Ítem
Acceso Abierto

Following the smart money: applying machine learning on insider & congressional trades

Mostrar el registro sencillo de la publicación
dc.contributor.advisorAnguita Espadaler, Ignacio
dc.creatorAlvarado Cediel, Sergio Fernando
dc.creator.degreeAdministrador de Negocios Internacionalesspa
dc.creator.degreeAdministrador de Negocios Internacionales
dc.creator.degreeLevelPregrado
dc.date.accessioned2026-02-17T03:50:42Z
dc.date.available2026-02-17T03:50:42Z
dc.date.created2025-06-17
dc.descriptionEste 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.
dc.description.abstractThis 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.
dc.format.extent91 pp
dc.format.mimetypeapplication/pdf
dc.identifier.doihttps://doi.org/10.48713/10336_47547
dc.identifier.urihttps://repository.urosario.edu.co/handle/10336/47547
dc.language.isoeng
dc.publisherUniversidad del Rosario
dc.publisher.departmentEscuela de Administración
dc.publisher.programAdministración de Negocios Internacionales
dc.rightsAttribution-NonCommercial-NoDerivatives 4.0 International*
dc.rights.accesRightsinfo:eu-repo/semantics/openAccess
dc.rights.accesoAbierto (Texto Completo)
dc.rights.licenciaEL AUTOR, manifiesta que la obra objeto de la presente autorización es original y la realizó sin violar o usurpar derechos de autor de terceros, por lo tanto la obra es de exclusiva autoría y tiene la titularidad sobre la misma. PARGRAFO: En caso de presentarse cualquier reclamación o acción por parte de un tercero en cuanto a los derechos de autor sobre la obra en cuestión, EL AUTOR, asumirá toda la responsabilidad, y saldrá en defensa de los derechos aquí autorizados; para todos los efectos la universidad actúa como un tercero de buena fe. EL AUTOR, autoriza a LA UNIVERSIDAD DEL ROSARIO, para que en los términos establecidos en la Ley 23 de 1982, Ley 44 de 1993, Decisión andina 351 de 1993, Decreto 460 de 1995 y demás normas generales sobre la materia, utilice y use la obra objeto de la presente autorización. -------------------------------------- POLITICA DE TRATAMIENTO DE DATOS PERSONALES. Declaro que autorizo previa y de forma informada el tratamiento de mis datos personales por parte de LA UNIVERSIDAD DEL ROSARIO para fines académicos y en aplicación de convenios con terceros o servicios conexos con actividades propias de la academia, con estricto cumplimiento de los principios de ley. Para el correcto ejercicio de mi derecho de habeas data cuento con la cuenta de correo habeasdata@urosario.edu.co, donde previa identificación podré solicitar la consulta, corrección y supresión de mis datos.spa
dc.rights.urihttp://creativecommons.org/licenses/by-nc-nd/4.0/*
dc.source.bibliographicCitationBaeldung. (2023). How to handle unbalanced data with SMOTE? Baeldung on Computer Science. https://www.baeldung.com/cs/smote-unbalanced-data
dc.source.bibliographicCitationBreiman, L. (2001). Random forests. Machine Learning, 45(1), 5–32. https://doi.org/10.1023/A:1010933404324
dc.source.bibliographicCitationBrownlee, J. (2023). ROC curves and precision-recall curves for imbalanced classification. Machine Learning Mastery. https://machinelearningmastery.com/roc-curves-and-precision-recall-curves-for-imbal anced-classification/
dc.source.bibliographicCitationCapitol losses: The mediocre performance of congressional stock portfolios. (2013). The Journal of Politics, 75(2). https://www.journals.uchicago.edu/doi/abs/10.1017/S0022381613000194
dc.source.bibliographicCitationChen, T., & Guestrin, C. (2016). XGBoost: A scalable tree boosting system. In Proceedings of the 22nd ACM SIGKDD international conference on knowledge discovery and data mining (pp. 785–794). ACM. https://doi.org/10.1145/2939672.2939785
dc.source.bibliographicCitationDisplayr. (2024). What is a ROC curve – How to interpret ROC curves. https://www.displayr.com/what-is-a-roc-curve/
dc.source.bibliographicCitationDowney, L. (n.d.). Efficient market hypothesis (EMH): Definition and critique. Investopedia. https://www.investopedia.com/terms/e/efficientmarkethypothesis.asp
dc.source.bibliographicCitationGeeksforGeeks. (2024). Cross validation in machine learning. https://www.geeksforgeeks.org/cross-validation-in-machine-learning/
dc.source.bibliographicCitationHagar-zakaria. (2022). Understanding GridSearchCV in machine learning from A to Z. GitHub. https://github.com/Hagar-zakaria/Understanding-GridSearchCV-in-Machine-Learning -from-A-to-Z
dc.source.bibliographicCitationHeckmann, J., Jacobs, H., & Schwarz, P. (2024). Synthesizing information-driven insider trade signals. SSRN Electronic Journal. https://ssrn.com/abstract=4537187
dc.source.bibliographicCitationFederal Bureau of Investigation. (2011). Hedge fund billionaire Raj Rajaratnam found guilty in Manhattan federal court of insider trading charges. https://archives.fbi.gov/archives/newyork/press-releases/2011/hedge-fund-billionaire- raj-rajaratnam-found-guilty-in-manhattan-federal-court-of-insider-trading-charges
dc.source.bibliographicCitationMIT Press. (n.d.). Investment intelligence from insider trading. https://direct.mit.edu/books/book/2765/Investment-Intelligence-from-Insider-Trading
dc.source.bibliographicCitationInvestopedia. (2024). Portfolio management. https://www.investopedia.com/terms/p/portfoliomanagement.asp
dc.source.bibliographicCitationInvestopedia. (2024). Sharpe ratio. https://www.investopedia.com/terms/s/sharperatio.asp
dc.source.bibliographicCitationMarkowitz, H. (1952). Portfolio selection. The Journal of Finance, 7(1), 77–91. https://doi.org/10.2307/2975974
dc.source.bibliographicCitationMartha Stewart’s insider trading scandal. (n.d.). https://harbert.auburn.edu/binaries/documents/center-for-ethical-organizational-cultur es/cases/martha-stewart.pdf
dc.source.bibliographicCitationNew York Times. (2020, March 20). Kelly Loeffler and Richard Burr were briefed on coronavirus. Then they sold stocks. What now? https://www.nytimes.com/2020/03/20/us/politics/kelly-loeffler-richard-burr-insider-tra ding.html
dc.source.bibliographicCitationOpenInsider. (n.d.). SEC Form 4 insider trading screener. http://openinsider.com/
dc.source.bibliographicCitationOrtega, C. (2023). Análisis de regresión: Qué es, tipos y cómo realizarlo. QuestionPro. https://www.questionpro.com/blog/es/analisis-de-regresion/
dc.source.bibliographicCitationProbabilidad y Estadística. (2023). Regresión lineal múltiple. https://www.probabilidadyestadistica.net/regresion-lineal-multiple/
dc.source.bibliographicCitationPrograma único en finanzas cuantitativas y estrategias de inversión. (2024). BQuant. https://bquantfinance.com/
dc.source.bibliographicCitationRodriguez, J. (2017). Portfolio optimization with R: Part I. RPubs. https://rpubs.com/Joaquin_AR/242707
dc.source.bibliographicCitationScienceDirect. (2024). Pearson correlation – An overview. https://www.sciencedirect.com/topics/engineering/pearson-correlation
dc.source.bibliographicCitationScikit-learn. (2024). RFECV — scikit-learn 1.7.0 documentation. https://scikit-learn.org/stable/modules/generated/sklearn.feature_selection.RFECV .ht ml
dc.source.bibliographicCitationXGBoosting. (2023). XGBoost robust to correlated input features (multicollinearity). https://xgboosting.com/xgboost-multicollinearity/
dc.source.instnameinstname:Universidad del Rosario
dc.source.reponamereponame:Repositorio Institucional EdocUR
dc.subjectInformacion privilegiada
dc.subjectOperaciones congresionales
dc.subjectRetraso de divulgación
dc.subjectMachine learning
dc.subjectAprendizaje supervisado
dc.subjectModelos matematico
dc.subject.keywordRandom forest
dc.subject.keywordXGBoost
dc.subject.keywordMachine learning
dc.titleFollowing the smart money: applying machine learning on insider & congressional trades
dc.title.TranslatedTitleSiguiendo al dinero inteligente: aplicación del aprendizaje automático a las operaciones con información privilegiada y del congreso
dc.typebachelorThesis
dc.type.hasVersioninfo:eu-repo/semantics/acceptedVersion
dc.type.spaTrabajo de grado
local.department.reportEscuela de Administración
local.regionesBogotá
Archivos
Bloque original
Mostrando1 - 1 de 1
Miniatura
Nombre:
Following_the_smart_money_AlvaradoCediel-SergioFernando-2026.pdf
Tamaño:
2.75 MB
Formato:
Adobe Portable Document Format
Descripción:
Descargar
Colecciones
Pregrado en Administración de Negocios Internacionales