BYMA: predicción de volumen operado por CEDEARs

"Este proyecto optimiza la asignación de CEDEARs entre las bandas de bonificación del programa de market makers de BYMA a través de un modelo predictivo de volúmenes a operar. El objetivo central fue reducir la ineficiencia detectada en el sistema vigente de asignación de incentivos, que generó...

Descripción completa

Guardado en:
Detalles Bibliográficos
Autores principales: Gonzalez Virgili, Matías, Banchik, Micaela, Vaserman, Agustín
Formato: Proyecto final de grado
Lenguaje:Español
Publicado: Instituto Tecnológico de Buenos Aires (ITBA) 2026
Materias:
BOLSA DE MERCADOS, CEDEARS, MARKER MAKERS, BANDAS DE BONIFICACIÓN, VOLUMEN DE TRANSACCIÓN, ARIMA, PIPELINES, AUTOMATIZACIÓN
Acceso en línea:https://hdl.handle.net/20.500.14769/5240
Aporte de:
Repositorio Institucional Instituto Tecnológico de Buenos Aires (ITBA) de Instituto Tecnológico de Buenos Aires (ITBA)
id I32-R138-20.500.14769-5240
record_format dspace
spelling I32-R138-20.500.14769-52402026-02-10T09:19:31Z BYMA: predicción de volumen operado por CEDEARs Gonzalez Virgili, Matías Banchik, Micaela Vaserman, Agustín BOLSA DE MERCADOS, CEDEARS, MARKER MAKERS, BANDAS DE BONIFICACIÓN, VOLUMEN DE TRANSACCIÓN, ARIMA, PIPELINES, AUTOMATIZACIÓN "Este proyecto optimiza la asignación de CEDEARs entre las bandas de bonificación del programa de market makers de BYMA a través de un modelo predictivo de volúmenes a operar. El objetivo central fue reducir la ineficiencia detectada en el sistema vigente de asignación de incentivos, que generó un sobrecosto estimado del 7,48%, equivalente a $64.000.000 de pesos en la última edición del programa, que se ubicó entre los meses de junio a agosto de 2025. En una primera etapa, se elaboró el business case y se realizó una exhaustiva integración y estandarización de datos financieros y macroeconómicos, combinando información diaria de BYMA con series heterogéneas de múltiples fuentes (BCRA, FMI, Fed, FRED, GobAr), mediante técnicas MIDAS y control de multicolinealidad. El resultado fue un dataset robusto y consistente, apto para la construcción de modelos predictivos. Posteriormente, se implementaron y compararon diversos modelos de Machine Learning supervisados con información exógena (LightGBM, CatBoost, XGBoost, SVR) y modelos univariantes de series temporales (ARIMA, Prophet), evaluando su desempeño con métricas de error como WAPE y su impacto económico sobre el costo del programa. Los resultados mostraron que el enfoque univariante ARIMA presentó el mejor equilibrio entre precisión, estabilidad y capacidad de generalización, alcanzando un WAPE del 57% y un ahorro proyectado de $19.100.000 de pesos para el trimestre junio–agosto, en comparación con las metodologías actuales. Esto demuestra que la incorporación de un modelo predictivo de volúmenes permite una asignación más eficiente, equitativa y sostenible de los incentivos, contribuyendo a fortalecer la liquidez del mercado y optimizar el uso de los recursos del programa". 2026-02-09T13:12:06Z 2026-02-09T13:12:06Z 2026-01-22 Proyecto final de grado https://hdl.handle.net/20.500.14769/5240 es application/pdf Instituto Tecnológico de Buenos Aires (ITBA)
institution Instituto Tecnológico de Buenos Aires (ITBA)
institution_str I-32
repository_str R-138
collection Repositorio Institucional Instituto Tecnológico de Buenos Aires (ITBA)
language Español
topic BOLSA DE MERCADOS, CEDEARS, MARKER MAKERS, BANDAS DE BONIFICACIÓN, VOLUMEN DE TRANSACCIÓN, ARIMA, PIPELINES, AUTOMATIZACIÓN
spellingShingle BOLSA DE MERCADOS, CEDEARS, MARKER MAKERS, BANDAS DE BONIFICACIÓN, VOLUMEN DE TRANSACCIÓN, ARIMA, PIPELINES, AUTOMATIZACIÓN
Gonzalez Virgili, Matías
Banchik, Micaela
Vaserman, Agustín
BYMA: predicción de volumen operado por CEDEARs
topic_facet BOLSA DE MERCADOS, CEDEARS, MARKER MAKERS, BANDAS DE BONIFICACIÓN, VOLUMEN DE TRANSACCIÓN, ARIMA, PIPELINES, AUTOMATIZACIÓN
description "Este proyecto optimiza la asignación de CEDEARs entre las bandas de bonificación del programa de market makers de BYMA a través de un modelo predictivo de volúmenes a operar. El objetivo central fue reducir la ineficiencia detectada en el sistema vigente de asignación de incentivos, que generó un sobrecosto estimado del 7,48%, equivalente a $64.000.000 de pesos en la última edición del programa, que se ubicó entre los meses de junio a agosto de 2025. En una primera etapa, se elaboró el business case y se realizó una exhaustiva integración y estandarización de datos financieros y macroeconómicos, combinando información diaria de BYMA con series heterogéneas de múltiples fuentes (BCRA, FMI, Fed, FRED, GobAr), mediante técnicas MIDAS y control de multicolinealidad. El resultado fue un dataset robusto y consistente, apto para la construcción de modelos predictivos. Posteriormente, se implementaron y compararon diversos modelos de Machine Learning supervisados con información exógena (LightGBM, CatBoost, XGBoost, SVR) y modelos univariantes de series temporales (ARIMA, Prophet), evaluando su desempeño con métricas de error como WAPE y su impacto económico sobre el costo del programa. Los resultados mostraron que el enfoque univariante ARIMA presentó el mejor equilibrio entre precisión, estabilidad y capacidad de generalización, alcanzando un WAPE del 57% y un ahorro proyectado de $19.100.000 de pesos para el trimestre junio–agosto, en comparación con las metodologías actuales. Esto demuestra que la incorporación de un modelo predictivo de volúmenes permite una asignación más eficiente, equitativa y sostenible de los incentivos, contribuyendo a fortalecer la liquidez del mercado y optimizar el uso de los recursos del programa".
format Proyecto final de grado
author Gonzalez Virgili, Matías
Banchik, Micaela
Vaserman, Agustín
author_facet Gonzalez Virgili, Matías
Banchik, Micaela
Vaserman, Agustín
author_sort Gonzalez Virgili, Matías
title BYMA: predicción de volumen operado por CEDEARs
title_short BYMA: predicción de volumen operado por CEDEARs
title_full BYMA: predicción de volumen operado por CEDEARs
title_fullStr BYMA: predicción de volumen operado por CEDEARs
title_full_unstemmed BYMA: predicción de volumen operado por CEDEARs
title_sort byma: predicción de volumen operado por cedears
publisher Instituto Tecnológico de Buenos Aires (ITBA)
publishDate 2026
url https://hdl.handle.net/20.500.14769/5240
work_keys_str_mv AT gonzalezvirgilimatias bymapredicciondevolumenoperadoporcedears
AT banchikmicaela bymapredicciondevolumenoperadoporcedears
AT vasermanagustin bymapredicciondevolumenoperadoporcedears
_version_ 1865139476508966912

Ejemplares similares