Redes de arbitraje en la transacción de monedas

Gianfranco Vietto Molano

2014252591

Tesis de Grado 2021-2

Asesor: Profesor, Felipe Montes

Universidad de los Andes

Facultad de Ingeniería
Departamento de Ingeniería Industrial

Bogotá D.C., Colombia

Enero 2021

1
Tabla de contenido
Introducción y definición de arbitraje triangular.................................................................................. 4
Pregunta de Investigación y Objetivo ..................................................................................................... 6
Metodología ............................................................................................................................................... 6
1. Construcción de la red de Criptomonedas ...................................................................................... 7
2. Selección de moneda de origen........................................................................................................ 8
3. Identificación de triadas .................................................................................................................. 8
4. Recolección de datos históricos ..................................................................................................... 10
5. Cálculo de arbitraje histórico ........................................................................................................ 10
Resultados ................................................................................................................................................ 12
Discusión .................................................................................................................................................. 18
Conclusiones ............................................................................................................................................ 20
Agradecimientos ...................................................................................................................................... 20
Referencias Bibliográficas ...................................................................................................................... 21

2
RESUMEN: Este estudio busca entender cuáles son las características que una triada, formada por
mercados de criptomonedas, posee para ser capaz de generar arbitraje. Durante esta investigación se
argumentará el uso del mercado de criptomonedas como campo de estudio y se definirá el arbitraje
triangular utilizado. En el documento se explica la metodología recursiva diseñada para la evaluación de
triadas y se dará una explicación del modelo logístico utilizado para la selección de triadas a partir de sus
características. Consecuentemente, el estudio encontró que el arbitraje triangular en el mercado de
criptomonedas es posible, bajo ciertas condiciones.

Palabras clave: Triadas, arbitraje triangular, criptomonedas

ABSTRACT: This study seeks to understand what are the characteristics that a triad, formed by
cryptocurrency markets, has to be able to generate arbitrage. During this research, the use of the
cryptocurrency market as a field of study will be argued and the triangular arbitrage used will be defined.
The document explains the recursive methodology designed for the evaluation of triads and an explanation
of the logistic model used for the selection of triads based on their characteristics will be given.
Consequently, the study found that triangular arbitrage in the cryptocurrency market is possible, under
certain conditions.

Keywords: Triads, triangular arbitrage, cryptocurrencies

3
Introducción y definición de arbitraje triangular
En el 2008 una de las más grandes crisis financieras en tiempos recientes sacudió al mundo. Esta fue la
crisis más fuerte desde la gran depresión de 1929 y es llamada la crisis de las hipotecas subprime. Esta
crisis fue una severa contracción de la liquidez en los mercados financieros globales que se originó en los
Estados Unidos como resultado del colapso del mercado inmobiliario estadounidense. Esta amenazó con
destruir el sistema financiero internacional, provocó la quiebra de varios bancos, de firmas prestamistas
de hipotecas, compañías de seguros, entre otras organizaciones, y llevó a una recesión entre el 2007 y el
2009 (Duignan, B. ,2019). Esta crisis trajo consigo diferentes reformas a las instituciones financieras para
tratar de garantizar que esto no volviera a ocurrir, como por ejemplo la Ley Dodd-Frank de 2010 que puso
nuevas barreras en torno al sector bancario y se exigieron pruebas de estrés sobre las instituciones
financieras para asegurar que estas fueran capaces de soportar otras crisis (Merle, R. 2018).
Así pues, con la crisis del 2008 se generó una pérdida de confianza hacia las instituciones
financieras tradicionales, lo cual llevo al surgimiento de una nueva forma de concebir el manejo de las
finanzas, una forma descentralizada e independiente de las instituciones que habían causado la crisis en
primer lugar. De este movimiento nacen las criptomonedas, en especial Bitcoin, la primera criptomoneda
ampliamente utilizada que fue ideada con la intención de convertirse en una moneda virtual libre de
cualquier autoridad financiera para facilitar los pagos de igual a igual en su red (Nakamoto, S. ,2008).
Con el nacimiento de Bitcoin nuevas monedas comienzan a surgir, como el Namecoin y Litecoin
en el 2011, atraídas por el concepto de la descentralización y la encriptación (Marr, B. ,2021). Sin
embargo, el gran punto de inflexión para las criptomonedas se dio en el 2015 cuando la plataforma de
Ethereum fue creada. Esta plataforma utiliza una criptomoneda conocida como Ether para facilitar los
contratos y aplicaciones inteligentes basados en blockchain. La llegada de Ethereum estuvo marcada por
la aparición de los Inicial Coin Oferrings (ICO), lo cual permitió a los inversionistas construir monedas
para recaudar fondos y transar con criptomonedas (Marr, B. ,2021).
Con la creación de Bitcoin y la llegada de la plataforma de Ethereum, se generó una revolución en
la creación de criptomonedas llevándolas al centro mediático debido a su concepto novedoso y
controversial. Adicionalmente, por la popularidad que han ganado entre inversionistas y organizaciones
financieras alrededor del mundo, han logrado llegar a una capitalización de más de 250 mil millones de
dólares y en más de 6 mil monedas (CoinMarketCap, 2021), un número mucho mayor a las 180 monedas
FIAT que circulan en el mundo. Esto ha llevado a las criptomonedas a ser cada vez más aceptadas en
instituciones financieras y en mercados que en un principio las veían de forma desinteresada.
Para contextualizar el tamaño del mercado de criptomonedas que se ha logrado desde el 2008, se
debe entender el total del M2, es decir, que la cantidad de dinero circulante entre el público de forma
global que es de 100 billones de dólares (World Bank, 2021). Lo anterior significa que en algo más de una
década el mercado de criptomonedas ha logrado llegar al 0.3% de la circulación total del dinero global.
Esta revolución ha llevado a que nazcan más de 300 plataformas de intercambio de criptomonedas
(CoinMarketCap, 2021), donde las más conocidas son Coinbase que nació en el 2012, Binance en el 2017
y FTX en el 2019 en la que inversionistas pueden transar con criptomonedas libremente.
Esta situación ha llevado al mercado de criptomonedas a encontrarse en un lugar muy especial.
Este es un mercado emergente, cuyos principios fundadores son el de ser descentralizado y no regulado

4
(Time, 2021) lo que lo convierte en un caso único de estudio. Para entender su complejidad se deben tener
en consideración las cinco características de un mercado en competencia perfecta, estas son: (i) todos los
agentes son tomadores de precios, (ii) todos los agentes venden un producto idéntico, (iii) los compradores
tienen información completa sobre los precios y bienes, (iv) no hay barreras de entrada y de salida, y (v)
no hay costos de transacción ni externalidades. Consecuentemente, al ver estas cinco características y el
mercado actual de las criptomonedas, es posible observar que este mercado cumple con tres de estas
características. En el mercado de criptomonedas la primera característica se cumple debido a que los
agentes si son tomadores de precios puesto que en este los inversionistas venden o compran sus activos al
precio del mercado. La segunda característica también se cumple ya que las monedas entre sí son
indistinguibles, por lo que los agentes venden un producto idéntico. Adicionalmente, la tercera
característica se cumple debido a que existe información completa sobre los precios y bienes, ya que es
posible acceder a toda la información de precios y listas de transacciones. Las otras dos características no
se cumplen en el mercado de criptomonedas puesto que existen barreras de ingreso dado que es necesario
adquirir las monedas, lo cual representa un costo de ingreso. Por último, existen pagos de comisiones en
las plataformas, por lo que hay costos de transacción.
Adicional a lo mencionado anteriormente, el mercado de criptomonedas es un mercado muy joven,
la primera transacción de Bitcoin se realizó en el 2010 en contraposición a la bolsa de Nueva York que
fue fundada en 1792. Por consiguiente, gracias al tamaño de capitalización alcanzada, a la capacidad
disruptiva, a la complejidad de sus mercados, a la gran cantidad de monedas y a la cercanía a un mercado
en competencia perfecta, los mercados de intercambio de criptomonedas se han convertido en un sistema
que podría generar oportunidades como la del arbitraje.
El objetivo de esta investigación es entender si existe la oportunidad de generar arbitraje en este
mercado tan joven. El arbitraje es posible si existen ineficiencias en el mercado, por ejemplo, si se tiene
una moneda como el dólar americano y se cambia por una moneda como el euro, y si nuevamente se
decide cambiar los euros por dólares y se obtiene una mayor cantidad de dólares que lo inicial, se logró
generar arbitraje. La dificultad para que lo anterior ocurra es que el mercado se encarga de eliminar
cualquier oportunidad de arbitraje muy rápidamente, pero esta oportunidad puede existir por más tiempo
si se agrega más complejidad a la forma de buscar arbitraje. Esto se puede lograr mediante la adición de
una tercera moneda en la transacción, es aquí donde el concepto de arbitraje triangular adquiere
importancia.
Ahora bien, es primordial definir el arbitraje triangular que se usará en esta investigación, por lo
que se recurre a la definición de Aiba, Y., Hatano, N., Takayasu, H., Marumo, K., y Shimizu, T. quienes
definen el arbitraje como la actividad financiera que se aprovecha de tres tipos de cambio entre tres
monedas diferentes. Por ejemplo, si cambiamos un dólar estadounidense por cierta cantidad de yenes
japoneses, luego se cambia la cantidad de yenes japoneses a alguna cantidad de euros, y finalmente se
cambia la cantidad de euros de nuevo a dólares estadounidenses, existe arbitraje si tenemos más de un
dólar estadounidense al finalizar (Aiba, Y., Hatano, N., Takayasu, H., Marumo, K., & Shimizu, T. , 2002).
Es posible escribir la definición en cuestión de la siguiente manera:
Conjunto de monedas:
𝐶 = {𝐴, 𝐵, 𝐶} (1)

5
Conjunto de mercados:
𝐵 𝐵 𝐶
𝑀 = {𝐴 , 𝐶 , 𝐴 } (2)

Cantidad del arbitraje 𝛼 en el momento t:

𝛼(𝑡) = ∏𝑖∈𝑀 𝑟𝑖 (𝑡) − 𝑣𝑜𝑙𝑖𝐴 (3)
Resultado de cada mercado:
𝑟𝐵 (𝑡) = 𝑣𝑜𝑙𝑖𝐴 ∗ 𝑃𝐵 (𝑡) − 𝑐𝑜𝑚𝐵 (4)
𝐴 𝐴

𝑟𝐵 (𝑡) = 𝑣𝑜𝑙𝐵 ∗ 𝑃𝐵−1 (𝑡) − 𝑐𝑜𝑚𝑐 (5)

𝐶 𝐶

𝑟𝐶 (𝑡) = 𝑣𝑜𝑙𝐶 ∗ 𝑃𝐶−1 (𝑡) − 𝑐𝑜𝑚𝐴 (6)

𝐴 𝐴

Donde 𝑣𝑜𝑙𝑖𝐴 es el volumen inicial que se posee de la moneda 𝐴, 𝑐𝑜𝑚𝑗 es la comisión que se debe realizar
a la plataforma en la moneda 𝑗.
Se ha logrado encontrar arbitraje si 𝛼(𝑡) es mayor a cero, es decir si se finaliza con mayor cantidad de
moneda 𝐴 que con la que se inició.

Pregunta de Investigación y Objetivo

Esta investigación busca dar respuesta a la siguiente pregunta:
¿Cuáles son las características que poseen las criptomonedas que generan arbitraje al ser transadas
entre sí?

Para poder responder a esta pregunta se planteó el siguiente objetivo general:

Lograr identificar patrones en los diferentes mercados de criptomonedas que permitan establecer
oportunidades de arbitraje triangular.

Con el fin de lograr el objetivo anterior se plantearon cuatro objetivos específicos:

1. Construir una red basada en intercambios de criptomonedas.
2. Identificar arbitraje triangular mediante intercambios.
3. Plantear estrategias de arbitramiento en el mercado de intercambio monetario.
4. Identificar las características de las triadas que les permiten tener mayores posibilidades de generar
arbitraje.

Metodología
La metodología usada se basó en la metodología propuesta por Aiba, Y., Hatano, N., Takayasu, H.,
Marumo, K., y Shimizu, T, ampliada para analizar múltiples posibilidades de arbitraje. Este proceso se
desarrolla en 5 pasos diseñados para realizarse iterativamente.

6
1. Construcción de la red de Criptomonedas
Para lograr encontrar cuáles son esas triadas (caminos) de intercambio de monedas que permiten
generar arbitraje, se construyó la red completa de mercados de criptomonedas. Para esta labor se
escogió como plataforma Bianance, la mayor plataforma de intercambio de criptomonedas que
posee un volumen diario de transacciones de 2 billones y 1.4 millones de transacciones cada
segundo (Binance, 2021). Las características de esta plataforma la convierten en un lugar ideal
para estudiar el mercado de criptomonedas por dos razones principalmente. La primera, es por la
riqueza de información dado que gracias a la gran cantidad de transacciones es posible acceder a
una gran cantidad información de los mercados. La segunda, consiste en que, gracias a su tamaño,
si el proceso de arbitraje funciona en esta plataforma funciona en otras plataformas.

Con la plataforma definida, se utilizaron los 1.812 mercados que existen dentro de Binance
donde se tranzaron 471 monedas a diciembre 12 del 2021, para construir la red. Un mercado es
aquel donde es posible intercambiar dos monedas, por ejemplo, el mercado donde se puede vender
o comprar Bitcoins (BTC) con la stablecoin del dólar norteamericano (USDT) es el mercado
BTC/USDT. Estos mercados son la base para poder construir la red de intercambios de
criptomonedas debido a que los nodos de la red son las criptomonedas y los arcos son los mercados
por donde se pueden intercambiar pares de monedas.

Con la estructura de la red definida, es necesario realizar un proceso de validación de los

mercados donde se verifica que los mercados estén operando, es decir, que exista un precio de
oferta mayor a cero en estos y por ende se pueda tranzar. Con la validación realizada es posible
construir la red visualizada en la gráfica 1.

Gráfica 1: Red de criptomonedas y mercados de Binance

7
 La red resultante de intercambios de criptomonedas está compuesta por 391 nodos
(monedas) y 2.702 arcos (mercados), esta red considera el hecho de que cada mercado es
bidireccional. Esto significa que se puede solicitar un precio (ask) u ofertar un precio (bid).
Adicionalmente, la red posee una densidad de 1.77% y un diámetro de 3 arcos.

2. Selección de moneda de origen

Con la red de transacciones completamente construida el siguiente paso es seleccionar una moneda
de ingreso a la red. Por lo cual, se definieron dos características para que una moneda sea
considerada de ingreso, la primera es que debe ser una moneda ligada a una moneda FIAT, esto
debido a que son las monedas usadas en los mercados globales y porque estas nos permiten tener
una clara imagen sobre cuánto es el valor monetario del arbitraje generado. La segunda
característica consiste en que tiene que ser una moneda bien posicionada dentro de la red para
lograr una mayor cantidad de transacciones con otras monedas.

Bajo este entendimiento, las monedas que están ligadas a una moneda FIAT son las
stablecoins como el USDT, USDC, DAI, BUSD y TUSD (Business Insider, 2021) que están
estructuradas de modo que su valor se encuentra 1:1 con el dólar nortemaricano. Por otra parte,
para encontrar una moneda bien posicionada se utilizaron dos criterios: que esta posea un alto nivel
de intermediación (betweenness centrality) y un alto grado dentro de la red construida. Estos dos
criterios nos aseguran que la moneda tenga una mayor cantidad de triadas con las cuales pueda
operar.

Al realizar es estudio dentro de la red construida se encontró que la moneda con mayor
nivel de intermediación y grado es el USDT, el cual posee una intermediación de 0.288 y 678 de
grado. USDT es una criptomoneda basada en blockchain cuyos tokens en circulación están
respaldados por una cantidad equivalente de dólares estadounidenses, lo que la convierte en una
stablecoin con un precio vinculado a un (1.00) dólar norteamericano (Frankenfield, J., 2021). En
este sentido, esta moneda es un punto de ingreso ideal para realizar el estudio.

3. Identificación de triadas
Con la moneda USDT definida como moneda de origen, el siguiente paso es encontrar cuales son
las triadas posibles dentro de la red de transacciones que surgen de USDT.

Para tener mayor claridad al respecto, es importante definir qué es una triada, para lo cual
se usará la definición establecida por Mark Newman: “Si u está conectado con v y v está conectado
con w, entonces tenemos un camino uvw, de dos arcos de largo. Ahora, si u también está conectado
con w, el camino está cerrado, formado un bucle de tres de largo o un triángulo, […], formando
una triada cerrada” (M. Newman, 2018). Otra forma de entender una triada consiste en que esta
es una composición de tres nodos y tres arcos, donde cada nodo se puede conectar con dos nodos
diferentes y no se conectan con ellos mismos.

8
 Gráfica 2: Estructura básica de una triada

Con la definición de triada establecida, se diseñó el siguiente algoritmo que busca

garantizar que ninguna triada sea ignorada. Se inicia en el nodo inicial I (en este caso USDT), se
recorren todos los vecinos del nodo I y se selecciona un vecino A. A continuación, para cada vecino
A se recorren todos sus vecinos y se selecciona un vecino B. Por último, se recorren todos los
vecinos de B y si uno de esos vecinos es el nodo inicial I (USDT) se encontró una triada IAB.
Ahora bien, en el caso en que B no tenga como vecino a I, se selecciona otro nodo B de los vecinos
de A. Se repite el algoritmo hasta que todos los vecinos de I sean recorridos.

Ilustración 1: Algoritmo de detección de triadas

Al correr el algoritmo dentro de la red partiendo de USDT, se encontraron 1.868 triadas

diferentes que interactúan entre 1.235 mercados y 302 monedas. Como ejercicio adicional se
construyó la red conformada por esas triadas y se obtuvo que el diámetro es de dos arcos, lo cual
está en línea con lo deseado dado que es posible llegar desde cualquier moneda a cualquier otra
pasando como máximo por una moneda intermedia.

9
 Gráfica 3: Red de triadas que inician en USDT

4. Recolección de datos históricos

Con la lista de triadas identificadas desde USDT, se realizó el proceso de recolección de datos
históricos. La información recolectada fue el volumen y el precio de apertura, el más alto, el más
bajo y el precio de clausura u OHLC (Open, High, Low y Close) de cada minuto. El horizonte
estudiado fue de 20 días comprendidos entre el lunes 01 de noviembre del 2021 a las [Link]
GMT hasta el domingo 21 de noviembre del 2021 a las [Link] GMT.

Este periodo de estudio presentó una limitante para recolectar información de los mercados
dentro de las triadas puesto que 123 mercados no existieron en la totalidad del periodo estudiado,
reduciendo el número de triadas estudiadas a 1.644 y 1.112 mercados (arcos). El periodo estudiado
represento una recolección de 28.800 datos para cada uno de los 1.112 mercados.

5. Cálculo de arbitraje histórico

Con la información histórica recolectada, el siguiente paso es el de calcular minuto a minuto el
arbitraje para cada triada estudiada. Para esto, este estudio se basó en lo propuesto por Aiba, Y.,
Hatano, N., Takayasu, H., Marumo, K., y Shimizu, T, cuyo proceso e implementación se explica
a continuación.

Se toma una sola triada compuesta por USDT, C1 y C2, es decir, que se inicia con una
determinada cantidad de USDT. Esta cantidad es cambiada por un volumen de moneda C1, esta
última es cambiada por C2 y finalmente, se cambia la cantidad de C2 por USDT. Este
procedimiento se repite para todos los 28.800 minutos de las 1.644 triadas. Es importante
mencionar que para este proceso se utilizó el precio de cierre de cada minuto.

10
Se inicia con una cantidad inicial de 100 USDT (7).

𝑈𝑆𝐷𝑇𝑖 = 100 (7)

Esta cantidad inicial de USDT es cambiada por una cantidad de C1 en el minuto t con un
precio bid para este ejemplo y un cobro de comisión sobre la moneda C1. En este caso la comisión
usada es de 0,1% (Binance, 2021).

𝐶1(𝑡) = 𝑈𝑆𝐷𝑇𝑖 ∗ 𝑃 𝐶1 (𝑡) − 𝑐𝑜𝑚𝐶1 (𝑡) (8)

𝑈𝑆𝐷𝑇

Con la cantidad de C1 en el momento en t, este volumen es usado para ser cambiada por
una cierta cantidad de moneda C2 usando la misma metodología. No obstante, esta vez para el
ejemplo se usa el precio ask.

−1
𝐶2(𝑡) = 𝐶1(𝑡) ∗ 𝑃𝐶1 (𝑡) − 𝑐𝑜𝑚𝐶2 (𝑡) (9)
𝐶2

Para completar el procedimiento de arbitraje, la cantidad de C2 es intercambiada con el

equivalente a USDT, con un precio ask en este ejemplo y pagando la comisión en USDT.

𝑈𝑆𝐷𝑇𝑓 (𝑡) = 𝐶2(𝑡) ∗ 𝑃−1

𝐶2 (𝑡) − 𝑐𝑜𝑚𝑈𝑆𝐷𝑇 (𝑡) (10)
𝑈𝑆𝐷𝑇

Con la cantidad final de USDT en el momento t (𝑈𝑆𝐷𝑇𝑓 (𝑡)) se calcularon dos medidas
minuto a minuto, el resultado del ejercicio en el minuto t (11) y el retorno del ejercicio en el minuto
t (12).

𝑅𝑒𝑠(𝑡) = 𝑈𝑆𝐷𝑇𝑓 (𝑡) − 𝑈𝑆𝐷𝑇𝑖 (11)

𝑅𝑒𝑠(𝑡)
𝑅𝑒𝑡(𝑡) = 𝑈𝑆𝐷𝑇 (𝑡) (12)
𝑖

Una vez calculadas las medidas, se realizó una validación del volumen tranzado en cada
uno de los mercados de la triada en cuestión. Esta validación busca garantizar que el ejercicio
estudiado hubiera sido posible en ese momento, es decir, que el mercado aceptó los precios
propuestos y se realizó una transacción.

𝑅𝑒𝑠(𝑡) , 𝑣𝑜𝑙 𝐶1 (𝑡) > 0 ⋀ 𝑣𝑜𝑙𝐶1 (𝑡) > 0 ⋀ 𝑣𝑜𝑙 𝐶2 (𝑡) > 0
𝑅𝑒𝑠(𝑡) = { 𝑈𝑆𝐷𝑇 𝐶2 𝑈𝑆𝐷𝑇 (13)
0 , 𝑑. 𝑙. 𝑐

𝑅𝑒𝑡(𝑡) , 𝑣𝑜𝑙 𝐶1 (𝑡) > 0 ⋀ 𝑣𝑜𝑙𝐶1 (𝑡) > 0 ⋀ 𝑣𝑜𝑙 𝐶2 (𝑡) > 0
𝑅𝑒𝑡(𝑡) = { 𝑈𝑆𝐷𝑇 𝐶2 𝑈𝑆𝐷𝑇 (14)
0 , 𝑑. 𝑙. 𝑐

11
 Este procedimiento se llevó a cabo para cada una de las triadas en el horizonte de tiempo
estudiado, lo que permitió tener la información de más de 47 millones de simulaciones.

Es importante aclarar que esta metodología se plantea de forma iterativa dado que esta es una red
que cambia rápidamente. Por lo tanto, requiere de revisión constate debido a que algunas monedas dejan
de existir, otras son agregadas y nuevos mercados surgen a medida que los inversionistas lo solicitan. En
este sentido, realizar el proceso nuevamente permite que los resultados se mantengan al día y se posibilita
la evaluación de otras monedas de ingreso.

Resultados
Para estudiar los resultados se tomaron los principios establecidos por Harry Markowitz para la selección
de portafolios. Estos principios establecen que un inversionista debe incorporar el retorno esperado del
portafolio y su tolerancia al riesgo (Markowitz, H., 1952). Por consiguiente, para estudiar el desempeño
de las triadas se usaron tres variables que buscan representar el retorno esperado y el riesgo de cada triada.

Las variables de estudio seleccionadas fueron los retornos históricos, la volatilidad histórica y la
probabilidad de ocurrencia histórica de cada triada. Los retornos históricos son una medida de qué tan
rentable es cada triada, esto debido a que mide la ganancia adicional obtenida por cada unidad invertida.
Idealmente se espera que el valor del retorno sea superior a cero. Adicionalmente, los retornos históricos
permiten tener una imagen de cómo se desempeñó cada triada en el pasado y permiten hacer una idea de
cómo podrían comportarse en el futuro.

Ahora bien, se estudiaron dos formas de retornos históricos, la primera forma fue el retorno total
que suma el retorno de cada minuto para cada triada, lo que nos permite saber el rendimiento acumulado
de cada triada durante el tiempo estudiado. La segunda forma de retorno histórico es la mediana de los
retornos de cada triada, esta medida permite ver el mejor desempeño de cada triada sin el ruido generado
por posibles grandes caídas o subidas en el desempeño. La volatilidad es una medida para determinar qué
tan riesgoso es un activo, para esto la forma más usual de medir la volatilidad es la desviación estándar de
los retornos (Markowitz, H., 1952), donde entre mayor sea la desviación mayor es el riego de la triada.
Por último, se estudió la probabilidad de ocurrencia, que es el porcentaje de veces que en el tiempo
estudiado se pudo realizar arbitraje (15).

𝑁𝑢𝑚 𝑂𝑐𝑢𝑟𝑟𝑒𝑛𝑐𝑖𝑎𝑠
𝑃𝑟𝑜𝑏𝑂𝑐𝑢𝑟𝑟 = (15)
𝑁𝑢𝑚 𝑑𝑒 𝑚𝑖𝑛𝑠

La probabilidad de ocurrencia permite observar dos características alineadas con lo establecido

por Markowitz. Por un lado, la primera es que haya existido arbitraje en la triada o, en otras palabras, si
se ha generado retornos. Por otro lado, la segunda característica es con qué frecuencia ha ocurrido esto, es
decir, qué tan probable es, permitiendo determinar qué tan riesgosa es la estrategia.

De las 47 millones de simulaciones realizadas se encontró que es realmente inusual que una triada
logre explotar las ineficiencias del mercado y la complejidad de los intercambios. Sin embargo, esto no
significa que no haya sido posible generar arbitraje. Los resultados muestran que para los retornos
históricos existen triadas que han logrado obtener resultados positivos.

12
Resultado de los retornos totales

Medida Valor
Conteo 1644
Promedio -51.315
Desviación st. 25.451
Mínimo -264.017
25% -74.651
50% -51.271
75% -29.586
Máximo 127.749

Gráfica 4 y tabla 1: Histograma de frecuencia de retornos totales y tabla de resumen correspondiente

Resultado de las medias de los retornos
Medida Valor
Conteo 1644
Promedio -0.001
Desviación st. 0.001
Mínimo -0.008
25% -0.002
50% -0.001
75% 0.000
Máximo 0.002

Gráfica 5 y tabla 2: Histograma de frecuencia de la mediana de los retornos y tabla de resumen

correspondiente
Con base en los resultados expuestos se debe destacar que el máximo de los retornos históricos
totales es de 127.74. Esto significa que se logró un retorno sobre la inversión de 127.74 USDT en 20 días.
De igual forma, al observar la mediana de los retornos para las triadas, es posible ver que el máximo es
de 0.002, por lo que existe al menos una triada cuyo 50% de retornos son superiores a 0.002. Por otro
lado, se puede ver que para la gran mayoría de triadas generar un arbitraje total y mediana superiores a
cero no ha sido posible.
Adicionalmente, al estudiar la volatilidad y la probabilidad de ocurrencia es posible observar que
han existido momentos de arbitraje en el periodo estudiado para 1.587 de 1.644 triadas, lo que muestra
que existieron momentos en el que fue posible el arbitraje, aunque estos hayan sido pocos. Igualmente, es

13
posible identificar que las triadas no son muy volátiles en el tiempo ya que el promedio de volatilidad es
de 0.001. Así pues, al compararlo con la volatilidad del S&P500 que es del 0.18, es posible determinar
que esta estrategia no es volátil.
Resultado de la probabilidad de ocurrencia
Medida Valor
Conteo 1644
Promedio 0.014
Desviación st. 0.035
Mínimo 0
25% 0.000
50% 0.004
75% 0.012
Máximo 0.548

Gráfica 6 y tabla 3: Histograma de frecuencia de la probabilidad de ocurrencia y tabla de resumen

correspondiente
Resultado de la volatilidad de los retornos

Medida Valor
Conteo 1644
Promedio 0.001
Desviación st. 0.001
Mínimo 0.000
25% 0.001
50% 0.001
75% 0.002
Máximo 0.014

Gráfica 7 y tabla 4: Histograma de frecuencia de la volatilidad y tabla de resumen correspondiente

Ahora, siguiendo los principios de Markowitz, se quiere encontrar la mejor relación entre riesgo y
retorno. Para esto, se toma la volatilidad de los retornos históricos de cada triada como medida de riesgo
y se toma la probabilidad de ocurrencia como medida del retorno esperado o éxito, ya que esta última
permite entender si es posible generar o no arbitraje. Al graficar esta relación se obtiene el siguiente
resultado:

14
 Voltalidad vs ProOcurrencia
0.016

0.014

0.012

0.01
Volatilidad

0.008

0.006

0.004

0.002
Lineal (Voltalidad vs ProOcurrencia)
0
0 0.1 0.2 0.3 0.4 0.5 0.6
Probailidad de ocurrencia

Gráfica 8: Relación Volatilidad contra probabilidad de ocurrencia de las triadas, con línea de
regresión lineal 𝑣𝑜𝑙 = 𝛽0 + 𝑃𝑟𝑜𝑏𝑂𝑐𝑢𝑟𝑟𝛽1 + 𝜀
Al observar la relación de volatilidad y probabilidad de ocurrencia se puede ver que las triadas
siguen la teoría de Markowitz. Esto debido a que la ubicación de estas se encuentra en la diagonal, por lo
que los activos (triadas) en su mayoría son de bajo riesgo y baja probabilidad de ocurrencia, o son de alto
riesgo y alta probabilidad de ocurrencia.
Bajo este entendimiento, el método para que una triada sea exitosa es que esta posea dos
características: primero, una probabilidad de ocurrencia alta que busca que las triadas tengan un mayor
chance de lograr arbitraje basado en el desempeño histórico. Segundo, que posean volatilidad baja para
buscar que los retornos de las triadas no sean riesgosos, es decir, que haya cierto nivel de certeza alrededor
del desempeño de los retornos futuros.
Como punto de inicio para encontrar las características de las triadas que cumplen con tener baja
volatilidad y alta probabilidad de ocurrencia, se definió que estas triadas son las que se encuentran por
debajo de la mediana de las volatilidades y por encima de la mediana de las probabilidades de ocurrencia.
Se tomó esta definición dado que esto permite seleccionar las triadas que se desempeñan por encima del
50% de las triadas tanto en ocurrencia como en riesgo. Al realizar esta selección de triadas se encontró
que 195 (13%) son triadas exitosas que cumplen con las definiciones anteriormente descritas.

15
 Volatilidad vs Probabilidad de Ocurrencia
0.016

0.014

0.012

0.01
Volatilidad

0.008

0.006

0.004

0.002
SI NO
0
0 0.1 0.2 0.3 0.4 0.5 0.6
Probailidad de ocurrencia

Gráfica 8: Relación Volatilidad contra probabilidad de ocurrencia de las triadas, mostrando las triadas
deseadas
Estas 195 triadas son aquellas que poseen una volatilidad inferior a 0.0015 y una probabilidad de
ocurrencia superior a 4.56%.
Una vez identificadas las triadas exitosas, el siguiente paso es entender qué características
endógenas poseen las triadas que les permiten tener una volatilidad baja y una probabilidad de ocurrencia
alta. Para la anterior, se construyó un modelo logístico basado en algunas de las variables explicativas
definidas por Aiba, Y., Hatano, N., Takayasu, H., Marumo, K., y Shimizu, T, que buscan explicar el éxito
de las triadas (Aiba, Y., Hatano, N., Takayasu, H., Marumo, K., & Shimizu, T.,2003).
El modelo logístico incorpora como variables explicativas las tres correlaciones de Person entre
los tres mercados de las monedas y las tres volatilidades de los mercados. Siendo 1, 2 y 3 los tres mercados
que componen una triada. El modelo logístico estudiado es el siguiente:
1
𝑃(𝑋) = 1+𝑒 𝛽0+𝛽1 𝐶𝑜𝑟𝑟12+𝛽2 𝐶𝑜𝑟𝑟13+𝛽3𝐶𝑜𝑟𝑟23 +𝛽4𝑉𝑜𝑙1 +𝛽5 𝑉𝑜𝑙2+𝛽6 𝑉𝑜𝑙3 (16)

Una vez establecido el modelo, se decidió aplicar la metodología de selección de variables

mediante RFE o eliminación de características recursivas para poder seleccionar las variables que mejor
logren explicar el éxito de las triadas evitando generar ruido (Fuchs, M.,2019). Se utilizó la metodología
de RFE ya que su objetivo es seleccionar características considerando recursivamente conjuntos de
elementos cada vez más pequeños, motivo por el cual se ha utilizado ampliamente para simplificar el
modelo (Chen, Q., Meng, Z., Liu, X., Jin, Q., & Su, R., 2018). Al correr el algoritmo RFE se eliminó la
variable de la volatilidad del mercado 2.
Con el modelo simplificado se implementó la metodología SMOTE (Synthetic Minority Over-
sampling Technique) sobre los datos para evitar el sobreajuste de la función logística (Fuchs, M.,2019).
Esta metodología fue implementada dado que la cantidad de muestras exitosas es un 13% de las muestras
totales, por lo que el modelo tiende a favorecer las predicciones no exitosas para lograr un mayor ajuste.
16
Lo que hace SMOTE es crear muestras sintéticas (no duplicadas) de la clase minoritaria. Se hace esto
seleccionando registros similares y alterando ese registro una columna a la vez por una cantidad aleatoria
dentro de la diferencia con los registros vecinos (Chawla, N. V., Bowyer, K. W., Hall, L. O., &
Kegelmeyer, W. P., 2002). En otras palabras, después de aplicar SMOTE, los datos de estudio poseen
1449 casos de éxito y 1449 casos de fracaso.
coef std err z P>|z| [0.025 0.975] Prob
Cons 0.6721 0.074 9.115 0 0.528 0.817 1.9583
Volat1 -0.0004 4.86E-05 -8.29 0 0 0 0.9996
Volat3 -0.0004 4.61E-05 -8.7 0 0 0 0.9996
Corr12 -0.7701 0.087 -8.81 0 -0.941 -0.599 0.4630
Corr23 -1.0365 0.088 -11.8 0 -1.209 -0.864 0.3547
Corr31 0.9258 0.104 8.872 0 0.721 1.13 2.5239
Tabla 5: Resultado del modelo logístico
El modelo logístico final, posee una precisión de 73%, una asertividad de 20% entendida como la
capacidad del modelo de no etiquetar una muestra como positiva si es negativa, un recall de 0.45 que es
la capacidad del modelo de etiquetar las muestras positivas y un R-cuadrado de 0.07. Esta precisión del
modelo es posible verla gráficamente con la matriz de confusión y la curva ROC (Receiver Operating
Characteristic).

Tabla 6 y gráfica 9: Matriz de confusión de la predicción del modelo y Curva ROC del modelo
De estas gráficas es posible observar que el modelo tiene 108 casos de falsos positivos (7% sobre
las predicciones totales son error tipo 1) y 339 casos de falsos negativos (23% sobre las predicciones
totales son error tipo 2). Adicionalmente, en la gráfica 9, la línea roja representa la curva ROC de un
modelo de clasificación puramente aleatorio. Es importante tener en consideración que un buen modelo
se mantiene lo más lejos posible de esa línea. Esto significa que la esquina superior izquierda del gráfico
es el punto ideal de un modelo donde se tiene una tasa de falsos positivos de cero y una tasa de verdaderos
positivos de uno (Fuchs, M.,2019). Al observar la curva ROC del modelo generado (gráfica 9), es posible
ver que el modelo ha logrado una buena capacidad de predicción, lo cual se valida con el hecho de que el
AUC (área bajo la curva ROC) es de 0.61.

17
 Para poder interpretar los resultados del modelo, se hace uso de la probabilidad de cada variable o
Odds-ratio (Prob). Teniendo en consideración el modelo presentado, es posible concluir que, manteniendo
las demás variables constantes, si se aumenta en un punto la volatilidad del mercado 1 o del mercado 2,
la probabilidad de tener arbitraje con bajo riesgo disminuye en 0.1%. Por otra parte, al aumentar en una
unidad decimal la correlación entre los mercados 1-2 y los mercados 2-3, manteniendo todo lo demás
igual, la probabilidad de tener arbitraje con bajo riesgo disminuye en 54% y 65% respectivamente. Por
último, se puede concluir que al aumentar en una unidad decimal la correlación entre los mercados 3-1,
manteniendo lo demás constante, la probabilidad de tener arbitraje con bajo riesgo aumenta en un 152%.

Discusión
Aunque se ha podido observar que lograr arbitraje triangular es un evento poco común, ya se ha construido
una imagen de cuáles son las características que las triadas deben tener para tener mayor oportunidad de
ser exitosas. Por esta razón, se decidió realizar una serie de simulaciones en tiempo real de una triada que
posee una alta probabilidad de ocurrencia y volatilidad baja para poder ver en tiempo real qué tan efectiva
ha sido la estrategia desarrollada.
Así pues, se tomó la triada USDT-BTC-DGB para realizar este ejercicio. USDT-BTC-DGB, es
una triada que posee una probabilidad de ocurrencia histórica de 29.5% y una volatilidad de 0.006. Los
mercados involucrados en esta triada son BTC/USDT, DGB/BTC, y DGB/USDT. Ahora bien, aunque las
características de estos mercados no son ideales para el modelo logístico desarrollado, su alta probabilidad
de ocurrencia la hace interesante para ser simulada en tiempo real.
Corr12 Corr23 Corr31 Volat1 Volat2 Volat3
0,116 0,802 0,680 2803,847 0,001 0,004

Tabla 7: Información de los mercados de la triada USDT-BTC-DGB

Se simuló la operación de arbitraje con la triada 33.960 veces. Estas simulaciones se realizaron el
domingo 21 de diciembre de 2022 desde las [Link] GMT-5, durante 28,3 horas cada tres segundos. Se
inició con una cantidad inicial en cada simulación de 100 USDT para comprar la equivalente cantidad en
BTC mediante el mercado BTC/USDT. La cantidad de BTC, menos la comisión, fue inmediatamente
convertida a DGB por el mercado DGB/BTC. Por último, la cantidad de DGB, menos la comisión, fue
vendida para obtener USDT.

18
Gráfica 10: Volúmenes de compra de BTC, DGB y USDT, y retornos de las simulaciones de USDT-
BTC-DGB

Medida Valor
Promedio -0.986
Desviación St 0.41
Mínimo -2.142
25% -1.269
50% -1.009
75% -0.686
Máximo -0.002
Tabla 8: Resumen de resultados de las simulaciones de USDT-BTC-DGB

19
 Las simulaciones realizadas no lograron generar arbitraje durante el tiempo estudiado ya que se
obtuvo un máximo de -0.002 de retorno durante la simulación. Los resultados en cuestión llevaron a una
revisión del proceso, donde se descubrió que cada criptomoneda posee una limitación en el número de
decimales. Por ejemplo, si se quiere comprar MANA (una moneda que solo se puede comprar en
cantidades enteras) se tiene que pagar 3.29 dólares por una MANA. Ahora, si se tienen 100 dólares no se
pueden comprar 30,3951 MANA’s, solo se pueden comprar 30 MANA’s. Por lo tanto, 0,3951 MANA’s
o 1,2998 dólares son pérdidas de la estrategia.
Con el resultado de las simulaciones en tiempo real y retomando los supuestos realizados, se
encontraron dos limitaciones al estudio: la variabilidad de precios en el minuto de operación y los
decimales de cada moneda. El estudio partió del supuesto de tomar el precio de cierre de cada minuto,
pero al realizar las simulaciones se observó que los cambios de precio son relevantes para las triadas dado
que existe una gran cantidad de transacciones que le agregan complejidad y variabilidad al precio durante
ese minuto. El estudio realizado no incorporó el hecho de que algunas criptomonedas limitan el número
de decimales posibles, por lo que los decimales sobrantes son una pérdida para la estrategia.
Como se ha podido observar, es realmente desafiante encontrar oportunidades de arbitraje
triangular. Sin embargo, se han observado casos en los que si ha sido posible, por lo que se puede ampliar
este estudio, utilizando la misma metodología, para entender cómo se generan otras oportunidades. Para
lo anterior, se proponen dos adiciones al estudio. La primera, consiste en incorporar la restricción de
decimales de cada criptomoneda para tener una clara imagen de las pérdidas estructurales al hacer arbitraje
triangular. La segunda, es ampliar la estrategia más allá de las triadas, por ejemplo, estudiar la posibilidad
de utilizar cuartetos de monedas o más, lo que permitiría incorporar más complejidad en la estrategia y
posiblemente mayores oportunidades de arbitraje.

Conclusiones
Teniendo en consideración todo lo anteriormente expuesto, es posible concluir que mediante el estudio se
encontró que las oportunidades de arbitraje triangular existen en la red de mercados de criptomonedas.
Adicionalmente, se definió que para que una triada posea mayor probabilidad de ser exitosa y generar
arbitraje, ésta debe tener una alta probabilidad de ocurrencia y una baja volatilidad histórica. Con lo
anterior en mente, mediante una regresión logística se encontró que para que una triada sea más exitosa
ésta debe tener una correlación baja entre los mercados 1-2 y 2-3, una correlación alta entre los mercados
3-1, y una volatilidad baja de los mercados 1 y 3.
Cabe mencionar que existe la posibilidad de ampliar el estudio mediante la incorporación de la
limitación en el número de decimales de las criptomonedas, para así tener una clara imagen de las pérdidas
estructurales de la estrategia de arbitraje. Por último, existe una oportunidad de realizar este mismo estudio
con diferentes estructuras de monedas que incorporen complejidad y mayores oportunidades de generar
arbitraje.

Agradecimientos
Agradezco especialmente la invaluable ayuda que me prestó el profesor Felipe Montes, quien me guió en
el proceso de construcción de este estudio. De igual manera, agradezco a Andrés Felipe Escobar, quien
me colaboró a entender la forma de recolectar datos y me brindó asesoría con el uso de las herramientas
para este trabajo.

20
Referencias Bibliográficas

1. Aiba, Y., Hatano, N., Takayasu, H., Marumo, K., & Shimizu, T. (2002). Triangular arbitrage as
an interaction among foreign exchange rates. En Physica A: Statistical Mechanics and its
Applications (Vol. 310, Issues 3–4, pp. 467–479). Elsevier BV. [Link]
4371(02)00799-9
2. Aiba, Y., Hatano, N., Takayasu, H., Marumo, K., & Shimizu, T. (2003). Triangular arbitrage and
negative auto-correlation of foreign exchange rates. Physica A: Statistical Mechanics and its
Applications, 324(1-2), 253-257.
3. Binance. (2021). Acerca de. Retrieved December 27, 2021, from
[Link]
4. Business Insider. (2021, December 23). Top 6 stablecoins in the crypto market - what are they,
how they work and why they have governments worried. Retrieved December 28, 2021, from
[Link]
are-they-how-to-they-work-and-why-they-have-governments-worried/articleshow/[Link]
5. Chawla, N. V., Bowyer, K. W., Hall, L. O., & Kegelmeyer, W. P. (2002). SMOTE: Synthetic
Minority Over-sampling Technique. En Journal of Artificial Intelligence Research (Vol. 16, pp.
321-357). AI Access Foundation. [Link]
6. Chen, Q., Meng, Z., Liu, X., Jin, Q., & Su, R. (2018). Decision Variants for the Automatic
Determination of Optimal Feature Subset in RF-RFE. En Genes (Vol. 9, Issue 6, p. 301). MDPI
AG. [Link]
7. CoinMarketCap. (2021). Cryptocurrency prices, charts and market capitalizations. Retrieved
December 23, 2021, from [Link]
8. Duignan, B. (2019, October 7). financial crisis of 2007–08. Encyclopedia Britannica.
[Link]
9. Frankenfield, J. (2021, October 7). Tether (USDT). Investopedia. Retrieved December 28, 2021,
from [Link]
10. Fuchs, M. (2019, October 31). Introduction to logistic regression. MFuchs. Retrieved January 6,
2022, from [Link]
regression/#further-metrics
11. Mark Newman (2018) Networks, 2nd edition. Oxford University Press, pag. 183
12. Markowitz, H. (1952). Portfolio Selection. En The Journal of Finance (Vol. 7, Issue 1, p. 77).
JSTOR. [Link]
13. Marr, B. (2021, December 10). A short history of bitcoin and crypto currency everyone should
read. Forbes. Retrieved December 22, 2021, from
[Link]
currency-everyone-should-read/?sh=107696913f27
14. Merle, R. (2018, September 10). A guide to the financial crisis - 10 years later. The Washington
Post. Retrieved December 22, 2021, from [Link]
guide-to-the-financial-crisis--10-years-later/2018/09/10/114b76ba-af10-11e8-a20b-
5f4f84429666_story.html

21
15. Nakamoto, S. (2008). Bitcoin: A peer-to-peer electronic cash system. Decentralized Business
Review, 21260.
16. Time. (2021, November 2). Latest crypto regulation talks | nextadvisor with Time. Time. Retrieved
December 25, 2021, from [Link]
regulation-talks-heat-up/
17. World Bank (2021). International Monetary Fund, International Financial Statistics and data files,
and World Bank and OECD GDP estimates.

22