Técnicas de clustering particional aplicadas al análisis y a la gestión de carteras del mercado de criptomonedas

Resumen

La investigación que aquí se muestra trata de guiar al inversor en el mercado de criptomonedas proporcionándole unas herramientas que le ayuden a gestionar su inversión asegurando su escalabilidad y adaptación a un mercado cambiante y creciente. El alcance de la investigación llevada a cabo se desarrolla en el espacio donde convergen los mercados digitales de trading, el Blockchain, el aprendizaje automático (Machine Learning) combinado con técnicas más tradicionales de optimización de carteras, todo ello dentro de lo que viene a denominarse popularmente como FinTech. La contribución del trabajo aquí presentado es doble, por un lado primeramente se plantea una metodología basada en el clustering particional que ayude a detectar y describir las estructuras subyacentes en el mercado de criptoactivos combinando diferentes algoritmos de clustering; y por otro, usando esas mismas técnicas de clustering, se muestra como utilizarlas en una etapa de filtrado que mejora el rendimiento del algoritmo clásico de optimización de carteras Mean-Variance. La aplicación del clustering en la detección de agrupaciones en los mercados financieros no es nueva pero si que lo es, y es una de la aportaciones de la investigación que aquí se presenta, el hecho de poder combinar diferentes formas de representación de los activos y aplicar sobre ellos diferentes técnicas de clustering combinando los resultados obtenidos y ofreciendo una visión más completa del mercado. De esta manera, el inversor contará con una mayor información a la hora de determinar su estrategia de inversión preseleccionando aquellos activos que a priori puedan parecerle más interesantes. En esta fase de la investigación hemos encontrado asociaciones significativas entre diferentes ratios financieros y clusters, así como entre atributos tecnológicos de las criptomonedas y características del mercado como su capitalización y el volumen de negociación. De igual modo, podemos presentar como innovación importante en esta primera fase de la investigación, una de las primeras aplicaciones a mercados financieros de las técnicas de clustering sobre histogramas, y en todo caso la primera aplicación a mercados de criptomonedas. Todo proceso de inversión conlleva una fase de decisión en la cual el inversor decide en qué activos y con qué porcentaje de sus fondos invertir desarrollado desde los años cincuenta principalmente a través del desarrollo de una amplia teoría de gestión de carteras apoyadas fuertemente en herramientas de optimización matemática tomando como base un profundo desarrollo de la teoría de preferencias del inversor. El uso del clustering como fase de mejora en el rendimiento de una cartera de inversión parte de un caso de uso de la metodología planteada en la primera contribución y constituye una aportación novedosa que permite adaptar modelos de carteras existentes al mercado de criptomonedas. Esta segunda aportación entendiendo el clustering como una herramienta de filtrado fundamental sobre el propio mercado de criptoactivos dada la enorme diversidad de criptomonedas de un comportamiento dispar. Otro factor importante que se analiza es la persistencia de los resultados y de las estructuras frente a variaciones en la ventana temporal, y en este caso hemos visto que aquellas técnicas de clustering que toman como medida de disimilaridad la diferencia en la forma de las series presentan son menos persistentes y si bien el resultado no es concluyente si da pistas acerca de cuales serían la técnicas de clustering más adecuadas con base en los objetivos que nos marquemos. Es decir, podemos confirmar que la persistencia de los resultados de diferentes técnicas de clustering difiere frente a cambios en la ventana temporal. El trabajo de esta investigación muestra un camino en la aplicación del clustering particional en la descripción del mercado en primer término y en la mejora de los algoritmos de optimización de carteras en segundo término.