Volatility trading with machine learning forecasting methods
Volatility trading has become a prominent alternative to the traditional stock trading as the rapid development of web-trading in recent years has reduced significantly the costs of operating in the market. Moreover, machine learning techniques have enabled traders to rely heavily on statistical dec...
- Autores:
-
González Orjuela, Sergio Andrés
- Tipo de recurso:
- Fecha de publicación:
- 2018
- Institución:
- Universidad de los Andes
- Repositorio:
- Séneca: repositorio Uniandes
- Idioma:
- eng
- OAI Identifier:
- oai:repositorio.uniandes.edu.co:1992/34879
- Acceso en línea:
- http://hdl.handle.net/1992/34879
- Palabra clave:
- Volatilidad económica - Investigaciones - Métodos estadísticos
Toma de decisiones - Investigaciones - Estudio de casos
Aprendizaje automático (Inteligencia artificial) - Aplicaciones - Investigaciones - Estudio de casos
Mercado de capitales - Predicciones - Investigaciones - Estudio de casos
Análisis cluster - Investigaciones - Estudio de casos
Ingeniería
- Rights
- openAccess
- License
- https://repositorio.uniandes.edu.co/static/pdf/aceptacion_uso_es.pdf
id |
UNIANDES2_98e9af72c3ff813c2b288433fa8a4cd7 |
---|---|
oai_identifier_str |
oai:repositorio.uniandes.edu.co:1992/34879 |
network_acronym_str |
UNIANDES2 |
network_name_str |
Séneca: repositorio Uniandes |
repository_id_str |
|
dc.title.es_CO.fl_str_mv |
Volatility trading with machine learning forecasting methods |
title |
Volatility trading with machine learning forecasting methods |
spellingShingle |
Volatility trading with machine learning forecasting methods Volatilidad económica - Investigaciones - Métodos estadísticos Toma de decisiones - Investigaciones - Estudio de casos Aprendizaje automático (Inteligencia artificial) - Aplicaciones - Investigaciones - Estudio de casos Mercado de capitales - Predicciones - Investigaciones - Estudio de casos Análisis cluster - Investigaciones - Estudio de casos Ingeniería |
title_short |
Volatility trading with machine learning forecasting methods |
title_full |
Volatility trading with machine learning forecasting methods |
title_fullStr |
Volatility trading with machine learning forecasting methods |
title_full_unstemmed |
Volatility trading with machine learning forecasting methods |
title_sort |
Volatility trading with machine learning forecasting methods |
dc.creator.fl_str_mv |
González Orjuela, Sergio Andrés |
dc.contributor.advisor.none.fl_str_mv |
Valencia Arboleda, Carlos Felipe |
dc.contributor.author.none.fl_str_mv |
González Orjuela, Sergio Andrés |
dc.subject.keyword.es_CO.fl_str_mv |
Volatilidad económica - Investigaciones - Métodos estadísticos Toma de decisiones - Investigaciones - Estudio de casos Aprendizaje automático (Inteligencia artificial) - Aplicaciones - Investigaciones - Estudio de casos Mercado de capitales - Predicciones - Investigaciones - Estudio de casos Análisis cluster - Investigaciones - Estudio de casos |
topic |
Volatilidad económica - Investigaciones - Métodos estadísticos Toma de decisiones - Investigaciones - Estudio de casos Aprendizaje automático (Inteligencia artificial) - Aplicaciones - Investigaciones - Estudio de casos Mercado de capitales - Predicciones - Investigaciones - Estudio de casos Análisis cluster - Investigaciones - Estudio de casos Ingeniería |
dc.subject.themes.none.fl_str_mv |
Ingeniería |
description |
Volatility trading has become a prominent alternative to the traditional stock trading as the rapid development of web-trading in recent years has reduced significantly the costs of operating in the market. Moreover, machine learning techniques have enabled traders to rely heavily on statistical decision-making models to enhance the commonly used technical analysis. In this paper, a machine learning approach is used to predict proxies of short-term implied volatility clusters with high-frequency data, in order to perform trading strategies using vanilla options on a commercial platform. The empirical results indicate that tree-based methods outperform linear models in classifying these clusters using the time of the day as a key variable in the forecasting task. Financial results were mixed due to the high costs of operating in a 5-hour horizon, but it was found that long positions on at the money straddle strategies expiring in one day were profitable. The framework developed here can be used by small investors as a guidance to implement and assess theoretical strategies in accessible markets. |
publishDate |
2018 |
dc.date.issued.none.fl_str_mv |
2018 |
dc.date.accessioned.none.fl_str_mv |
2020-06-10T09:24:47Z |
dc.date.available.none.fl_str_mv |
2020-06-10T09:24:47Z |
dc.type.spa.fl_str_mv |
Trabajo de grado - Maestría |
dc.type.coarversion.fl_str_mv |
http://purl.org/coar/version/c_970fb48d4fbd8a85 |
dc.type.driver.spa.fl_str_mv |
info:eu-repo/semantics/masterThesis |
dc.type.content.spa.fl_str_mv |
Text |
dc.type.redcol.spa.fl_str_mv |
http://purl.org/redcol/resource_type/TM |
dc.identifier.uri.none.fl_str_mv |
http://hdl.handle.net/1992/34879 |
dc.identifier.pdf.none.fl_str_mv |
u820710.pdf |
dc.identifier.instname.spa.fl_str_mv |
instname:Universidad de los Andes |
dc.identifier.reponame.spa.fl_str_mv |
reponame:Repositorio Institucional Séneca |
dc.identifier.repourl.spa.fl_str_mv |
repourl:https://repositorio.uniandes.edu.co/ |
url |
http://hdl.handle.net/1992/34879 |
identifier_str_mv |
u820710.pdf instname:Universidad de los Andes reponame:Repositorio Institucional Séneca repourl:https://repositorio.uniandes.edu.co/ |
dc.language.iso.es_CO.fl_str_mv |
eng |
language |
eng |
dc.rights.uri.*.fl_str_mv |
https://repositorio.uniandes.edu.co/static/pdf/aceptacion_uso_es.pdf |
dc.rights.accessrights.spa.fl_str_mv |
info:eu-repo/semantics/openAccess |
dc.rights.coar.spa.fl_str_mv |
http://purl.org/coar/access_right/c_abf2 |
rights_invalid_str_mv |
https://repositorio.uniandes.edu.co/static/pdf/aceptacion_uso_es.pdf http://purl.org/coar/access_right/c_abf2 |
eu_rights_str_mv |
openAccess |
dc.format.extent.es_CO.fl_str_mv |
54 hojas |
dc.format.mimetype.es_CO.fl_str_mv |
application/pdf |
dc.publisher.es_CO.fl_str_mv |
Uniandes |
dc.publisher.program.es_CO.fl_str_mv |
Maestría en Ingeniería Industrial |
dc.publisher.faculty.es_CO.fl_str_mv |
Facultad de Ingeniería |
dc.publisher.department.es_CO.fl_str_mv |
Departamento de Ingeniería Industrial |
dc.source.es_CO.fl_str_mv |
instname:Universidad de los Andes reponame:Repositorio Institucional Séneca |
instname_str |
Universidad de los Andes |
institution |
Universidad de los Andes |
reponame_str |
Repositorio Institucional Séneca |
collection |
Repositorio Institucional Séneca |
bitstream.url.fl_str_mv |
https://repositorio.uniandes.edu.co/bitstreams/5fc5af6b-c568-4466-88ae-db6ad4af6b8d/download https://repositorio.uniandes.edu.co/bitstreams/b5fc29a7-4e07-4bc0-8041-e8941246899a/download https://repositorio.uniandes.edu.co/bitstreams/ef4d06de-9710-4b09-9241-cae958e9fb66/download |
bitstream.checksum.fl_str_mv |
4e4746eab424d482d31198c245813f7c 615654f7765a412afcc1ecdb1aa52c4d 72e22ded04007ba02eb103ffd276f2eb |
bitstream.checksumAlgorithm.fl_str_mv |
MD5 MD5 MD5 |
repository.name.fl_str_mv |
Repositorio institucional Séneca |
repository.mail.fl_str_mv |
adminrepositorio@uniandes.edu.co |
_version_ |
1812133893473566720 |
spelling |
Al consultar y hacer uso de este recurso, está aceptando las condiciones de uso establecidas por los autores.https://repositorio.uniandes.edu.co/static/pdf/aceptacion_uso_es.pdfinfo:eu-repo/semantics/openAccesshttp://purl.org/coar/access_right/c_abf2Valencia Arboleda, Carlos Felipevirtual::6074-1González Orjuela, Sergio Andrésd5dbbaa2-41b3-43be-aada-0cfcb7a3ab695002020-06-10T09:24:47Z2020-06-10T09:24:47Z2018http://hdl.handle.net/1992/34879u820710.pdfinstname:Universidad de los Andesreponame:Repositorio Institucional Sénecarepourl:https://repositorio.uniandes.edu.co/Volatility trading has become a prominent alternative to the traditional stock trading as the rapid development of web-trading in recent years has reduced significantly the costs of operating in the market. Moreover, machine learning techniques have enabled traders to rely heavily on statistical decision-making models to enhance the commonly used technical analysis. In this paper, a machine learning approach is used to predict proxies of short-term implied volatility clusters with high-frequency data, in order to perform trading strategies using vanilla options on a commercial platform. The empirical results indicate that tree-based methods outperform linear models in classifying these clusters using the time of the day as a key variable in the forecasting task. Financial results were mixed due to the high costs of operating in a 5-hour horizon, but it was found that long positions on at the money straddle strategies expiring in one day were profitable. The framework developed here can be used by small investors as a guidance to implement and assess theoretical strategies in accessible markets."El trading de volatilidad se ha convertido en una alternativa de peso al trading tradicional de acciones debido al rápido desarrollo de trading en línea en los últimos años, que ha reducido significativamente los costos de operar en el mercado. Además, las técnicas de machine learning han permitido a los traders confiar en modelos estadísticos de toma de decisiones para mejorar el comúnmente usado análisis técnico. En este trabajo se usa un enfoque de machine learning para detectar clusters de volatilidad implícita en el corto plazo con datos de alta frecuencia, con el fin de ejecutar estrategias de trading usando opciones vainilla en una plataforma comercial. Los resultados empíricos indican que los modelos basados en árboles superan el desempeño de los modelos lineales en la clasificación de clusters, usando la hora del día como una variable fundamental en la tarea de predicción. Los resultados financieros fueron mixtos debido a los altos costos de operar en un horizonte de 5 horas, pero se encontró que las posiciones largas en estrategias straddle 'en el dinero' con un día de expiración eran rentables. La metodología trabajada aquí puede ser usada por pequeños inversionistas como guía para implementar y evaluar estrategias teóricas en mercados accesibles."--Tomado del Formato de Documento de Grado.Magíster en Ingeniería IndustrialMaestría54 hojasapplication/pdfengUniandesMaestría en Ingeniería IndustrialFacultad de IngenieríaDepartamento de Ingeniería Industrialinstname:Universidad de los Andesreponame:Repositorio Institucional SénecaVolatility trading with machine learning forecasting methodsTrabajo de grado - Maestríainfo:eu-repo/semantics/masterThesishttp://purl.org/coar/version/c_970fb48d4fbd8a85Texthttp://purl.org/redcol/resource_type/TMVolatilidad económica - Investigaciones - Métodos estadísticosToma de decisiones - Investigaciones - Estudio de casosAprendizaje automático (Inteligencia artificial) - Aplicaciones - Investigaciones - Estudio de casosMercado de capitales - Predicciones - Investigaciones - Estudio de casosAnálisis cluster - Investigaciones - Estudio de casosIngenieríaPublicationhttps://scholar.google.es/citations?user=vPH5LywAAAAJvirtual::6074-1https://scienti.minciencias.gov.co/cvlac/visualizador/generarCurriculoCv.do?cod_rh=0000271403virtual::6074-1e1de19e8-629e-401d-a9d3-77eea3d2db48virtual::6074-1e1de19e8-629e-401d-a9d3-77eea3d2db48virtual::6074-1THUMBNAILu820710.pdf.jpgu820710.pdf.jpgIM Thumbnailimage/jpeg7752https://repositorio.uniandes.edu.co/bitstreams/5fc5af6b-c568-4466-88ae-db6ad4af6b8d/download4e4746eab424d482d31198c245813f7cMD55ORIGINALu820710.pdfapplication/pdf3323805https://repositorio.uniandes.edu.co/bitstreams/b5fc29a7-4e07-4bc0-8041-e8941246899a/download615654f7765a412afcc1ecdb1aa52c4dMD51TEXTu820710.pdf.txtu820710.pdf.txtExtracted texttext/plain127617https://repositorio.uniandes.edu.co/bitstreams/ef4d06de-9710-4b09-9241-cae958e9fb66/download72e22ded04007ba02eb103ffd276f2ebMD541992/34879oai:repositorio.uniandes.edu.co:1992/348792024-03-13 13:05:44.225https://repositorio.uniandes.edu.co/static/pdf/aceptacion_uso_es.pdfopen.accesshttps://repositorio.uniandes.edu.coRepositorio institucional Sénecaadminrepositorio@uniandes.edu.co |