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 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".