Análisis comparativo entre momentum tradicional y machine learning (Random Forest): evidencia para el S&P 500 (2000-2024)
DOI:
https://doi.org/10.22267/rtend.26272.296Palabras clave:
aprendizaje automático, inversiones, mercados de capitales, modelos económicos, momentum, Random Forest, riesgo, selección de portafoliosResumen
Introducción: Este estudio examina la validez y persistencia del efecto momentum en el índice S&P 500 (2000–2024), un mercado accionario desarrollado y con alta eficiencia informacional. Se analiza si la evidencia empírica respalda la continuidad del momentum en distintos horizontes temporales. Objetivo: Comparar el desempeño del momentum tradicional (MT) con un modelo de aprendizaje supervisado basado en Random Forest (RF), evaluando capacidad predictiva, rendimiento ajustado por riesgo y estabilidad fuera de muestra. Metodología: Se implementaron estrategias long–short de MT para horizontes de 1, 3, 6 y 12 meses, y el modelo RF fue entrenado con retornos acumulados equivalentes. Se aplicó validación fuera de muestra mediante ventana expansiva, backtesting homogéneo y pruebas de estabilidad temporal. Resultados: El MT mostró desempeño limitado en horizontes cortos y mayor consistencia en horizontes largos. RF presentó mayor capacidad predictiva y rentabilidad, especialmente en horizontes largos, aunque con episodios de volatilidad y riesgo de sobreajuste. Discusión: Los modelos de aprendizaje automático capturan patrones no lineales no identificables por métodos tradicionales, pero dependen de condiciones de mercado y presentan menor estabilidad temporal, evidenciando un trade-off entre rentabilidad y robustez. Conclusiones: Los hallazgos confirman la persistencia del momentum y destacan el valor del machine learning en predicción financiera, subrayando la importancia de validación rigurosa y control de riesgo.
Descargas
Citas
(1) Asness, C., Moskowitz, T. & Pedersen, L. (2013). Value and momentum everywhere. Journal of Finance, 68(3), 929–985. https://doi.org/10.1111/jofi.12021
(2) Bagnara, M. (2022). Asset pricing and machine learning: a critical review. Journal of Economic Surveys, 38(1), 27–56. https://doi.org/10.1111/joes.12532
(3) Bandarchuk, P. & Hilscher, J. (2013). Sources of momentum profits: evidence on the irrelevance of characteristics. Review of Finance, 17(2), 809–845. https://doi.org/10.1093/rof/rfr036
(4) Barberis, N., Shleifer, A. & Vishny, R. (1998). A model of investor sentiment. Journal of Financial Economics, 49(3), 307–343. https://doi.org/10.1016/S0304-405X(98)00027-0
(5) Beckmeyer, H. & Wiedemann, T. (2025). All days are not created equal: understanding momentum by learning to weight past returns. Journal of Banking & Finance, 181, 107565. https://doi.org/10.1016/j.jbankfin.2025.107565
(6) Bui, D. G., Kong, D. R., Lin, C. Y. & Lin, T. C. (2023). Momentum in machine learning: evidence from the Taiwan stock market. Pacific-Basin Finance Journal, 82, 102178. https://doi.org/10.1016/j.pacfin.2023.102178
(7) Carhart, M. M. (1997). On persistence in mutual fund performance. Journal of Finance, 52(1), 57–86. https://doi.org/10.2307/2329556
(8) Zhang, C. (2022). Asset Pricing and Deep Learning. Cornell University - arXiv. https://doi.org/10.48550/arXiv.2209.12014
(9) Chin, J. T., Lin, H. & Mei, Y. (2022). Machine learning and the cross-section of stock returns. SSRN Electronic Journal. https://doi.org/10.2139/ssrn.4282614
(10) Chui, A., Titman, S. & Wei, K. (2010). Individualism and momentum around the world. The Journal of Finance, 65(1), 361–392. https://doi.org/10.1111/j.1540-6261.2009.01532.x
(11) Conrad, J. & Kaul, G. (1998). An Anatomy of trading strategies. The Review of Financial Studies, 11(3), 489–519. https://doi.org/10.1093/rfs/11.3.489
(12) Daniel, K. & Moskowitz, T. (2016). Momentum crashes. Journal of Financial Economics, 122(2), 221–247. https://doi.org/10.1016/j.jfineco.2015.12.002
(13) Fama, E. & French, K. (1996). Multifactor explanations of asset pricing anomalies. Journal of Finance, 51(1), 55–84. https://doi.org/10.2307/2329302
(14) Fama, E. (1970). Efficient capital markets: a review of theory and empirical work. Journal of Finance, 25(2), 383-417. https://doi.org/10.2307/2325486
(15) Fieberg, C., Metko, D., Poddig, T. & Loy, T. (2023). Machine learning techniques for cross-sectional equity returns prediction. OR Spectrum, 45, 289–323. https://doi.org/10.1007/s00291-022-00693-w
(16) Goyal, A., Jegadeesh, N. & Subrahmanyam, A. (2025). Empirical determinants of momentum: a perspective using international data. Review of Finance, 29(1), 241–273. https://doi.org/10.1093/rof/rfae038
(17) Gu, S., Kelly, B. & Xiu, D. (2020). Empirical asset pricing via machine learning. Review of Financial Studies, 33(5), 2223–2273. https://doi.org/10.1093/rfs/hhaa009
(18) Healy, J. V., Gregoriou, A. & Hudson, R. (2024). Automated machine learning and asset pricing. risk, 12(9), 148. https://doi.org/10.3390/risks12090148
(19) Hong, H. & Stein, J. (1999). A unified theory of underreaction, momentum trading, and overreaction in asset markets. The Journal of Finance, 54(6), 2143–2184. https://doi.org/10.1111/0022-1082.00184
(20) Jegadeesh, N. & Titman, S. (1993). Returns to buying winners and selling losers: implications for stock market efficiency. Journal of Finance, 48(1), 65-91. https://doi.org/10.2307/2328882
(21) Jegadeesh, N. & Titman, S. (2001). Profitability of momentum strategies: an evaluation of alternative explanations. The Journal of Finance, 56(2), 699–720. https://doi.org/10.1111/0022-1082.00342
(22) Jegadeesh, N. & Titman, S. (2011). Momentum. Annual Review of Financial Economics, 3, 493–509. https://doi.org/10.1146/annurev-financial-102710-144850
(23) Krauss, C., Do, X. & Huck, N. (2017). Deep neural networks, gradient-boosted trees, random forests: statistical arbitrage on the S&P 500. European Journal of Operational Research, 259(2), 689–702. https://doi.org/10.1016/j.ejor.2016.10.031
(24) Lehmann, B. N. (1990). Fads, martingales and market efficiency. The Quarterly Journal of Economics, 105(1), 1–28. https://doi.org/10.2307/2937816
(25) Liao, Y., Ma, X., Neuhierl, A. & Schilling, L. (2025). The uncertainty of machine learning predictions in asset pricing. arXiv preprint. https://doi.org/10.48550/arXiv.2503.00549
(26) Lo, A. W. (2004). The adaptive markets hypothesis. Journal of Portfolio Management, 30(5), 15-29. https://doi.org/10.3905/jpm.2004.442611
(27) López, M. (2018). Advances in financial machine learning. Wiley. https://www.wiley.com/en-us/Advances+in+Financial+Machine+Learning-p-9781119482086
(28) Mattusch, M. (2024). Generative AI for european asset pricing: alleviating the momentum anomaly. The European Journal of Finance, 31(7), 850–888. https://doi.org/10.1080/1351847X.2024.2439979
(29) Novy-Marx, R. (2012). Is momentum really momentum? Journal of Financial Economics, 103(3), 429-453. https://doi.org/10.1016/j.jfineco.2011.05.003
(30) Rouwenhorst, K. (1998). International momentum strategies. Journal of Finance, 53(1), 267–284. https://doi.org/10.1111/0022-1082.95722
(31) Shiller, R. J. (2003). From efficient markets theory to behavioral finance. Journal of Economic Perspectives, 17(1), 83-104. https://doi.org/10.1257/089533003321164967
(32) Yao, H., Zhang, X., Zhou, G. & Yang, C. (2022). Six-factor asset pricing and portfolio investment via deep learning: evidence from the Chinese stock market. Pacific-Basin Finance Journal, 76, 101886. https://doi.org/10.1016/j.pacfin.2022.101886
(33) Ye, J., Goswami, B., Gu, J., Uddin, A. & Wang, G. (2024). From factor models to deep learning: Machine learning in reshaping empirical asset pricing. arXiv preprint. https://doi.org/10.48550/arXiv.2403.06779
Publicado
Cómo citar
Número
Sección
Licencia
Esta obra está bajo una licencia internacional Creative Commons Atribución-NoComercial 4.0.
Aquellos autores/as que tengan publicaciones con esta revista, aceptan los términos siguientes:
Esta revista está bajo una Licencia Creative Commons Reconocimiento-NoComercial 4.0 Internacional License. Los artículos se pueden copiar, distribuir, adaptar y comunicar públicamente, siempre y cuando se reconozcan los créditos de la obra y se cite la respectiva fuente. Esta obra no puede ser utilizada con fines comerciales.
Para aumentar su visibilidad, los documentos se envían a bases de datos y sistemas de indización.
El contenido de los artículos es responsabilidad de cada autor y no compromete, de ninguna manera, a la revista o a la institución.
