Descarga la aplicación para disfrutar aún más
Vista previa del material en texto
TRABAJO FIN DE GRADO PREDICCIÓN DE VALORES DE BOLSA MEDIANTE MINERÍA DE DATOS PARA MERCADO DE ALTA FRECUENCIA AUTOR ISABEL VEGAS VILLALMANZO TUTOR JOAQUÍN ORDIERES MERÉ SEPTIEMBRE 2016 Predicción de valores de bolsa mediante minería de datos para mercado de alta frecuencia 1 Isabel Vegas Villalmanzo 1. RESUMEN En los mercados bursátiles de alta frecuencia se opera a través del High Frecuency Trading (HFT). Este se caracteriza por el uso de ordenadores que aplican algoritmos informáticos que analizan e interpretan las señales y condiciones del mercado a gran velocidad; y, en respuesta a las mismas, introducen órdenes de compra y venta en el mercado de manera automática en un período de tiempo muy corto. El HFT se basa entonces, en el uso de una tecnología avanzada para llevar a cabo estrategias de negociación tradicionales, como por ejemplo la creación de mercado o el arbitraje. En las cuales, se obtiene por cada transacción un estrecho margen de beneficio en un pequeño periodo de tiempo, por lo que se realizan millones de operaciones diarias que generan un gran volumen de beneficios por acumulación. La velocidad de procesamiento de estas operaciones actualmente ronda los milisegundos. Por lo tanto, para ser considerado un High Frecuency Trader se debe emplear tecnología con muy baja latencia (tiempo que pasa desde que se trasmite la orden hasta que esta se ejecuta), una conexión de alta velocidad y bajo retardo al mercado para la introducción de órdenes, y un alta tasa de envío de órdenes y cancelación de las mismas. Una de las principales estrategias competitivas de los High Frecuency Traders es la disminución de la distancia entre el servidor de la plataforma de negociación y el suyo propio. Así, se reduce el tiempo de conexión, con lo que se puede operar con mayor agilidad y rapidez al reducir la latencia de las órdenes hasta tiempos de respuesta menores de una centésima de milisegundo. Para conseguir esto, hay que utilizar los servicios de co-location que ofrecen las propias bolsas, permitiendo colocar el servidor del trader a poca distancia del propio servidor de la bolsa. Esta ventaja competitiva clave en HFT es empleada actualmente por todos los agentes que participan en el mercado. Por lo que no constituye una ventaja real, sino que es un requerimiento básico para poder actuar en él. Al no poder mejorar la tecnología de la conexión ni colocar los servidores más próximos, no se puede disminuir la latencia por estos métodos. La única manera entonces de conseguir una ventaja competitiva será mejorando los algoritmos informáticos que analizan e interpretan las señales del mercado, y tratando así de predecir cómo va a evolucionar este para poder posicionarte antes que tus competidores. Para lograrlo, se va a emplear la minería de datos, que consiste en el estudio y tratamiento de datos masivos para extraer conclusiones e información relevante. Mediante estos procedimientos, se analizaran los datos históricos intradía de diferentes valores bursátiles para encontrar los patrones de comportamiento y las relaciones entre ellos que se producen a lo largo del tiempo. Y así, desarrollar un modelo de predicción que sea capaz de estimar a unos pocos minutos los precios de estos valores. 1. Resumen 2 Escuela Técnica Superior de Ingenieros Industriales (UPM) La primera fase del proceso de minería de datos consiste en la preparación de los datos para mejorar la calidad del conjunto de datos, y poder elaborar un modelo que genere mayor y mejor información. Los datos de los que partimos son series temporales de precios intradía de diferentes valores de la bolsa de Madrid, a lo largo de un mes. En nuestro caso se han empleado las siguientes técnicas de preparación de datos: homogeneización de formato, transformación a una base de tiempo común, homogeneización e interpolación de la serie temporal, y eliminación de los 5 minutos iniciales y finales de la serie temporal, ya que no muestran la evolución propia del mercado. A continuación, se exploran los datos previamente preparados para determinar si la información que nos proporcionan, a priori, sirve a nuestro propósito que es elaborar un modelo de predicción de precios de valores bursátiles. Para ello, primero trataremos de conocer más a fondo los distintos valores de los que disponemos, calculando con el programa estadístico R diferentes indicadores técnicos con el fin de ver la evolución a lo largo del tiempo de los precios de las distintas cotizaciones de las que disponemos. Posteriormente, se realizará un estudio de las correlaciones entre los distintos valores bursátiles, con el fin de analizar si existen relaciones entre ellos, mediante la correlación lineal de Pearson. En este estudio de las correlaciones, se realizan 5 experimentos distintos. En cada uno de ellos se ha escogido una muestra de un día de actividad bursátil, de forma que cada experimento sea lo más aleatorio posible; y así, tener una idea general de las relaciones que hay entre los valores a lo largo del mes. Como resultado de este estudio, podemos afirmar que existe una relación lineal, en mayor o menor medida, entre los distintos valores bursátiles. Además, la correlación entre ellos puede mejorar al mover hacia delante o hacia atrás en el tiempo (lag positivo o negativo) la serie temporal de precios de un valor respecto al otro. De esta forma, un valor podría ser predictor adelantado del valor que se quiere estimar, pudiendo ser esta relación útil a la hora de elaborar el modelo de predicción. Ya conociendo más a fondo los datos que vamos a utilizar, podemos pasar a la elaboración del modelo. Un modelo de minería de datos consiste en el análisis de una estructura de datos, mediante el uso de un determinado algoritmo, para extraer patrones y reglas que, a su vez, pueden aplicarse a otros datos para obtener información. Para lograr el mejor modelo de predicción vamos a analizar diferentes casos: variando el número de valores a predecir en el tiempo, el algoritmo usado, o el tamaño de la estructura de datos a entrenar. Se realizarán 4 modelos de predicción distintos. El modelo inicial (modelo 0) tratará de predecir el precio del valor 107, mientras el resto añadirán a este modelo inicial el concepto de correlación estudiado anteriormente para intentar conseguir un mejor modelo de predicción. El modelo 1 cuenta con la correlación con el IBEX, el modelo 2 con el 233, y el modelo 3 con la correlación con ambas. Predicción de valores de bolsa mediante minería de datos para mercado de alta frecuencia 3 Isabel Vegas Villalmanzo La estructura de los distintos modelos tendrá como base la del modelo inicial, que consta de una matriz X compuesta por diversos indicadores técnicos y los valores de precio del valor a predecir (107) anteriores. Y también, del vector de precios a estimar Y desplazado hacia delante z minutos según tratemos de predecir a 5, 10, 15 ó 20 minutos. Además, para cada uno de estos modelos iniciales de predicción a 5, 10, 15 y 20 minutos, se tomarán muestras de 30, 60, 90, 120 y 180 minutos empezando todas ellas en el mismo momento, con valores de minuto en minuto. El resto de los modelos añadirá respectivamente en la matriz X, la columna de precios del valor o valores correlacionados adelantados en mayor o menor medida. Todas estas opciones de estructura de datos se evaluarán con los siguientes algoritmos: lineal, máquina de vectores de soporte y random forest. Después de elaborar los modelos de minería de datos para cada uno de los casos anteriores, hay que comprobar su validez y eficacia para ver si son precisos y confiables. Se ha establecido un criterio general de validación. Consiste en el reprocesamiento del modelo con una muestra de los 10 minutos siguientes de valores de X de cada estructura dedatos, obteniéndose un vector de precios estimados. Como los datos usados son datos históricos, conocemos también el vector de precios reales y, por lo tanto, seremos capaces de calcular el error existente entre los valores predichos y los reales. Este error se calcula mediante la raíz del error cuadrático medio (RMSE), ampliamente usado en machine learning. El cálculo del error tendrá una doble función: validación del modelo, y criterio de selección del mejor modelo de predicción (a menor error, mejor predicción). Una vez se han elaborado y validado todos los casos de modelos de minería de datos previamente descritos, se analizan los resultados conseguidos. Algunas de las conclusiones obtenidas son: - El error obtenido es manejable desde un punto de vista operativo, situándose en torno a 0.002-0.04, equivalente al 0.03-0.6%. - Los modelos no lineales ofrecen mejores resultados que los lineales. Siendo significativamente menor el error de predicción al emplear el algoritmo no lineal random forest en todos los casos. - En general, los modelos muestran limitaciones a la hora de predecir un cambio abrupto de tendencia, aumentando el error en estos casos. - Los modelos de predicción a 5 minutos estiman notablemente mejor estos cambios de tendencia que los que son a más tiempo (10, 15 y 20 minutos). - Es conveniente emplear modelos que incluyan los precios de un valor correlacionado con el que se quiere estimar, ya que mejoran el modelo en mayor o menor medida. Además, pueden ayudar a predecir mejor los cambios bruscos de tendencia. 2. Índice 4 Escuela Técnica Superior de Ingenieros Industriales (UPM) 2. ÍNDICE 1. Resumen .................................................................................................................................... 1 2. Índice ......................................................................................................................................... 4 3. Introducción .............................................................................................................................. 5 4. Objetivos ................................................................................................................................... 7 5. Metodología .............................................................................................................................. 8 5.1. Definición del problema ..................................................................................................... 9 5.2. Preparación de los datos .................................................................................................. 10 5.3. Exploración de los datos................................................................................................... 11 5.4. Generar modelos .............................................................................................................. 12 5.5. Explotación y validación de los modelos .......................................................................... 13 5.6. Implementar y actualizar los modelos ............................................................................. 13 6. Resultados y discusión ............................................................................................................ 14 6.1. Definición del problema ................................................................................................... 14 6.2. Preparación de los datos .................................................................................................. 14 6.3. Exploración de los datos................................................................................................... 17 6.4. Generación de modelos ................................................................................................... 61 6.5 Validación de los modelos ................................................................................................. 67 7. Conclusiones............................................................................................................................ 69 8. Líneas futuras .......................................................................................................................... 76 9. Bibliografía .............................................................................................................................. 77 10. Planificación temporal y presupuesto ................................................................................... 81 11. Índice de figuras .................................................................................................................... 84 Predicción de valores de bolsa mediante minería de datos para mercado de alta frecuencia 5 Isabel Vegas Villalmanzo 3. INTRODUCCIÓN El High Frecuency Trading (HFT), también conocido como Low Latency Trading es un subconjunto del Algorithmic Trading caracterizado por el uso de ordenadores que aplican algoritmos informáticos que analizan e interpretan las señales y condiciones del mercado a gran velocidad y, en respuesta a las mismas, introducen órdenes de compra y venta en el mercado de manera automática en un período de tiempo muy corto. Esta velocidad de procesamiento actualmente ronda los milisegundos. Por lo tanto, para ser considerado un High Frecuency Trader debe emplear tecnología con muy baja latencia (tiempo que pasa desde que se trasmite la orden hasta que esta se ejecuta), una conexión de alta velocidad y bajo retardo al mercado para la introducción de órdenes y un alta tasa de envío de órdenes y cancelación de las mismas. [1], [2] De esta forma, el HFT se basa en la utilización de una tecnología avanzada para llevar a cabo estrategias de negociación tradicionales. Principalmente, se centra en aquellas que tienen como objetivo aprovechar oportunidades de inversión en un breve plazo de tiempo, como por ejemplo la creación de mercado o el arbitraje. En ambas, se obtiene por cada transacción un estrecho margen de beneficio en un pequeño periodo de tiempo, por lo que se realizan millones de operaciones diarias que generan un gran volumen de beneficios por acumulación. [1] Así, la introducción de órdenes con una baja latencia y la alta velocidad de conexión son aspectos fundamentales en el HFT. Desde que en 1998 la Securities and Exchange Commission (SEC) de EE.UU. autorizó los intercambios electrónicos, se tiene constancia de la existencia del HFT. [3] Inicialmente, las operaciones tardaban de media varios segundos y han ido disminuyendo a lo largo del tiempo con el avance de la tecnología. En 2007 y 2008 la respuesta era de entre 2 y 3 milisegundos (0,002-0,003 segundos) y en el 2010 el tiempo entre el envío de una orden y su cancelación había disminuido a un microsegundo (0,0000001 segundos). [2] Actualmente, existe una competición entre los High Frecuency Traders para conseguir las maquinas más avanzadas y las conexiones más rápidas, empleando el software más rápido y avanzado que sean capaces de diseñar. Una de las estrategias es la disminución de la distancia entre el servidor de la plataforma de negociación y el del trader, reduciendo el tiempo de conexión con lo que se puede operar con mayor agilidad y rapidez al reducir la latencia de las órdenes. Para conseguir esto hay que utilizar los servicios de co-location que ofrecen las propias bolsas. En ellos, se alquila parte de la infraestructura del data center, pudiendo colocar el servidor del trader a poca distancia del propio servidor de la bolsa. De esta forma, las plataformas de negociación (bolsas) venden una mejora en la conexión al mercado, siendo en este caso, punto a punto y con un tiempo de respuesta menor de una centésima de milisegundo. Si no se usara este servicio, una conexión mediante Ethernet tendría una respuesta de 2 ó 3 milisegundos en entorno metropolitano.[1], [4] 3. Introducción 6 Escuela Técnica Superior de Ingenieros Industriales (UPM) Como podemos apreciar, esta es una ventaja competitiva clave para el HFT; pero al ser empleada por todos los agentes que participan en este tipo de mercado, no constituye una ventaja real, sino que es un requerimiento básico para poder actuar en él. Además, tampoco existe la posibilidad de una mejora futura en la conexión a la plataforma de negociación, no es posible colocar los servidores más próximos. Por lo que no se puede conseguir una menor latencia por este método. Todo esto indica que podría haberse llegado al desarrollo tecnológico máximo en reducción del tiempo de latencia de la conexión. La única manera entonces de conseguir una ventaja competitiva será mejorando los algoritmos informáticos que analizan e interpretan las señales del mercado, y tratando así de predecir cómo va a evolucionar este para poder posicionarte antes que tus competidores. Para tratar la cantidad ingente de datos generados por la actividad bursátil se emplean técnicas de minería de datos. Estas técnicas, casi automáticas, evitan la utilización de la gran cantidad de analistas necesarios tradicionalmente. Estos datos han sido históricamente analizados mediante técnicas de análisis estadístico, las cuales parten de una hipótesis inicial. Pero en minería de datos, no es necesario plantear ninguna, ya que mediante las herramientas de minería se pueden descubrir, entre otros, relaciones entre los datos o patrones de cambio de comportamiento. Con estas técnicas se pueden crear finalmente modelos predictivos sobre la evolución de los datos. [5] Predicción de valores de bolsa mediante minería de datos para mercado de alta frecuencia 7 Isabel Vegas Villalmanzo 4. OBJETIVOS El objetivo principal es construir un modelo de predicción de precios de valores bursátiles mediante minería de datos. Se tratará de estimar valores con una frontera de unos minutos, de forma que la conexión física entre servidores no sea tan determinante. Si somos capaces de predecir el precio de un valor con una cierta robustez a lo largo del tiempo, la ventaja que se obtiene con la proximidad de conexión o con posibles mejoras de la tecnología se hace no significativa. Para conseguir esto se analizarán los datos históricos intradía de diferentes valores con el fin de encontrar: - Relaciones existentes entre distintos valores bursátiles (correlaciones). De esta forma un determinado valor podría ser predictor adelantado/ retrasado de otro valor o confirmador de la tendencia. - Evolución de un valor basado en los propios datos anteriores de ese valor. - Evolución de un valor a partir de lo que nos indican diversos indicadores técnicos, como osciladores, indicadores de tendencia e indicadores de volatilidad. Se analizarán distintos tipos de modelos para encontrar el que se ajuste más a la realidad. 5. Metodología 8 Escuela Técnica Superior de Ingenieros Industriales (UPM) 5. METODOLOGÍA La minería de datos es el estudio y tratamiento de datos masivos para extraer conclusiones e información relevante. Normalmente, esto no es posible mediante la exploración de datos que se usa tradicionalmente debido a la complejidad de las relaciones existentes entre los datos o por la ingente cantidad de los mismos. Por contra, la minería de datos reúne las ventajas de diferentes áreas como la Estadística, la Computación Gráfica, la Inteligencia Artificial, las bases de datos y el procesamiento masivo de datos. [6], [7], [8] Por lo tanto, la minería de datos trata de deducir los patrones y tendencias que existen en los datos mediante la elaboración de modelos. Dependiendo de los diferentes escenarios a los que se aplique la minería de datos se puede obtener información con distinta funcionalidad. A continuación, se muestran los tipos de modelos principales que se pueden conseguir mediante la minería de datos: 1. Modelos descriptivos: - Reglas de asociación - Agrupamientos (clustering) - Secuencias 2. Modelos predictivos: - Clasificaciones - Pronósticos Esta información puede ser de gran importancia en áreas como la medicina, sector financiero, industria minorista o la industria de las telecomunicaciones. [7], [8] La generación de modelos de minería de datos forma parte de un proceso mayor que va desde la definición del problema que se quiere resolver, hasta la implementación y validación del modelo pasando por distintas etapas. El proceso de minería de datos consta de los siguientes pasos: 1. Definición del problema 2. Preparación de los datos 3. Exploración de los datos 4. Generar modelos 5. Explotación y validación de los modelos 6. Implementar y actualizar modelos A continuación, se ilustra (ver Figura 1) el proceso de la minería de datos, donde asumimos que ya se ha definido previamente el problema a resolver. Predicción de valores de bolsa mediante minería de datos para mercado de alta frecuencia 9 Isabel Vegas Villalmanzo Figura 1: Representación del proceso de la minería de datos. Fuente: elaboración propia basado en [8]. Como se puede observar en el diagrama anterior, el proceso de minería de datos es cíclico. Lo que indica que la elaboración e implementación de modelos de minería de datos se realiza de forma iterativa y dinámica. [8] 5.1. Definición del problema Es el primer paso del proceso de minería de datos. Consiste en definir unívocamente el problema que vamos a tratar de responder y considerar diversas formas de solucionarlo con los datos disponibles. Es primordial en esta etapa ser capaces de entender el ámbito en el que queremos usar la minería de datos para poder definir con claridad el problema. También hay que fijar las métricas con las que se evaluará el modelo y definir los objetivos concretos de la minería de datos. Para conseguirlo se suelen emplear preguntas como las siguientes: - ¿Qué se está buscando? ¿Qué tipos de relaciones se intenta buscar? - ¿Se desea realizar predicciones a partir del modelo de minería de datos o solamente buscar asociaciones y patrones interesantes? - ¿Qué información exactamente desea predecir? - ¿Qué tipo de datos tiene y qué información contienen? ¿Tiene una cantidad de datos suficiente? - ¿Cómo se relacionan los diferentes datos que tiene? ¿Se necesita limpiar, agregar o procesar los datos antes de usarlos? - ¿Cómo se distribuyen los datos? ¿Son estacionales? ¿Representan con precisión los procesos de la empresa? Como podemos deducir de las anteriores preguntas, es básico saber cuáles son los datos disponibles. Si estos son suficientes para resolver el modelo o si no lo son, que otro tipo sería necesario. Para conocer esta información puede que sea imprescindible desarrollar un estudio de disponibilidad de datos. Si los datos que somos capaces de obtener no resuelven el problema establecido, habrá que volver a definir el proyecto. 5. Metodología 10 Escuela Técnica Superior de Ingenieros Industriales (UPM) Una vez definido el problema y habiendo pasado a otras etapas posteriores del proceso de la minería de datos, puede que se descubra que los datos resultan insuficientes para crear los modelos y que, por tanto, sea necesario buscar más datos (ver Figura 2). También puede ocurrir que se puedan generar modelos pero que estos no respondan adecuadamente al problema planteado inicialmente, por lo que habrá que volver a definir el problema de nuevo. Además, es posible que haya que actualizar los modelos implementados cuando dispongamos de nuevos datos. [8] Figura 2: Etapas del proceso de minería de datos sensibles a problemas con los datos. Fuente: elaboración propia basado en [8] 5.2. Preparación de los datos La preparación de los datos,que es la segunda fase del proceso, consiste en consolidar y limpiar los datos de la etapa previa. Las técnicas de preparación de datos disminuyen la cantidad y mejoran la calidad del conjunto de datos, de esta forma se podrán elaborar modelos que generen mayor y mejor información. [8], [9] Es importante que esta etapa se desarrolle antes de empezar a generar los modelos. Si los datos están incompletos, incorrectos o existen entradas estrechamente correlacionadas que parecen independientes, pueden influir en los resultados generados por el modelo de forma inesperada. En la minería de datos se suele trabajar con grandes conjuntos de datos que no pueden ser comprobados en cada transacción, por lo que han de procesarse previamente de manera minuciosa. [8] Definir el problema Preparar datos Explorar datos Generar modelos Validar modelos Implementar y actualizar modelos Predicción de valores de bolsa mediante minería de datos para mercado de alta frecuencia 11 Isabel Vegas Villalmanzo Para llevar a cabo una correcta preparación de datos habrá que realizar las siguientes técnicas: 1. Data collecting and integration Recopilación de los datos de distintas fuentes de información resolviendo problemas de representación y codificación. Integración de los mismos desde diferentes tablas para crear una información lo más homogénea posible. 2. Data cleaning Se centra en solucionar los conflictos que aparecen en los datos. Para lograrlo elimina valores atípicos, chequea y resuelve problemas de ruido, valores perdidos, etc. 3. Data transformation Los datos se transforman a la forma más apropiada para la extracción de información del modelo. Esto se puede realizar mediante operaciones de agregación, sumarización de datos o normalización, entre otras. 4. Data reduction Consiste simplemente en seleccionar y mantener las variables relevantes para el proceso de minería de datos. Para ello se emplean técnicas como la selección de características, la discretización o la selección de instancias. No siempre será necesario el empleo de todas las técnicas. Cada base de datos es totalmente distinta de las demás, por lo que las técnicas a usar en cada una difieren. [9] 5.3. Exploración de los datos El tercer paso consiste en la exploración de los datos previamente preparados. Hay que conocer los datos para poder tomar decisiones adecuadas al crear los modelos de minería de datos y saber si estos son capaces de resolver el problema establecido. Para explorar los datos que tenemos existen numerosas técnicas que incluyen el cálculo de: - Valores máximos y mínimos - Media - Desviación estándar - Distribución estándar - Correlación lineal de Pearson - Etc. 5. Metodología 12 Escuela Técnica Superior de Ingenieros Industriales (UPM) Con estas técnicas se podrá determinar con exactitud la información que nos proporcionan estos datos y si son los indicados para resolver nuestro problema. Por ejemplo, con los valores de máximo, mínimo y media se podría determinar si los datos no son representativos y por lo tanto no son útiles para el problema definido. Por otra parte, si los datos presentan una desviación estándar grande puede indicar que para mejorar el modelo sea necesario agregar más datos; y si los datos se desvían mucho de una distribución estándar se podrían sesgar o representar una imagen precisa de una cierta situación real que dificulte el ajuste del modelo a los datos. [8] 5.4. Generar modelos Un modelo de minería de datos consiste en el análisis de una estructura de minería de datos mediante la aplicación de un algoritmo concreto. Por lo general, se pueden usar los mismos datos para crear varios modelos empleando distintos algoritmos, pero en cada uno de ellos los datos se organizan con una estructura diferente. Cada tipo de modelo crea un conjunto diferente de patrones, reglas o fórmulas que se puede usar para realizar predicciones. El procesamiento de un modelo suele denominarse entrenamiento, haciendo referencia al proceso de aplicar un algoritmo matemático concreto a los datos de la estructura para extraer patrones. Los patrones encontrados dependerán, por tanto, de la selección de datos del entrenamiento, del algoritmo escogido y su configuración. [8], [10] La estructura y el modelo de minería de datos son objetos independientes. La estructura de minería de datos almacena la información que define el origen de datos, y está formada solo por las columnas de datos seleccionadas para usarse en el análisis. Por otra parte, un modelo de minería de datos almacena la información derivada del procesamiento estadístico de los datos, como por ejemplo los patrones encontrados como resultado del análisis. Este modelo está vacío hasta que los datos que proporciona la estructura de minería de datos se procesan y analizan. El algoritmo calcula un conjunto de estadísticas de resumen que describen los datos, identifica las reglas y los patrones en los datos, y después usa dichas reglas y patrones para rellenar el modelo. Una vez procesado contiene los metadatos, resultados y enlaces a la estructura de minería de datos. Los metadatos especifican el nombre del modelo y el servidor donde está almacenado, así como una definición del mismo, incluidas las columnas de la estructura de minería de datos que se usaron para generarlo y el algoritmo empleado. [10] Es importante recordar que siempre que los datos cambian, se debe actualizar la estructura y el modelo de minería de datos volviendo a procesarlo. [8] Predicción de valores de bolsa mediante minería de datos para mercado de alta frecuencia 13 Isabel Vegas Villalmanzo 5.5. Explotación y validación de los modelos La quinta fase del proceso consiste en explorar los modelos de minería de datos que se han generado y comprobar su validez y eficacia. Es importante validar los modelos antes de implementarlos en un entorno de producción, evaluando la calidad y las características obtenidas, para ver si son capaces de resolver satisfactoriamente el problema que habíamos planteado. [10] No hay ninguna regla preestablecida que indique si un modelo es suficientemente bueno o si cuenta con suficientes datos, pero se puede definir un criterio de validez mediante indicadores de minería de datos. Estas medidas se suelen agrupar en las siguientes categorías: - Precisión Es una medida que indica hasta qué punto el modelo pone en correlación el resultado con los atributos de los datos que se han proporcionado. - Confiabilidad Evalúa la manera en la que se comporta un modelo de minería de datos en conjuntos de datos diferentes. El modelo es confiable si genera el mismo tipo de predicciones o encuentra los mismos tipos generales de patrones independientemente de los datos de prueba que se proporcionen. - Utilidad Los indicadores de utilidad muestran si el modelo proporciona información útil. Algunas herramientas de validación ampliamente usadas en minería de datos son: gráficas de dispersión, validación cruzada de conjuntos de datos, creación de particiones de los conjuntos de prueba y entrenamiento y reprocesamiento del modelo con ellas, etc. [10] 5.6. Implementar y actualizar los modelos El último paso del proceso de minería de datos consiste en implementar los modelos que funcionan mejor en el entorno de producción, y actualizarlos a medida que se reciben más datos. Una vez implantados desarrollaran la tarea para la que han sido elaborados. Además, parte de la estrategia de implementación será la actualización dinámica de los modelos, cuando se consigan nuevos datos, y realizar modificaciones constantes en los modelos para mejorar la efectividad. [8] 6. Resultados y discusión 14 Escuela Técnica Superior de Ingenieros Industriales (UPM) 6. RESULTADOSY DISCUSIÓN Vamos a mostrar la aplicación de la minería de datos, usando el programa R, para el caso específico de este trabajo fin de grado. Para ello, se lleva a cabo el proceso de minería de datos pasando por las distintas etapas previamente descritas. 6.1. Definición del problema Ante la competición existente entre los High Frecuency Traders por una tecnología de conexión y procesamiento lo más rápida posible, vamos a elaborar un modelo de minería de datos que sea capaz de predecir a unos pocos minutos los precios de valores bursátiles. De esta forma, al ser posible predecir valores con un período de tiempo tan considerable para el HFT, las mejoras tecnológicas se hacen irrelevantes. Esto se debe a que las operaciones en este mercado se realizan en fracciones de segundo, y si somos capaces de saber cómo se comportará el valor dentro de unos minutos podremos posicionarnos previamente, sin necesidad de tener la mejor conexión o el procesamiento más rápido. Para lograrlo, analizaremos los datos históricos intradía de diferentes valores para encontrar los patrones de comportamiento y las relaciones entre ellos que se producen a lo largo del tiempo, y así, elaborar un modelo de predicción de minería de datos. La calidad de este modelo se evaluará realizando una predicción de los precios de un valor durante 10 minutos, con una muestra tomada unos minutos antes de los datos históricos intradía. Se comprobará el error de estimación obtenido al comparar la predicción con los datos intradía originales. Se ha realizado un estudio de disponibilidad de datos para comprobar que tenemos información suficiente para elaborar el modelo. Contamos con los datos intradía de OHLC (Open-High-Low-Close- Volume) a un minuto, y de quotes (Bid - Ask ,Bid Volume – Ask Volume) y trades (Price-Volume) a cada segundo de 6 valores de la Bolsa de Madrid durante todos los días del mes de marzo de 2014 en los que la Bolsa estuvo abierta. Además, contamos con los datos OHLC del indicador IBEX para el mismo periodo de tiempo. [11] Estos datos deberán pasar por una etapa de preparación previa para poder emplearlos en el modelo de predicción. 6.2. Preparación de los datos En esta fase del proceso de minería de datos vamos a emplear diferentes técnicas de preparación de datos para mejorar la calidad del conjunto de datos, y poder así, elaborar un modelo que genere mayor y mejor información. Los datos que se van a preparan son aquellos que hemos comentado en la etapa previa. Todos ellos son series temporales Predicción de valores de bolsa mediante minería de datos para mercado de alta frecuencia 15 Isabel Vegas Villalmanzo en formato Excel con una estructura en la que las distintas variables se sitúan en diferentes columnas (ver Figura 3). Date Time X1 X2 X3 … 03/03/2014 9:00:00 … … … … … … … … … … Figura 3: Estructura de los datos. Fuente: elaboración propia. Siendo X1, X2,… variables como: precio, volumen, etc. Para preparar los datos hemos realizado los siguientes pasos: 1. Homogeneización del formato El formato del todas las variables tiene que ser el mismo, por esta razón, en este paso nos aseguramos que todos los datos cumplan con los mismos criterios. Hemos tenido que ajustar el formato en algunas variables para que cumplan con el criterio establecido: usar como separador decimal “.” y como separador de miles “,”. 2. Transformación a una base de tiempo común Para poder usar los paquetes de R necesarios, la parte temporal de las series temporales tiene que formar un vector de una única columna. Esto se consigue juntando las columnas Date y Time en una sola, y transformándola en la clase POSIXct de R. Esta clase se estructura de la siguiente forma: [12] "2014-03-03 09:00:00 CET" La clase POSIXct deriva del sistema POSIX, que es una norma escrita por la IEEE. 3. Homogeneización de la serie temporal En algunas ocasiones, las series cuentan con más de un valor de precio para un mismo instante de tiempo. Para poder emplearlo en etapas futuras, es necesario reducirlo a un único valor de precio para cada momento (ver Figura 4). Figura 4: Esquema homogeneización de series temporales. Fuente: elaboración propia. 6. Resultados y discusión 16 Escuela Técnica Superior de Ingenieros Industriales (UPM) Para homogeneizar calculamos la media ponderada de precios (Pt) empleando la siguiente fórmula (ver Ecuación 1): Ecuación 1: Media ponderada de precios para el instante t. Fuente: elaboración propia. Donde Pt,i es el precio de acuerdo i en el instante t y Volt,i es el volumen de acciones intercambiadas en el acuerdo i en el instante t. Este valor Pt será el nuevo precio medio en cada instante t. 4. Interpolación de la serie temporal Como los acuerdos de compra y venta no se realizan regularmente, no tenemos datos en todo momento. Para solucionar el problema, hemos supuesto que si no se ha realizado acuerdo el precio del valor será el mismo que el del último precio negociado. De esta forma, se mantiene el precio del valor a lo largo del tiempo hasta que haya otro acuerdo. Cuando se realice este, se actualiza el precio a ese último valor, y así sucesivamente. 5. Eliminación de los 5 primeros y últimos minutos de la serie temporal Contamos con datos de valores bursátiles de la bolsa de Madrid, que forman parte de las Bolsas y Mercados Españoles (BME), donde se opera con el siguiente horario (ver Figura 5) [13]: Subasta de Apertura De 8:30 h a 9:00 h Mercado Abierto De 9:00 h a 17:30 h Subasta de Cierre De 17:30 h a 17:35 h Figura 5: Horarios de apertura de BME. Fuente: elaboración propia basado en [13] Para el análisis que vamos a realizar nos interesa usar solamente datos del mercado cuando este está abierto. Además, vamos a descartar los 5 minutos iniciales y finales debido a la influencia de la subasta de apertura y la de cierre a la actividad del mercado (ver Figura 6). Figura 6: Esquema de un día de mercado bursátil en BME. Fuente: elaboración propia. Subasta de Apertura Subasta de Cierre Mercado Abierto 5 primeros min influenciados por la Subasta de Apertura 5 últimos min influenciados por la Subasta de Cierre Predicción de valores de bolsa mediante minería de datos para mercado de alta frecuencia 17 Isabel Vegas Villalmanzo La subasta de apertura se realiza cada día para asegurar la correcta formación de los precios durante los períodos en los que no hay mercado abierto. Consiste en un periodo de tiempo en el que los inversores tienen la posibilidad de colocar órdenes, modificarlas o eliminarlas. También se incluye en esta subasta aquellas órdenes de días anteriores que no se han ejecutado y que siguen siendo válidas en esa jornada. En cuanto a la subasta de cierre, esta se realiza para asegurar que el precio de cierre sea significativo de lo ocurrido durante la sesión. Esto se debe a que es ampliamente usado como precio de referencia, como por ejemplo para la valoración de fondos y sociedades de inversión entre otros. Este precio de equilibrio de la subasta no se origina por la fluctuación propia del mercado, sino por un precio de equilibrio fijado. Las subastas dentro del SIBE (Sistema de Interconexión Bursátil Español) cuentan con un cierre aleatorio de máximo 30 segundos, en los cuales en cualquier momento puede acabar la subasta sin previo aviso. A partir de ese momento no se pueden añadir, modificar o eliminar órdenes. Al terminar la subasta se produce la asignación de títulos al último precio de equilibrio. Este se calcula mediante un algoritmo basado en 4 reglas para garantizar la formación de un precio eficiente, es decir, el precio al que se pueden casar el mayor número de órdenes. Esta es la razón por la que eliminamos los primeros y últimos 5 minutos de lajornada de mercado abierto. Al estar el precio de equilibrio calculado por un algoritmo no refleja la evolución propia del mercado. [14] 6.3. Exploración de los datos La finalidad de la etapa de exploración de los datos es determinar con exactitud la información que nos proporcionan los datos previamente preparados. Para ello, vamos a analizar los distintos valores en busca de: 1. Conocer los propios valores En este análisis se busca conocer más a fondo los distintos valores bursátiles de los que disponemos. Se calcularán con R diferentes indicadores técnicos con el fin de ver la evolución a lo largo del tiempo de los movimientos que realizan las cotizaciones. Los diferentes valores de nuestra base de datos se denominan por los números: 70, 107, 140, 160, 233 y 285; y el indicador IBEX por: IBEX. Para todos ellos se calculan los siguientes indicadores técnicos: - Osciladores - RSI (Relative Strength Index): es un indicador que muestra en cada momento la fuerza entre compradores y vendedores. Es un oscilador normalizado basado en la variación de los precios en un periodo 6. Resultados y discusión 18 Escuela Técnica Superior de Ingenieros Industriales (UPM) determinado. Su mejor comportamiento se alcanza cuando llega a los niveles de sobrecompra o de sobreventa. Generalmente, para su cálculo se utilizan periodos de 14 sesiones, que son el número de días sobre los que hay que calcular la variación del precio. Este periodo es el que determina la sensibilidad, ya que cuanto menor es este, menos fiables son las señales. Para calcularlo, primero se obtienen las medias móviles exponenciales a 14 sesiones sobre las series de valores U (up) y D (down). A partir de U y D se calcula así la fuerza relativa RS (ver Ecuación 2), y con ella finalmente el oscilador RSI (ver Ecuación 3). [15], [16] Ecuación 2: Medias móviles exponenciales U y D de 14 sesiones. Fuente: [16] Ecuación 3: Oscilador RSI. Fuente: [16] - Momentum: es un indicador tipo oscilador que muestra la tendencia que llevan los precios de un activo y los cambios que ha tenido en un determinado tiempo. Se usa para anticipar los cambios de tendencia y mostrar la velocidad del cambio en los precios. Consiste en observar la diferencia de precios entre el cierre del periodo actual y el de hace n periodos, que generalmente suele ser de 5 ó 10 periodos (ver Ecuación 4). Ecuación 4: Oscilador Momentum. Fuente: [16] Se puede ver gráficamente como una línea que oscila alrededor de una línea neutra de valor cero. Señala el “momento” de la acción o el índice, mostrando el grado de velocidad y su dirección. [16] - SMI (Stochastic Momentum Index): es una variante del oscilador estocástico en la que su cálculo se basan en la posición del precio de cierre respecto a un punto medio entre el mínimo más bajo y el máximo más alto. Este indicador suele venir acompañado por una línea de señal (signal) que es una media exponencial móvil de los últimos periodos. El cruce entre SMI y la señal nos proporciona información sobre la divergencia, tendencia y estado de sobreventa/ sobrecompra. [17] Predicción de valores de bolsa mediante minería de datos para mercado de alta frecuencia 19 Isabel Vegas Villalmanzo - MACD (Moving Average Convergence Divergence) muestra la diferencia entre dos medias móviles, concretamente, dos medias móviles exponenciales de 26 y 12 períodos, respectivamente. A este indicador se le suele añadir la denominada línea de señal (signal) que no es más que una media móvil exponencial de 9 periodos. Ambos indicadores, el MACD y la señal, se mueven en torno a una línea en cero. El MACD se representa como un gráfico de barras verticales mientras que la línea de señal como una media móvil del gráfico de barras verticales, dibujada como una línea con trazado discontinuo. Este indicador es usado tanto para señalar la tendencia como para mostrar el ímpetu (momentum) del movimiento, pudiéndose obtener señales de cruzamiento, estado de sobrecompra/sobreventa y divergencia. [18], [19], [20] - Indicadores de tendencia: - WMA (Weighted Moving Average): mide el movimiento medio de los precios para un periodo de tiempo determinado. Este indicador suaviza los datos de precio, dando más importancia a los datos más recientes, de forma que se pueden ver las tendencias. [21] - ADX (Average Directional Index): es un indicador que trata de evaluar la fuerza de la tendencia existente en el mercado. Su objetivo es intentar determinar si el mercado se encuentra en tendencia o en rango y, en caso de encontrarse en tendencia, la fuerza de la misma. Además, el ADX nos informa acerca del tipo de tendencia predominante del mercado por medio de los indicadores de movimiento positivo /negativo +DI y -DI. El cálculo de este indicador es complejo, requiriendo dos etapas de suavizado de datos. [22] - SAR (Stop and Reverse) Parabólico: Este indicador sigue el precio conforme la tendencia se extiende a través del tiempo, mostrándose por encima del precio cuando este se encuentra al alza y debajo cuando se mueve a la baja. Si la tendencia del mercado cambia, el indicador se detiene y cambia su dirección. El cálculo del SAR Parabólico es bastante complejo ya que incluye variables if/then que dificultan el uso de hojas de cálculo a diferencia de otros indicadores cuya fórmula de cálculo es mucho más sencilla. [23] - Indicadores de volatilidad: - Bollinger Bands: es un indicador técnico cuyo principal uso es medir la volatilidad del mercado así como determinar zonas de soporte y resistencia. Está formado por tres líneas: central, superior e inferior. La línea central se calcula tomando una media móvil simple de los precios 6. Resultados y discusión 20 Escuela Técnica Superior de Ingenieros Industriales (UPM) de un valor durante un período dado, normalmente 20 ó 21 días. Una vez que la línea central se calcula, se obtiene la desviación estándar que se multiplica por dos. Esta desviación estándar se suma o resta a la línea central, obteniéndose las líneas superior e inferior de las bandas de Bollinger. Las bandas se expanden cuando el activo se hace más volátil, y se contraen cuando se convierte en uno menos volátil. [24] - Volatility: Este indicador de volatilidad compara la diferencia entre el máximo y el mínimo de un valor mediante el cálculo de la tasa de cambio de la media móvil de la diferencia entre el máximo y el mínimo. Así, la volatilidad se mide como una variación del rango máximo y mínimo. Cuanto mayor sea el indicador, mayor sea esta variación, y por tanto, mayor será la volatilidad. [25] - ATR (Average True Range): es un indicador que mide la volatilidad de los precios, pudiéndose estimar cuánto se moverá el precio en un día normal de mercado. El ATR se construye a partir del rango verdadero (true range) cuyo valor es el más grande entre los 3 siguientes (caso alcista): máximo de hoy menos mínimo de hoy, máximo de hoy menos cierre de ayer, o cierre de ayer menos mínimo de hoy. Para calcularlo se realiza un promedio entre los rangos promedios de varias sesiones (ver Ecuación 5), siendo los periodos de cálculo más comunes de 14 ó 20 sesiones. [26] Ecuación 5: Indicador de volatilidad ATR. Fuente: [26] A continuación, se muestran las gráficas de cada valor con los distintos indicadores para todo el mes del que disponemos datos (03/2014). Predicción de valores de bolsa mediante minería de datos para mercado de alta frecuencia 21 Isabel Vegas Villalmanzo VALOR 70 - Osciladores Figura 7: Osciladores RSI, Momentum, MACD y SMI del valor 70. Fuente: elaboración propia. - Indicadores de tendencia Figura 8: Indicadores de tendencia WMA, ADX y SAR del valor 70. Fuente: elaboración propia. 6. Resultados y discusión 22 EscuelaTécnica Superior de Ingenieros Industriales (UPM) - Indicadores de Volatilidad Figura 9: Indicadores de volatilidad Bollinger Bands, Volatility y ATR para el valor 70. Fuente: elaboración propia. VALOR 107 - Osciladores Figura 10: Osciladores RSI, Momentum, MACD y SMI del valor 107. Fuente: elaboración propia. Predicción de valores de bolsa mediante minería de datos para mercado de alta frecuencia 23 Isabel Vegas Villalmanzo - Indicadores de tendencia Figura 11: Indicadores de tendencia WMA, ADX y SAR del valor 107. Fuente: elaboración propia. - Indicadores de volatilidad Figura 12: Indicadores de volatilidad Bollinger Bands, Volatility y ATR para el valor 107. Fuente: elaboración propia. 6. Resultados y discusión 24 Escuela Técnica Superior de Ingenieros Industriales (UPM) VALOR 140 - Osciladores Figura 13: Osciladores RSI, Momentum, MACD y SMI del valor 140. Fuente: elaboración propia. - Indicadores de tendencia Figura 14: Indicadores de tendencia WMA, ADX y SAR del valor 140. Fuente: elaboración propia. Predicción de valores de bolsa mediante minería de datos para mercado de alta frecuencia 25 Isabel Vegas Villalmanzo - Indicadores de volatilidad Figura 15: Indicadores de volatilidad Bollinger Bands, Volatility y ATR para el valor 140. Fuente: elaboración propia. VALOR 160 - Osciladores Figura 16: Osciladores RSI, Momentum, MACD y SMI del valor 160. Fuente: elaboración propia. 6. Resultados y discusión 26 Escuela Técnica Superior de Ingenieros Industriales (UPM) - Indicadores de tendencia Figura 17: Indicadores de tendencia WMA, ADX y SAR del valor 160. Fuente: elaboración propia. - Indicadores de volatilidad Figura 18: Indicadores de volatilidad Bollinger Bands, Volatility y ATR para el valor 160. Fuente: elaboración propia. Predicción de valores de bolsa mediante minería de datos para mercado de alta frecuencia 27 Isabel Vegas Villalmanzo VALOR 233 -Osciladores Figura 19: Osciladores RSI, Momentum, MACD y SMI del valor 233. Fuente: elaboración propia. - Indicadores de tendencia Figura 20: Indicadores de tendencia WMA, ADX y SAR del valor 233. Fuente: elaboración propia. 6. Resultados y discusión 28 Escuela Técnica Superior de Ingenieros Industriales (UPM) - Indicadores de volatilidad Figura 21: Indicadores de volatilidad Bollinger Bands, Volatility y ATR para el valor 233. Fuente: elaboración propia. VALOR 285 - Osciladores Figura 22: Osciladores RSI, Momentum, MACD y SMI del valor 285. Fuente: elaboración propia. Predicción de valores de bolsa mediante minería de datos para mercado de alta frecuencia 29 Isabel Vegas Villalmanzo - Indicadores de tendencia Figura 23: Indicadores de tendencia WMA, ADX y SAR del valor 285. Fuente: elaboración propia. - Indicadores de volatilidad Figura 24: Indicadores de volatilidad Bollinger Bands, Volatility y ATR para el valor 285. Fuente: elaboración propia. 6. Resultados y discusión 30 Escuela Técnica Superior de Ingenieros Industriales (UPM) IBEX - Osciladores Figura 25: Osciladores RSI, Momentum, MACD y SMI del IBEX. Fuente: elaboración propia. - Indicadores de tendencia Figura 26: Indicadores de tendencia WMA, ADX y SAR del IBEX. Fuente: elaboración propia. Predicción de valores de bolsa mediante minería de datos para mercado de alta frecuencia 31 Isabel Vegas Villalmanzo - Indicadores de volatilidad Figura 27: Indicadores de volatilidad Bollinger Bands, Volatility y ATR para el valor IBEX. Fuente: elaboración propia. 2. Correlaciones El estudio de las correlaciones trata de analizar si existen relaciones entre los distintos valores bursátiles. Para ello, hemos empleado la correlación lineal de Pearson. La correlación lineal de Pearson calcula el grado de covariación entre distintas variables relacionadas linealmente. Si la correlación es muy baja o nula no hay correlación lineal, pero esto no significa que no exista ninguna. Puede haber variables fuertemente relacionadas, pero no de forma lineal, en cuyo caso no se debe aplicar la correlación de Pearson. Si tenemos dos variables X1 y X2, y definimos el coeficiente de correlación de Pearson entre estas dos variables como rxy, entonces: 0≤ |rxy |≤1 Es decir, el coeficiente de correlación de Pearson oscila entre –1 y +1, este signo positivo o negativo hace referencia a la dirección. Un valor de correlación positiva indica que en la medida que aumenta una de las variables aumenta la otra, y un valor 6. Resultados y discusión 32 Escuela Técnica Superior de Ingenieros Industriales (UPM) de correlación negativo que al aumentar una de las variables la otra disminuye en igual proporción. [27] En este estudio hemos considerado que una correlación empieza a ser significativa a partir de un valor de |rxy |≥0.5. Para llevar a cabo el estudio, se realizan 5 experimentos distintos, en cada cuál se ha escogido una muestra diferente de los datos. Cada una de las muestras está formada por uno de los días de actividad bursátil rodeados en color verde en el calendario que se muestra a continuación (ver Figura 28). Se han escogido estos días de forma que cada experimento sea lo más aleatorio posible, y así tener una idea general de las relaciones que hay entre los valores a lo largo del mes. Marzo 2014 L M X J V S D 1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21 22 23 24 25 26 27 28 29 30 31 Figura 28: Calendario con las muestras escogidas para realizar los experimentos marcadas. Fuente: elaboración propia. A cada muestra escogida aleatoriamente se le asigna uno de los experimentos de la siguiente manera: Experimento aleatorio 1 -> muestra 04/03/2014 Experimento aleatorio 2 -> muestra 12/03/2014 Experimento aleatorio 3 -> muestra 20/03/2014 Experimento aleatorio 4 -> muestra 28/03/2014 Experimento aleatorio 5 -> muestra 31/03/2014 Como los precios de distintos activos no son comparables en una misma gráfica precio - tiempo, debido a la diferencia de orden de magnitud, tenemos que transformarlos. Calculamos entonces, la variación del precio en cada instante respecto del precio medio del día anterior dividido entre el precio medio del día anterior (ver Ecuación 6). Predicción de valores de bolsa mediante minería de datos para mercado de alta frecuencia 33 Isabel Vegas Villalmanzo Ecuación 6: Variación del precio en cada instante t. Fuente: elaboración propia. Siendo Vart la variación del precio en cada instante t (en tanto por uno), Pt el precio en cada instante t y Pmedia el precio medio de la jornada bursátil anterior. De esta forma, podremos representar en una misma gráfica todos los valores que tenemos para ese mismo día, ya que ahora sí, están en el mismo orden de magnitud. Cada experimento que se ha desarrollado consiste en: 1. Gráfico de la variación del precio en cada instante t (Vart) para cada valor. Con este gráfico podemos ver visualmente si existe alguna correlación entre los valores. 2. Confirmación de la existencia de la relación entre valores mediante el cálculo de las correlaciones entre las variaciones de precio de los distintos valores. Se emplea el coeficiente lineal de Pearson para calcular la correlación. Además, se indican cuales son significativas. 3. Cálculo de las correlaciones al mover una de las dos series temporales hacia delante o hacia atrás en el tiempo respecto del resto (lag). Posteriormente, se calcula la variación porcentual (en tanto por uno) de este nuevo valor de correlación respecto del valor obtenido en el momento inicial t=0, calculado anteriormente en el punto 2 (ver Ecuación 7) Ecuación 7: Variación porcentual del valor de la correlación. Fuente: elaboración propia. Con este procedimiento podemos ver si algún valor mantiene constante la correlacióna lo largo del tiempo, la mejora o la empeora respecto del valor que movemos. Hay que indicar que, en este estudio de correlaciones, todos los experimentos se han realizado tomando una muestra de datos en la que todos los valores presentan actividad en el mercado. A continuación, se expone el resultado de los experimentos: 6. Resultados y discusión 34 Escuela Técnica Superior de Ingenieros Industriales (UPM) Experimento aleatorio 1 En el primer experimento se toma una muestra de datos del día 04/03/2014 de 11:32:00 a 17:25:00. En esta primera gráfica de variación del precio – tiempo (ver Figura 29), podemos observar que, a priori, existirá una correlación significativa entre los valores IBEX y 107. También, habrá una correlación, en menor medida, de estos dos valores con el 233. La linealidad de la variación de precio a lo largo del tiempo en algunos valores indica que no se realizan apenas operaciones de los mismos en el mercado, son valores poco líquidos. Como comentamos en la etapa anterior de preparación de los datos, se mantiene el precio del último intercambio hasta que ocurre el siguiente y se va, de esta manera, actualizando el valor del precio sucesivamente. De ahí la linealidad del valor en la gráfica. Hay que recordar que la variación del precio (Vart) es la variación del precio en cada instante respecto del precio medio del día anterior, dividido entre el precio medio del día anterior. Esta transformación se ha realizado para que sean representables en una misma gráfica todos los valores. Además, el periodo de tiempo escogido es aquel en el que todos los valores muestran actividad bursátil. V ar ia ci ó n d el p re ci o Tiempo Figura 29: Gráfica variación del precio- tiempo para el experimento 1. Fuente: elaboración propia. Predicción de valores de bolsa mediante minería de datos para mercado de alta frecuencia 35 Isabel Vegas Villalmanzo Figura 30: Coeficientes de correlación entre valores del experimento 1. Fuente: elaboración propia. En la tabla anterior (ver Figura 30) se han calculado los coeficientes de correlación entre los distintos valores. En naranja podemos observar las correlaciones que son significativas. Aquí se confirman las deducciones que realizamos en la gráfica anterior: el valor IBEX y 107 muestran una correlación de valor 0.9556427 (muy significativa), mientras que IBEX-233 y 107-233 son de valor 0.5588515 y 0.6946278 respectivamente. Además, también podemos observar que hay otras muchas correlaciones entre valores que no se ven claramente mediante la gráfica variación de precio – tiempo. Si el resultado de la correlación es NA (not available) significa que no hay variación en el precio de uno de los dos valores para los que se quiere calcular la correlación. Eso es que, no hay variación del precio de ese valor, es constante, como ocurre para el valor 140 en este experimento. Para este caso, todas las correlaciones con este valor serán NA. A continuación, se muestra la gráfica de variación porcentual (en tanto por uno) de la correlación respecto la inicial entre los distintos valores y el IBEX, al moverse este último hacia delante y atrás en el tiempo (lag hacia delante o hacia atrás) (ver Figura 31). Cálculo de correlaciones Pearson's product-moment correlation data t p-value 95 percent confidence interval sample estimates: cor PriceIBEX_04 and Price70_04 -108.69 < 2.2e-16 (-0.6069507 , -0.5896603) -0.5983752 PriceIBEX_04 and Price107_04 472.23 < 2.2e-16 (0.9544593, 0.9567960) 0.9556427 PriceIBEX_04 and Price140_04 NA NA NA NA PriceIBEX_04 and Price160_04 -190.31 < 2.2e-16 (-0.7992497, -0.7893095) -0.7943328 PriceIBEX_04 and Price233_04 98.081 < 2.2e-16 (0.5495207, 0.5680429) 0.5588515 PriceIBEX_04 and Price285_04 123.66 < 2.2e-16 (0.6395972, 0.6552398) 0.6474867 Price70_04 and Price107_04 -84.235 < 2.2e-16 (-0.5109439, -0.4907684) -0.5009242 Price70_04 and Price140_04 NA NA NA NA Price70_04 and Price160_04 142.57 < 2.2e-16 (0.6928532, 0.7065979) 0.6997903 Price70_04 and Price233_04 -47.43 < 2.2e-16 (-0.3219745, -0.2976272) -0.3098516 Price70_04 and Price285_04 -13.012 < 2.2e-16 (-0.10239342, -0.07567433) -0.08904989 Price107_04 and Price140_04 NA NA NA NA Price107_04 and Price160_04 -126.39 < 2.2e-16 (-0.6632927, -0.6479378) -0.655683 Price107_04 and Price233_04 140.53 < 2.2e-16 (0.6875933, 0.7015319) 0.6946278 Price107_04 and Price285_04 147.5 < 2.2e-16 (0.7051072, 0.7183948) 0.7118147 Price140_04 and Price160_04 NA NA NA NA Price140_04 and Price233_04 NA NA NA NA Price140_04 and Price285_04 NA NA NA NA Price160_04 and Price233_04 -23.617 < 2.2e-16 (-0.1732672, -0.1470255) -0.1601747 Price160_04 and Price285_04 -52.926 < 2.2e-16 (-0.353596, -0.3298085) -0.341757 Price233_04 and Price285_04 107.06 < 2.2e-16 (0.5837309, 0.6012085) 0.5925394 6. Resultados y discusión 36 Escuela Técnica Superior de Ingenieros Industriales (UPM) V ar ia ci ó n d e la c o rr el ac ió n Lag Figura 31: Variación de la correlación respecto la inicial entre los distintos valores y el IBEX al moverlo hacia delante o hacia atrás (lag), en el experimento 1. Fuente: elaboración propia. Como podemos observar, la variación de la correlación entre 160 e IBEX, al mover este último, es bastante robusta a lo largo del tiempo (ver Figura 31). Es decir, la relación entre ellos se mantiene en torno a los mismos valores independientemente del lag de IBEX. Por otra parte, el valor de la variación de la correlación entre 107 e IBEX, al mover este último, siempre disminuye (ver Figura 31). Por lo tanto, no existe mejor relación entre ellos que cuando ambos están en el mismo instante t, o entorno a él. El valor 107 actuará como confirmador de la tendencia de IBEX, y viceversa, ya que la correlación entre ellos es muy alta (0.9556427). En cuanto a los valores 233 y 70, cuando movemos la serie temporal de variaciones de precio del IBEX hacia atrás en el tiempo y calculamos las correlaciones, la variación de esta correlación con la calculada cuando ambas están en el mismo instante t es positiva y va creciendo al aumentar el movimiento hacia atrás (ver Figura 31). Esto significa que al retrasar el valor IBEX respecto 233 y 70 va creciendo el valor de la correlación progresivamente. Entonces, la correlación entre IBEX en t+n y cualquiera de los otros dos valores en t será mejor que la de IBEX en t y esos valores en t (ver Figura 32). En conclusión, sabiendo que cuanto más retrasado esté IBEX mejor será la correlación, podemos usar 233 y 70 para predecir el comportamiento futuro de IBEX. Predicción de valores de bolsa mediante minería de datos para mercado de alta frecuencia 37 Isabel Vegas Villalmanzo Figura 32: Esquema del movimiento lag de IBEX hacia atrás respecto de los valores 233 y 70. Fuente: elaboración propia. Empleando la misma argumentación, cuando movemos la serie temporal de precio del IBEX hacia delante en el tiempo y calculamos las correlaciones con el valor 285, la variación de esta correlación con la calculada cuando ambas están en el mismo instante t es positiva y va creciendo al aumentar el movimiento hacia delante (ver Figura 31). Esto significa que al adelantar el valor IBEX respecto de 285 va creciendo el valor de la correlación progresivamente. La correlación entre IBEX en t-n y 285 en t será mejor que la de ambos en t (ver Figura 33). Entonces, cuanto más adelantado esté IBEX mejor será la correlación, por lo que podremos usarlo como predictor del comportamiento futuro del valor 285. Figura 33: Esquema del movimiento lag de IBEX hacia delante respecto del valor 285. Fuente: elaboración propia. El mismo razonamiento empleado para describir estas gráficas y tablas, se empleará en las sucesivas de este experimento, y de los 4 siguientes. Hay que recordar que no hemos calculadoeste último tipo de gráfica para lag del valor 140, debido a que la correlación con los demás inicialmente fue NA. Este mismo criterio se ha empleado en el resto de los experimentos que presenten un caso similar con alguno de sus valores. 6. Resultados y discusión 38 Escuela Técnica Superior de Ingenieros Industriales (UPM) V ar ia ci ó n d e la c o rr el ac ió n Lag Figura 34: Variación de la correlación respecto la inicial entre los distintos valores y el 70 al moverlo hacia delante o hacia atrás (lag), en el experimento 1. Fuente: elaboración propia. V ar ia ci ó n d e la c o rr el ac ió n Lag Figura 35: Variación de la correlación respecto la inicial entre los distintos valores y el 107 al moverlo hacia delante o hacia atrás (lag), en el experimento 1. Fuente: elaboración propia. Predicción de valores de bolsa mediante minería de datos para mercado de alta frecuencia 39 Isabel Vegas Villalmanzo V ar ia ci ó n d e la c o rr el ac ió n Lag Figura 36: Variación de la correlación respecto la inicial entre los distintos valores y el 160 al moverlo hacia delante o hacia atrás (lag), en el experimento 1. Fuente: elaboración propia. V ar ia ci ó n d e la c o rr el ac ió n Lag Figura 37: Variación de la correlación respecto la inicial entre los distintos valores y el 233 al moverlo hacia delante o hacia atrás (lag), en el experimento 1. Fuente: elaboración propia. 6. Resultados y discusión 40 Escuela Técnica Superior de Ingenieros Industriales (UPM) V ar ia ci ó n d e la c o rr el ac ió n Lag Figura 38: Variación de la correlación respecto la inicial entre los distintos valores y el 285 al moverlo hacia delante o hacia atrás (lag), en el experimento 1. Fuente: elaboración propia. Experimento aleatorio 2 En el segundo experimento se toma una muestra de datos del día 12/03/2014 de 11:39:05 a 17:25:00. V ar ia ci ó n d el p re ci o Tiempo Figura 39: Gráfica variación del precio- tiempo para el experimento 2. Fuente: elaboración propia. Predicción de valores de bolsa mediante minería de datos para mercado de alta frecuencia 41 Isabel Vegas Villalmanzo Figura 40: Coeficientes de correlación entre valores del experimento 2. Fuente: elaboración propia. V ar ia ci ó n d e la c o rr el ac ió n Lag Figura 41: Variación de la correlación respecto la inicial entre los distintos valores y el IBEX al moverlo hacia delante o hacia atrás (lag), en el experimento 2. Fuente: elaboración propia. Los cambios abruptos en la variación porcentual de la correlación de 160 respecto de IBEX se deben a que, como muestra la tabla anterior de correlaciones, el valor de Cálculo de correlaciones Pearson's product-moment correlation data t p-value 95 percent confidence interval sample estimates: cor PriceIBEX_04 and Price70_04 -27.716 < 2.2e-16 (-0.2020062, -0.1757682) -0.1889209 PriceIBEX_04 and Price107_04 643.41 < 2.2e-16 (0.9751803, 0.9764794) 0.9758385 PriceIBEX_04 and Price140_04 99.387 < 2.2e-16 (0.5585745, 0.5770105) 0.5678637 PriceIBEX_04 and Price160_04 1.8025 0.07148 (-0.001093612, 0.026111021) 0.07148 PriceIBEX_04 and Price233_04 117.75 < 2.2e-16 (0.6246157, 0.6409290) 0.6328426 PriceIBEX_04 and Price285_04 NA NA NA NA Price70_04 and Price107_04 -29.73 < 2.2e-16 ( -0.2151239, -0.1890262) -0.2021109 Price70_04 and Price140_04 71.473 < 2.2e-16 ( 0.4334492, 0.4552845) 0.4444329 Price70_04 and Price160_04 129.33 < 2.2e-16 (0.6604382, 0.6755056) 0.6680404 Price70_04 and Price233_04 57.98 < 2.2e-16 (0.3615945, 0.3850111) 0.3733623 Price70_04 and Price285_04 NA NA NA NA Price107_04 and Price140_04 104.4 < 2.2e-16 (0.5778134, 0.5956543) 0.586805 Price107_04 and Price160_04 4.8721 1.112E-06 ( 0.02020506, 0.04738288) 0.03380022 Price107_04 and Price233_04 127.31 < 2.2e-16 (0.6544730, 0.6697525) 0.6621816 Price107_04 and Price285_04 NA NA NA NA Price140_04 and Price160_04 100.09 < 2.2e-16 ( 0.5613344, 0.5796862 0.5705816 Price140_04 and Price233_04 164.56 < 2.2e-16 (0.7464475, 0.7582540) 0.7524112 Price140_04 and Price285_04 NA NA NA NA Price160_04 and Price233_04 94.983 < 2.2e-16 (0.5408922, 0.5598581) 0.5504461 Price160_04 and Price285_04 NA NA NA NA Price233_04 and Price285_04 NA NA NA NA 6. Resultados y discusión 42 Escuela Técnica Superior de Ingenieros Industriales (UPM) la correlación es muy pequeño (0,07148). Entonces, cualquier pequeña variación en la correlación se hace porcentualmente enorme. V ar ia ci ó n d e la c o rr el ac ió n Lag Figura 42: Variación de la correlación respecto la inicial entre los distintos valores y el 70 al moverlo hacia delante o hacia atrás (lag), en el experimento 2. Fuente: elaboración propia V ar ia ci ó n d e la c o rr el ac ió n Lag Figura 43: Variación de la correlación respecto la inicial entre los distintos valores y el 107 al moverlo hacia delante o hacia atrás (lag), en el experimento 2. Fuente: elaboración propia. Predicción de valores de bolsa mediante minería de datos para mercado de alta frecuencia 43 Isabel Vegas Villalmanzo V ar ia ci ó n d e la c o rr el ac ió n Lag Figura 44: Variación de la correlación respecto la inicial entre los distintos valores y el 140 al moverlo hacia delante o hacia atrás (lag), en el experimento 2. Fuente: elaboración propia. V ar ia ci ó n d e la c o rr el ac ió n Lag Figura 45: Variación de la correlación respecto la inicial entre los distintos valores y el 160 al moverlo hacia delante o hacia atrás (lag), en el experimento 2. Fuente: elaboración propia. 6. Resultados y discusión 44 Escuela Técnica Superior de Ingenieros Industriales (UPM) V ar ia ci ó n d e la c o rr el ac ió n Lag Figura 46: Variación de la correlación respecto la inicial entre los distintos valores y el 233 al moverlo hacia delante o hacia atrás (lag), en el experimento 2. Fuente: elaboración propia. Experimento aleatorio 3 En el tercer experimento se toma una muestra de datos del día 20/03/2014 de 11:39:05 a 17:25:00. V ar ia ci ó n d el p re ci o Tiempo Figura 47: Gráfica variación del precio- tiempo para el experimento 3. Fuente: elaboración propia. Predicción de valores de bolsa mediante minería de datos para mercado de alta frecuencia 45 Isabel Vegas Villalmanzo Figura 48: Coeficientes de correlación entre valores del experimento 3. Fuente: elaboración propia. V ar ia ci ó n d e la c o rr el ac ió n Lag Figura 49: Variación de la correlación respecto la inicial entre los distintos valores y el IBEX al moverlo hacia delante o hacia atrás (lag), en el experimento 3. Fuente: elaboración propia. Cálculo de correlaciones Pearson's product-moment correlation data t p-value 95 percent confidence interval sample estimates: cor PriceIBEX_20 and Price70_20 56.681 < 2.2e-16 (0.3542787, 0.3778404) 0.3661182 PriceIBEX_20 and Price107_20 755.25 < 2.2e-16 (0.9818046, 0.9827600) 0.9822887 PriceIBEX_20 and Price140_20 123.89 < 2.2e-16 (0.6441356, 0.6597778) 0.6520261 PriceIBEX_20 and Price160_20 162.89 < 2.2e-16 (0.7430211, 0.7549645) 0.7490537 PriceIBEX_20 and Price233_20 206.04 < 2.2e-16 (0.8150164, 0.8239517) 0.8195339 PriceIBEX_20 and Price285_20 -42.678 < 2.2e-16 ( -0.2964959, -0.2714823) -0.2840374 Price70_20 and Price107_20 65.906 < 2.2e-16 (0.4046924, 0.4271926) 0.4160062 Price70_20 and Price140_20 115.42 < 2.2e-16 (0.6168974, 0.6334700) 0.6252542 Price70_20 and Price160_20 116.03 < 2.2e-16 (0.6189323, 0.6354367) 0.627255 Price70_20 and Price233_20 85.961 < 2.2e-16 (0.5022954, 0.5223610) 0.5123981 Price70_20 and Price285_20 -16.171 < 2.2e-16 ( -0.12496307, -0.09809333) -0.1115486 Price107_20 and Price140_20 143.27 < 2.2e-16 (0.6982443, 0.7119249) 0.7051502Price107_20 and Price160_20 195.82 < 2.2e-16 (0.8006622, 0.8102184) 0.8054926 Price107_20 and Price233_20 241.24 < 2.2e-16 (0.8549399, 0.8620933) 0.8585584 Price107_20 and Price285_20 -48.44 < 2.2e-16 (-0.3308706, -0.3064254) -0.318701 Price140_20 and Price160_20 502.54 < 2.2e-16 (0.9602327, 0.9622993) 0.9612796 Price140_20 and Price233_20 148.06 < 2.2e-16 (0.7100364, 0.7232694) 0.7167174 Price140_20 and Price285_20 -24.438 < 2.2e-16 (-0.1804380, -0.1539906) -0.1672444 Price160_20 and Price233_20 197.73 < 2.2e-16 (0.8034548, 0.8128910) 0.8082248 Price160_20 and Price285_20 -26.041 < 2.2e-16 ( -0.1910192, -0.1646717) -0.1778774 Price233_20 and Price285_20 -36.097 < 2.2e-16 (-0.2558058, -0.2302046) -0.2430475 6. Resultados y discusión 46 Escuela Técnica Superior de Ingenieros Industriales (UPM) V ar ia ci ó n d e la c o rr el ac ió n Lag Figura 50: Variación de la correlación respecto la inicial entre los distintos valores y el 70 al moverlo hacia delante o hacia atrás (lag), en el experimento 3. Fuente: elaboración propia. V ar ia ci ó n d e la c o rr el ac ió n Lag Figura 51: Variación de la correlación respecto la inicial entre los distintos valores y el 107 al moverlo hacia delante o hacia atrás (lag), en el experimento 3. Fuente: elaboración propia. Predicción de valores de bolsa mediante minería de datos para mercado de alta frecuencia 47 Isabel Vegas Villalmanzo V ar ia ci ó n d e la c o rr el ac ió n Lag Figura 52: Variación de la correlación respecto la inicial entre los distintos valores y el 140 al moverlo hacia delante o hacia atrás (lag), en el experimento 3. Fuente: elaboración propia. V ar ia ci ó n d e la c o rr el ac ió n Lag Figura 53: Variación de la correlación respecto la inicial entre los distintos valores y el 160 al moverlo hacia delante o hacia atrás (lag), en el experimento 3. Fuente: elaboración propia. 6. Resultados y discusión 48 Escuela Técnica Superior de Ingenieros Industriales (UPM) V ar ia ci ó n d e la c o rr el ac ió n Lag Figura 54: Variación de la correlación respecto la inicial entre los distintos valores y el 233 al moverlo hacia delante o hacia atrás (lag), en el experimento 3. Fuente: elaboración propia. V ar ia ci ó n d e la c o rr el ac ió n Lag Figura 55: Variación de la correlación respecto la inicial entre los distintos valores y el 285 al moverlo hacia delante o hacia atrás (lag), en el experimento 3. Fuente: elaboración propia. Predicción de valores de bolsa mediante minería de datos para mercado de alta frecuencia 49 Isabel Vegas Villalmanzo Experimento aleatorio 4 En el cuarto experimento se toma una muestra de datos del día 28/03/2014 de 11:39:05 a 17:25:00. V ar ia ci ó n d el p re ci o Tiempo Figura 56: Gráfica variación del precio- tiempo para el experimento 4. Fuente: elaboración propia Como en el día anterior, 27 de marzo, no hay ninguna operación del valor 285 se coge la media del día 26 para calcular la variación del precio. Figura 57: Coeficientes de correlación entre valores del experimento 4. Fuente: elaboración propia. Cálculo de correlaciones Pearson's product-moment correlation data t p-value 95 percent confidence interval sample estimates: cor PriceIBEX_28 and Price70_28 8.5146 < 2.2e-16 (0.04543340, 0.07254824) 0.0590017 PriceIBEX_28 and Price107_28 269.11 < 2.2e-16 (0.8785621, 0.8846234) 0.8816291 PriceIBEX_28 and Price140_28 47.373 < 2.2e-16 (0.3000571, 0.3246118) 0.3123866 PriceIBEX_28 and Price160_28 -12.258 < 2.2e-16 (-0.09827343, -0.07125943) -0.08478201 PriceIBEX_28 and Price233_28 99.326 < 2.2e-16 (0.5583441, 0.5767875) 0.567637 PriceIBEX_28 and Price285_28 -46.135 < 2.2e-16 ( -0.3172795, -0.2926005) -0.3049912 Price70_28 and Price107_28 -14.768 < 2.2e-16 (-0.1154244, -0.0884978) -0.1019798 Price70_28 and Price140_28 -25.658 < 2.2e-16 (-0.1885029, -0.1621299) -0.1753479 Price70_28 and Price160_28 -25.977 < 2.2e-16 ( -0.1906077, -0.1642549) -0.1774631 Price70_28 and Price233_28 22.506 < 2.2e-16 (0.1410496, 0.1676110) 0.1543582 Price70_28 and Price285_28 1.881 0.05999 (-0.0005491116, 0.0266557983) 0.01305576 Price107_28 and Price140_28 94.562 < 2.2e-16 (0.5391697, 0.5581868) 0.5487492 Price107_28 and Price160_28 4.311 0.00001633 (0.01631375, 0.04349896) 0.02991189 Price107_28 and Price233_28 47.953 < 2.2e-16 (0.3035332, 0.3280290) 0.3158337 Price107_28 and Price285_28 -44.846 < 2.2e-16 (-0.3095856, -0.2847796) -0.2972328 Price140_28 and Price160_28 24.834 < 2.2e-16 (0.1566420, 0.1830664) 0.1698847 Price140_28 and Price233_28 -15.573 < 2.2e-16 (-0.12090163, -0.09400631) -0.1074736 Price140_28 and Price285_28 -25.932 < 2.2e-16 (-0.1903100, -0.1639543) -0.1771639 Price160_28 and Price233_28 0.73878 0.46 (-0.00847711, 0.01873172) 0.005128255 Price160_28 and Price285_28 -35.854 < 2.2e-16 (-0.2542849, -0.2286622) -0.2415157 Price233_28 and Price285_28 -93.807 < 2.2e-16 (-0.5551619, -0.5360533) -0.5456785 6. Resultados y discusión 50 Escuela Técnica Superior de Ingenieros Industriales (UPM) V ar ia ci ó n d e la c o rr el ac ió n Lag Figura 58: Variación de la correlación respecto la inicial entre los distintos valores y el IBEX al moverlo hacia delante o hacia atrás (lag), en el experimento 4. Fuente: elaboración propia. V ar ia ci ó n d e la c o rr el ac ió n Lag Figura 59: Variación de la correlación respecto la inicial entre los distintos valores y el 70 al moverlo hacia delante o hacia atrás (lag), en el experimento 4. Fuente: elaboración propia. Predicción de valores de bolsa mediante minería de datos para mercado de alta frecuencia 51 Isabel Vegas Villalmanzo V ar ia ci ó n d e la c o rr el ac ió n Lag Figura 60: Variación de la correlación respecto la inicial entre los distintos valores y el 107 al moverlo hacia delante o hacia atrás (lag), en el experimento 4. Fuente: elaboración propia. V ar ia ci ó n d e la c o rr el ac ió n Lag Figura 61: Variación de la correlación respecto la inicial entre los distintos valores y el 140 al moverlo hacia delante o hacia atrás (lag), en el experimento 4. Fuente: elaboración propia. 6. Resultados y discusión 52 Escuela Técnica Superior de Ingenieros Industriales (UPM) V ar ia ci ó n d e la c o rr el ac ió n Lag Figura 62: Variación de la correlación respecto la inicial entre los distintos valores y el 160 al moverlo hacia delante o hacia atrás (lag), en el experimento 4. Fuente: elaboración propia. V ar ia ci ó n d e la c o rr el ac ió n Lag Figura 63: Variación de la correlación respecto la inicial entre los distintos valores y el 233 al moverlo hacia delante o hacia atrás (lag), en el experimento 4. Fuente: elaboración propia. Predicción de valores de bolsa mediante minería de datos para mercado de alta frecuencia 53 Isabel Vegas Villalmanzo V ar ia ci ó n d e la c o rr el ac ió n Lag Figura 64: Variación de la correlación respecto la inicial entre los distintos valores y el 285 al moverlo hacia delante o hacia atrás (lag), en el experimento 4. Fuente: elaboración propia. Experimento aleatorio 5 En el último experimento se toma una muestra de datos del día 31/03/2014 de 11:40:07 a 17:25:00. V ar ia ci ó n d el p re ci o Tiempo Figura 65: Gráfica variación del precio- tiempo para el experimento 5. Fuente: elaboración propia 6. Resultados y discusión 54 Escuela Técnica Superior de Ingenieros Industriales (UPM) Como en el día anterior, 30 de marzo, el mercado bursátil está cerrado por ser fin de semana, se coge la media del primer día de mercado abierto anterior (el viernes 28) para calcular la variación del precio de los
Compartir