Comercio algorítmico

El avance técnico del trading algorítmico plantea profundos desafíos éticos en cuanto a la equidad y la justicia del mercado. La principal preocupación radica en el acceso desigual a esta tecnología. El trading de alta frecuencia , una de las principales formas de trading algorítmico, depende de redes ultrarrápidas, servidores compartidos y flujos de datos en tiempo real, acceso que solo está disponible para grandes instituciones como fondos de cobertura , bancos de inversión y otras entidades financieras . Este acceso crea una brecha entre los participantes del mercado, donde los inversores minoristas no pueden igualar la velocidad y la precisión de estos sistemas.

Además de la desigualdad que genera este sistema, otro problema radica en el potencial de manipulación del mercado. Estos algoritmos pueden ejecutar operaciones, como colocar y cancelar órdenes rápidamente, para engañar a otros participantes. Un ejemplo de estos efectos es el desplome bursátil repentino de 2010 , que se produjo debido a la actividad algorítmica antes de una recuperación parcial. Al operar a velocidades tan elevadas que escapan a la supervisión y el razonamiento humanos, estos sistemas difuminan los límites de la responsabilidad. Cuando ocurren estos desplomes, no está claro quién es el responsable: los desarrolladores, las instituciones que los utilizan o los reguladores.

Con estos sistemas en funcionamiento, puede aumentar la volatilidad del mercado, dejando a menudo a los operadores minoristas vulnerables a fluctuaciones repentinas de precios, ya que carecen de las herramientas necesarias para afrontarlas. Algunos argumentan que esto concentra la riqueza en manos de un puñado de empresas poderosas, lo que podría ampliar las brechas económicas . ^{[ 13 ]} Un ejemplo sería que individuos o empresas con los recursos necesarios obtienen beneficios mediante la ejecución de operaciones rápidas, dejando fuera a los operadores más pequeños. Por otro lado, también tiene sus propios beneficios, que se afirma que impulsan la liquidez del mercado y reducen los costos de transacción. ^{[ 14 ]} Esto crea un dilema ético: ¿supera la búsqueda de un mercado eficiente el riesgo de afianzar la desigualdad?

Los esfuerzos de la Unión Europea para abordar estas preocupaciones dan lugar a medidas regulatorias. Estas normas exigen pruebas rigurosas del trading algorítmico y obligan a las empresas a informar sobre perturbaciones significativas. ^{[ 15 ]} Este enfoque busca minimizar la manipulación y mejorar la supervisión, pero su aplicación resulta compleja. Con el tiempo, el trading algorítmico evoluciona, mientras que las implicaciones éticas se vuelven más importantes.

La informatización del flujo de órdenes en los mercados financieros comenzó a principios de la década de 1970, cuando la Bolsa de Nueva York introdujo el sistema de "retorno de órdenes designado" (DOT). SuperDOT se introdujo en 1984 como una versión mejorada de DOT. Ambos sistemas permitían el enrutamiento electrónico de las órdenes al puesto de negociación correspondiente. El "sistema automatizado de informes de apertura" (OARS) ayudaba al especialista a determinar el precio de apertura de liquidación del mercado (SOR; Enrutamiento Inteligente de Órdenes).

Con el auge de los mercados totalmente electrónicos, se introdujo la negociación programada , definida por la Bolsa de Nueva York como una orden de compra o venta de 15 o más acciones por un valor total superior a 1 millón de dólares estadounidenses. En la práctica, las operaciones programadas se configuraban para entrar o salir automáticamente en función de diversos factores. ^{[ 16 ]} En la década de 1980, la negociación programada se generalizó en las operaciones entre el índice S&P 500 y los mercados de futuros , en una estrategia conocida como arbitraje de índices.

Casi al mismo tiempo, se diseñó el seguro de cartera para crear una opción de venta sintética sobre una cartera de acciones mediante la negociación dinámica de futuros sobre índices bursátiles según un modelo informático basado en el modelo de valoración de opciones de Black-Scholes .

Ambas estrategias, a menudo agrupadas simplemente como "negociación algorítmica", fueron señaladas por muchos (por ejemplo, por el informe Brady ) de haber exacerbado o incluso iniciado la caída del mercado bursátil de 1987. Sin embargo, el impacto de la negociación automatizada en las caídas del mercado bursátil no está claro y es objeto de amplio debate en la comunidad académica. ^{[ 17 ]}

El panorama financiero cambió nuevamente con la aparición de las redes de comunicación electrónica (ECN) en la década de 1990, que permitieron la negociación de acciones y divisas fuera de las bolsas tradicionales. ^{[ 16 ]} En EE. UU., la decimalización cambió el tamaño mínimo del tick de 1/16 de dólar (US$0,0625) ^{[ a ]} ​​a US$0,01 por acción en 2001, y pudo haber fomentado la negociación algorítmica ya que cambió la microestructura del mercado al permitir diferencias más pequeñas entre los precios de compra y venta , disminuyendo la ventaja comercial de los creadores de mercado , aumentando así la liquidez del mercado . ^{[ 20 ]}

Esta mayor liquidez del mercado llevó a que los operadores institucionales dividieran las órdenes según algoritmos informáticos para poder ejecutarlas a un mejor precio promedio. Estos precios promedio de referencia se miden y calculan mediante ordenadores aplicando el precio promedio ponderado por tiempo o, más comúnmente, el precio promedio ponderado por volumen .

Un estímulo adicional para la adopción del trading algorítmico en los mercados financieros llegó en 2001 cuando un equipo de investigadores de IBM publicó un artículo ^{[ 22 ]} en la Conferencia Internacional Conjunta sobre Inteligencia Artificial donde demostraron que en versiones experimentales de laboratorio de las subastas electrónicas utilizadas en los mercados financieros, dos estrategias algorítmicas ( MGD de IBM y ZIP de Hewlett-Packard ) podían superar consistentemente a los operadores humanos. MGD era una versión modificada del algoritmo "GD" inventado por Steven Gjerstad y John Dickhaut en 1996/7; ^{[ 23 ]} el algoritmo ZIP había sido inventado en HP por Dave Cliff (profesor) en 1996. ^{[ 24 ]} En su artículo, el equipo de IBM escribió que el impacto financiero de sus resultados que mostraban que MGD y ZIP superaban a los operadores humanos "...podría medirse en miles de millones de dólares anuales"; el artículo de IBM generó cobertura mediática internacional.

En 2005, la SEC implementó el Sistema Nacional de Mercados Regulados para fortalecer el mercado de valores. ^{[ 16 ]} Esto cambió la forma en que las empresas operaban con reglas como la Regla de Transacción, que exige que las órdenes de mercado se publiquen y ejecuten electrónicamente al mejor precio disponible, impidiendo así que las casas de bolsa obtengan ganancias de las diferencias de precio al emparejar órdenes de compra y venta. ^{[ 16 ]}

Con la apertura de más mercados electrónicos, se introdujeron otras estrategias de negociación algorítmica. Estas estrategias son más fáciles de implementar mediante ordenadores, ya que pueden reaccionar rápidamente a los cambios de precios y observar varios mercados simultáneamente.

Muchos intermediarios financieros ofrecieron estrategias de negociación algorítmica a sus clientes, diferenciándolas por su comportamiento, opciones y marca. Algunos ejemplos son Chameleon (desarrollado por BNP Paribas ), Stealth ^{[ 25 ]} (desarrollado por Deutsche Bank ), Sniper y Guerilla (desarrollados por Credit Suisse ). ^{[ 26 ]} Estas implementaciones adoptaron prácticas de los enfoques de inversión de arbitraje , arbitraje estadístico , seguimiento de tendencias y reversión a la media .

En los mercados financieros globales modernos, el trading algorítmico desempeña un papel crucial en el logro de los objetivos financieros. ^{[ 27 ]} Durante casi 30 años, operadores, bancos de inversión, fondos de inversión y otras entidades financieras han utilizado algoritmos para refinar e implementar estrategias de trading. ^{[ 28 ]} El uso de algoritmos en los mercados financieros ha crecido sustancialmente desde mediados de la década de 1990, aunque la contribución exacta a los volúmenes de negociación diarios sigue siendo imprecisa. ^{[ 29 ]}

Los avances tecnológicos y el comercio algorítmico han facilitado el aumento del volumen de transacciones, la reducción de costos, la mejora del rendimiento de las carteras y la mayor transparencia en los mercados financieros. ^{[ 30 ]} Según el informe de Actividad de Divisas de abril de 2019, los mercados de divisas registraron un volumen de operaciones diario de 6,6 billones de dólares estadounidenses, un aumento significativo con respecto a los 5,1 billones de dólares estadounidenses de 2016. ^{[ 31 ]}

Las proyecciones de rentabilidad del Grupo TABB, una firma de investigación de la industria de servicios financieros, para la industria HFT de acciones estadounidenses fueron de US$1.300 millones antes de gastos para 2014, ^{[ 32 ]} significativamente inferior al máximo de US$21.000 millones que las 300 firmas de valores y fondos de cobertura que entonces se especializaban en este tipo de negociación obtuvieron en ganancias en 2008, ^{[ 33 ]} que los autores habían calificado entonces de "relativamente pequeñas" y "sorprendentemente modestas" en comparación con el volumen total de negociación del mercado. En marzo de 2014, Virtu Financial , una firma de negociación de alta frecuencia, informó que durante cinco años la firma en su conjunto fue rentable en 1.277 de 1.278 días de negociación, ^{[ 34 ]} perdiendo dinero solo un día, demostrando los beneficios de operar millones de veces, en un conjunto diverso de instrumentos cada día de negociación. ^{[ 35 ]}

Un tercio de todas las transacciones de acciones de la Unión Europea y Estados Unidos en 2006 fueron impulsadas por programas automáticos o algoritmos. En 2009, los estudios sugirieron que las empresas de HFT representaban entre el 60 y el 73 % de todo el volumen de negociación de acciones en EE. UU., cifra que se redujo a aproximadamente el 50 % en 2012. ^{[ 37 ]} En 2006, en la Bolsa de Valores de Londres , más del 40 % de todas las órdenes fueron ingresadas por operadores algorítmicos, y se preveía un 60 % para 2007. Los mercados estadounidenses y europeos generalmente tienen una mayor proporción de operaciones algorítmicas que otros mercados, y las estimaciones para 2008 alcanzan hasta un 80 % en algunos mercados. Los mercados de divisas también tienen una actividad de negociación algorítmica, medida en alrededor del 80 % de las órdenes en 2016 (frente a aproximadamente el 25 % de las órdenes en 2006). ^{[ 38 ]} Los mercados de futuros se consideran bastante fáciles de integrar en el trading algorítmico, ^{[ 39 ] [ 40 ]} con aproximadamente el 40% de las operaciones con opciones realizadas mediante algoritmos de trading en 2016. ^{[ 41 ]} Los mercados de bonos están avanzando hacia un mayor acceso a los operadores algorítmicos. ^{[ 42 ]}

El trading algorítmico y el HFT han sido objeto de mucho debate público desde que la Comisión de Bolsa y Valores de EE. UU. y la Comisión de Comercio de Futuros de Productos Básicos afirmaron en informes que una operación algorítmica realizada por una compañía de fondos mutuos desencadenó una ola de ventas que condujo al Flash Crash de 2010. [ ^{43 ] [ 44 ] [ 45 ] [ 46 ] [ 47 ] [ 48 ] [ 49 ] [ 50 ] Los} mismos informes encontraron que las estrategias HFT pudieron haber contribuido a la volatilidad posterior al retirar rápidamente liquidez del mercado. Como resultado de estos eventos, el Dow Jones Industrial Average sufrió su segunda mayor oscilación de puntos intradía hasta la fecha, aunque los precios se recuperaron rápidamente. (Véase Lista de los mayores cambios diarios en el promedio industrial Dow Jones ). Un informe de julio de 2011 de la Organización Internacional de Comisiones de Valores (IOSCO), un organismo internacional de reguladores de valores, concluyó que si bien "los algoritmos y la tecnología HFT han sido utilizados por los participantes del mercado para gestionar sus operaciones y riesgos, su uso también fue claramente un factor que contribuyó al evento de desplome repentino del 6 de mayo de 2010". ^{[ 51 ] [ 52 ]} Sin embargo, otros investigadores han llegado a una conclusión diferente. Un estudio de 2010 encontró que la HFT no alteró significativamente el inventario de negociación durante el desplome repentino. ^{[ 53 ]} Algunas operaciones algorítmicas previas al reequilibrio de fondos indexados transfieren ganancias de los inversores. ^{[ 54 ] [ 55 ] [ 56 ]}

La mayoría de los ahorros para la jubilación , como los fondos de pensiones privados o los planes 401(k) y las cuentas individuales de jubilación en EE. UU., se invierten en fondos mutuos , los más populares de los cuales son los fondos indexados , que deben "reequilibrar" o ajustar periódicamente su cartera para que coincida con los nuevos precios y la capitalización de mercado de los valores subyacentes en la acción u otro índice que siguen. ^{[ 57 ] [ 58 ]} Las ganancias se transfieren de los inversores pasivos en índices a los inversores activos, algunos de los cuales son operadores algorítmicos que explotan específicamente el efecto de reequilibrio del índice. La magnitud de estas pérdidas sufridas por los inversores pasivos se ha estimado en 21-28 pb por año para el S&P 500 y 38-77 pb por año para el Russell 2000. ^{[ 55 ]} John Montgomery de Bridgeway Capital Management dice que los "bajos rendimientos de los inversores" resultantes de operar antes que los fondos mutuos son "el elefante en la habitación" del que "sorprendentemente, la gente no habla". ^{[ 56 ]}

El trading de pares es una estrategia de compraventa de posiciones largas y cortas, idealmente neutral al mercado, que permite a los operadores obtener beneficios de las discrepancias transitorias en el valor relativo de sustitutos cercanos. A diferencia del arbitraje clásico, en el trading de pares, la ley de un solo precio no garantiza la convergencia de los precios. Esto es especialmente cierto cuando la estrategia se aplica a acciones individuales, ya que estos sustitutos imperfectos pueden divergir indefinidamente. En teoría, la naturaleza de compraventa de posiciones largas y cortas de la estrategia debería hacerla funcionar independientemente de la dirección del mercado bursátil. En la práctica, el riesgo de ejecución, las divergencias persistentes y significativas, así como la disminución de la volatilidad, pueden hacer que esta estrategia no sea rentable durante largos periodos de tiempo (por ejemplo, entre 2004 y 2007). Pertenece a las categorías más amplias de arbitraje estadístico , trading de convergencia y estrategias de valor relativo . ^{[ 59 ]}

En finanzas, el término delta-neutral describe una cartera de valores financieros relacionados, cuyo valor permanece inalterado ante pequeñas variaciones en el valor del activo subyacente. Dicha cartera suele contener opciones y sus correspondientes activos subyacentes, de manera que los componentes delta positivos y negativos se compensan, lo que resulta en una relativa insensibilidad del valor de la cartera a las fluctuaciones del valor del activo subyacente.

En economía y finanzas , el arbitraje ( ˈɑːrbɪtrɑːʒ ) es la práctica de aprovechar una diferencia de precio entre dos o más mercados: realizar una combinación de operaciones coincidentes que capitalicen el desequilibrio, siendo la ganancia la diferencia entre los precios de mercado. En el ámbito académico, un arbitraje es una transacción que no implica un flujo de caja negativo en ningún estado probabilístico o temporal y un flujo de caja positivo en al menos un estado ; en términos sencillos, es la posibilidad de obtener una ganancia sin riesgo y a costo cero. Ejemplo: Una de las oportunidades de arbitraje más populares se da con los futuros del S&P y las acciones del S&P 500. Durante la mayoría de los días de negociación, estos dos activos presentan una disparidad en sus precios. Esto ocurre cuando el precio de las acciones, que se negocian principalmente en la Bolsa de Nueva York (NYSE) y el NASDAQ, se adelanta o se queda atrás con respecto a los futuros del S&P, que se negocian en el mercado CME.

La reversión a la media es una metodología matemática que a veces se utiliza para invertir en acciones, pero que puede aplicarse a otros procesos. En términos generales, la idea es que tanto los precios máximos como mínimos de una acción son temporales, y que el precio de una acción tiende a tener un valor promedio a lo largo del tiempo. Un ejemplo de un proceso de reversión a la media es la ecuación estocástica de Ornstein-Uhlenbeck .

La reversión a la media implica primero identificar el rango de negociación de una acción y luego calcular el precio promedio utilizando técnicas analíticas en relación con los activos, las ganancias, etc.

Cuando el precio actual de mercado es inferior al precio promedio, la acción se considera atractiva para la compra, con la expectativa de que su precio subirá. Cuando el precio actual de mercado es superior al precio promedio, se espera que baje. En otras palabras, se espera que las desviaciones del precio promedio tiendan a converger hacia este.

La desviación estándar de los precios más recientes (por ejemplo, los últimos 20) se utiliza a menudo como indicador de compra o venta.

Los servicios de información bursátil (como Yahoo! Finance , MS Investor, Morningstar , etc.) suelen ofrecer promedios móviles para periodos de 50 y 100 días. Si bien estos servicios proporcionan los promedios, sigue siendo necesario identificar los precios máximos y mínimos del periodo de estudio.

El scalping es una práctica de provisión de liquidez por parte de creadores de mercado no tradicionales , mediante la cual los operadores intentan obtener ganancias (o generar ) en el diferencial entre el precio de compra y el de venta. Este procedimiento permite obtener beneficios siempre que las fluctuaciones de precios sean inferiores a dicho diferencial y normalmente implica abrir y cerrar una posición rápidamente, generalmente en cuestión de minutos o menos. ^{[ 60 ]}

Un creador de mercado es básicamente un scalper especializado y también se le conoce como intermediario. ^{[ 61 ]} El volumen que opera un creador de mercado es muchas veces mayor que el de un scalper individual promedio y utiliza sistemas y tecnología de negociación más sofisticados. Sin embargo, los creadores de mercado registrados están sujetos a las normas de la bolsa que estipulan sus obligaciones de cotización mínima. Por ejemplo, NASDAQ exige que cada creador de mercado publique al menos una oferta de compra y una de venta a un determinado nivel de precio, para mantener un mercado bidireccional para cada acción representada. ^{[ 62 ] [ 61 ] [ 63 ]}

La mayoría de las estrategias conocidas como trading algorítmico (así como búsqueda de liquidez algorítmica) se enmarcan en la categoría de reducción de costes. La idea básica consiste en dividir una orden grande en órdenes más pequeñas y colocarlas en el mercado a lo largo del tiempo. La elección del algoritmo depende de varios factores, siendo los más importantes la volatilidad y la liquidez de la acción. Por ejemplo, para una acción con alta liquidez, igualar un cierto porcentaje del total de órdenes de la acción (lo que se denomina algoritmo de volumen en línea) suele ser una buena estrategia, pero para una acción con baja liquidez, los algoritmos intentan igualar todas las órdenes que tengan un precio favorable (lo que se denomina algoritmo de búsqueda de liquidez).

El éxito de estas estrategias se suele medir comparando el precio promedio de ejecución de la orden completa con el precio promedio obtenido mediante una ejecución de referencia durante el mismo período. Generalmente, se utiliza el precio promedio ponderado por volumen como referencia. En ocasiones, el precio de ejecución también se compara con el precio del instrumento al momento de realizar la orden.

Una clase especial de estos algoritmos intenta detectar órdenes algorítmicas o de tipo iceberg en el lado opuesto (es decir, si usted intenta comprar, el algoritmo intentará detectar órdenes de venta). Estos algoritmos se denominan algoritmos de rastreo. Un ejemplo típico es "Stealth".

Algunos ejemplos de algoritmos son VWAP , TWAP , Implementation shortfall , POV, Display size, Liquidity seeker y Stealth. Los algoritmos modernos suelen construirse de forma óptima mediante programación estática o dinámica. ^{[ 64 ] [ 65 ] [ 66 ]}

Desde 2009, el HFT, que comprende un amplio conjunto de operadores del lado comprador y del lado vendedor creadores de mercado , se ha vuelto más prominente y controvertido. ^{[ 67 ]} Estos algoritmos o técnicas suelen recibir nombres como "Stealth" (desarrollado por Deutsche Bank), "Iceberg", "Dagger", "Monkey", "Guerrilla", "Sniper", "BASOR" (desarrollado por Quod Financial) y "Sniffer". ^{[ 68 ]} En 2008, Quod Financial integró su biblioteca de algoritmos de ejecución con su Smarter Order Router, combinando la ejecución algorítmica con el enrutamiento de órdenes a través de plataformas de negociación. ^{[ 69 ]} Las dark pools son sistemas de negociación alternativos que son de naturaleza privada —y, por lo tanto, no interactúan con el flujo de órdenes públicas— y buscan en cambio proporcionar liquidez no mostrada a grandes bloques de valores. ^{[ 70 ]} En las dark pools, la negociación se lleva a cabo de forma anónima, con la mayoría de las órdenes ocultas o "icebergadas". ^{[ 71 ]} Los jugadores o "tiburones" detectan grandes órdenes "activando" pequeñas órdenes de compra y venta. Cuando se ejecutan varias órdenes pequeñas, los tiburones pueden haber descubierto la presencia de una gran orden oculta.

«Ahora es una carrera armamentística», dijo Andrew Lo, director del Laboratorio de Ingeniería Financiera del Instituto Tecnológico de Massachusetts en 2006. «Todos están creando algoritmos más sofisticados, y cuanta más competencia hay, menores son las ganancias». ^{[ 72 ]}

Las estrategias diseñadas para generar alfa se consideran estrategias de sincronización del mercado. Este tipo de estrategias se diseñan utilizando una metodología que incluye pruebas retrospectivas, pruebas prospectivas y pruebas en tiempo real. Los algoritmos de sincronización del mercado suelen utilizar indicadores técnicos como las medias móviles, pero también pueden incluir lógica de reconocimiento de patrones implementada mediante máquinas de estados finitos . ^{[ 73 ] [ 74 ]}

La prueba retrospectiva del algoritmo suele ser la primera etapa e implica simular las operaciones hipotéticas durante un período de datos de muestra. La optimización se realiza para determinar los parámetros de entrada más óptimos. Las medidas adoptadas para reducir la probabilidad de sobreoptimización pueden incluir la modificación de los parámetros de entrada en ± 10 %, el suavizado de los parámetros de entrada en pasos amplios, la ejecución de simulaciones de Monte Carlo , la eliminación de valores atípicos de grandes operaciones debido a eventos del calendario económico y la garantía de que se tengan en cuenta el deslizamiento y las comisiones. ^{[ 75 ]}

La siguiente etapa consiste en realizar pruebas prospectivas del algoritmo, las cuales implican ejecutarlo con un conjunto de datos fuera de la muestra para garantizar que el algoritmo funcione dentro de las expectativas de las pruebas retrospectivas.

Las pruebas en tiempo real constituyen la etapa final del desarrollo y requieren que el desarrollador compare operaciones reales con los modelos probados retrospectivamente y en tiempo real. Las métricas que se comparan incluyen el porcentaje de ganancias, el factor de beneficio, la reducción máxima y la ganancia promedio por operación.

En el trading algorítmico moderno, los mercados financieros se consideran no ergódicos, lo que significa que no siguen dinámicas estacionarias y predecibles. ^{[ 76 ] [ 77 ]} De hecho, la evidencia empírica muestra que los rendimientos no son independientes ni se distribuyen normalmente, lo que hace que la predicción sea más compleja. En un sistema no ergódico, el éxito de una estrategia depende de su capacidad para anticipar la evolución del mercado. ^{[ 78 ]} Por esta razón, en el trading cuantitativo, es esencial desarrollar herramientas que puedan estimar y explotar esta capacidad predictiva. ^{[ 79 ]}

Para ello, una función de particular interés es la función de evolución binomial, que estima la probabilidad de obtener los mismos resultados de la estrategia de inversión analizada, utilizando un método aleatorio, como lanzar una moneda.

• Si esta probabilidad es baja, significa que el algoritmo tiene una capacidad predictiva real.
• Si es alto, indica que la estrategia opera de forma aleatoria y que las ganancias obtenidas pueden no ser indicativas del futuro.

Dada una secuencia de operaciones financieras, la función se aplica siguiendo estos pasos:

1. Agregación de operaciones: Las operaciones consecutivas en la misma dirección (compra o venta) se combinan en una sola. La ganancia o pérdida de esta nueva operación se calcula sumando los resultados de las operaciones individuales combinadas.
2. Conversión a secuencia binaria: La secuencia obtenida en el primer paso se transforma en una serie de 0 y 1. A las operaciones rentables se les asigna el valor 1, mientras que a las operaciones perdedoras se les asigna el valor 0.
3. Cálculo de probabilidad aleatoria mediante la distribución binomial: Se calcula la probabilidad de obtener un número igual o mayor de predicciones correctas (victorias) al azar, por ejemplo, lanzando una moneda. Este cálculo se realiza utilizando la función binomial, donde:

• k es el número total de éxitos (el número de "1" en la secuencia),
• p es igual al 50% (suponiendo una moneda justa).

Esta función desplaza el enfoque del resultado, que puede verse demasiado influenciado por la suerte en las operaciones individuales, a la capacidad del algoritmo para predecir el mercado. Este enfoque se está extendiendo cada vez más en el trading cuantitativo moderno, donde se reconoce que las ganancias futuras dependen de la capacidad del algoritmo para anticipar la evolución del mercado.

La creación de mercado implica colocar una orden limitada de venta (u oferta) por encima del precio actual del mercado o una orden limitada de compra (o oferta) por debajo del precio actual de forma regular y continua para capturar el diferencial entre la oferta y la demanda. Automated Trading Desk, que fue adquirida por Citigroup en julio de 2007, ha sido un creador de mercado activo, representando aproximadamente el 6 % del volumen total tanto en el NASDAQ como en la Bolsa de Nueva York. ^{[ 86 ]}

Otro conjunto de estrategias de HFT en la estrategia de arbitraje clásica podría involucrar varios valores, como la paridad de tipos de interés cubierta en el mercado de divisas, que establece una relación entre los precios de un bono nacional, un bono denominado en moneda extranjera, el precio al contado de la divisa y el precio de un contrato a plazo sobre dicha divisa. Si los precios de mercado difieren lo suficiente de los implícitos en el modelo como para cubrir los costes de transacción , se pueden realizar cuatro transacciones para garantizar una ganancia sin riesgo. El HFT permite arbitrajes similares utilizando modelos de mayor complejidad que involucran muchos más de cuatro valores. El Grupo TABB estima que las ganancias agregadas anuales de las estrategias de arbitraje de baja latencia superan actualmente los 21.000 millones de dólares estadounidenses. ^{[ 37 ]}

Se han desarrollado diversas estrategias de arbitraje estadístico en las que las decisiones de compraventa se basan en desviaciones de relaciones estadísticamente significativas. Al igual que las estrategias de creación de mercado, el arbitraje estadístico puede aplicarse a todas las clases de activos.

Un subconjunto del arbitraje de riesgos, fusiones, valores convertibles o valores en dificultades que se basa en un evento específico, como la firma de un contrato, la aprobación regulatoria, una decisión judicial, etc., para cambiar la relación de precio o tasa de dos o más instrumentos financieros y permitir al arbitrajista obtener una ganancia. ^{[ 87 ]}

El arbitraje de fusiones, también llamado arbitraje de riesgo, sería un ejemplo de esto. El arbitraje de fusiones generalmente consiste en comprar acciones de una empresa objetivo de una OPA mientras se venden en corto las acciones de la empresa adquirente. Por lo general, el precio de mercado de la empresa objetivo es inferior al precio ofrecido por la empresa adquirente. El diferencial entre estos dos precios depende principalmente de la probabilidad y el momento en que se complete la OPA, así como del nivel vigente de las tasas de interés. La apuesta en un arbitraje de fusiones es que dicho diferencial eventualmente será cero, si y cuando se complete la OPA. El riesgo es que la operación fracase y el diferencial se amplíe enormemente.

Una estrategia que algunos operadores han empleado, prohibida pero que probablemente continúa, se denomina manipulación de precios (spoofing). Consiste en colocar órdenes para simular la intención de comprar o vender acciones, sin tener la intención real de ejecutarlas, con el fin de manipular temporalmente el mercado y obtener un precio más favorable. Esto se logra creando órdenes límite fuera del precio de compra o venta actual para modificar el precio que perciben los demás participantes del mercado. Posteriormente, el operador puede realizar operaciones basándose en este cambio artificial de precio y luego cancelar las órdenes límite antes de su ejecución.

Supongamos que un inversor desea vender acciones de una empresa con un precio de compra actual de 20 $ y un precio de venta de 20,20 $. El inversor colocaría una orden de compra a 20,10 $, aún lejos del precio de venta, por lo que no se ejecutará. El precio de compra de 20,10 $ se reporta como el mejor precio de compra y venta nacional. A continuación, el inversor ejecuta una orden de mercado para la venta de las acciones que deseaba vender. Dado que el mejor precio de compra es una oferta artificial del inversor, un creador de mercado ejecuta la orden de venta a 20,10 $, lo que permite un precio de venta 0,10 $ superior por acción. Posteriormente, el inversor cancela su orden límite sobre la compra que nunca tuvo intención de realizar.

El relleno de cotizaciones es una táctica empleada por operadores malintencionados que consiste en introducir y retirar rápidamente grandes cantidades de órdenes para intentar saturar el mercado y obtener así una ventaja sobre los participantes más lentos. ^{[ 88 ]} Las órdenes colocadas y canceladas rápidamente provocan retrasos en las cotizaciones de los datos de mercado en los que confían los inversores comunes mientras se produce el relleno. Las empresas de HFT se benefician de fuentes de datos propias de mayor capacidad y de la infraestructura más eficiente y con menor latencia. Los investigadores demostraron que los operadores de alta frecuencia pueden obtener beneficios de las latencias inducidas artificialmente y de las oportunidades de arbitraje que resultan del relleno de cotizaciones. ^{[ 89 ]}

Los avances tecnológicos en finanzas, en particular los relacionados con el comercio algorítmico, han incrementado la velocidad, la conectividad, el alcance y la complejidad de las finanzas, al tiempo que han reducido su dimensión humana. Las computadoras que ejecutan software basado en algoritmos complejos han reemplazado a los humanos en muchas funciones del sector financiero. Las finanzas se están convirtiendo, en esencia, en un sector donde máquinas y humanos comparten los roles dominantes, transformando las finanzas modernas en lo que un académico ha denominado " finanzas cibernéticas ". ^{[ 1 ]}

Si bien muchos expertos elogian los beneficios de la innovación en el comercio algorítmico informatizado, otros analistas han expresado su preocupación por aspectos específicos del comercio informatizado.

«El inconveniente de estos sistemas es su carácter opaco », dijo el Sr. Williams. «Los operadores tienen una intuición sobre cómo funciona el mundo. Pero con estos sistemas, uno introduce un montón de números, y el resultado es algo que no siempre es intuitivo ni claro por qué la caja negra se centró en ciertos datos o relaciones». ^{[ 72 ]}

La Autoridad de Servicios Financieros ha estado vigilando de cerca el desarrollo de las operaciones bursátiles automatizadas. En su informe anual, el regulador destacó los grandes beneficios de eficiencia que las nuevas tecnologías aportan al mercado. Sin embargo, también señaló que «una mayor dependencia de tecnologías y modelos sofisticados conlleva un mayor riesgo de que un fallo del sistema provoque una interrupción de la actividad empresarial». ^{[ 97 ]}

El ministro de Hacienda británico, Lord Myners, advirtió que las empresas podrían convertirse en "juguetes" de los especuladores debido al comercio automático de alta frecuencia. Lord Myners afirmó que este proceso corría el riesgo de destruir la relación entre el inversor y la empresa. ^{[ 98 ]}

Otros problemas incluyen el problema técnico de la latencia o el retraso en la obtención de cotizaciones para los operadores, ^{[ 99 ]} la seguridad y la posibilidad de una falla total del sistema que conduzca a una caída del mercado . ^{[ 100 ]}

"Goldman gasta decenas de millones de dólares en esto. Tienen más gente trabajando en su área de tecnología que en la mesa de operaciones... La naturaleza de los mercados ha cambiado drásticamente." ^{[ 101 ]}

El 1 de agosto de 2012, Knight Capital Group experimentó un problema tecnológico en su sistema de negociación automatizado, ^{[ 102 ]} causando una pérdida de 440 millones de dólares.

Este problema se debió a la instalación del software de negociación de Knight y provocó que esta enviara numerosas órdenes erróneas de valores cotizados en la Bolsa de Nueva York (NYSE). Dicho software ha sido retirado de los sistemas de la empresa. Los clientes no se vieron afectados negativamente por las órdenes erróneas, y el problema del software se limitó al enrutamiento de ciertas acciones cotizadas a la NYSE. Knight ha liquidado la totalidad de su posición errónea, lo que ha resultado en una pérdida antes de impuestos de aproximadamente 440 millones de dólares.

Se demostró que el comercio algorítmico y de alta frecuencia contribuyó a la volatilidad durante el Flash Crash del 6 de mayo de 2010, ^{[ 43 ] [ 45 ]} cuando el Dow Jones Industrial Average se desplomó alrededor de 600 puntos para luego recuperar esas pérdidas en cuestión de minutos. En ese momento, fue la segunda mayor variación de puntos, 1010,14 puntos, y la mayor caída de puntos en un solo día, 998,5 puntos, en términos intradiarios en la historia del Dow Jones Industrial Average. ^{[ 103 ]}

Actualmente, empresas como Need To Know News, Thomson Reuters , Dow Jones y Bloomberg formatean las noticias del mercado financiero para que puedan leerse y utilizarse para operar con ellas mediante algoritmos.

"Actualmente, las computadoras se utilizan para generar noticias sobre los resultados financieros de las empresas o las estadísticas económicas a medida que se publican. Esta información, casi instantánea, alimenta directamente a otras computadoras que operan en función de dichas noticias." ^{[ 104 ]}

Los algoritmos no solo operan con noticias sencillas, sino que también interpretan noticias más difíciles de comprender. Algunas empresas también intentan asignar automáticamente un sentimiento (decidir si la noticia es buena o mala) a las noticias para que la negociación automatizada pueda operar directamente sobre ellas. ^{[ 105 ]}

«Cada vez más, la gente consulta todo tipo de noticias y crea sus propios indicadores de forma semiestructurada», en su constante búsqueda de nuevas ventajas para operar en bolsa, afirmó Rob Passarella, director global de estrategia de Dow Jones Enterprise Media Group. Su empresa ofrece tanto un servicio de noticias de baja latencia como análisis de noticias para operadores. Passarella también mencionó nuevas investigaciones académicas sobre la medida en que las búsquedas frecuentes en Google sobre diversas acciones pueden servir como indicadores para operar en bolsa, el impacto potencial de varias frases y palabras que pueden aparecer en los comunicados de la Comisión de Bolsa y Valores (SEC) y la reciente oleada de comunidades en línea dedicadas a temas de inversión en bolsa. ^{[ 105 ]}

«Los mercados son, por su propia naturaleza, conversaciones, surgidas de las cafeterías y tabernas», afirmó. Por lo tanto, la forma en que se generan las conversaciones en una sociedad digital también se utilizará para convertir las noticias en transacciones, añadió Passarella. ^{[ 105 ]}

«Existe un interés real en trasladar el proceso de interpretación de noticias de los humanos a las máquinas», afirma Kirsti Suutari, directora global de negocios de negociación algorítmica en Reuters. «Cada vez más clientes encuentran maneras de utilizar el contenido de las noticias para ganar dinero». ^{[ 104 ]}

Un ejemplo de la importancia de la rapidez en la información para los operadores algorítmicos fue una campaña publicitaria de Dow Jones (que apareció, entre otros medios, en la página W15 de The Wall Street Journal , el 1 de marzo de 2008) en la que afirmaban que su servicio había superado a otros servicios de noticias por dos segundos al informar sobre un recorte de los tipos de interés por parte del Banco de Inglaterra.

En julio de 2007, Citigroup , que ya había desarrollado sus propios algoritmos de negociación, pagó 680 millones de dólares por Automated Trading Desk, una empresa de 19 años que negocia alrededor de 200 millones de acciones al día. ^{[ 106 ]} Citigroup había comprado previamente Lava Trading y OnTrade Inc.

A finales de 2010, la Oficina de Ciencia del Gobierno del Reino Unido inició un proyecto de prospectiva que investigaba el futuro del comercio electrónico en los mercados financieros, ^{[ 107 ]} liderado por Dame Clara Furse , exdirectora ejecutiva de la Bolsa de Valores de Londres. En septiembre de 2011, el proyecto publicó sus hallazgos iniciales en forma de un documento de trabajo de tres capítulos disponible en tres idiomas, junto con 16 documentos adicionales que aportan evidencia de apoyo. ^{[ 107 ]} Todos estos hallazgos fueron escritos o coescritos por destacados académicos y profesionales, y fueron sometidos a una revisión por pares anónima. Publicado en 2012, el estudio de prospectiva reconoció problemas relacionados con la iliquidez periódica, nuevas formas de manipulación y posibles amenazas a la estabilidad del mercado debido a algoritmos erróneos o un tráfico excesivo de mensajes . Sin embargo, el informe también fue criticado por adoptar "argumentos estándar a favor del HFT" y por la vinculación de los miembros del panel asesor con la industria del HFT. ^{[ 108 ]}