Evaluación de metodologías de inversión basadas en puntuaciones: revisión sistemática del algoritmo de Tweenvest para la inversión en acciones a largo plazo mediante analítica descriptiva y modelado predictivo

[ES] Este trabajo se enmarca en el contexto de una empresa, Tweenvest, que brinda herramientas para inversores particulares en bolsa, con la finalidad de que estos puedan tomar decisiones más informadas y de manera intuitiva. Entre muchas de las funcionalidades que ofrecen, destaca un algoritmo propio de puntuación de diferentes empresas que ayuda a los inversores a hacerse una visión sobre ciertos aspectos financieros de cada empresa. Para ello este algoritmo calcula distintos factores basados en el análisis fundamental, de los cuales en este trabajo se van a investigar los 4 principales: Calidad, Crecimiento, Valor, y Dividendos. De manera que el objetivo del trabajo es desarrollar modelos econométricos y de inteligencia artificial que permitan explorar la efectividad (rentabilidad) de diferentes estrategias de inversión, basadas en los factores de Tweenvest, ante distintos horizontes temporales. En particular para las rentabilidades obtenidas en el periodo 2020 - 2025 a corto, medio y largo plazo. Para poder llevar este trabajo a cabo, se realizarán distintas fases que interconectan constantemente los conocimientos y habilidades adquiridas en ambas titulaciones. Pero para un mejor entendimiento desarrollaré el procedimiento general y luego las clasificaré en base a las titulaciones. Fase 1. Interpretación de los factores o puntuaciones. Las puntuaciones juegan un papel fundamental en este proyecto, pues serán las variables que nos ayuden a predecir las rentabilidades de las distintas empresas. Como ya se ha mencionado, dichas puntuaciones son calculadas por una serie de algoritmos de Tweenvest que se basan únicamente en variables financieras de las empresas, por lo que es crucial comprenderlos para poder interpretar los datos posteriormente y prever posibles inconvenientes que puedan surgir, como entre otros: inconsistencia temporal, cambios de divisa, cálculo de rentabilidades con diferentes temporalidades o pagos de dividendos. Fase 2. Actualización de código en Tweenvest. Debido a un problema de trazabilidad que impide hacer consultas históricas, se ha de re- programar el algoritmo actual de Tweenvest que proporciona las puntuaciones. Es por ello que durante esta fase más técnica, entre otras tareas, se llevarán a cabo: el diseño de esquemas para poder entender las relaciones entre todas las funciones, cambiar las llamadas a la base de datos para que se puedan ejecutar los nuevos cálculos sin modificar el funcionamiento normal de la plataforma; implementar una serie de scripts que ejecuten las maquinas virtuales en los servidores para realizar los cálculos, comprobar la telemetría de dichos cálculos y optimizar las llamadas para una mayor velocidad, implementar tests unitarios para cubrir todas las diferentes posibilidades lógicas que puedan darse para así prevenir errores de funcionamiento, dividir las funciones de este calculo para garantizar la granularidad de estas; y por último, realizar un muestreo estadístico consistente para poder seleccionar un subconjunto de compañías. Todo esto es debido a la gran magnitud de información disponible en Tweenvest: +100.000 empresas x 365 días x 5 años.

Fase 3. Generación de la base de datos y curado de la misma. Tras el cálculo de las 4 puntuaciones, se han de incluir otras variables de interés en la base de datos, como son el sector o la región a la que pertenece cada empresa, además de las que serán nuestras variables respuesta: las rentabilidades a corto plazo (1, 3 y 6 meses), medio plazo (1 y 2 años) y largo plazo (5 años). Finalmente se han homogeneizar los datos a una misma divisa y exportarlos a un formato compatible con el entorno de desarrollo de los algoritmos personal y separado del de la empresa. Debido a tener que tratar con grandes cantidades de datos, este entorno de trabajo estará formado por un servidor dedicado donde poder llevar a cabo los cálculos necesarios, lo que lleva a su vez una serie de complejidades técnicas para realizarlo. Fase 4. Análisi

[EN] This study investigates the effectiveness of a factor-investing methodology developed by Tween- vest, leveraging a proprietary algorithm grounded in fundamental financial analysis. The algorithm scores companies across four key factors: Quality, Growth, Value, and Dividends. The research aims to evaluate the profitability of investment strategies based on these scores over multiple profitability horizons from 1 month to five years. A comprehensive dataset was constructed, integrating factor scores with additional variables such as sector and geographic region, standardized for currency and timeframes. Statistical analyses will explore relationships between these factors and returns, identifying optimal investment periods. Subsequently, predictive modeling including econometric regres- sions, time series models, and neural networks will be applied to assess the translation of these factors into market performance. The study incorporates an interdisciplinary approach, combining financial theory and econo- metrics with advanced programming, data engineering, and machine learning. This integration bridges Business Management and Telecommunications Engineering, offering insights into the practical application of Tweenvest s scoring algorithm and contributing to the advancement of financial technology analytics.