Monkey test: desafiando al azar en el trading algorítmico por Jaume Antolí
Jaume Antolí / científico de datos
Jaume Antolí Plaza es trader algorítmico (Posgrado Sistemas y Modelos Cuantitativos de Trading Algorítmico, UPM) y científico de datos (Máster Ciencia de Datos, UOC) especializado en Data Mining aplicado al trading, enfoque con el que obtuvo el 2º puesto en Robotrader en 2023. Publicado en medios como Traders’ Magazine, Hispatrading y X-Trader. Colaborador en Quantified Models, Quantdemy y Komalogic. [/testimonial
¿Cómo podemos saber si estamos ante una estrategia realmente interesante? ¿Todavía te sigues conformando con un backtest? En este artículo, te mostraremos algo que puede abrirte los ojos.
El backtesting es un componente esencial en el desarrollo de una estrategia de trading algorítmico. Este proceso permite a los traders probar sus estrategias utilizando datos históricos para evaluar si la lógica que subyace en la estrategia es sólida. En teoría, si una estrategia ha funcionado bien en el pasado, debería funcionar bien en el futuro.
No obstante, un backtest con buenas métricas puede resultar engañoso. En ocasiones, una estrategia puede haber funcionado bien en el pasado simplemente por azar, y no necesariamente porque la estrategia sea efectiva.
Para abordar esta cuestión, se propone una metodología conocida como “Monkey Test”. Esta prueba consiste en comparar los resultados de una estrategia con los de miles de estrategias similares generadas de manera aleatoria. Si nuestra estrategia no logra superar a un simple mono lanzando dardos al azar, entonces es probable que nuestra estrategia esté rindiendo menos de lo que debería.
En este artículo, explicaremos cómo el “Monkey Test” puede ayudarnos a identificar estrategias que están rindiendo por debajo de lo esperado.
Si nuestra estrategia no logra superar a un simple mono lanzando dardos al azar, entonces es probable que nuestra estrategia esté rindiendo menos de lo que debería.
ESTRATEGIA DE LAS TORTUGAS: UN CLÁSICO RENTABLE
Uno de los ejemplos más famosos de trading algorítmico es la “Estrategia de las Tortugas”. Esta estrategia fue el resultado de un experimento realizado por Bill Eckhardt y Richard Dennis en 1984 que intentaba demostrar que cualquiera podía aprender a operar con éxito si se le daba un conjunto de reglas a seguir.
La estrategia original de las tortugas involucra varios componentes, incluyendo el uso del indicador del canal de Donchian, el seguimiento de tendencias a corto y largo plazo, y la gestión del riesgo a través del Average True Range (ATR).
Sin embargo, para nuestro propósito, vamos a utilizar una versión simplificada de la estrategia de las tortugas. En esta versión, se abrirá una operación alcista cuando el precio cruza al alza la banda superior de un canal de Donchian de 20 periodos y se cerrará cuando cruza a la baja la banda inferior.
El Canal de Donchian es un indicador técnico que se utiliza para identificar los niveles de ruptura de precios. Se calcula tomando el máximo más alto y el mínimo más bajo de los últimos n periodos. En nuestro caso, estamos utilizando un canal de Donchian de 20 periodos.
En la figura 1 se muestra un ejemplo del canal de Donchian.
Figura 1: ejemplo de canal de Donchian de 20 periodos aplicado al SP500
Nuestra estrategia simplificada se puede resumir de la siguiente manera:
Entrada: Abrimos una operación alcista cuando el precio cruza al alza la banda superior del canal de Donchian de 20 periodos.
Salida: Cerramos la operación cuando el precio cruza a la baja la banda inferior del mismo canal.
Esta versión simplificada de la estrategia de las tortugas nos proporciona un marco básico para el trading algorítmico. Aunque es más simple que la estrategia original, todavía captura la esencia del enfoque de las tortugas: seguir las tendencias del mercado y cortar las pérdidas rápidamente.
RESULTADOS DE LA ESTRATEGIA: UN BACKTEST PROMETEDOR
En la figura 2 se muestran los resultados obtenidos por esta estrategia aplicada al SP500 en el periodo comprendido entre el 01-01-2015 y el 01-06-2024:
Figura 2: curva de resultados y métricas de la estrategia
Estos resultados indican que la estrategia ha sido rentable durante el periodo mostrado, con un alto retorno, un nivel de riesgo aceptable, un nivel de riesgo aceptable, un gran porcentaje de acierto y un Profit Factor espectacular.
Sin más datos, podríamos considerar que esta estrategia es apta para ser operada en real.
¿MEJOR QUE EL BENCHMARK?
El siguiente paso en nuestro análisis es contrastar el desempeño de nuestra estrategia de trading algorítmico con el rendimiento que hubiéramos obtenido si hubiéramos seguido una estrategia de “Buy & Hold” con el índice SP500, que es nuestro benchmark.
En la figura 3 se muestran los resultados de nuestra estrategia comparados contra los que se hubieran haciendo “Buy & Hold” en el SP500 durante el mismo periodo.
Figura 3: resultados de la estrategia vs “Buy & Hold”.
A pesar de que nuestra estrategia ha generado ganancias durante el periodo estudiado, no ha conseguido superar al SP500. Esto tiene su importancia: si una estrategia no logra rendir más que el mercado, los inversores podrían obtener un rendimiento superior simplemente invirtiendo en un fondo indexado al SP500.
TÉ Y MONOS
El autor intelectual de la idea que subyace en el “Monkey Test” es mi colega Alan Tomillero, ganador de Robotrader en 2024, una competición internacional de trading algorítmico organizada por la Universidad Politécnica de Madrid.
En una de nuestras conversaciones, Alan me contó una historia llamada “The lady tasting tea” recogida en el libro The design of experiments de Ronald Fisher (1935), libro que sentó las bases de la estadística moderna.
Ronald Fisher tenía una amiga llamada Muriel Bristol que afirmaba ser capaz de distinguir si la leche había sido puesta en la taza antes o después del té. Cómo Fisher no la creía, le planteó una prueba: prepararía 4 tazas echando la leche antes y 4 tazas echando la leche después y ella tendría que acertar. Bristol acertó 7 de las 8 tazas y Fisher calculó la probabilidad de que hubiera acertado tanto por azar.
En la figura 4 se muestra la distribución de probabilidades en la que se observa que Bristol tenía menos de un 5% de probabilidades de acertar 7 tazas de 8 por azar.
Figura 4: distribución de probabilidades para “The lady tasting tea”.
Con esta historia lo que Alan planteaba era la posibilidad de testar nuestras estrategias contra el azar y entonces me acordé de “los monos tirando al azar” de Malkiel.
El “Monkey Test” es una metodología que nos permite evaluar si nuestra estrategia de trading está realmente superando al azar.
En el libro Un paseo aleatorio por Wall Street de Burton Gordon Malkiel (1973), el autor afirma que los gestores de Wall Street no pueden superar consistentemente al mercado. Para ilustrar este punto, Malkiel utiliza la metáfora de que un mono con los ojos vendados lanzando dardos seleccionaría una cartera de acciones que rendiría igual o mejor que una cartera seleccionada por un comité de expertos.
Más allá del hecho de que gestores como el mítico Jim Simons refutan con resultados la hipótesis de Malkiel, la idea de un “mono lanzando dardos al azar” junto a la idea calcular la probabilidad de que un resultado sea explicado por azar inspirada por la historia de “The lady tasting tea” constituyen el origen del “Monkey Test”.
¿MEJOR QUE EL AZAR?
El “Monkey Test” es una metodología que nos permite evaluar si nuestra estrategia de trading está realmente superando al azar.
En este test, generamos un gran número de estrategias aleatorias que están en el mercado el mismo número de días que la estrategia que queremos analizar. Cada una de estas estrategias aleatorias, o “monos tirando dardos al azar”, genera un rendimiento determinado y el conjunto de todos esos rendimientos genera una distribución de rendimientos generados por azar.
En la figura 5 se muestran las curvas de resultados obtenidas por mil estrategias aleatorias y se marca el resultado obtenido por nuestra estrategia.
Figura 5: estrategia vs mil monos tirando dardos al azar.
Una vez tenemos esta distribución de rendimientos generados por azar, podemos comparar el rendimiento de nuestra estrategia. Si nuestra estrategia no supera a la inmensa mayoría de los “monos”, entonces podemos concluir que nuestra estrategia es mediocre y que su rendimiento se explica por simple azar.
En la figura 6 se muestra la distribución de resultados obtenidos por las estrategias aleatorias y se compara con el resultado de nuestra estrategia.
Figura 6: distribución de retornos generados aleatoriamente.
Así pues, este método nos proporciona una forma objetiva y cuantitativa de evaluar nuestra estrategia. Al comparar nuestra estrategia contra miles de estrategias generadas por azar, podemos tener una mejor idea de si nuestra estrategia está realmente superando al azar o si simplemente hemos tenido suerte.
En el caso que nos ocupa, podemos observar que nuestra estrategia obtiene unos resultados inferiores al promedio de los “monos”. Por lo tanto, podemos afirmar que nuestra estrategia no supera al azar.
Dicho de otra forma: la mayoría de estrategias que pudiéramos generar al azar obtendrían mejores resultados que nuestra estrategia.
En la figura 7 se muestran las curvas de resultados obtenidos por las estrategias aleatorias y la correspondiente distribución de resultados.
Según la posición que ocupe la estrategia en la distribución del “Monkey Test”, podemos descartar o validar una estrategia:
Superior al promedio de los “monos” más 2 desviaciones estándar: estrategia a considerar (área verde).
Inferior al promedio de los “monos” más 1 desviación estándar: estrategia a descartar (área roja).
Zona intermedia: estrategia a mejorar (área naranja).
Figura 7: Monkey Test
CONCLUSIONES
El “Monkey Test” se presenta como una herramienta valiosa para evaluar la efectividad de las estrategias de trading algorítmico. A través de la comparación con estrategias generadas aleatoriamente, podemos determinar si una estrategia realmente supera al azar o si su rendimiento se debe simplemente a la suerte.
En este artículo, hemos explorado cómo aplicar el “Monkey Test” y hemos demostrado su utilidad mediante la evaluación de una versión simplificada de la estrategia de las tortugas. A pesar de que esta estrategia ha demostrado resultados prometedores en el backtest, el “Monkey Test” ha revelado que no supera al azar.
En resumen, el “Monkey Test” nos proporciona una forma objetiva y cuantitativa de evaluar nuestras estrategias de trading.
El petróleo se prepara para una gran tendencia… por Alex Barrow
Alex Barrow / MACRO OPS
Cofundador de Macro Ops, www.macro-ops.com. Global Macro fanático, ex francotirador profesional y miembro de la inteligencia de los EE. UU.
[/testimonial
“…la intuición es nuestra brújula más valiosa en este mundo. Es el puente entre el inconsciente y la mente consciente, y es sumamente importante mantenernos en contacto con lo que la hace funcionar. Si nos enfrascamos tanto en un literalismo académico narcisista que descartamos la intuición como inexistente porque no la entendemos completamente, o si consideramos a la ligera que el inconsciente es una pieza de maquinaria que opera mística en un ámbito con el que no tenemos conexión, entonces perdemos la rica oportunidad de tener una comunicación abierta con la fuente de la creatividad.” ~ El arte de aprender
En el Dirty Dozen [CHART PACK] de esta semana, analizamos la debilidad en los semiconductores, hablamos de los diferenciales ajustados en el crédito, discutimos las estadísticas alcistas en las smallcaps, cubrimos algunas entradas del USD y revisamos la señal importante en el crudo, entre otros temas…
1. Semiconductores
En un mercado alcista fuerte y saludable, los sectores de mayor beta (semiconductores) dentro del mercado de mayor beta (QQQ) tienden a liderar el avance general. Ese no ha sido el caso para los semiconductores, que han estado rezagando en relación al SPY desde julio. Las divergencias negativas significativas como estas suelen preceder a correcciones más amplias del mercado. Pero, quizás esta vez la debilidad se deba a algunas tomas de ganancias en la operación de IA que avanzó demasiado, demasiado rápido.
2. Porcentaje de semiconductores sobre su media móvil de 200 días
Solo el 27% de los semiconductores están cotizando por encima de sus medias móviles de 200 días. Cuando este número cae por debajo del 20%, tendemos a ver un suelo pronto en el sector.
3. Diferenciales de crédito
Los diferenciales de crédito están en su nivel más ajustado desde julio de 2007.
4. Liquidez general
Pero la liquidez general está comenzando a ajustarse. Nuestro indicador de liquidez de MO, que ha oscilado entre el 90% y el 100% durante la mayor parte del año (indicando liquidez holgada), ahora ha caído por debajo del 80%, ya que las expectativas de crecimiento y tasas se han reajustado al alza tras las elecciones.
5. Estadísticas de SentimenTrader
Estas son estadísticas interesantes de SentimenTrader, que escribe: “La tabla a continuación muestra aquellas ocasiones en las que más del 20% de las acciones del Russell 2000 alcanzaron un nuevo máximo y el menor porcentaje de acciones cotizó por encima de sus medias móviles de 200 días. La conclusión fue clara: no hizo diferencia. De hecho, los rendimientos futuros en el Russell fueron ejemplares.”
6. Desempeño del Russell 2000
Y “El Russell 2000 está en camino de registrar su cuarto año consecutivo de bajo rendimiento en comparación con el S&P 500. Desde la creación del índice a finales de 1978, su racha de bajo rendimiento ha alcanzado cuatro años solo una vez, en 1997. Volvió a tener un rendimiento inferior en 1998, luego experimentó una fuerte recuperación relativa durante la siguiente década.”
7. USDCAD
El USDCAD completó su ruptura de un rango lateral de 2 años. Este es un régimen de compresión importante, lo que significa que probablemente nos espera una gran tendencia.
8. Posicionamiento en el CAD
Pero el posicionamiento está bastante saturado en el lado corto del CAD, por lo que es algo a tener en cuenta al dimensionar una posición inicial. Si esta ruptura alcista se mantiene, es posible que veamos algo de volatilidad primero a medida que se reduzca parte de este posicionamiento.
9. EURUSD
El EURUSD se acerca al fondo de su rango lateral de 2 años. Estaré buscando entrar en largo en una fuerte reversión alrededor de este nivel o en corto en una ruptura bajista confirmada a la baja.
10. Estacionalidad del EURUSD
El EURUSD pronto entrará en su período de estacionalidad más fuerte.
11. Compresión en el crudo
El petróleo crudo está en su régimen de compresión más ajustado desde finales de 2014, como se muestra aquí por el ancho de su Banda de Bollinger mensual. Esta señal es indeterminada en cuanto a la dirección. Pero nos indica que es probable que veamos el inicio gran tendencia. Jugaremos en cualquier dirección y solo estamos esperando que el mercado muestre su mano.
12. Niveles de interés en el crudo
Estos son los niveles aproximados que estoy observando para que la acción del precio los cruce y me interese.
¿Pueden las imágenes de Twitter predecir la acción del precio durante los anuncios del FED? por Quantpedia
La misión de Quantpedia es procesar la investigación académica financiera de una forma más fácil de usar, para ayudar a cualquiera que busque nuevas ideas de estrategias cuantitativas y algorítmicas. Nuestro equipo está formado por miembros experimentados con diferentes antecedentes: financieros, matemáticos y traders, combinados con miembros con un sólido conocimiento técnico y de TI.
Quantpedia / Quantpedia.com
Las reuniones del Comité Federal de Mercado Abierto (FOMC, por sus siglas en inglés) son llamadas el “Super Bowl de las Finanzas” debido a su impacto significativo en los mercados financieros. Estas reuniones, donde se toman decisiones críticas sobre la política monetaria, atraen la atención de traders e inversionistas en todo el mundo. Durante los periodos cercanos al anuncio de cambios en las tasas, se observa de cerca el desempeño del SPDR S&P 500 ETF Trust (SPY) y las primas de riesgo de acciones, ya que pueden proporcionar información sobre el sentimiento del mercado y posibles movimientos futuros. Recientemente, las criptomonedas han ganado terreno como una clase de activo general aceptada, y los participantes en este mercado también están atentos a los resultados de las conferencias de prensa, evaluando la capacidad del presidente de la FED para responder preguntas sobre proyecciones económicas futuras y decisiones anticipadas.
Curiosamente, la intersección de las redes sociales con el análisis de texto y de imágenes proporciona perspectivas sorprendentes sobre la política monetaria. Investigaciones recientes han demostrado que el análisis de sentimiento de imágenes en Twitter puede predecir el desempeño de las acciones durante los días de anuncios de la FOMC mucho mejor que el análisis de texto por sí solo. Un estudio encontró que, además del uso creciente de imágenes alrededor de los anuncios de la FOMC, el tono de las imágenes está significativamente y negativamente asociado con la prima de riesgo implícita de la FOMC, y positivamente asociado con los rendimientos realizados durante los días de anuncio para los mercados de acciones y bonos del Tesoro. Por otro lado, el tono textual en Twitter no muestra una asociación estadísticamente significativa con la prima de riesgo implícita de la FOMC ni con los rendimientos excesivos realizados. Estos resultados se alinean con la importancia del sentimiento público expresado en Twitter y el uso creciente de medios visuales para transmitir opiniones. Los resultados insignificantes para el tono textual podrían deberse a dificultades para cuantificar el texto de los tweets debido al uso creciente de imágenes en lugar de texto, así como a problemas con la interpretación precisa del texto debido a elementos como emoticonos, sarcasmo y jerga.
Este enfoque innovador aprovecha el procesamiento de lenguaje natural y el análisis de imágenes para medir el sentimiento del mercado, ofreciendo una nueva herramienta para los inversores. ¿Acaso los días de análisis puro de texto han quedado atrás, ya que ya no pueden proporcionar información confiable sobre el sentimiento general de los inversores? Aunque este análisis no proporciona una estrategia directa, las tablas de regresión presentadas en la investigación ofrecen ideas valiosas para análisis futuros.
Sobre la investigación
La introducción del estudio destaca la importancia de comprender el sentimiento del mercado y su poder predictivo, especialmente durante eventos financieros críticos como las reuniones de la FOMC. La Sección 3.3 profundiza en la metodología y los hallazgos, lo que lo convierte en una lectura interesante para lectores interesados en la relación entre redes sociales y mercados financieros.
Detalles del estudio
Autores: Sakshi Jain, Alexander Kurov, Bingxin Li y Jalaj Pathak
Cuantificamos el tono de imágenes y texto de tweets en torno a los anuncios de la FOMC y presentamos evidencia sobre el uso creciente de contenido visual. Encontramos que es el tono de las imágenes en los tweets, más que el texto, el que está significativamente asociado con la prima de riesgo implícita de la FOMC y los rendimientos realizados en los mercados de acciones y bonos alrededor de los anuncios de la FOMC. Un aumento de una desviación estándar en el tono de la imagen corresponde a una disminución de seis puntos básicos en la prima de riesgo implícita de la FOMC. Estos resultados están alineados con la importancia del sentimiento público expresado en Twitter y con el uso creciente de medios visuales que incorporan elementos no convencionales como emoticonos, sarcasmo y jerga.
Citas notables del estudio académico
“Específicamente, cuantificamos el tono textual y de imágenes de los tweets alrededor de los anuncios de la FOMC y examinamos su impacto correspondiente en las primas de riesgo implícitas de la FOMC y los rendimientos realizados tanto en los mercados de acciones como de bonos. Cuantificamos el tono de las imágenes en Twitter utilizando el modelo de clasificación de fotos CNN (Obaid y Pukthuanthong, 2022; Jiang et al., 2023). Mientras que el tono textual en Twitter se calcula utilizando TweetNLP (Camacho-Collados et al., 2022). La prima de riesgo implícita de la FOMC utilizada en este estudio se calcula según Liu et al. (2022) y es una medida basada en opciones computada alrededor de los anuncios de la FOMC que minimiza posibles contaminaciones causadas por otros factores de riesgo. El estudio se centra en el periodo de 2013 a 2019 debido a la disponibilidad de datos de Twitter desde 2013. El conjunto de datos de siete años abarca numerosas acciones de política significativas de la Reserva Federal, incluida la continuación del alivio cuantitativo, el despegue de la tasa de fondos federales, aumentos graduales de tasas y reversiones de política.”
“Como lo respaldan Azar y Lo (2016), Masciandaro et al. (2023) y Schmanski et al. (2023), Twitter es un buen proxy del sentimiento del público general, que eventualmente se traduce en el sentimiento del mercado, especialmente en torno a los principales eventos económicos como los anuncios de la FOMC. Además, con la disminución de los tiempos de atención, creemos que las imágenes son un medio importante para expresar y recibir información, al mismo nivel que el texto, o posiblemente incluso más (Obaid y Pukthuanthong, 2022). Argumentamos que las imágenes están más estrechamente asociadas con la información clave, mientras que el texto tiende a ofrecer detalles más completos. En Twitter, una publicación puede incluir típicamente una sola imagen con una línea adicional de texto. Esto sugiere que los usuarios de Twitter utilizan imágenes para transmitir el mensaje más importante que desean compartir, mientras que el texto sirve para ofrecer contexto o información de fondo adicional. Esta distinción estructural resalta por qué las imágenes suelen ser más pertinentes al punto principal y por qué el texto proporciona detalles complementarios y, a veces, menos centrales.”
“Con estas consideraciones, planteamos una relación negativa y significativa entre el tono de Twitter y la prima de riesgo implícita de la FOMC (Liu et al., 2022) y una relación positiva con los rendimientos realizados (Cieslak et al., 2019), debido a que el tono de Twitter es un proxy para el sentimiento del mercado, y por ende, un tono positivo creciente o un tono negativo decreciente implica una percepción y un sentimiento mejorados del mercado tanto para los mercados de acciones como de bonos.”
“La relación negativa del tono de las imágenes con la prima de riesgo implícita de la FOMC está en línea con la interpretación de la prima de riesgo implícita establecida por Liu et al. (2022). Según su definición, la prima de riesgo implícita de la FOMC se asocia negativamente con desarrollos económicos positivos, y viceversa. Esto se debe a que durante períodos de crecimiento económico, como aumentos en el PIB y el crecimiento del consumo, las primas de riesgo son más bajas debido a una menor percepción de riesgo, mientras que durante períodos de desaceleración económica, las primas de riesgo son más altas para compensar mayores percepciones de riesgo.”
“También encontramos una relación positiva y significativa entre el tono de las imágenes y los rendimientos excesivos del índice S&P 500 (Cieslak et al., 2019), así como los rendimientos realizados en los mercados de bonos (Adrian et al., 2013). Dado que la prima de riesgo refleja el pesimismo en el mercado, una medida positiva de la expresión pública tiene una asociación negativa con esta. Sin embargo, los rendimientos excesivos en los mercados de acciones y bonos reflejan el optimismo del mercado y, por lo tanto, tienen una relación positiva con la expresión pública en Twitter.”
“En contraste con la relación negativa y significativa entre el tono de las imágenes en los tweets y la prima de riesgo implícita de la FOMC, la asociación entre el tono textual de los tweets y esta misma prima de riesgo no es significativa.”
“Figura 2: Presenta las primas de riesgo implícitas de la FOMC (IFRP) para el día de los anuncios de la FOMC, calculadas para los coeficientes de aversión al riesgo de γ = 5, γ = 7.5 y γ = 10, que corresponden a α = −13, α = −20.5 y α = −28 respectivamente (Liu et al., 2022; Campbell y Thompson, 2007). Las tendencias revelan fluctuaciones pronunciadas, con un pico notable en las IFRP usando un α de -20.5 tanto en 2016 como en 2018. Los valores de IFRP con α de -28 y -13 siguen un patrón similar, mostrando tendencias superpuestas entre 2016 y 2018.”
“Tabla 6: Presenta el impacto del tono de las imágenes y el texto en Twitter sobre los rendimientos excesivos del índice S&P 500. El rendimiento excesivo se calcula midiendo los rendimientos que exceden los rendimientos libres de riesgo de los bonos del Tesoro de EE. UU. a 30 días (Cieslak et al., 2019; Lucca y Moench, 2015). El Panel A muestra los resultados para el impacto del tono de las imágenes y el texto en Twitter del día t − 1 sobre los rendimientos excesivos del día de anuncio de la FOMC, calculados para el intervalo [0, +1] respecto al anuncio de la FOMC. De manera similar, el Panel B presenta los resultados de las asociaciones entre el tono de las imágenes y el texto en Twitter calculados el día anterior a los anuncios de la FOMC y los rend
¿Estados Unidos se está quedando sin dinero? por Ben Carlson
Ben Carlson es gestor de carteras para instituciones e inversores en Ritholtz Wealth Management LL. Escribe habitualmente sobre gestión patrimonial, inversiones, mercados financieros y psicología del inversor.
Ben Carlson / Ritholtz Wealth Management LL
Definiendo los mercados alcistas
Un lector pregunta:
¿Cuánto deberíamos preocuparnos por los niveles de deuda gubernamental? Personas como Paul Tudor Jones y Elon Musk siguen diciendo que nos estamos quedando sin dinero, pero ¿cuál sería el catalizador para una crisis real?
Existen dos puntos de vista extremos cuando se trata de los niveles de deuda gubernamental.
Uno es que la deuda gubernamental no importa mucho porque tenemos la moneda de reserva global y la capacidad de imprimir tanto dinero como queramos.
El otro punto de vista es que los niveles de deuda gubernamental están alcanzando un punto de inflexión que conducirá a una calamidad.
Rara vez pienso en extremos y creo que una visión más matizada tiene más sentido en temas como este.
Es cierto que la deuda del gobierno de EE. UU. es enorme:
La deuda total del gobierno en Estados Unidos era de alrededor de $23 billones antes de la pandemia, por lo que los niveles de deuda han aumentado un 50 % solo en esta década.
También es cierto que los intereses que pagamos por la deuda gubernamental han aumentado considerablemente debido a la cantidad que hemos asumido y porque las tasas de interés son mucho más altas que en la década de 2010:
Los intereses de la deuda ahora rivalizan con el gasto en defensa.
La gran preocupación es que los gastos por intereses crezcan tanto con el tiempo que terminen desplazando otros gastos prioritarios.
Una perspectiva sobre el presupuesto federal
Este es un desglose útil de JP Morgan sobre el presupuesto federal:
Los gastos por intereses representan aproximadamente la misma cantidad que el gasto en defensa.
Las prestaciones sociales (Seguridad Social y Medicare/Medicaid) siguen representando la mayor parte del presupuesto federal (46%).
Sin embargo, los gastos por intereses están aumentando rápidamente.
Una de las razones por las que la deuda gubernamental preocupa a tantas personas es porque las cifras son enormes. ¡$35 billones es mucho dinero!
Pero no puedes analizar los niveles de deuda por sí solos. Debes evaluarlos en el contexto de una economía estadounidense de $30 billones.
Intereses como porcentaje del PIB
Aquí están los gastos por intereses como porcentaje del PIB:
Los gastos por intereses han subido considerablemente, pero aún están por debajo de los niveles de la década de 1990.
La Reserva Federal reduciendo las tasas de interés debería ayudar marginalmente.
Gasto gubernamental como porcentaje del PIB
Aquí está el gasto gubernamental como porcentaje del PIB:
El gasto fue del 45 % del PIB durante la pandemia, pero ahora ha vuelto a niveles normales.
Esto no elimina el hecho de que hemos acumulado una enorme deuda, pero pone las cosas en perspectiva.
¿Por qué la deuda del gobierno no funciona como la de un hogar?
Lo que debes entender es que el gobierno de los Estados Unidos no opera como un hogar cuando se trata de deuda.
Cuando tú pagas tu hipoteca, lo haces con el tiempo y eventualmente eliminas esa deuda. Pero el presupuesto gubernamental no funciona de esa manera.
Primero, el gobierno puede imprimir su propia moneda. Esto es útil en situaciones críticas y es la principal razón por la que nuestro gobierno no puede quedarse sin dinero.
La inflación es la verdadera limitación cuando se trata de cuánto pueden gastar los políticos.
Mientras la economía siga creciendo, también debería crecer la deuda.
¿Es preocupante que la deuda crezca?
Lo mismo se aplica a la deuda de los consumidores:
Me preocuparía más si me dijeras que la deuda del gobierno y de los consumidores disminuyera en las próximas décadas. Eso significaría que algo anda muy mal con la economía.
La deuda crece porque los activos crecen. Recuerda que la deuda gubernamental es un activo en forma de bonos para los inversores. La deuda crece porque la economía crece. Los ingresos crecen. Los precios crecen. Por lo tanto, es lógico que la deuda también aumente.
Puedes criticar cómo los políticos gastan el dinero. Nadie estará completamente satisfecho en ese aspecto. Hay, ciertamente, áreas donde el gobierno podría recortar y ser más eficiente.
Pero mientras el “pastel” siga creciendo, tiene sentido que las deudas también crezcan.
El verdadero riesgo: la inflación
Tu mayor preocupación a largo plazo sobre el gasto gubernamental no debería ser un día de ajuste de cuentas en el que haya un nivel mágico que provoque una crisis financiera.
La mayor preocupación sobre el gasto gubernamental es el riesgo de inflación.
Después de vivir la inflación más alta en cuatro décadas, ahora sabemos que los precios que suben rápidamente no son políticamente beneficiosos.
Nuestro país no está quebrando, pero al público le desagrada tanto la inflación que podría actuar como la mayor limitación en los próximos años en lo que respecta al gasto gubernamental.
Conclusión
Cullen Roche se unió a mí en el podcast Ask the Compound esta semana para discutir esta pregunta:
El impacto del déficit en el mercado de valores.
Cómo funcionan los aranceles.
La tendencia a largo plazo de las tasas de interés.
Cómo solucionar los niveles de deuda gubernamental.
Damos energía a aquello en lo que nos enfocamos por Brett N. Steenbarger, Ph.D.
Brett N. Steenbarger, Ph.D. es profesor de psiquiatría y ciencias del comportamiento en SUNY Upstate Medical University. Compagina su actividad docente con la de entrenador de gestores de hedge funds y traders profesionales. Brett es autor de varios libros sobre psicología enfocada en el trading: The Daily Trading Coach (2009), Trading Psychology 2.0 (2015) y Radical Renewal (2019), entre otros. Su experiencia en los mercados financieros comenzó a finales de la década de 1970.”.
Brett N. Steenbarger, Ph.D. / SUNY Upstate Medical University
Si nos enfocamos en resultados negativos, energizamos nuestras preocupaciones y miedos.
Si nos enfocamos en problemas, alimentamos nuestra sensación de estar rotos.
¿Qué hay en tu diario de trading? ¿Qué pensamientos tienes después de una operación perdedora?
Eso es lo que estás alimentando.
Por esta razón, es extremadamente importante enfocarte en tu mejor trading y aprender de tus éxitos.
Cuando tus problemas de tradingno están ocurriendo, a menudo es porque estás haciendo algo bien.
Enfocarte en lo que haces bien te convierte en alguien orientado a soluciones
El éxito llega cuando identificamos nuestras soluciones y las convertimos en hábitos.
Supongamos que identificas una cosa cada día que hiciste bien en tu trading y te propones repetirla y extenderla al día siguiente.
Lo que enfocamos cada día se acumula y se convierte en nuestra realidad.
Ningún trader enfocado en soluciones ha perdido el control emocional («ir en tilt»).
Cuando estamos enfocados en soluciones, cultivamos lo mejor dentro de nosotros.
Perspectivas del S&P 500: Los Locos Años 20 y Estrategias de Inversión por Dr. Ed Yardeni
El Dr. Ed Yardeni es una de las principales voces de LinkedIn en economía y finanzas. Colaborador habitual de los principales medios internacionales, actualmente dirige Yardeni Research una firma de consultoría que ofrece estrategias de inversión global, análisis y recomendaciones a clientes institucionales. Es autor de los libros «Predicting the Markets: A Professional Autobiography» y «Fed Watching for Fun & Profit”.
Dr. Ed Yardeni / Yardeni Research
Estrategia I: Avance Impresionante
En el QuickTakes del domingo, Eric, Joe y yo aumentamos nuestras perspectivas para las ganancias del S&P 500, así como nuestros objetivos de precio para el índice. Esto lo hicimos porque creemos que Trump 2.0 representa un cambio de régimen significativo en comparación con Biden 1.0 (¿o fue Obama 3.0?). La tasa de impuesto corporativo se reducirá del 21% al 15%. Los ingresos personales provenientes de propinas, horas extra y Seguridad Social podrían no estar sujetos a impuestos. Se eliminarán muchas regulaciones onerosas para las empresas. Esto ya estaba en camino tras el fallo de la Corte Suprema a principios de este año, que permitió a las empresas impugnar los excesos regulatorios en los tribunales.
Además, las principales crisis geopolíticas actuales podrían resolverse antes de lo esperado. Esto se refleja claramente en la debilidad reciente de los precios del oro y el petróleo.
Esperamos que un mejor crecimiento económico impulse los ingresos del gobierno federal y que Elon Musk logre frenar el aumento del gasto público. Es posible que el crecimiento del PIB se mantenga al ritmo del aumento de la deuda gubernamental.
El recorte de la tasa de fondos federales (FFR) por parte de la Fed en 25 puntos básicos el 7 de noviembre, junto con el recorte de 50 puntos básicos el 18 de septiembre, sugiere que los funcionarios de la Fed parecen extrañamente ajenos a la fortaleza de la economía, el repunte en los rendimientos de los bonos y la perspectiva de más estímulos fiscales. Si la Fed sigue recortando la FFR, corre el riesgo de un repunte en las tasas de inflación y un aumento explosivo en el mercado de valores.
Concluimos la nota de QuickTakes con: “Así que estamos cambiando las probabilidades subjetivas de nuestros tres escenarios de la siguiente manera: Años 2020 rugientes (55%, frente al 50%), auge al estilo de los años 90 (25%, frente al 20%) y crisis geopolítica y/o de deuda doméstica al estilo de los años 70 (20%, frente al 30%).”
Estrategia II: Fuertes Ganancias
Hemos actualizado nuestra perspectiva de ganancias de YRI, publicada en nuestro sitio web, para reflejar nuestra creciente confianza en que nuestro escenario de Años 2020 Rugientes sigue en marcha y podría acelerarse:
1. Ingresos
Estimamos que los ingresos por acción de las empresas del S&P 500 en su conjunto totalizarán $1,950 este año, un aumento del 4.2% respecto al nivel del año pasado. Esperamos incrementos del 5.1% el próximo año y del 4.9% en 2026. Este es un pronóstico bastante convencional, siempre que la economía global continúe creciendo, con la fortaleza en Estados Unidos compensando la debilidad en otras partes del mundo, especialmente en China y Europa.
2. Ganancias
Estamos reduciendo nuestra previsión de ganancias por acción (EPS) del S&P 500 para este año de $250 a $240, principalmente debido a huelgas y huracanes. Eso aún representa un aumento interanual del 8.4%. Por otro lado, esperamos que Trump 2.0 impulse las ganancias en los próximos dos años. Por lo tanto, estamos elevando nuestra proyección de EPS para 2025 de $275 a $285 (un aumento del 18.8%) y nuestra estimación para 2026 de $300 a $320 (un aumento del 12.3%).
Esperamos que el porcentaje de empresas del S&P 500 con cambios porcentuales positivos a 12 meses en las ganancias futuras aumente significativamente desde la lectura actual de 77.1%, a medida que los analistas ajusten sus modelos por el recorte de impuestos corporativos de Trump 2.0. Desde principios de 2023, casi todo el aumento en las ganancias futuras agregadas del S&P 500 se ha debido al aumento en las estimaciones de ganancias de los “Magnificent-7”. Esperamos una ampliación de las empresas e industrias para las cuales los analistas eleven sus perspectivas en 2025.
3. Margen de beneficios
Hemos reducido nuestra proyección de margen de beneficios futuros del S&P 500 para 2024 al 12.3%, junto con nuestra estimación de ganancias mencionada anteriormente. Sin embargo, ahora estamos más seguros de que el margen de beneficios alcanzará nuevos máximos históricos del 13.9% en 2025 y del 14.9% en 2026. Los recortes de impuestos, la desregulación y un crecimiento más rápido de la productividad deberían hacerlo posible.
4. Valoración y objetivos de precios de las acciones
Estamos aumentando nuestro rango proyectado de P/E a futuro para el S&P 500 hasta finales de 2026 a 18-22, desde 16-21. En el Morning Briefing del 28 de octubre titulado “Valoración en una economía resiliente”, argumentamos que los múltiplos de valoración de acciones están impulsados por las expectativas de los inversores sobre la longevidad de las expansiones económicas. A medida que disminuyó el temor de una recesión liderada por la Fed en los últimos tres años, los múltiplos aumentaron. Los múltiplos pueden mantenerse elevados si los inversores concluyen que una recesión es menos probable durante el resto de la década ahora que la política monetaria se está flexibilizando mientras la política fiscal sigue siendo estimulativa.
Multiplicar nuestras estimaciones de EPS a futuro por nuestros rangos proyectados de P/E produce las siguientes proyecciones alcistas para el índice de precios del S&P 500 al final del año: 6100 en 2024, 7000 en 2025 y 8000 en 2026.
5. ¿S&P 500 a 10,000 para 2029?
Habíamos proyectado 8000 para el S&P 500 al final de la década. En las circunstancias actuales, esperamos que Trump 2.0 tenga el potencial de llevar el índice a 10,000 para entonces.
El impacto de las opciones metodológicas en las carteras de aprendizaje automático por Quantpedia
La misión de Quantpedia es procesar la investigación académica financiera de una forma más fácil de usar, para ayudar a cualquiera que busque nuevas ideas de estrategias cuantitativas y algorítmicas. Nuestro equipo está formado por miembros experimentados con diferentes antecedentes: financieros, matemáticos y traders, combinados con miembros con un sólido conocimiento técnico y de TI.
Quantpedia / Quantpedia.com
Los estudios que utilizan técnicas de aprendizaje automático para la previsión de rendimientos han demostrado ser prometedores. Sin embargo, al igual que en la fijación de precios de activos empíricos, los investigadores se enfrentan a numerosas decisiones sobre métodos de muestreo y la estimación de modelos. Esto plantea una pregunta importante: ¿cómo afectan estas opciones metodológicas al rendimiento de las estrategias de trading basadas en ML? Investigaciones recientes de Vaibhav, Vedprakash y Varun demuestran que incluso las decisiones pequeñas pueden afectar significativamente el rendimiento general. Parece que en el aprendizaje automático, el viejo adagio también es cierto: el diablo está en los detalles.
Este sencillo documento es un excelente recordatorio de que las decisiones metodológicas en las estrategias de aprendizaje automático (ML) (como el uso de la ponderación EW o VW, incluidos los micro topes, etc.) afectan significativamente los resultados. Es crucial considerar estas decisiones como estrategias tradicionales de factores transversales, y los profesionales como los gerentes de cartera siempre deben tener esto en cuenta antes de implementar dicha estrategia.
Las nuevas integraciones de las técnicas de IA (inteligencia artificial) y aprendizaje profundo (DL) en los modelos de fijación de precios de activos han despertado un nuevo interés en la academia y la industria financiera. Aprovechando el inmenso poder computacional de las GPU, estos modelos avanzados pueden analizar grandes cantidades de datos financieros con una velocidad y precisión sin precedentes. Esto ha permitido una previsión de rendimiento más precisa y ha permitido a los investigadores abordar incertidumbres metodológicas que antes eran difíciles de abordar.
Los resultados de más de 1152 combinaciones de elección muestran una variación considerable en los rendimientos promedio de las estrategias de ML. El uso de carteras ponderadas por valor con filtros de tamaño puede frenar una buena parte de esta variación, pero no puede eliminarla. Entonces, ¿cuál es la solución a los errores no estándar? Los estudios sobre la fijación de precios de activos empíricos han propuesto varias soluciones. Mientras que Soebhag et al. (2023) sugieren que los investigadores pueden mostrar resultados a través de las principales opciones de especificación, Walter et al. (2023) argumentan a favor de informar toda la distribución en todas las especificaciones.
Si bien los autores de este documento están de acuerdo con los resultados de informes a través de variaciones, es aconsejable recomendar una solución única para este problema. A pesar de una extensa carga de cálculo, es posible calcular e informar la distribución completa de los rendimientos de las carteras ordenadas por características, como en Walter et al. (2023). Sin embargo, cuando se utilizan métodos de aprendizaje automático, la documentación de la distribución en su conjunto probablemente impondrá una carga computacional extrema para el investigador. Aunque una distribución completa es más informativa que una parcial, los costos y beneficios de ambas opciones deben evaluarse antes de dar recomendaciones generalizadas.
¿Cuáles son las formas adicionales de controlar la variación metodológica mientras se impone una carga modesta al investigador? Las recomendaciones comunes favorecen la identificación de primero las opciones de alto impacto (por ejemplo, filtros de ponderación y tamaño) en un análisis a menor escala. Los investigadores pueden entonces, como mínimo, informar variaciones de los resultados a través de especificaciones de alta prioridad mientras mantienen el resto opcional.
Exploramos el impacto de las decisiones metodológicas en la rentabilidad de las estrategias de inversión basadas en machine learning. Los resultados de 1152 estrategias muestran que las decisiones metodológicas inducen una variación considerable en los rendimientos de las estrategias. Los errores no estándar de las estrategias de machine learning suelen ser mayores que los errores estándar y permanecen significativos incluso después de controlar algunas decisiones de alto impacto. Aunque la eliminación de micro-capitalizaciones y el uso de portafolios ponderados por valor reducen los errores no estándar, su tamaño sigue siendo cuantitativamente comparable a los errores estándar tradicionales.
Como siempre, presentamos varias figuras y tablas emocionantes:
Citas notables del artículo de investigación académica:
“[H]ay amplia evidencia que sugiere que los investigadores pueden usar herramientas de ML para desarrollar mejores modelos de previsión de retornos. Sin embargo, un investigador necesita tomar ciertas decisiones al usar machine learning en la previsión de retornos. Estas decisiones incluyen, pero no se limitan a, el tamaño de las ventanas de entrenamiento y validación, la variable de resultado, el filtrado de datos, la ponderación y el conjunto de variables predictoras. En un caso de ejemplo con 10 variables de decisión, cada una ofreciendo dos caminos, las especificaciones totales son 2^10, es decir, 1024. Incluir decisiones más complejas puede llevar a miles de posibles caminos que el diseño de investigación podría tomar. Aunque la mayoría de los estudios integran algún nivel de pruebas de robustez, mantenerse al día con todo el universo de posibilidades es prácticamente imposible. Además, debido a la naturaleza computacionalmente intensiva de las tareas de machine learning, es extremadamente difícil explorar el impacto de todas estas decisiones, incluso si un investigador lo desea. Por lo tanto, algunas de estas decisiones suelen quedar a criterio del investigador.Aunque la sensibilidad de los hallazgos a incluso decisiones empíricas aparentemente inofensivas está bien reconocida en la literatura¹, solo recientemente hemos comenzado a reconocer la magnitud del problema. Menkveld et al. (2024) acuñan el término errores no estándar para denotar la incertidumbre en las estimaciones debido a diferentes elecciones metodológicas. Estudios como Soebhag et al. (2023), Walter et al. (2023) y Fieberg et al. (2024) muestran que los errores no estándar pueden ser tan grandes, si no mayores, que los errores estándar tradicionales. Este fenómeno plantea importantes preguntas sobre la reproducibilidad y fiabilidad de la investigación financiera. Subraya la necesidad de un enfoque posiblemente más sistemático en la elección de especificaciones metodológicas y la importancia de la transparencia al reportar metodologías y resultados de investigación.Dado que incluso elecciones aparentemente inocuas pueden tener un impacto significativo en los resultados finales, a menos que realicemos un análisis formal de todas (o al menos la mayoría) las elecciones del diseño juntas, será difícil saber qué decisiones importan y cuáles no mediante pura intuición.Incluso en estudios sobre fijación de precios de activos que utilizan una sola característica para clasificar, hay miles de posibles elecciones (Walter et al., 2023 utilizan hasta 69,120 especificaciones potenciales). Al extender el análisis a portafolios basados en machine learning, la lista posible de elecciones (y su posible impacto) se expande aún más. Los usuarios de machine learning deben tomar muchas decisiones adicionales para modelar la relación entre los retornos y las características predictoras. Con el número creciente de modelos disponibles (ver Gu et al., 2020 para un subconjunto), no sería injusto decir que los académicos en este campo están abrumados por las opciones disponibles.Como argumentan Harvey (2017) y Coqueret (2023), tal cantidad enorme de opciones podría exacerbar el sesgo hacia la publicación de resultados positivos.
El interés por las aplicaciones del Machine Learning en Finanzas ha crecido sustancialmente en la última década o más. Desde el trabajo seminal de Gu et al. (2020), se han utilizado muchas variantes de modelos basados en machine learning para predecir retornos sobre activos. Nuestra segunda contribución es a este creciente cuerpo literario. Se entiende bien que hay muchas decisiones al usar ML en la previsión de retornos. Pero ¿son las diferencias entre especificaciones lo suficientemente grandes como para justificar precaución? Avramov et al. (2023) muestra que eliminar ciertos tipos de acciones reduce considerablemente el rendimiento de las estrategias basadas en ML.Ampliamos esta línea de pensamiento utilizando un conjunto más amplio de opciones que incluye varias consideraciones que hasta ahora los investigadores podrían haber ignorado. Al proporcionar una comprensión general del panorama sobre cómo varía el rendimiento de las estrategias basadas en ML según los caminos decisionales tomados, realizamos una especie de análisis a gran escala sobre la sensibilidad y eficacia del machine learning en la previsión del retorno.Además, al analizar sistemáticamente los efectos de diversas elecciones metodológicas, podemos entender cuáles son los factores más influyentes para determinar el éxito o fracaso de una estrategia basada en ML.
Para resumir, encontramos que las decisiones respecto a la inclusión o exclusión de micro-capitalizaciones y acciones baratas, así como la ponderación aplicada a las acciones tienen un impacto significativo en los rendimientos promedio. Además, un aumento en la longitud del período muestral mejora el rendimiento general; sin embargo, no se necesitan ventanas grandes para estrategias basadas en Boosting.
Según nuestros resultados, argumentamos que los sectores financieros y servicios públicos no deberían ser excluidos del muestreo cuando se usa machine learning. Algunas elecciones metodológicas pueden reducir la variación metodológica alrededor del rendimiento estratégico; sin embargo, los errores no estándar siguen siendo considerables.”
Aplicando la Regresión Lineal en el Análisis Técnico por Sylvain Vervoort
Sylvain Vervoort, vive actualmente en Bélgica. Es ingeniero electrónico retirado y analista técnico desde hace más de 30 años. Trader independiente, escritor, editor y educador en el área de análisis técnico. Ha escrito el libro Capturing Profit with Technical Analysis.
Sylvain / stocata.org
En este artículo, veremos cómo usar la regresión lineal, una herramienta estadística financiera, para predecir tendencias de precios. ¿Preparados?
La regresión es una técnica estadística utilizada en finanzas, inversiones y otros campos para evaluar la fuerza y la naturaleza de la relación entre una variable dependiente y una o más variables independientes.
La forma más común de regresión es la regresión lineal, también conocida como regresión simple o mínimos cuadrados ordinarios (MCO), que identifica la relación lineal entre dos variables.
¿Qué es una relación lineal?
Una relación lineal, también conocida como asociación lineal, es un término estadístico que describe una conexión en línea recta entre dos variables. Esta relación puede representarse gráficamente con una línea recta que vincula la variable con la constante, o matemáticamente, donde la variable independiente se multiplica por el coeficiente de pendiente y se suma a una constante para determinar la variable dependiente.
Fórmula para una relación lineal
Matemáticamente, una relación lineal es aquella que satisface la ecuación:
y = mx + b
donde:
m = pendiente
b = intersección con el eje y
En esta ecuación, “x” e “y” son dos variables relacionadas por los parámetros “m” y “b”.
Gráficamente, y = mx + b se traza en el plano x-y como una línea con pendiente “m” e intersección con el eje y “b”. La intersección con el eje y “b” es simplemente el valor de “y” cuando x=0. La pendiente “m” se calcula a partir de dos puntos individuales (x1, y1) y (x2, y2) como:
m = (y2 − y1) / (x2 − x1)
Los traders utilizan la regresión lineal para identificar tendencias y predecir precios futuros. Las herramientas clave incluyen líneas y canales de regresión lineal.
La regresión lineal es una herramienta valiosa en el análisis técnico para identificar tendencias y tomar decisiones de trading. En finanzas, la regresión lineal se utiliza para predecir resultados financieros basados en uno o más indicadores financieros. Identifica la línea que mejor se ajusta a un conjunto de puntos de datos, ilustrando la relación entre variables.
Una línea de regresión por mínimos cuadrados representa la relación entre dos valores numéricos diferentes. Este procedimiento ajusta la línea a los puntos de datos de manera que minimiza la suma de las distancias verticales al cuadrado entre la línea y los puntos. También se la conoce como línea de mejor ajuste o línea de tendencia.
Aquí, utilizaremos los niveles de precios (apertura, máximo, mínimo o cierre) en relación con las líneas de regresión lineal como líneas de soporte y resistencia para confirmar decisiones de trading.
Figura 1: Líneas de Regresión Lineal en una Tendencia Alcista (Barras Diarias) con Datos de CFD del Nasdaq (UsaTec)
El canal externo en color magenta representa un canal de volatilidad dentro del cual los precios se mueven hacia arriba y hacia abajo. La línea de regresión lineal verde se calcula en función de los precios de cierre, mientras que la línea de regresión lineal roja se deriva de los precios máximos. Un cruce del precio de cierre por encima de la línea verde actúa como una señal de compra temprana. Un cruce del precio de cierre por encima de la línea roja es una señal para abrir una posición larga. Mientras el precio de cierre se mantenga por encima de la línea verde, se puede mantener la posición larga.
Figura 2: Líneas de Regresión Lineal en una Tendencia Bajista (Barras Diarias) con Datos de CFD del Nasdaq (UsaTec)
El canal magenta exterior representa un canal de volatilidad dentro del cual los precios se mueven hacia arriba y hacia abajo. La línea verde de regresión lineal se calcula en función de los precios de cierre, mientras que la línea roja de regresión lineal se deriva de los precios máximos. Un cruce del precio de cierre por debajo de la línea roja sirve como la primera señal de venta. Un cruce del precio de cierre por debajo de la línea verde es una señal para abrir una posición corta. Mientras el precio de cierre permanezca por debajo de la línea roja, puedes mantener tu posición corta.
Las líneas negras punteadas verticales en las Figuras 1 y 2 son separadores de meses.
Al final de este artículo, encontrarás el código fuente de MetaTrader 4 (SVE_Regression.mq4) para el indicador SVE_Regression. Simplemente compila el código fuente en el editor de MT4 para generar un archivo ejecutable SVE_Regression.ex4.
Ahora puedes crear dos indicadores de regresión (rojo y verde) en la misma ventana de gráficos, como se muestra en las Figuras 1 y 2.
Los valores de entrada para la línea de regresión lineal verde en el indicador SVE_Regression son los siguientes:
•Periodo de regresión: El número de barras utilizadas para el cálculo (13).
•Corrección de exceso: El factor de desplazamiento y la velocidad de cambio (1.7).
•Tipo de precio: El precio utilizado para el cálculo de la regresión. Las opciones incluyen cierre, apertura, máximo o mínimo. Otros tipos de precios, como típico, mediano y ponderado, se ajustarán por defecto al precio de cierre.
•Media de suavizado: Puedes aplicar una media de suavizado adicional a la línea de regresión. Usar el valor “0” no añade suavizado extra. El tipo de media de suavizado puede ser Simple, Exponencial, Suavizada o Lineal Ponderada.
Parámetros de Entrada de la Regresión (Línea Roja):
La única diferencia aquí es el tipo de precio. Para la línea de regresión lineal roja, se utiliza el precio máximo (High).
Figura 3: Líneas de Regresión Lineal Bien Definidas en el Gráfico Diario del UsaTec
Cuando el precio de cierre cae por debajo de la línea de regresión verde, es momento de abrir una posición corta. Mientras el precio se mantenga por debajo de la línea de regresión roja, deberías mantener tu posición corta.
Cuando el precio de cierre sube por encima de la línea de regresión roja, es momento de abrir una posición larga. Mientras el precio se mantenga por encima de la línea de regresión verde, deberías mantener tu posición larga.
Evitando Errores Comunes en el Trading
Errores que debes evitar como trader:
Event
Mistake
No se ha establecido un límite máximo automático de pérdidas diarias.
Si las órdenes se ejecutan de manera continua por cualquier motivo, asegúrese de tener un límite máximo de pérdidas diarias establecido. Una vez que se alcance este límite, el asesor experto detendrá toda la operativa.
Evite operar dentro de rangos de negociación pequeños.
Operar dentro de un rango de negociación pequeño es poco probable que sea rentable. Aunque se intente con marcos de tiempo más pequeños, seguirá siendo difícil obtener ganancias.
El precio se encuentra en el medio de un canal de volatilidad.
Mantente fuera del mercado durante rangos de negociación estrechos, ya que el resultado suele ser incierto.
El stop loss está configurado demasiado justo.
El uso de un stop loss muy pequeño genera numerosas señales de compra/venta. ¡Detén el auto-trading de inmediato! Un stop loss adecuado debe proporcionar suficiente margen para mantener la operación activa.
Una nueva posición comienza a moverse en la dirección equivocada después de abrirse.
No cerrar o revertir una operación después de una señal de reversión, o abrir una posición adicional en la misma dirección para intentar una recuperación rápida, suele empeorar la situación.
¿Buscando cambios de tendencia?
Evita operar en cambios de tendencia. En su lugar, concéntrate en operar continuaciones de tendencia después de una corrección a corto plazo, cuando el precio retoma su tendencia anterior.
¿Operar cambios de tendencia?
Opera reversiones de tendencia solo cuando se haya alcanzado un objetivo sólido, preferiblemente después de completar un conteo de ondas de Elliott a corto plazo.
Scalping con ordenadores de alta frecuencia.
Si hay mucha actividad pero solo pequeños movimientos de precio durante un período de tiempo, NO operes.
Volumen de negociación no ajustado adecuadamente.
El tamaño básico de tu lote está ajustado para una volatilidad media normal. Disminuye el tamaño del lote durante períodos de alta volatilidad y aumenta el valor del stop loss, o simplemente mantente fuera del mercado.
Operar manual y automáticamente al mismo tiempo.
Evita operar manual y automáticamente al mismo tiempo en el mismo gráfico. El auto-trading podría cerrar todas las operaciones abiertas, interfiriendo potencialmente con tus operaciones manuales.
A continuación, se presenta el código fuente de SVE_Regression. ¡Muchos éxitos!
Cofundador de Macro Ops, www.macro-ops.com. Global Macro fanático, ex francotirador profesional y miembro de la inteligencia de los EE. UU.
[/testimonial
El sentimiento del mercado está en niveles elevados, pero las fuerzas internas del mercado siguen siendo fuertes, lo que sugiere que la tendencia alcista podría continuar.
BTCUSD ha roto su canal de compresión de 7 meses, y se espera que esta tendencia continúe al alza.
El dólar estadounidense muestra una acción de precios constructiva, con el potencial de un movimiento significativo.
Rupturas en abundancia
«Al observar las carteras, piensa profundamente en el proceso más que en el resultado. Si haces las cosas de la manera correcta suficientes veces, ganarás». ~ Dan Loeb
En el Dirty Dozen [CHART PACK] de esta semana, analizamos un sentimiento elevado mezclado con movimientos internos fuertes en las acciones, antes de profundizar en rupturas en BTCUSD, pares de USD y biotecnología, entre otros…
«Fue tan extraño el miércoles por la mañana. Todos los que salían del edificio parecían muy tristes, y sin embargo, todos los trabajadores que entraban a limpiar y arreglar cosas parecían realmente felices.» ~ Superintendente de Tribeca co-op
De SentimenTrader: «El rendimiento acumulado a un año del S&P 500 acaba de superar las 50 veces la desviación estándar de los rendimientos diarios, el segundo más alto en 25 años. Desafortunadamente, las condiciones agradables no han persistido por mucho tiempo durante ese período. Para todo hay una tiempo.»
Sentix señala que «la victoria electoral de Donald Trump desencadena un verdadero frenesí comprador. El sentimiento hacia las acciones estadounidenses alcanza un nivel fenomenal de +53 puntos porcentuales, marcando un nuevo máximo histórico (datos desde 2001). El optimismo está muy enfocado en los mercados estadounidenses. Otros mercados bursátiles están enviando señales preocupantes.»
Pero el indicador Bull & Bear de BofA aún está por debajo del nivel necesario para una señal clara de venta.
Y nuestros principales internos del mercado están mostrando una fuerte inflexión al alza… Así que no hay mucho que hacer más que seguir la tendencia y monitorear los internos y la acción del precio para detectar signos de debilidad que indiquen una corrección inminente.
BTCUSD rompió su canal de compresión de 7 meses la semana pasada. Estamos completamente largos y esperamos que esta tendencia se mueva significativamente al alza.
También estoy prestando mucha atención al dólar estadounidense. El gráfico a largo plazo sigue siendo constructivo y la acción del precio se está enrollando como un resorte.
El sentimiento está en el percentil cero, mientras que el posicionamiento agregado es bajista y el impulso del diferencial de rendimiento está acelerándose al alza.
Llevamos algunas semanas largos en USDJPY, pero también estoy buscando abrir una orden stop para comprar en USDCNH, para ver si nos arrastra a una posición larga.
USDCAD también parece estar rompiendo su régimen lateral de compresión de dos años. Si esta ruptura tiene seguimiento, podría ser el comienzo de una tendencia importante.
Estamos empezando a revisar el sector biotecnológico. El índice XBI está rompiendo un triángulo ascendente en el gráfico semanal.
Y, como señala RenMac, el sector está marcado por un sentimiento extremadamente bajista en este momento.
Superar el trading emocional en tiempo real por Brett N. Steenbarger, Ph.D.
Brett N. Steenbarger, Ph.D. es profesor de psiquiatría y ciencias del comportamiento en SUNY Upstate Medical University. Compagina su actividad docente con la de entrenador de gestores de hedge funds y traders profesionales. Brett es autor de varios libros sobre psicología enfocada en el trading: The Daily Trading Coach (2009), Trading Psychology 2.0 (2015) y Radical Renewal (2019), entre otros. Su experiencia en los mercados financieros comenzó a finales de la década de 1970.”.
Brett N. Steenbarger, Ph.D. / SUNY Upstate Medical University
La clave para superar el «trading emocional» es reconocer y gestionar nuestras emociones en tiempo real.
Es importante «evocar emociones opuestas»
a las negativas en lugar de intentar suprimirlas.
El uso de un «mood meter» ayuda a identificar y observar nuestras emociones, lo que nos permite tomar mejores decisiones.
Actualización: Mis colegas de la facultad de medicina y yo escribimos un capítulo para un texto de referencia estándar en psiquiatría que acaba de publicarse. Cubre investigaciones recientes y prácticas sobre enfoques a corto plazo para cambiar nuestra forma de pensar, sentir y actuar. Un hallazgo importante es que se necesita emoción para cambiar la emoción. Es más probable que internalicemos los cambios si realmente los sentimos. Una implicación clave para el tema que se aborda a continuación: podemos cambiar nuestras emociones de manera más eficiente y efectiva en tiempo real evocando la emoción opuesta, en lugar de intentar vaciar nuestra mente. Si estamos frustrados y autocríticos, en lugar de intentar meditar o vaciar nuestra mente, podemos evocar recuerdos de experiencias comerciales que nos dejaron satisfechos y agradecidos.
Este artículo es útil, pero no lo podemos tomar como entrenamiento. El entrenamiento real en psicología del trading debe darse en tiempo real, porque los desafíos del trading surgen solo cuando estamos en ciertos estados mentales y físicos. Por eso Jeff Holden y yo nos hemos unido para el programa de entrenamiento de SMB Capital, ayudando a los traders a entrenarse a sí mismos en medio de la acción. Esta será una colaboración de varias semanas, donde integraremos la discusión sobre mercados y operaciones con trabajo práctico sobre nuestras mentalidades.
Aquí está el video de nuestra primera clase.
Una idea clave de la sesión es que, antes de poder cambiar nuestro estado emocional, debemos ser conscientes de nuestro estado. Jeff presentó un «mood meter» que nos permite etiquetar lo que estamos experimentando. Como señalo en el video, el simple acto de identificar lo que sentimos nos permite ser observadores de nuestra experiencia, no alguien completamente inmerso en ella. Este jueves al mediodía discutiremos—en el contexto del mercado y las operaciones de esa mañana—qué hacer una vez que observemos nuestras emociones, para poder mantenernos comprometidos constructivamente con nuestro trading. Espero tener un video para esa sesión también.
Aquí hay un punto importante que rara vez encontramos. Proviene del libro que estoy escribiendo actualmente, el cual integra la psicología positiva con la psicología del trading:
La conciencia de nuestros estados emocionales positivos es tan importante para nuestro trading como la conciencia de nuestra frustración y negatividad.
Si somos conscientes de las señales emocionales que acompañan nuestras mejores operaciones—nuestros sentimientos de comprensión y confianza—esa conciencia nos ayudará a asumir mayores riesgos cuando el valor esperado de nuestras operaciones sea mejor. Tenemos desencadenantes positivos para nuestro mejor trading al igual que tenemos desencadenantes que activan nuestro peor trading. Reconocer nuestros desencadenantes positivos en tiempo real nos permite aprovechar al máximo las oportunidades que se presentan. Por eso es importante que nuestros «mood meters» capturen tanto lo mejor como lo peor de nuestra experiencia al hacer trading.
Reacciones exageradas del mercado tras las elecciones por Ben Carlson
Ben Carlson es gestor de carteras para instituciones e inversores en Ritholtz Wealth Management LL. Escribe habitualmente sobre gestión patrimonial, inversiones, mercados financieros y psicología del inversor.
Ben Carlson / Ritholtz Wealth Management LL
Definiendo los mercados alcistas
Las reacciones del mercado tras las elecciones suelen ser exageradas y no siempre reflejan la realidad a largo plazo.
Predicciones negativas sobre el mercado, como las que se hicieron tras las elecciones de Obama, Trump y Biden, han demostrado estar equivocadas.
Es importante no dejarse llevar por las emociones ni por las reacciones inmediatas del mercado después de una elección.
Cuando Barack Obama fue elegido presidente, la economía y los mercados de EE.UU. estaban en una situación complicada. Desde el máximo en octubre de 2007 hasta el día de las elecciones, el S&P 500 ya había caído un 35%. Para cuando fue investido en enero de 2009, el mercado había bajado casi un 50% en total.
En marzo, un artículo de opinión de Bloomberg lo denominaba el «mercado bajista de Obama»:
«El presidente Barack Obama ahora tiene la distinción de presidir su propio mercado bajista. El Promedio Industrial Dow Jones ha caído un 20 por ciento desde el Día de la Inauguración, la caída más rápida bajo un presidente recién elegido en al menos 90 años, según datos compilados por Bloomberg.»
Michael Boskin, del Instituto Hoover de Stanford, escribió un artículo en el Wall Street Journal el 6 de marzo de 2009 con el siguiente titular: «El radicalismo de Obama está matando al Dow.» En él explicaba:
«Es difícil no ver las continuas ventas masivas en Wall Street y el creciente temor en Main Street como producto, al menos en parte, de la realización de que las políticas de nuestro nuevo presidente están diseñadas para reingeniar radicalmente la economía estadounidense basada en el mercado, no solo mitigar la recesión y la crisis financiera.»
El mercado tocó suelo tres días después.
Desde el día en que se publicó ese artículo hasta el final del mandato de Obama, el S&P 500 subió un 230% en total.
Los expertos se equivocaron rotundamente, principalmente porque estaban atrapados en un ciclo pesimista debido a la Gran Crisis Financiera.
Los expertos también se equivocaron cuando Trump asumió el cargo después de Obama.
Paul Krugman, del New York Times, hizo la siguiente predicción el día después de las elecciones:
«Aún así, supongo que la gente quiere una respuesta: Si la pregunta es cuándo se recuperarán los mercados, una primera respuesta sería nunca.»
«El desastre para Estados Unidos y el mundo tiene tantos aspectos que las ramificaciones económicas están muy abajo en mi lista de cosas a temer.»
Mark Cuban, propietario de los Dallas Mavericks, hizo una declaración similar antes de que Trump fuera elegido:
«En caso de que Donald gane, no tengo ninguna duda de que el mercado colapsará. Si las encuestas muestran que hay una posibilidad decente de que Donald pueda ganar, pondré una gran cobertura que supere el 100% de mis posiciones en acciones… eso me protegerá por si gana.»
El mercado bursátil funcionó bien durante la presidencia de Trump, ganando más del 90% en total desde su día inaugural hasta su último día.
El mismo Trump predijo que el mercado bursátil se desplomaría si Biden era elegido en 2020:
El mercado también se comportó muy bien bajo el mandato de Biden, subiendo más del 90% desde que asumió el cargo en enero de 2020.
Muchas veces estas predicciones están motivadas políticamente, pero también están impulsadas por la inercia del momento. Hay mucho comportamiento gregario tras una elección.
Lo cual nos lleva a las elecciones actuales. La reacción del mercado fue abrumadoramente positiva al día siguiente de que Trump fuera elegido:
Un resumen:
El S&P 500 subió considerablemente (+2.4%)
Las acciones de pequeña capitalización subieron masivamente (+5.6%)
El dólar estadounidense subió (+1.6%)
Las acciones extranjeras y emergentes bajaron (-1.7% y -1.4%)
El oro bajó (-3.0%)
Los bonos bajaron (-1.4%) porque las tasas subieron
Bitcoin también alcanzó nuevos máximos históricos.
Esa fue ciertamente una gran reacción, considerando que el mercado bursátil ya había subido un 20% en total antes del día electoral.
Nadie parece estar haciendo predicciones sobre un crash en esta ocasión. Está (mayoritariamente) todo el mundo dentro del juego. Estoy casi seguro de que los mercados están sobrerreaccionando de alguna manera ahora, pero no puedo decir con certeza dónde está ocurriendo.
Las acciones de pequeña capitalización han dado a los inversores muchos falsos repuntes a lo largo de los años. Las tasas de interés han estado subiendo y bajando durante un par de años también. Parece casi seguro que bitcoin se beneficiará, pero la historia del cripto está plagada de auges seguidos por caídas.
Si tuviera que elegir una cosa sobre la cual creo que los inversores están demasiado preocupados es sobre el aumento en las tasas. Veremos qué pasa. No soy bueno prediciendo estas cosas.
Supongo que lo que estoy tratando de decir aquí es «no tomes como verdad absoluta» la reacción inicial del mercado ni lo que digan los expertos o economistas. Nadie sabe cómo resultará esto, para bien o para mal.
El problema con los políticos es que hacen muchas promesas durante sus campañas electorales, muchas de las cuales nunca llegan a cumplirse. Así que los mercados están adivinando lo que sucederá antes siquiera tener detalles concretos. Esto es lo que hacen los mercados, por supuesto. A veces aciertan, a veces se equivocan pero nunca dudan.
Hacer predicciones basadas en movimientos cortoplacistas es siempre una tarea inútil pero probablemente sea aún más importante evitar sobrerreaccionar después de una elección cuando «las emociones están a flor de piel».
Diez teorías macroeconómicas inútiles por Dr. Ed Yardeni
El Dr. Ed Yardeni es una de las principales voces de LinkedIn en economía y finanzas. Colaborador habitual de los principales medios internacionales, actualmente dirige Yardeni Research una firma de consultoría que ofrece estrategias de inversión global, análisis y recomendaciones a clientes institucionales. Es autor de los libros «Predicting the Markets: A Professional Autobiography» y «Fed Watching for Fun & Profit”.
Dr. Ed Yardeni / Yardeni Research
Es difícil contar la cantidad de teorías macroeconómicas convencionales que hemos desacreditado en los últimos años. Muchas relaciones y correlaciones que se han utilizado durante mucho tiempo han sido desmanteladas por el estímulo monetario y fiscal récord durante la pandemia, una ola de jubilaciones anticipadas de los Baby Boomers y las subidas de tasas de interés desde niveles ultrabajos. Hemos estado ocupados derribándolas desde principios de 2022. A continuación, se presenta un resumen de las 10 teorías macroeconómicas ampliamente aceptadas que no se han sostenido y las razones por las cuales han llevado a muchos por el camino equivocado:
Teoría Monetaria Moderna. Melissa y yo hemos dicho antes que la Teoría Monetaria Moderna (TMM) no es moderna, no es monetaria y no es una teoría. La proposición de la TMM de que un gobierno que toma prestado en su propia moneda puede financiar su gasto a voluntad con más deuda perdió credibilidad cuando la inflación se disparó en 2022 y 2023. Sin embargo, parece que la TMM está funcionando ahora que la inflación ha disminuido. A pesar de que el déficit federal sigue siendo muy amplio, y el consenso es que después de las elecciones de noviembre continuará ampliándose, la inflación se ha moderado cerca del 2,0%.
Curva de rendimiento invertida. Según nuestra teoría del Ciclo de Crisis Crediticia, la curva de rendimiento invertida del Tesoro indica que los inversores en bonos están preocupados porque las tasas de interés a corto plazo más altas provocarán una crisis crediticia y, por lo tanto, una recesión. Debido a que la Reserva Federal y el Tesoro evitaron que surgiera una crisis crediticia cuando colapsaron los bancos regionales en marzo pasado, la expansión pudo continuar.
Desinversión de la curva de rendimiento. La curva de rendimiento del Tesoro se ha vuelto positiva en septiembre, con el rendimiento a 10 años ahora aproximadamente 15 puntos básicos por encima del rendimiento a 2 años. Históricamente, una recesión ha seguido poco después de tal desinversión, pero solo porque la Fed estaba recortando tasas rápidamente para frenar una crisis, lo que luego se transformaba en una recesión. Esta vez, la Fed está recortando tasas como medida preventiva.
Índice LEI en caída. Los 10 componentes del Índice LEI están fuertemente ponderados hacia el sector manufacturero e incluyen elementos como la curva de rendimiento invertida. Eso ha llevado al LEI a predecir incorrectamente una recesión durante los últimos dos años. El consumo de bienes se ha estancado en niveles récord desde que la Fed aumentó los costos financieros y disminuyó la demanda de bienes tras dispararse durante la pandemia. La economía estadounidense depende más de los servicios que de los bienes en una proporción aproximada de 2:1, lo que hace que el LEI sea menos efectivo para predecir el desempeño económico.
Curva de Phillips. El modelo de la Curva de Phillips se basa en la correlación inversa entre la inflación salarial y de precios frente a la tasa de desempleo. Sin embargo, ignora la relación inversa entre la tasa de desempleo y el crecimiento de la productividad. Así, la inflación pudo caer en este ciclo sin una recesión, en parte porque el mercado laboral ajustado promovió inversiones que mejoraron la productividad.
Tasa neutral de interés. Los «palomas» en el Comité Federal del Mercado Abierto (FOMC) abogan por reducir la tasa de fondos federales (FFR) para mantener una tasa real neutral. Su preocupación es que a medida que cae la inflación, la tasa real FFR se vuelve más restrictiva y ejerce una presión innecesaria sobre la economía. Creemos que ajustar una tasa nocturna (que pocos consumidores o empresas realmente usan) según el cambio interanual en la inflación no tiene sentido. Empíricamente, a la economía estadounidense también le ha ido bien a pesar del aumento en la tasa real.
Regla de Taylor. La Regla de Taylor es una fórmula mecánica para establecer la FFR basada en la tasa de desempleo (o crecimiento económico) y la inflación. A medida que ha caído la inflación, los defensores de esta regla sugieren que las tasas también deberían bajar. Sin embargo, esta regla depende de conocer cuál es el crecimiento potencial máximo de la economía y cuál es la tasa neutral de desempleo (la tasa que ni aumenta ni reduce la inflación). Por supuesto, ninguna de estas variables es medible con precisión. Creemos que un mayor crecimiento en productividad e inmigración ha elevado el potencial económico estadounidense, lo cual sugiere que este modelo aconsejaría una FFR más alta.
Regla Sahm. La llamada Regla Sahm, un indicador de recesión basado en el promedio móvil de la tasa general de desempleo, se activó en julio cuando esta tasa subió al 4.3%. En ese momento descartamos esto como otra falsa señal de recesión. Esa resultó ser la decisión correcta ya que la tasa bajó del 4.2% en agosto al 4.051% el mes pasado. Además, un aumento rápido del desempleo suele estar asociado con crisis crediticias y recesiones, ¡no con un PIB real creciendo al 3%!
Ahorros excesivos. El CEO de JP Morgan Chase, Jamie Dimon, advirtió en diciembre de 2022 que el agotamiento del exceso de ahorros y la inflación «descarrilarían» a la economía y causarían una recesión leve o severa. Nosotros dijimos que los salarios reales crecientes, mayores ingresos por tasas más altas y un efecto riqueza muy positivo permitirían a los consumidores seguir gastando. En particular, los Baby Boomers «desahorrarían» al jubilarse durante la pandemia, y los valores crecientes del hogar y las acciones les darían confianza para gastar.
El dinero importa. La oferta monetaria M2 se contrajo desde noviembre de 2022 hasta marzo de 2024. Sin embargo, el mercado bursátil disfrutó un gran auge alcista y la inflación se moderó. Eso debería haber silenciado a quienes sostienen una visión monetarista estricta según la cual «la inflación es siempre y en todo lugar un fenómeno monetario». Quizás no sea tan importante para el crecimiento económico como creemos; factores como el aumento en productividad impulsado por el sector privado podrían ser más relevantes.
Cómo distinguir un nuevo mercado alcista de un simple rebote por Jon Wolfenbarger, CFA
Jon Wolfenbarger, CFA es fundador y CEO de BullAndBearProfits.com, un sitio web dedicado a ayudar a los inversores a generar rendimientos tanto en mercados alcistas como en bajistas. Jon ha sido analista de valores en Allianz Global Investors durante más de 22 años, además de banquero de inversión en JP Morgan y Merrill Lynch. Es MBA por la Universidad de Duke y BBA por la Universidad de Texas en Austin.
Jon Wolfenbarger
Los precios de las acciones y otros activos financieros son impulsados en última instancia por la psicología del inversor y el comportamiento de rebaño. Los mejores indicadores disponibles para analizar la psicología del inversor provienen del análisis técnico. ¿Cómo podemos usarlos para saber cuándo dónde se encuentra el mercado?
Es de vital importancia para los inversores poder distinguir entre el comienzo de un nuevo mercado alcista y un repunte del mercado bajista, pero la mayoría de los inversores no pueden hacerlo. Afortunadamente, existen importantes diferencias técnicas entre los dos que pueden ayudar a obtener ganancias tanto en los mercados alcistas como bajistas. En este artículo, revisamos estas diferencias y evaluamos la condición actual del mercado en función de estas diferencias.
Características técnicas de los nuevos mercados alcistas
Los mercados alcistas comienzan cuando la psicología del inversor cambia del pesimismo bajista al optimismo alcista. Cuando se da este cambio, sucede de una manera fuerte y convincente, como un cañonazo. Un nuevo mercado alcista no suele comenzar de una manera débil.
Los indicadores técnicos, como las medias móviles, pueden ayudarnos a ver estos movimientos alcistas con mayor claridad. Por ejemplo, cuando comienza un nuevo mercado alcista, generalmente hay un repunte de precios por encima de la media móvil de 250 días (250-dma) deforma sostenida. Eso significa que los precios no caen rápidamente por debajo de la 250 dma. Como resultado, las medias 20-dma y 60-dma también suben por encima de las 250-dma sin mirar atrás.
Inicios del mercado alcista en 2003 y 2009
Podemos ver este fenómeno al comienzo del mercado alcista que comenzó en el verano de 2003. Observe cómo el precio, 20-dma (línea azul) y 60-dma (línea verde) subieron por encima de los 250-dma (línea roja) en el gráfico a continuación. Entonces la pendiente de la 250 dma comenzó a subir. Todas estas son características saludables de una nueva y sostenible tendencia alcista.
Por otro lado, observe que los precios se recuperaron por encima de la 250-dma en la primavera de 2002, pero esa ruptura fracasó ya que los precios cayeron rápidamente por debajo de la 250-dma antes de que la 20-dma y la 60-dma pudieran recuperarse por encima de la 250-dma. A esto lo llamamos «headfake», y menudo headfake, ¡ya que los precios cayeron un 35% en los siguientes seis meses!
Figura 1. Ruptura en falso.
El mercado alcista que comenzó en el verano de 2009 exhibió características muy similares, como se muestra en el siguiente gráfico. Una vez más, el precio, la 20-dma (línea azul) y la 60-dma (línea verde) subieron por encima de la 250-dma (color rojo) y luego la pendiente de la 250-dma comenzó a subir.
Figura 2. Ruptura de la 250-dma.
Principios de 2023: ¿nuevo mercado alcista o rally del mercado bajista?
A diferencia de la historia las condiciones actuales del mercado siempre pueden cambiar, por lo que este análisis podría terminar siendo incorrecto. Pero como todos somos simples mortales que no podemos ver el futuro, todo lo que podemos hacer es tratar de reunir pistas sobre el futuro a partir de la información actual disponible para nosotros.
La imagen técnica actual del S&P 500 se parece más al final de un rally del mercado bajista, en lugar del comienzo de un nuevo mercado alcista. Se parece a los dos intentos fallidos de rally a principios de 2022 (círculos azules), como se muestra a continuación.
Después demostrar sobrecompra el RSI los precios han vuelto a caer por debajo de la pendiente descendente de la 250 dma, así como de la línea de tendencia alcista (línea azul) que ha apoyado el rally desde octubre. La 60-dma permanece por debajo de la 250-dma y el impulso del precio es negativo según el PPO. Esto es característico de una nueva venta masiva en el mercado bajista y consistente con los principales indicadores económicos que apuntan hacia una recesión.
Figura 3. ¿Inicio de un mercado bajista?
Otra señal de que el repunte del mercado bajista podría haber terminado es el comportamiento de las acciones cíclicas de consumo discrecional en comparación con las acciones defensivas de Consumer Staples. Como se muestra en la Figura 4, después de que el precio del S&P 500 Consumer Discretionary Index en relación con el S&P 500 Consumer Staples Index estuviera sobrecomprado según el RSI, el precio relativo volvió a caer por debajo de la 250-dma. Además, la 20-dma y la 60-dma nunca subieron por encima de la 250-dma. Además el impulso del precio es negativo según el PPO. Al comienzode los mercados alcistas en 2003 y 2009, las acciones de consumo discrecional mostraron un rendimiento superior fuerte y sostenible en relación con las acciones de Consumer Staples.
Figura 4. S&P 500 Consumer Discretionary Index en relación con el S&P 500 Consumer Staples Index.
Implicaciones
Cualquier cosa puede suceder con los precios en los mercados financieros, pero según los datos que tenemos actualmente, parece que el fuerte repunte del mercado de valores que comenzó en octubre ha terminado y ha comenzado una nueva venta masiva del mercado bajista. Dado que prácticamente todos los indicadores económicos adelantados probados apuntan hacia una recesión global este año, esta podría ser la mayor venta masiva de este mercado bajista hasta ahora.
Estrategia de Retroceso de Fibonacci: Implementación en Python y Más por Quantinsti
El objetivo de Quantinsti es formar a su alumnos en el trading algorítmico. Pertenece a iRageCapital Advisory, empresa conocida por sus servicios relacionados con la creación de mesas de trading algorítmico.
Quantinsti
¿Qué es la secuencia de Fibonacci?
La estrategia de retroceso de Fibonacci utiliza la secuencia de Fibonacci como su base. Primero, vamos a comprender qué es la secuencia de Fibonacci.
La secuencia de Fibonacci es una serie de números donde cada número es la suma de los dos anteriores. La secuencia es la siguiente: 0, 1, 1, 2, 3, 5, 8, 13, 21, 34, y así sucesivamente.
En términos matemáticos, la secuencia de Fibonacci se define de manera recursiva con la fórmula:
X(n) = X(n-1) + X(n-2)
Donde:
•X(n) es el enésimo número de la secuencia.
•X(n-1) es el número anterior en la secuencia.
•X(n-2) es el número dos posiciones anteriores en la secuencia.
En finanzas y trading, la secuencia de Fibonacci se utiliza ampliamente en el análisis técnico para identificar niveles potenciales de soporte y resistencia, y es una parte esencial de la estrategia de retroceso de Fibonacci.
¿Qué es la estrategia de retroceso de Fibonacci?
La estrategia de retroceso de Fibonacci es una herramienta popular en el análisis técnico utilizada para identificar posibles niveles de reversión en los mercados financieros. Basada en la secuencia de Fibonacci, esta estrategia implica trazar niveles clave de retroceso. Los niveles típicos o predeterminados son 23.6%, 38.2%, 50%, 61.8% y 78.6%, contra un movimiento de precio.
Estos niveles se derivan de las proporciones encontradas en la secuencia de Fibonacci y se cree que representan áreas de soporte o resistencia.
Los niveles de retroceso de Fibonacci ayudan a los traders a identificar los puntos de entrada y salida para las operaciones. Por lo tanto, se determinan los niveles de stop-loss y take-profit. Cuando el precio de un activo retrocede a uno de estos niveles de Fibonacci, puede indicar una posible reversión en la tendencia predominante.
Ejemplo de retroceso de Fibonacci: Si el precio de una acción ha subido de $200 a $250, es probable que retroceda a $230 antes de continuar su movimiento ascendente. Este nivel de retroceso de $230 se pronostica utilizando los ratios de Fibonacci.
La estrategia de retroceso de Fibonacci se aplica comúnmente junto con otros indicadores técnicos y técnicas de análisis para confirmar señales y mejorar las decisiones de trading. Además, se puede utilizar en varios instrumentos financieros y marcos temporales, lo que la convierte en una herramienta versátil para traders en diferentes mercados.
Cómo usar el retroceso de Fibonacci en el trading
Los niveles de retroceso se pueden utilizar para comprar una acción en la que no se ha podido entrar debido a un fuerte aumento en su precio.
En una situación así, se recomienda esperar a que el precio corrija hasta los niveles de retroceso de Fibonacci como 23.6%, 38.2% y 61.8% para luego comprar la acción. Los ratios 38.2% y 61.8% son los niveles de soporte más importantes.
Esta estrategia de retroceso de Fibonacci es más efectiva en intervalos de tiempo más largos, y como cualquier otro indicador, combinarla con otros indicadores técnicos como RSI, MACD y patrones de velas puede mejorar la probabilidad de éxito.
Cálculo de niveles de retroceso de Fibonacci usando Python
Como sabemos, los retrocesos son movimientos de precio que van en contra de la tendencia original. Para pronosticar el nivel de retroceso de Fibonacci, primero debemos identificar el movimiento total hacia arriba o hacia abajo. Para marcar el movimiento, necesitamos elegir el máximo y el mínimo más recientes en el gráfico.
Ejemplo con Python utilizando datos de Exxon Mobil:
# Importar los precios de las acciones
import yfinance as yf
# Para graficar
import matplotlib.pyplot as plt
# Obtener datos de Exxon Mobil desde Yahoo Finance
df = yf.download(‘XOM’, start=’2020-08-01′, end=’2024-04-08′)
# Establecer límites en el eje y según el precio mínimo y máximo
plt.ylim(precio_min – 0.05 * diferencia, precio_max + 0.05 * diferencia)
# Graficar el precio de cierre
plt.plot(df.index, df[‘Close’], color=’black’, label=’Precio de Cierre’)
# Graficar líneas horizontales para cada nivel de Fibonacci
plt.axhline(precio_max, color=’red’, linestyle=’–‘, label=’Precio Máximo’)
plt.axhline(nivel1, color=’green’, linestyle=’–‘, label=’23.6%’)
plt.axhline(nivel2, color=’blue’, linestyle=’–‘, label=’38.2%’)
plt.axhline(nivel3, color=’purple’, linestyle=’–‘, label=’61.8%’)
plt.axhline(precio_min, color=’orange’, linestyle=’–‘, label=’Precio Mínimo’)
# Agregar etiquetas y leyenda
plt.ylabel(«Precio»)
plt.xlabel(«Fecha»)
plt.legend()
plt.xticks(rotation=45)
# Mostrar gráfico
plt.show()
Resultado:
Nivel Precio
0 121.37
0.236 100.18
0.382 87.07
0.618 65.87
1 31.57
En el gráfico, se puede ver que el precio máximo es 121.37, donde el nivel es 0 ya que no hay retroceso en ese punto. Los niveles de retroceso se encuentran en 23.6% ($100.18), 38.2% ($87.07) y 61.8% ($65.87).
Ideas para optimizar la estrategia de Fibonacci en Python
Al implementar Python para la estrategia de Fibonacci, es posible que sea necesario realizar optimizaciones para mejorar el rendimiento.
Ideas:
1.Definir reglas claras de trading: Establece reglas claras para identificar niveles de retroceso y configuraciones de operaciones.
2. Backtest de la estrategia: Prueba la estrategia en datos históricos para validar su efectividad.
3. Optimización de parámetros: Ajusta los parámetros de la estrategia para mejorar el rendimiento.
4. Incorporar gestión de riesgos: Implementa técnicas robustas de gestión de riesgos.
5. Combinar con otros indicadores: Mejora la estrategia integrándola con otros indicadores técnicos.
6. Monitoreo y adaptación continua: Supervisa y ajusta la estrategia según las condiciones del mercado.
Superación de desafíos al usar la estrategia de Fibonacci
Algunos de los desafíos comunes y cómo superarlos:
Desafíos con la estrategia de comercio de Fibonacci
Formas de superar los desafíos
Subjetividad: Identificar los máximos y mínimos correctos para anclar los niveles de retroceso de Fibonacci puede ser subjetivo y puede variar entre los operadores.
Utilice criterios objetivos: Defina criterios claros para identificar los máximos y mínimos oscilantes, como máximos y mínimos de precios significativos, o utilice herramientas automatizadas para detectar estos puntos. Además, considere el uso de varios marcos de tiempo para confirmar los niveles clave.
Sobreajuste: Existe el riesgo de sobreaceptar los niveles de Fibonacci a los datos históricos, lo que lleva a un bajo rendimiento en el comercio en tiempo real.
Validar con Backtesting: Pruebe la estrategia de Fibonacci en datos históricos en diferentes condiciones del mercado para garantizar la solidez. Evite optimizar en exceso la estrategia en función de eventos pasados específicos. Incorporar reglas de gestión de riesgos para limitar las pérdidas potenciales.
Señales falsas: los niveles de retroceso de Fibonacci a veces pueden generar señales falsas, lo que resulta en una mala ejecución de operaciones y pérdidas.
Combinar con otros indicadores: Utilice los niveles de Fibonacci junto con otros indicadores técnicos, como promedios móviles, líneas de tendencia o patrones de velas, para confirmar la configuración comercial. Esto puede ayudar a filtrar las señales falsas y mejorar la fiabilidad de la estrategia.
Sesgo emocional: Los traders pueden apegarse emocionalmente a los niveles de Fibonacci, lo que lleva a una toma de decisiones sesgada y a la renuencia a adaptarse a las cambiantes condiciones del mercado.
Sea disciplinado: apégate a las reglas y objetivos predefinidos, independientemente de los impulsos emocionales o el apego a los niveles de Fibonacci. Revise y ajuste regularmente la estrategia en función de las métricas de rendimiento objetivas y la retroalimentación del mercado.
Ruido del mercado: en condiciones de mercado entrecortadas o volátiles, los niveles de Fibonacci pueden no capturar con precisión los movimientos de los precios, lo que resulta en un aumento del ruido y las señales falsas.
Ajuste de los parámetros: Considere ajustar la sensibilidad de los niveles de Fibonacci modificando los puntos de anclaje o utilizando herramientas alternativas de Fibonacci, como extensiones o clústeres de Fibonacci, para alinearse mejor con la dinámica del mercado prevaleciente. Además, aplique filtros para suavizar el ruido y centrarse en configuraciones comerciales de alta probabilidad.
Conclusión
La estrategia de retroceso de Fibonacci implementada en Python ofrece a los traders una metodología sistemática para navegar en mercados financieros volátiles. Al dominar esta estrategia, los traders obtienen una herramienta poderosa para identificar niveles potenciales de reversión de precios y tomar decisiones de trading informadas. A través de la programación en Python, se pueden calcular y visualizar los niveles de retroceso de Fibonacci con precisión, mejorando las capacidades de análisis técnico.
Si deseas aprender más sobre la estrategia de retroceso de Fibonacci, considera explorar cursos especializados que cubren estrategias de acción de precio y su implementación en los mercados en vivo. ¡Inscríbete y lleva tu trading al siguiente nivel!
Espero que esta traducción cumpla con tus expectativas y esté alineada con tus instrucciones. Si necesitas más contenido o alguna otra traducción, estaré encantado de ayudarte.
Allan Mecham y Arlington Value: Grandes lecciones sobre la Inversión en Valor por Brandon Beylo
Inversor de valor. Enfocado en empresas de pequeña y micro capitalización, spin-offs y SPAC.
Brandon Beylo / MACRO-OPS
No hay muchos inversores que obtengan rentabilidades de dos dígitos a lo largo de décadas y los que lo hacen ya son bien conocidos (es decir, ese tipo de Omaha). Sin embargo, en una pequeña oficina encima de una tienda de tacos, hay un hombre que dirige un fondo de cobertura llamado Arlington Value que ha demostrado la ventaja en la simplicidad, el pensamiento a largo plazo y el poder del interés compuesto cuando se trata de la inversión en valor.
Arlington Value no tiene un gran equipo de analistas. No ejecutan algoritmos avanzados de aprendizaje automático ni explotan datos satelitales esotéricos y no hay un solo diploma distinguido en sus paredes.
Sin embargo, Arlington Value ha ganado un 18,36 % durante 11,5 años y su principal fondo, AVM Ranger Fund, ha dado una rentabilidad alucinante del 37,9 % desde 2008. El hombre detrás de estos números es Allan Mecham.
Los Secretos Del Éxito De Allan Mecham: Lecciones Del Valor De Arlington
Pasé todo el fin de semana pasado analizando sus cartas (s/o a Focused Compounding para la publicación) y hay muchas joyas para poder compartir. He seguido adelante y he reducido las ideas de Mecham en cinco lecciones recurrentes de sus cartas (que van de 2008 a 2017) que vale la pena revisar. ¡Empecemos!
1. La Ventaja De Menos Información: Evitar El Ruido
«No estoy de acuerdo con la idea de que más información siempre es mejor». – Carta de 2008
Esto puede sonar muy bien, ya que estás leyendo esto de una «fuente de información» sobre inversiones, pero ten paciencia conmigo. Mecham es de la vieja escuela. Lee periódicos impresos y evita los sensacionalistas medios de comunicación financieros que se encuentran en la televisión y en Internet. Warren Buffett, Walter Schloss y muchos otros inversores de valor siguen prácticas similares (es decir, Buffett no tiene un ordenador en su oficina).
Sabemos que los inversores exitosos practican el arte de «menos es más», pero ¿por qué lo hacen exactamente? ¿Cuál es la ventaja?
Se encuentra en el pensamiento claro y una mente despejada. Nuestros cerebros solo tienen cierta capacidad de poder para tomar decisiones cada día. La eliminación de esa energía en numerosos puntos de venta (leer demasiados blogs, seguir a demasiados inversores, ver Mad Money) reduce la capacidad de nuestro cerebro para tomar decisiones con todo su poder sobre cuestiones importantes. Mecham aborda estos temas en su carta anual de 2010, diciendo:
El aumento constante de la información, junto con las presiones del rendimiento a corto plazo, pueden llevar la inversión racional a largo plazo al borde de la extinción. El fácil acceso a la información sugiere que disciplinar el temperamento de uno rivaliza con la necesidad de energía y acción.
Cuanta menos información consumas, más tiempo tendrás para reflexionar sobre los pocos fragmentos críticos que realmente importan.
2. Los Escollos De Vender Grandes Negocios
«La venta es difícil, y mi historial sugiere que suele ser un error». – Carta de 2010
En un mundo perfecto, encontramos negocios que amamos con equipos de gestión que saben cómo asignar bien el capital, y luego nos sentamos a esperar. Desafortunadamente, una pequeña fracción de las empresas públicas cumplen con ese criterio, e incluso entonces, es tremendamente difícil sentarse y tener paciencia. En su carta de 2010, Mecham abordó el tema de las ventas, diciendo:
Mi opinión sobre las ventas es similar al viejo adagio deportivo de que «la mejor defensa es una buena ofensiva»; para tener disciplina en esto de las ventas hay que tener antes la disciplina de hacer compras puntuales, que combina el análisis adecuado con un precio a niveles de ganga.
Mecham destaca su desdén por vender a través de su ejemplo de venta de Autozone en 2010 – la venta que admite fue un error.
En ese momento, Autozone (AZO) comprendía el 18 % de la cartera del Fondo (algo que trataremos más adelante). Mecham vendió a un precio promedio de 155,67 $/acción. Si Mecham hubiera mantenido sus acciones hasta fin de año, habría visto cómo los precios de las acciones subían a 272,59 dólares/acción (un aumento del 75 %). La retrospectiva es 20/20, por lo que no es el aumento del precio de las acciones lo que quiero destacar, sino el análisis post mortem de Mecham en AZO:
Hemos sido propietarios de AZO durante años y admiramos las cualidades intrínsecas del negocio: una posición líder en el mercado, características duraderas y anticíclicas, fuertes perspectivas de crecimiento y un impresionante historial gerencial de asignación de capital.
Mecham vendió un negocio con todas estas características (aunque para otro gran negocio en BRKB) y se arrepintió de haberlo hecho. Aférrate a los grandes negocios.
3. El Poder De La Inactividad Y La Paciencia
Estamos a favor de la acción (y los comentarios) poco frecuentes, esperando pacientemente oportunidades excepcionales. – Carta de 2010
Si no tienes la capacidad de ser paciente, no hacer nada y esperar oportunidades, nunca podrás aferrarte a los grandes negocios. Para lograr los poderosos efectos del interés compuesto, la inactividad no es la habilidad perfecta, es imprescindible.
Arlington Value: El Enfoque Único De Allan Mecham Para La Inversión En Valor
Aunque los inversores en valor hablan de la necesidad de largos períodos de inactividad, las razones para hacerlo no siempre están claras. Mecham (como la mayoría de los gestores de valor exitosos) compra solo a precios con gran descuento, normalmente expresados durante episodios de pesimismo extremo. En su carta de 2014, Mecham habla de su importante práctica de sentarse a esperar:
Nuestra oficina se siente más como una biblioteca abandonada con un par de vagos merodeando. Todavía no nos hemos visto insumados por las virtudes de los equipos de analistas y las reuniones de inversión. Somos de la vieja escuela. En su mayoría nos sentamos a leer, pensar y esperar. Una broma de Stanley Druckenmiller describe mejor nuestro proceso: «Me gusta ser muy paciente y luego, cuando veo algo, me vuelvo un poco loco.
La actividad frecuente no solo resulta en una reducción del rendimiento, sino que también se traduce en mayores costos de hacer negocios (es decir, comisiones e impuestos). Pero, ¿por qué la inactividad es tan difícil? = Me vienen a la mente dos razones principales: la seguridad laboral y el barómetro de medición.
Hay un aura de legitimidad al ver a alguien (o a un grupo de personas) frenéticamente involucrado en el trabajo. Si estás pagando a alguien para que haga un trabajo, es más probable que tu mente se sienta cómoda al ver a esa persona en el trabajo. Esto influye en la primera razón por la que es tan difícil permanecer inactivo: la seguridad laboral. La mayoría de los administradores de dinero son indexadores natos. En otras palabras, abrazan el índice lo más cerca posible para mantener el flujo de activos de los clientes. Y si te pones en la piel del administrador de dinero promedio, esto tiene sentido. Es una conversación mucho más fácil de tener con un cliente si sus activos se mueven en línea con el índice (sube o bajan). Es mucho más difícil hablar cuando el mercado está subiendo y su cartera está estancada.
Junto con esta muleta de seguridad laboral, la mayoría de los gestores se miden en un marco de tiempo demasiado corto. Por ejemplo, si los clientes esperan que usted supere el rendimiento trimestral o mensual, ¿cómo basará el gestor sus decisiones en las inversiones? Las mediciones trimestrales o mensuales conducen a un exceso de operaciones, a vender demasiado pronto y a entrar en posiciones más arriesgadas para perseguir rendimientos gradualmente más altos en un corto período de tiempo. Esta tercera conclusión se supone mejor con la siguiente cita de Phil Carret:
La rotación generalmente indica un fracaso de juicio. Es extremadamente difícil averiguar cuándo vender algo.
4. Adoptar El Pensamiento A Largo Plazo Para Rendimientos Sostenibles
Nuestras ideas y políticas están estructuradas con un objetivo en mente: cultivar una cultura que fomente la toma de decisiones racional que, en última instancia, conduzca a rendimientos sólidos ajustados al riesgo. – Carta de 2012
Mecham enfatiza rutinariamente la importancia de tener una mentalidad similar a la del propietario y su impacto en el éxito de la inversión a largo plazo. Una mentalidad similar a la del propietario no solo cambia el marco de tiempo como inversor, sino que te obliga a cambiar lo que te importa cuando miras las empresas. Centrarse en la inversión a largo plazo (es decir, mantener las empresas durante décadas, no durante segundos) conduce a una disminución natural en el nivel de importancia que le da a los resultados trimestrales (ganancias «beats»), vientos en contra a corto plazo y compresiones temporales en las ganancias y los márgenes. Cuando piensas a largo plazo, todo eso realmente no importa. Más que eso, si sigues pensando así, empezarás a preguntarte por qué otros incluso piden orientación trimestral.
Mecham lo deja muy claro cuando habla de la mentalidad a largo plazo en su carta de 2014, escribiendo:
En primer lugar, adoptamos la mentalidad de un propietario de un negocio que compra para mantener. Para nosotros, esto significa pensar en el poder de permanencia, las amenazas competitivas, la economía y comparar el precio con el valor… No creemos que los «beats» trimestrales sean pertinentes al valor intrínseco.
En otras palabras, cambiar el marco de tiempo en el que piensas en las inversiones te lleva a pasar la mayor parte de tu tiempo pensando en los elementos anteriores en lugar de en las métricas trimestrales en las que todos los demás están tan enfocados. Mecham lleva este punto a casa un par de páginas más tarde, afirmando:
Creo que la mayor diferencia (y nuestra principal ventaja) entre Arlington y el fondo promedio es nuestra capacidad para implementar un marco de análisis de empresas como los propietarios a largo plazo.
5. La Concentración Como Un Motor Clave Del Rendimiento
La quinta y última conclusión es (pobliblemente) la más importante para los inversores que buscan superar al mercado a largo plazo.
La concentración de los activos es tan contraconsenso fuera como dentro de la comunidad inversora. Como he mencionado antes, la mayoría de los administradores de dinero abrazan el índice, invirtiendo en 30, 40 o 100 acciones. Esta es la receta para lo promedio, algo que Allan reconoció al principio de la existencia de su Fondo.
Allan Mecham mantiene una cartera concentrada de alrededor de 12 a 15 empresas. No tiene miedo de asignar un gran porcentaje del capital de su Fondo a unas pocas acciones. Por ejemplo, vimos antes que Mecham asignó el 18 % de sus fondos a Autozone. Incluso el 18 % palidece en comparación con la mayor inversión de Mechem durante el transcurso de sus cartas. En 2011, Mecham hizo de Berkshire Hathaway una posición del 50 % en su Fondo. De hecho, Mecham llegó a ir con margen para comprar más acciones de Berkshire Hathaway (costo de margen del 1,5 %), apalancando en su posición más grande del Fondo. La mayoría de los gerentes corrientes estarían vigilando el suicidio profesional después de un movimiento como ese. Pero, como ilustra Mecham, tenía lógica:
La gestión convencional de fondos tiene un desdén dogmático por las posiciones altamente concentradas. No hace falta decir que tenemos un punto de vista diferente. Para nosotros, como propietarios de BRK, el desprecio por la concentración es muy ilógico, ya que BRK proporciona una amplia diversidad, con exposición a empresas, sectores y asignaciones de activos dispares.
Esta lógica está en línea con el viejo adagio de Buffett de una diversificación adecuada en el que describe ser dueño de algunos negocios locales en su ciudad como una diversificación adecuada. Si tienes algunas de las mejores operaciones de la ciudad, ¿no se consideraría adecuadamente diversificada? Por supuesto. De alguna manera, al aventurarse en los mercados financieros, esa misma filosofía vuela por la ventana. Una cartera de 10 a 15 empresas enérgicamente investigadas compradas a precios de ganga es una estrategia de inversión de riesgo tan baja como vienen. Mecham hace hincapié en esto en sus LP cuando escribe:
Si bien nuestra cartera concentrada a veces es criticada por la corriente principal financiera, creemos que los juicios carecen de sustancia. Somos un fondo reacio al riesgo que busca inversiones de bajo riesgo.
Si quieres vencer al mercado a largo plazo, necesitas hacer apuestas concentradas en empresas que crees que obtendrán mayores rendimientos de su capital que el mercado general, especialmente cuando se trata de inversiones de valor. Combina estas apuestas concentradas con un horizonte temporal a largo plazo y una determinación inquebrantable de no hacer nada y ya casi estás en camino de clonar a Allan Mecham.
">
">
">
">
">
">
">
">
">
">
">
">
">
">
">
