Backtesting con estrategias de inversión basadas en Machine Learning

Aprender a integrar un modelo de Machine Learning en una estrategia de inversión y evaluar su rendimiento utilizando la librería backtesting.py con Python.

Si creas un modelo de Machine Learning para predecir el precio de una acción:

Representación gráfica de un modelo de árbol de decisión utilizado para predecir el precio de acciones, ilustrando cómo se divide el espacio de características para llegar a predicciones más precisas.
F1. Representación de un modelo de árbol de decisión

¿Cómo puedes evaluar su rendimiento si lo aplicas en tu estrategia de inversión?

Esquema ilustrativo de la aplicación de un modelo de Machine Learning en una estrategia de inversión, mostrando el proceso de toma de decisiones basado en predicciones de precios.
F2. Integración de Machine Learning en estrategia de inversión

Data

Partimos de los datos bursátiles de NVIDIA con su ticker NVDA.

Revisa este tutorial para saber cómo preprocesar el retorno diario de una acción.

import pandas as pd

df = pd.read_csv('data.csv', index_col='Date', parse_dates=True)
Captura de los datos bursátiles de NVIDIA, mostrando un dataset listo para el análisis y la aplicación de modelos de Machine Learning, con enfoque en la preparación y limpieza de los datos.
F3. Datos preparados de NVIDIA para análisis ML

Preguntas

  1. ¿Cómo se implementa un modelo de Machine Learning para predecir el cambio en el precio de cierre?
  2. ¿Cuál es el papel del parámetro min_samples_leaf en el algoritmo DecisionTreeRegressor?
  3. ¿Cómo medimos el error del modelo y qué nos dice sobre su rendimiento?
  4. ¿Cómo introducimos un modelo de Machine Learning en una estrategia de inversión?
  5. ¿Cómo evaluamos el rendimiento de la estrategia de inversión con Machine Learning?

Great! You’ve successfully signed up.

Welcome back! You've successfully signed in.

You've successfully subscribed to datons.

Success! Check your email for magic link to sign-in.

Success! Your billing info has been updated.

Your billing was not updated.