Usualmente, los algoritmos utilizados en trading algorítmico pueden utilizar una o varias fuentes de datos o entradas. Por ejemplo, es común que una entrada al menos sea el precio actual del activo financiero sobre el cual se pretende hacer trading algorítmico. También pueden ser entradas del algoritmo las noticias publicadas en sistemas como Bloomberg en tiempo real. También es usual que el trading algorítmico utilice información respecto del estado o microestructura del mercado, tal como subastas de apertura o cierre, subastas de volatilidad, límites de suspensión de especies, spreads mínimos entre cotizaciones, montos de variación mínima del precio y otras reglas que le dan estructura a los mercados de valores con el fin de evitar incurrir en operaciones fallidas o errores en la ejecución. Uno de los errores de ejecución más conocidos sucedió el 6 de mayo de 2010, lo que desencadenó una investigación federal que produjo un informe ampliamente detallado al respecto.[2]
El trading algorítmico también utiliza operaciones aritméticas matemáticas o lógicas con diferentes grados de sofisticación que pueden ir desde los promedios móviles simples hasta modelos estocásticos que requieren capacidades computacionales altas para manejar el volumen de datos de entrada y la complejidad en las operaciones y reglas incluidas en el algoritmo, razón por la cual el trading algorítmico también se asocia frecuentemente con el trading cuantitativo.
Una de las principales ventajas del trading algorítmico es que, al estar guiado por un conjunto de reglas o procedimientos que no involucran la emocionalidad humana, permiten evitar los sesgos conductuales más comunes entre los inversionistas, como son el exceso de confianza (overconfidence), los sesgos heurísticos, la aversión a la ambigüedad y la aversión al riesgo miope (myopic loss aversion), entre otros, identificados por el campo de las finanzas conductuales.[3][4]
Por otro lado, el Trading Algorítmico también tiene sus desventajas, especialmente cuando hablamos del proceso de creación de Backtests o estudio de pautas y modelos con datos históricos, donde es común caer en errores no tan diferentes a los que podría producir un Trader Discrecional, como por ejemplo caer en el sesgo del superviviente, en el uso de datos históricos de mala calidad, procesos de sobreoptimización varios entre otros.[5]
Se espera que los ingresos globales superen los 25 000 M $ en 2025 y casi se dupliquen en 2030, según Algo Coding Experts.
