Ítem
Acceso Abierto
Following the smart money: applying machine learning on insider & congressional trades
Título de la revista
Autores
Alvarado Cediel, Sergio Fernando
Fecha
2025-06-17
Directores
Anguita Espadaler, Ignacio
ISSN de la revista
Título del volumen
Editor
Universidad del Rosario
Buscar en:
Métricas alternativas
Resumen
Este proyecto desarrolla estrategias de inversión cuantitativas utilizando divulgaciones históricas de operaciones bursátiles realizadas por insiders corporativos y miembros del Congreso de EE. UU. para identificar señales de mercado rentables. En colaboración con B-Quant, se analizan conjuntos de datos propietarios de operaciones de insiders y del Congreso mediante preprocesamiento de datos, análisis exploratorio y métodos estadísticos y de aprendizaje automático, con el objetivo de descubrir patrones consistentes relacionados con el momento de las operaciones, el desempeño individual, el tamaño de las transacciones y las preferencias sectoriales, teniendo en cuenta los retrasos en la divulgación. A partir de estos hallazgos, se construyen estrategias de trading y se evalúan mediante backtesting histórico, midiendo su desempeño en términos de rentabilidad, riesgo y métricas ajustadas por riesgo.
Abstract
This project develops quantitative investment strategies using historical trading disclosures from corporate insiders and U.S. Congress members to identify profitable market signals. In collaboration with B-Quant, proprietary insider and congressional trading datasets are analyzed using data preprocessing, exploratory analysis, and statistical and machine learning methods to uncover consistent patterns related to trade timing, individual performance, transaction size, and sector preferences, while accounting for disclosure delays. Based on these insights, trading strategies are constructed and evaluated through historical backtesting, with performance assessed in terms of returns, risk, and risk-adjusted metrics.
Palabras clave
Informacion privilegiada , Operaciones congresionales , Retraso de divulgación , Machine learning , Aprendizaje supervisado , Modelos matematico
Keywords
Random forest , XGBoost , Machine learning
