MANUALES

Develando estrategias de mercado:
minería de datos aplicada al análisis de mercados financieros
1

2

José Luis Gordillo-Ruiz , Enrique Martínez-Miranda y Christopher R. Stephens
1

Dirección de Cómputo y Tecnologías de la Información y la Comunicación, UNAM, D.F.,
México
2

3

3

C3 - Centro de Ciencias de la Complejidad, UNAM, D.F.,
México

Instituto de Ciencias Nucleares,C3 - Centro de Ciencias de la Complejidad, UNAM, D.F.,
México

jlgr@super.unam.mx, enrique_mayhem@yahoo.com.mx, stephens@nucleares.unam.mx
Resumen. En los últimos años se han venido
desarrollando marcos de estudio que intentan describir
a los mercados financieros con mayor apego a la
realidad que los marcos tradicionales, excesivamente
simplificadores. En estos marcos se incluyenherramientas conceptuales y de análisis como
evolución, sistemas complejos y minería de datos, entre
otras. En particular, la minería de datos proporciona
herramientas para extraer información a partir de la
gran cantidad de datos que se generan del
funcionamiento de los mercados financieros. En este
trabajo, se presenta una metodología para inferir, a
partir de los datos de un mercado, siparticipantes con
resultados similares tienen estrategias similares y así
intentar entender porque ciertos agentes son exitosos.
Por decirlo de alguna manera, usamos estas
herramientas para tratar de encontrar “huellas” de las
estrategias de los agentes en las series de tiempo que
son generadas a partir de su actividad en los mercados.
Esta metodología puede verse a su vez como una
conversión delproblema a uno de clasificación, en
donde se pretende corroborar que agentes con
ganancias similares se encuentran en una misma región
de un espacio discreto multidimensional, constituido
por variables derivadas de los datos de las operaciones
del mercado.
Palabras clave: Minería de datos, estrategias de
mercado, análisis bayesiano, evolución, adaptación,
predicción.

Inferring MarketStrategies: Applying
Data-Mining to Analysis of Financial
Markets
Abstract. It has become increasingly common to model
financial markets using frameworks which better

capture their behavior than the excessively simplistic
traditional frameworks. Key concepts in these new
frameworks are evolution, complex systems and data
mining, each with their associated characteristic
analysis. Inparticular, data mining provides extremely
useful tools for potentially extracting knowledge from
the huge quantity of data available in financial markets.
In this paper we present a new methodology for
inferring, using market data, whether or not agents
with similar performance are using similar trading
strategies and by that to try to understand why certain
agents are more successful thanothers. Put another
way, we use data mining to look for “footprints”, in the
time series of price, that characterize the distinct trading
strategies, and that are generated by their trading
activity. One way to look at this is as a classification
problem, where we try to classify agents with similar
performance, determining if they are found in the same
region of a discrete, multi-dimensionalspace composed
of variables that are derived from the market data.
Keywords: Data mining, trading strategy, Bayesian
analysis, evolution, adaptation, prediction.

1 Introducción
Hoy en día, debido a la cantidad y accesibilidad
de datos electrónicos existente, la minería de
datos se ha convertido en un campo de gran
importancia y utilidad [12]. Una de las actividades
humanas que generadatos en vastas cantidades
son los mercados financieros; por ejemplo, en
mercados como el NASDAQ en los Estados
Unidos, se generan varios gigabytes al día, aun si
sólo se consideran los datos más básicos del

Computación y Sistemas Vol. 16 No.2, 2012 pp 221-231
ISSN 1405-5546

222 José Luis Gordillo-Ruiz, Enrique Martínez Miranda y Christopher R. Stephens…

estado dinámico del sistema....