualar cada orden que tenga un precio favorable (llamados algoritmos de búsqueda de liquidez).
El éxito de estas estrategias se mide generalmente comparando el precio promedio al que se ejecutó toda la orden con el precio promedio alcanzado a través de una ejecución de referencia durante la misma duración. Por lo general, se utiliza como referencia el precio promedio ponderado por volumen. En ocasiones, el precio de ejecución también se compara con el precio del instrumento en el momento de colocar la orden.
Una clase especial de estos algoritmos intenta detectar órdenes algorítmicas o iceberg del otro lado (es decir, si está intentando comprar, el algoritmo intentará detectar órdenes del lado vendedor). Estos algoritmos se denominan algoritmos de rastreo. Un ejemplo típico es "Stealth".
Algunos ejemplos de algoritmos son VWAP , TWAP , Implementation shortfall , POV, Display size, Liquidity seeker y Stealth. Los algoritmos modernos suelen construirse de forma óptima mediante programación estática o dinámica. [62] [63] [64]
A partir de 2009, la HFT, que comprende un amplio conjunto de operadores del lado comprador así como del lado vendedor que crean el mercado , se ha vuelto más prominente y controvertida. [65] Estos algoritmos o técnicas reciben comúnmente nombres como "Stealth" (desarrollado por el Deutsche Bank), "Iceberg", "Dagger", "Monkey", "Guerrilla", "Sniper", "BASOR" (desarrollado por Quod Financial) y "Sniffer". [66] Los dark pools son sistemas de negociación alternativos que son privados por naturaleza -y por lo tanto no interactúan con el flujo de órdenes públicas- y buscan en cambio proporcionar liquidez no mostrada a grandes bloques de valores. [67] En los dark pools, la negociación se lleva a cabo de forma anónima, con la mayoría de las órdenes ocultas o "icebergadas". [68] Los jugadores o "tiburones" detectan las órdenes grandes "haciendo ping" a pequeñas órdenes de mercado para comprar y vender. Cuando se completan varias órdenes pequeñas, los tiburones pueden haber descubierto la presencia de una gran orden icebergada.
"Ahora es una carrera armamentista", dijo Andrew Lo, director del Laboratorio de Ingeniería Financiera del Instituto Tecnológico de Massachusetts en 2006. "Todo el mundo está construyendo algoritmos más sofisticados, y cuanto más competencia existe, menores son las ganancias". [69]
Las estrategias diseñadas para generar alfa se consideran estrategias de sincronización del mercado. Este tipo de estrategias se diseñan utilizando una metodología que incluye pruebas retrospectivas, pruebas a futuro y pruebas en vivo. Los algoritmos de sincronización del mercado generalmente utilizan indicadores técnicos como promedios móviles, pero también pueden incluir una lógica de reconocimiento de patrones implementada mediante máquinas de estados finitos . [70] [71]
La prueba retrospectiva del algoritmo es típicamente la primera etapa e implica simular las transacciones hipotéticas a lo largo de un período de datos de muestra. La optimización se realiza para determinar los datos de entrada más óptimos. Los pasos que se toman para reducir la posibilidad de una sobreoptimización pueden incluir modificar los datos de entrada +/- 10%, realizar simulaciones de Monte Carlo y asegurarse de que se tengan en cuenta los deslizamientos y las comisiones. [72]
La siguiente etapa es probar el algoritmo hacia adelante e implica ejecutarlo en un conjunto de datos fuera de la muestra para garantizar que funcione dentro de las expectativas probadas retrospectivamente.
Las pruebas en vivo son la etapa final del desarrollo y requieren que el desarrollador compare las operaciones reales con los modelos probados en el pasado y en el futuro. Las métricas comparadas incluyen el porcentaje de rentabilidad, el factor de beneficio, la reducción máxima y la ganancia promedio por operación.
Como se señaló anteriormente, el comercio de alta frecuencia (HFT, por sus siglas en inglés) es una forma de comercio algorítmico que se caracteriza por una alta rotación y altas relaciones entre órdenes y operaciones. Aunque no existe una única definición de HFT, entre sus atributos clave se encuentran algoritmos altamente sofisticados, tipos de órdenes especializados, ubicación conjunta, horizontes de inversión a muy corto plazo y altas tasas de cancelación de órdenes. [7] En los EE. UU., las empresas de comercio de alta frecuencia (HFT, por sus siglas en inglés) representan el 2% de las aproximadamente 20.000 empresas que operan hoy, pero representan el 73% de todo el volumen de operaciones de acciones. [73] A partir del primer trimestre de 2009, los activos totales bajo gestión de los fondos de cobertura con estrategias HFT fueron de US$141 mil millones, un 21% menos que su máximo. [74] La estrategia HFT fue la primera en tener éxito gracias a Renaissance Technologies . [75]
Los fondos de alta frecuencia comenzaron a volverse especialmente populares en 2007 y 2008. [75] Muchas empresas de HFT son creadores de mercado y proporcionan liquidez al mercado, lo que ha reducido la volatilidad y ha ayudado a reducir los diferenciales entre oferta y demanda , haciendo que el comercio y la inversión sean más baratos para otros participantes del mercado. [74] [76] [77] El HFT ha sido un tema de intensa atención pública desde que la Comisión de Bolsa y Valores de Estados Unidos y la Comisión de Comercio de Futuros de Productos Básicos declararon que tanto el comercio algorítmico como el HFT contribuyeron a la volatilidad en el Flash Crash de 2010. Entre las principales empresas de comercio de alta frecuencia de Estados Unidos se encuentran Chicago Trading Company, Optiver , Virtu Financial , DRW , Jump Trading , Two Sigma Securities , GTS, IMC Financial y Citadel LLC . [78]
Existen cuatro categorías clave de estrategias de alta frecuencia: creación de mercado basada en el flujo de órdenes, creación de mercado basada en información de ticks, arbitraje de eventos y arbitraje estadístico. Todas las decisiones de asignación de cartera se toman mediante modelos cuantitativos computarizados. El éxito de las estrategias computarizadas se debe en gran medida a su capacidad de procesar simultáneamente volúmenes de información, algo que los operadores humanos comunes no pueden hacer.
La creación de mercado implica colocar una orden limitada de venta (u oferta) por encima del precio actual del mercado o una orden limitada de compra (u oferta) por debajo del precio actual de manera regular y continua para capturar el diferencial entre oferta y demanda. Automated Trading Desk, que fue adquirida por Citigroup en julio de 2007, ha sido un creador de mercado activo, representando aproximadamente el 6% del volumen total tanto en el NASDAQ como en la Bolsa de Valores de Nueva York. [79]
Otro conjunto de estrategias de HFT en la estrategia de arbitraje clásica podría involucrar varios valores, como la paridad de tasas de interés cubierta en el mercado de divisas , que brinda una relación entre los precios de un bono nacional, un bono denominado en una moneda extranjera, el precio al contado de la moneda y el precio de un contrato a término sobre la moneda. Si los precios del mercado son lo suficientemente diferentes de los implícitos en el modelo para cubrir el costo de la transacción , entonces se pueden realizar cuatro transacciones para garantizar una ganancia sin riesgo. HFT permite arbitrajes similares utilizando modelos de mayor complejidad que involucran muchos más de 4 valores. El Grupo TABB estima que las ganancias agregadas anuales de las estrategias de arbitraje de baja latencia actualmente superan los US$21 mil millones. [34]
Se ha desarrollado una amplia gama de estrategias de arbitraje estadístico mediante las cuales las decisiones comerciales se toman en función de las desviaciones de las relaciones estadísticamente significativas. Al igual que las estrategias de creación de mercado, el arbitraje estadístico se puede aplicar a todas las clases de activos.
Un subconjunto del arbitraje de riesgo, fusión, convertible o de valores en dificultades que depende de un evento específico, como la firma de un contrato, una aprobación regulatoria, una decisión judicial, etc., para cambiar la relación de precios o tasas de dos o más instrumentos financieros y permitir que el arbitrajista obtenga una ganancia. [80]
El arbitraje de fusiones, también llamado arbitraje de riesgo, sería un ejemplo de esto. El arbitraje de fusiones generalmente consiste en comprar las acciones de una empresa que es objeto de una adquisición y vender en corto las acciones de la empresa adquirente. Por lo general, el precio de mercado de la empresa objetivo es menor que el precio ofrecido por la empresa adquirente. El diferencial entre estos dos precios depende principalmente de la probabilidad y el momento en que se complete la adquisición, así como del nivel vigente de las tasas de interés. La apuesta en un arbitraje de fusiones es que dicho diferencial eventualmente será cero, si y cuando se complete la adquisición. El riesgo es que el acuerdo "rompa" y el diferencial se amplíe enormemente.
Una estrategia que han empleado algunos operadores, que ha sido prohibida pero que probablemente continúe, se denomina spoofing. Es el acto de colocar órdenes para dar la impresión de querer comprar o vender acciones, sin tener nunca la intención de dejar que la orden se ejecute para manipular temporalmente el mercado para comprar o vender acciones a un precio más favorable. Esto se hace creando órdenes limitadas fuera del precio actual de compra o venta para cambiar el precio informado a otros participantes del mercado. El operador puede posteriormente colocar operaciones basadas en el cambio artificial en el precio y luego cancelar las órdenes limitadas antes de que se ejecuten.
Supongamos que un operador desea vender acciones de una empresa con un precio de compra actual de 20 $ y un precio de venta actual de 20,20 $. El operador colocaría una orden de compra a 20,10 $, todavía a cierta distancia del precio de venta, por lo que no se ejecutará, y el precio de compra de 20,10 $ se informa como el mejor precio de compra y venta nacional. El operador luego ejecuta una orden de mercado para la venta de las acciones que desea vender. Debido a que el mejor precio de compra es la oferta artificial del inversor, un creador de mercado completa la orden de venta a 20,10 $, lo que permite un precio de venta por acción 0,10 $ más alto. Posteriormente, el operador cancela su orden limitada sobre la compra que nunca tuvo la intención de completar.
El relleno de cotizaciones es una táctica empleada por operadores malintencionados que consiste en introducir y retirar rápidamente grandes cantidades de órdenes en un intento de inundar el mercado, obteniendo así una ventaja sobre los participantes más lentos del mercado. [81] Las órdenes colocadas y canceladas rápidamente hacen que los datos del mercado en los que confían los inversores ordinarios retrasen las cotizaciones de precios mientras se produce el relleno. Las empresas de alta frecuencia se benefician de los datos propios de mayor capacidad y de la infraestructura más capaz y con menor latencia. Los investigadores demostraron que los operadores de alta frecuencia pueden sacar provecho de las latencias inducidas artificialmente y de las oportunidades de arbitraje que resultan del relleno de cotizaciones. [82]
La latencia inducida por la red, sinónimo de retraso, medida en retraso unidireccional o tiempo de ida y vuelta, normalmente se define como el tiempo que tarda un paquete de datos en viajar de un punto a otro. [83] El trading de baja latencia se refiere a los sistemas de trading algorítmico y las rutas de red que utilizan las instituciones financieras que se conectan a las bolsas de valores y redes de comunicación electrónica (ECN) para ejecutar rápidamente transacciones financieras. [84] La mayoría de las empresas de HFT dependen de la ejecución de baja latencia de sus estrategias de trading. Joel Hasbrouck y Gideon Saar (2013) miden la latencia basándose en tres componentes: el tiempo que tarda (1) la información en llegar al trader, (2) los algoritmos del trader en analizar la información y (3) la acción generada en llegar a la bolsa y ser implementada. [85] En un mercado electrónico contemporáneo (circa 2009), el tiempo de procesamiento de trading de baja latencia se calificaba como inferior a 10 milisegundos, y la latencia ultrabaja como inferior a 1 milisegundo. [86]
Los operadores de baja latencia dependen de redes de latencia ultrabaja . Se benefician al proporcionar información, como ofertas y demandas competitivas, a sus algoritmos microsegundos más rápido que sus competidores. [34] El avance revolucionario en la velocidad ha llevado a la necesidad de que las empresas tengan una plataforma de negociación en tiempo real y en el mismo lugar para beneficiarse de la implementación de estrategias de alta frecuencia. [34] Las estrategias se modifican constantemente para reflejar los cambios sutiles en el mercado, así como para combatir la amenaza de que la estrategia sea modificada por los competidores. Esto se debe a la naturaleza evolutiva de las estrategias de negociación algorítmica: deben poder adaptarse y negociar de manera inteligente, independientemente de las condiciones del mercado, lo que implica ser lo suficientemente flexibles para soportar una amplia gama de escenarios de mercado. Como resultado, una proporción significativa de los ingresos netos de las empresas se gasta en la I+D de estos sistemas de negociación autónomos. [34]
La mayoría de las estrategias algorítmicas se implementan utilizando lenguajes de programación modernos, aunque algunas aún implementan estrategias diseñadas en hojas de cálculo. Cada vez más, los algoritmos utilizados por las grandes casas de bolsa y gestores de activos se escriben en el lenguaje de definición de operaciones algorítmicas del protocolo FIX ( FIXatdl ), que permite a las empresas que reciben órdenes especificar exactamente cómo deben expresarse sus órdenes electrónicas. Las órdenes creadas utilizando FIXatdl pueden transmitirse desde los sistemas de los operadores a través del protocolo FIX. [87] Los modelos básicos pueden depender tan poco como una regresión lineal, mientras que también se pueden utilizar modelos más complejos de teoría de juegos y de reconocimiento de patrones [88] o predictivos para iniciar la negociación. Se han utilizado métodos más complejos como el Monte Carlo de cadena de Markov para crear estos modelos. [89]
Se ha demostrado que el trading algorítmico mejora sustancialmente la liquidez del mercado [90] , entre otros beneficios. Sin embargo, las mejoras en la productividad que aporta el trading algorítmico se han topado con la oposición de los corredores y operadores humanos que se enfrentan a la dura competencia de las computadoras.
Los avances tecnológicos en el ámbito financiero, en particular los relacionados con el comercio algorítmico, han aumentado la velocidad, la conectividad, el alcance y la complejidad de las finanzas, al tiempo que han reducido su componente humano. Las computadoras que ejecutan software basado en algoritmos complejos han reemplazado a los humanos en muchas funciones de la industria financiera. Las finanzas se están convirtiendo, en esencia, en una industria en la que las máquinas y los humanos comparten los roles dominantes, transformando las finanzas modernas en lo que un académico ha llamado “finanzas cyborg”. [91]
Si bien muchos expertos elogian los beneficios de la innovación en el comercio algorítmico computarizado, otros analistas han expresado su preocupación por aspectos específicos del comercio computarizado.
"El inconveniente de estos sistemas es que son como cajas negras ", dijo Williams. "Los operadores tienen una percepción intuitiva de cómo funciona el mundo, pero con estos sistemas se introducen un montón de números y sale algo por el otro lado, y no siempre es intuitivo o claro por qué la caja negra se aferró a ciertos datos o relaciones". [69]
"La Autoridad de Servicios Financieros ha estado siguiendo de cerca el desarrollo de las operaciones con cajas negras. En su informe anual, el regulador destacó los grandes beneficios en términos de eficiencia que la nueva tecnología está aportando al mercado, pero también señaló que 'una mayor dependencia de la tecnología y los modelos sofisticados conlleva un mayor riesgo de que un fallo de los sistemas pueda provocar una interrupción de las actividades comerciales'". [92]
El ministro del Tesoro del Reino Unido, Lord Myners, ha advertido de que las empresas podrían convertirse en "juguetes" de los especuladores debido a las operaciones automáticas de alta frecuencia. Lord Myners dijo que el proceso corría el riesgo de destruir la relación entre un inversor y una empresa. [93]
Otros problemas incluyen el problema técnico de la latencia o el retraso en obtener cotizaciones para los operadores, [94] la seguridad y la posibilidad de un colapso total del sistema que conduzca a un colapso del mercado . [95]
"Goldman gasta decenas de millones de dólares en este tipo de cosas. Tienen más gente trabajando en su área tecnológica que gente en la mesa de operaciones... La naturaleza de los mercados ha cambiado drásticamente". [96]
El 1 de agosto de 2012, Knight Capital Group experimentó un problema tecnológico en su sistema de comercio automatizado, [97] lo que provocó una pérdida de 440 millones de dólares.
Este problema estaba relacionado con la instalación de un software de operaciones por parte de Knight y dio lugar a que Knight enviara al mercado numerosas órdenes erróneas sobre valores que cotizaban en la Bolsa de Nueva York. Este software se ha eliminado de los sistemas de la empresa. ... Los clientes no se vieron afectados negativamente por las órdenes erróneas y el problema del software se limitó al envío de determinadas acciones cotizadas a la Bolsa de Nueva York. Knight ha negociado la totalidad de su posición de operaciones erróneas , lo que ha dado lugar a una pérdida antes de impuestos realizada de aproximadamente 440 millones de dólares.
Se ha demostrado que las operaciones algorítmicas y de alta frecuencia contribuyeron a la volatilidad durante el Flash Crash del 6 de mayo de 2010 [41] [43] , cuando el Dow Jones Industrial Average se desplomó unos 600 puntos, pero recuperó esas pérdidas en cuestión de minutos. En ese momento, fue la segunda mayor caída de puntos, 1.010,14 puntos, y la mayor caída de puntos en un día, 998,5 puntos, sobre una base intradía en la historia del Dow Jones Industrial Average. [98]
Las noticias del mercado financiero ahora están siendo formateadas por empresas como Need To Know News, Thomson Reuters , Dow Jones y Bloomberg , para ser leídas y comercializadas a través de algoritmos.
"En la actualidad, se utilizan ordenadores para generar noticias sobre los resultados de las empresas o las estadísticas económicas a medida que se publican. Y esta información casi instantánea se transmite directamente a otros ordenadores que se encargan de las noticias". [99]
Los algoritmos no sólo se basan en noticias simples, sino que también interpretan noticias más difíciles de entender. Algunas empresas también están intentando asignar automáticamente sentimientos (decidiendo si las noticias son buenas o malas) a las noticias, de modo que el comercio automatizado pueda actuar directamente sobre ellas. [100]
"Cada vez más, la gente observa todo tipo de noticias y construye sus propios indicadores en torno a ellas de una manera semiestructurada", ya que buscan constantemente nuevas ventajas comerciales, afirmó Rob Passarella, director global de estrategia de Dow Jones Enterprise Media Group. Su empresa ofrece tanto un servicio de noticias de baja latencia como análisis de noticias para los operadores. Passarella también señaló que se están realizando nuevas investigaciones académicas sobre el grado en que las búsquedas frecuentes en Google sobre diversas acciones pueden servir como indicadores comerciales, el impacto potencial de varias frases y palabras que pueden aparecer en los comunicados de la Comisión de Bolsa y Valores y la última ola de comunidades en línea dedicadas a temas de negociación de acciones. [100]
"Los mercados son conversaciones por naturaleza, ya que surgieron de los cafés y las tabernas", afirmó. Por lo tanto, la forma en que se crean las conversaciones en una sociedad digital también se utilizará para convertir las noticias en transacciones comerciales, afirmó Passarella. [100]
"Hay un interés real en trasladar el proceso de interpretación de las noticias de los humanos a las máquinas", afirma Kirsti Suutari, directora comercial global de operaciones algorítmicas de Reuters. "Cada vez más clientes nuestros encuentran formas de utilizar el contenido de las noticias para ganar dinero". [99]
Un ejemplo de la importancia de la velocidad de notificación de noticias para los traders algorítmicos fue una campaña publicitaria de Dow Jones (entre otras apariciones, se incluyó la página W15 de The Wall Street Journal , el 1 de marzo de 2008) que afirmaba que su servicio había superado a otros servicios de noticias por dos segundos al informar sobre un recorte de las tasas de interés por parte del Banco de Inglaterra.
En julio de 2007, Citigroup , que ya había desarrollado sus propios algoritmos comerciales, pagó 680 millones de dólares por Automated Trading Desk, una empresa de 19 años de antigüedad que negocia alrededor de 200 millones de acciones al día. [101] Citigroup había comprado previamente Lava Trading y OnTrade Inc.
A finales de 2010, la Oficina de Ciencia del Gobierno del Reino Unido inició un proyecto Foresight que investigaba el futuro del comercio informático en los mercados financieros, [102] dirigido por Dame Clara Furse , exdirectora ejecutiva de la Bolsa de Valores de Londres y en septiembre de 2011 el proyecto publicó sus hallazgos iniciales en forma de un documento de trabajo de tres capítulos disponible en tres idiomas, junto con 16 documentos adicionales que brindan evidencia de respaldo. [102] Todos estos hallazgos fueron escritos o coescritos por académicos y profesionales destacados, y fueron sometidos a una revisión anónima por pares. Publicado en 2012, el estudio Foresight reconoció problemas relacionados con la iliquidez periódica, nuevas formas de manipulación y amenazas potenciales a la estabilidad del mercado debido a algoritmos erróneos o tráfico excesivo de mensajes . Sin embargo, el informe también fue criticado por adoptar "argumentos pro-HFT estándar" y por vincular a los miembros del panel asesor con la industria HFT. [103]
Un sistema de trading tradicional consta principalmente de dos bloques: uno que recibe los datos del mercado y el otro que envía la solicitud de orden a la bolsa. Sin embargo, un sistema de trading algorítmico se puede dividir en tres partes:
Las bolsas proporcionan datos al sistema, que normalmente consisten en la última cartera de pedidos, los volúmenes negociados y el último precio negociado (LTP) del título. El servidor, a su vez, recibe los datos y actúa simultáneamente como almacén de una base de datos histórica. Los datos se analizan en el lado de la aplicación, donde el usuario introduce las estrategias de negociación y se pueden ver en la interfaz gráfica de usuario . Una vez que se genera la orden, se envía al sistema de gestión de órdenes (OMS), que a su vez la transmite a la bolsa. [104] [105]
Gradualmente, la arquitectura de alta latencia de los sistemas algorítmicos de la vieja escuela está siendo reemplazada por redes más nuevas, de última generación, con alta infraestructura y baja latencia . El motor de procesamiento de eventos complejos (CEP), que es el corazón de la toma de decisiones en los sistemas de comercio basados en algoritmos, se utiliza para el enrutamiento de órdenes y la gestión de riesgos. [104] [105]
Con la aparición del protocolo FIX (Financial Information Exchange) , la conexión con diferentes destinos se ha vuelto más sencilla y el tiempo de llegada al mercado se ha reducido cuando se trata de conectarse con un nuevo destino. Con el protocolo estándar en funcionamiento, la integración de proveedores externos para la transmisión de datos ya no es complicada. [104]
Uno de los hallazgos más irónicos de la investigación académica sobre el trading algorítmico podría ser que los traders individuales introducen algoritmos para hacer que la comunicación sea más simple y predecible, mientras que los mercados terminan siendo más complejos e inciertos. [10] Dado que los algoritmos de trading siguen reglas locales que responden a instrucciones programadas o patrones aprendidos, en el micronivel, su comportamiento automatizado y reactivo hace que ciertas partes de la dinámica de la comunicación sean más predecibles. Sin embargo, en el macronivel, se ha demostrado que el proceso emergente general se vuelve más complejo y menos predecible. [10] Este fenómeno no es exclusivo del mercado de valores, y también se ha detectado con robots de edición en Wikipedia. [106]
Aunque su desarrollo puede haber sido impulsado por la disminución del tamaño de las transacciones comerciales causada por la decimalización, el comercio algorítmico ha reducido aún más el tamaño de las transacciones. Los trabajos que antes realizaban los comerciantes humanos están siendo transferidos a las computadoras. Las velocidades de las conexiones de las computadoras, medidas en milisegundos e incluso microsegundos , han adquirido una gran importancia. [107] [108]
Mercados más automatizados, como NASDAQ, Direct Edge y BATS (anteriormente acrónimo de Better Alternative Trading System) en los EE. UU., han ganado participación de mercado frente a mercados menos automatizados, como la Bolsa de Nueva York. Las economías de escala en el comercio electrónico han contribuido a reducir las comisiones y los costos de procesamiento de transacciones, y han contribuido a las fusiones y la consolidación internacionales de las bolsas financieras .
Se está desarrollando una competencia entre las bolsas para obtener los tiempos de procesamiento más rápidos para completar las transacciones. Por ejemplo, en junio de 2007, la Bolsa de Valores de Londres lanzó un nuevo sistema llamado TradElect que promete un tiempo de respuesta promedio de 10 milisegundos desde la colocación de una orden hasta la confirmación final y puede procesar 3.000 órdenes por segundo. [109] Desde entonces, las bolsas competitivas han seguido reduciendo la latencia con tiempos de respuesta de 3 milisegundos disponibles. Esto es de gran importancia para los operadores de alta frecuencia, porque tienen que intentar determinar los rangos de rendimiento consistentes y probables de determinados instrumentos financieros. Estos profesionales a menudo operan con versiones de fondos de índices bursátiles como los E-mini S&P, porque buscan consistencia y mitigación de riesgos junto con el máximo rendimiento. Deben filtrar los datos del mercado para incorporarlos a su programación de software de modo que haya la menor latencia y la mayor liquidez en el momento de colocar órdenes de stop-loss y/o tomar ganancias. La alta volatilidad de estos mercados hace que esta tarea sea compleja y potencialmente estresante, ya que un pequeño error puede provocar una gran pérdida. Los datos de frecuencia absoluta influyen en el desarrollo de las instrucciones preprogramadas del operador. [110]
En Estados Unidos, el gasto en computadoras y software en la industria financiera aumentó a 26.400 millones de dólares en 2005. [2] [111]
El trading algorítmico ha provocado un cambio en los tipos de empleados que trabajan en la industria financiera. Por ejemplo, muchos físicos han entrado en la industria financiera como analistas cuantitativos. Algunos físicos incluso han comenzado a realizar investigaciones en economía como parte de su investigación doctoral. Este movimiento interdisciplinario a veces se denomina econofísica . [112] Algunos investigadores también citan una "división cultural" entre los empleados de empresas que se dedican principalmente al trading algorítmico y los gestores de inversiones tradicionales. El trading algorítmico ha fomentado un mayor enfoque en los datos y ha disminuido el énfasis en la investigación del lado de la venta. [113]
Las operaciones algorítmicas requieren comunicar muchos más parámetros que las órdenes tradicionales de mercado y de límite. Un operador de un extremo (el " lado comprador ") debe permitir que su sistema de operaciones (a menudo llamado " sistema de gestión de órdenes " o " sistema de gestión de ejecución ") comprenda un flujo en constante proliferación de nuevos tipos de órdenes algorítmicas. Los costos de I+D y otros para construir nuevos tipos complejos de órdenes algorítmicas, junto con la infraestructura de ejecución y los costos de marketing para distribuirlas, son bastante sustanciales. Lo que se necesitaba era una forma en que los vendedores (el " lado vendedor ") pudieran expresar las órdenes algorítmicas electrónicamente de modo que los operadores del lado comprador pudieran simplemente introducir los nuevos tipos de órdenes en su sistema y estar listos para operar con ellas sin tener que codificar constantemente nuevas pantallas de entrada de órdenes personalizadas cada vez.
FIX Protocol es una asociación comercial que publica estándares abiertos y gratuitos en el área de negociación de valores. El lenguaje FIX fue creado originalmente por Fidelity Investments, y los miembros de la asociación incluyen prácticamente todos los corredores de bolsa grandes y muchos de tamaño mediano y pequeño, bancos de centros financieros, inversores institucionales, fondos mutuos, etc. Esta institución domina el establecimiento de estándares en las áreas de prenegociación y negociación de transacciones de valores. En 2006-2007, varios miembros se reunieron y publicaron un borrador de estándar XML para expresar tipos de órdenes algorítmicas. El estándar se llama Lenguaje de definición de negociación algorítmica FIX ( FIXatdl ). [114]
{{cite book}}: |website=ignorado ( ayuda ){{cite journal}}: Requiere citar revista |journal=( ayuda ){{citation}}: CS1 maint: multiple names: authors list (link){{cite journal}}: Requiere citar revista |journal=( ayuda ){{cite journal}}: Requiere citar revista |journal=( ayuda ){{cite web}}: CS1 maint: archived copy as title (link)