🔍 ML No Supervisado
🔍 ML No Supervisado

Detección de anomalías para estrategias de inversión

En el análisis de series temporales financieras, detectar anomalías — días con comportamientos atípicos del mercado — puede ser clave para validar o rechazar estrategias de inversión.

Problema

En el análisis de series temporales financieras, detectar anomalías — días con comportamientos atípicos del mercado — puede ser clave para validar o rechazar estrategias de inversión. Los métodos estadísticos clásicos no se adaptan bien a datos con distribuciones no normales y alta variabilidad.

Solución

Isolation Forest aplicado a datos del mercado de valores para detectar anomalías en precios y volúmenes. Las anomalías detectadas se usan para validar estrategias de inversión mediante backtesting: ¿la estrategia funciona incluso excluyendo los días anómalos?

Isolation Forest en datos financieros

  • Isolation Forest: aísla anomalías mediante particiones aleatorias — menor camino = más anómalo
  • Parámetro contamination: ajustado según la tasa esperada de días atípicos en el mercado
  • Comparativa con detección por desviaciones estándar: diferencias en qué días se consideran anómalos
  • Anomaly score continuo: graduación del nivel de atipicidad por día analizado

Validación de estrategias de inversión

  • Backtesting de estrategia: rendimiento histórico de la estrategia en el período analizado
  • Filtrado de anomalías: comparar rendimiento de la estrategia con y sin días atípicos
  • Análisis de series temporales: contexto temporal de las anomalías detectadas
  • Visualización: anotación de días anómalos sobre la curva de precios histórica

Más proyectos en ML No Supervisado