High-performance Algorithmic Trading using Machine Learning

Manual técnico y aplicado en el que Franck Bardol enseña a diseñar y construir sistemas sistemáticos de trading algorítmico basados en machine learning con Python de nivel institucional. La obra trasciende las clasificaciones binarias elementales de predicción de subida o bajada de precios (que habitualmente fracasan en entornos reales) para abordar el ciclo de vida completo de una estrategia cuantitativa moderna. Está dirigido a desarrolladores cuantitativos, analistas financieros, operadores algorítmicos y científicos de datos que ya dominan la programación en Python y cuentan con nociones intermedias de análisis de series temporales y mercados financieros.

El recorrido formativo cubre la construcción de canalizaciones de datos financieras sin sesgo de anticipación (look-ahead bias) ni fuga de datos, seguido de ingeniería de características sobre indicadores de volatilidad y momentum. Enseña a implementar modelos supervisados robustos con algoritmos de gradient boosting como XGBoost, LightGBM y CatBoost, e integra herramientas de AutoML y desarrollo de bajo código para la selección automatizada de hiperparámetros y atributos. Además, explora el aprendizaje no supervisado para detectar cambios de régimen de mercado y anomalías, técnicas de coincidencia ultrarrápida de patrones en gráficos técnicos, y procesamiento de lenguaje natural (NLP) para transformar noticias y reportes corporativos en señales de alfa cuantitativas. Todo ello se articula utilizando librerías como scikit-learn, pandas, NumPy, statsmodels, Matplotlib y Seaborn.

A lo largo del libro se practica implementando un flujo de trabajo cuantitativo completo: desde la ingesta de series temporales bursátiles y el modelado predictivo hasta la ejecución de un backtesting exhaustivo con métricas profesionales (ratio de Sharpe, drawdowns máximos y curvas de rendimiento). Su mayor aportación es la rigurosidad con la que traslada las prácticas de las mesas de inversión cuantitativa al código en Python, evitando trampas estadísticas comunes. Deja fuera la conexión directa por sockets de baja latencia a brokers mediante protocolos FIX o implementaciones en C++, centrándose exclusivamente en el diseño de la estrategia y el análisis cuantitativo. Conviene repasar estadística descriptiva y álgebra lineal antes de comenzar.