¿Puede vivir del trading? por Perry J. Kaufman

 

 

 

 

 

 

• ¿Cuánto capital necesita para vivir del trading? ¿Qué debe tener en cuenta? En este artículo, Perry J. Kaufman, en exclusiva para Hispatrading Magazine, nos cuenta algunos aspectos imprescindibles si quiere vivir de sus ganancias. 
• Artículo publicado en Hispatrading 53.

Nuestra hija hace trading, pero necesita ganar lo suficiente para vivir. Eso me molesta porque los retiros constantemente agotan la cuenta y hacen imposible capitalizar los rendimientos, la clave para acumular riqueza. Estoy seguro de que ella no es la única trader con ese problema. La pregunta que me gustaría lanzar en este artículo es, «¿cuánto dinero puede retirar y seguir operando?”.

Tomemos un ejemplo simple, usando el SPDR SPY. En el pasado reciente, ha tenido tres grandes mercados alcistas, la última parte de los años 90, 2003-2007 y 2010-2020, comenzando después de la crisis financiera de 2008. Es difícil quejarse demasiado de los rendimientos, 7.5% anual desde 2003, incluso después de todos los altibajos, incluido el mercado bajista actual. Sin embargo, veremos que mucho depende de cuándo comience a operar.

Cantidades fijas de retiro

Como punto de referencia, comenzamos con $1 millón el 1 de febrero de 1993 y calculamos los rendimientos compuestos de SPY para obtener un 7,26% anualizado, hasta el 14 de octubre de 2022. Si necesitamos $50.000 para vivir cada año, retiraremos $4.166,66 al el final de cada mes. Eso reduce la cantidad de capital que podemos invertir el mes siguiente. Cada mes aplicamos los rendimientos porcentuales de SPY al valor final del activo del mes anterior y restamos el retiro mensual. Calculamos el nuevo rendimiento mensual y lo combinamos de la forma habitual para obtener el NAV que se muestra en el gráfico 1, marcado como «W/D 50K».

El impacto de un retiro mensual de $4.166 no es tan malo. Si nuestra hija pudiera vivir con eso (hipotéticamente, por supuesto), la curva de capital aún crecería. Pero ella realmente quiere retirar $100K cada año, un importe de $8.333.33 por mes. Eso nos da la línea gris en el Gráfico 1, esencialmente eliminando todas las ganancias y manteniéndolas siempre igual que la inversión inicial y un poco menos en este mercado bajista. Eso deja poco margen para el error.

¿Y si necesitara aún más? Como puede ver en la línea amarilla en el gráfico 1, retirar $150.000 cada año ($12.500 mensuales) toma aproximadamente la mitad del tiempo para consumir toda la inversión, incluso volviéndose negativa en medio del mercado alcista de 2003-2007.

Retiros de porcentaje

El mercado ha sido bueno para muchos inversores, pero hay un límite a lo que puede producir. Puede pensar que retirar un porcentaje cada mes sería mejor, pero entonces la cantidad que retire variará considerablemente. Veamos lo que sucede.

El Gráfico 2 muestra la inversión pasiva en SPY (en azul), junto con los retiros mensuales de capital dados en base a montos anuales de 5%, 10% y 15%. Parece que tenemos básicamente el mismo patrón que con los retiros fijos en dólares. La opción del 5% permite que la cuenta crezca, el 10% elimina todas las ganancias y el 15% lo deja sin nada, aunque es más lento que retirar $150.000 cada año.

El beneficio de los retiros porcentuales se puede ver en el flujo de caja mensual. Un retiro mensual en dólares del 5% es de $4.166 en base a la inversión original. Si, en cambio, retira el 5 %, o el 0,4166 % del valor de la cuenta corriente cada mes, terminará con más dinero para gastar, como se muestra en la Figura 3. La razón es que, cu¡¡ando el SPY está corrigiendo, retira menos, así que cuando el mercado se recupera, tienes una mayor inversión. Durante el período de 1993 habría retirado un promedio de $ 7.509 cada mes en lugar de $ 4.166.

Pero esa imagen puede ser engañosa. Se basa en comenzar estos cálculos justo antes de un escenario de mercado alcista.

Comenzando en el momento equivocado

Aquellos que operaron en la década de 1990 deberían recordar la notable tendencia alcista que terminó a principios de 2000. ¿Qué hubiera pasado si hubiera comenzado en el peor momento posible, en lugar de en el mejor momento? Tomar un retiro anualizado (mensual) del 5 % aún habría sobrevivido a los dos mercados bajistas devastadores, y al actual, desde 2000. Pero más del 5 % reduce significativamente su capital, como se ve en la Figura 4.

El verdadero problema viene en el flujo de caja. En lugar de acumular ganancias a fines de la década de 1990 que le permitan retirar fondos durante los próximos 20 años, comienza una recesión. En ningún momento podrás retirar el 5% de la cantidad fija que quieras. De hecho, la mayor parte del tiempo, solo puede retirar la mitad de esa cantidad, y el promedio de todos los años desde el 2000 es de $2.943 por mes (consulte el gráfico 5), en lugar de los $4.166 que está buscando.

Conclusiones

En teoría, deberíamos poder retirar algo justo por debajo de los rendimientos anualizados a largo plazo de nuestra cartera de inversiones. Si empezamos en un buen momento, cuando la rentabilidad de la cartera se comporta mejor que la media, podemos acumular capital extra que nos ayudará por mucho tiempo. Si nuestro momento es malo y comenzamos antes de un mercado bajista, tanto nuestro capital como los retiros funcionan en nuestra contra y terminaremos con mucho menos de lo que queríamos.

Realmente no hay forma de saber qué hará el mercado. Estadísticamente, tiene más probabilidades de experimentar un mercado alcista que un mercado bajista. Quizás la mejor manera es retirar una cantidad menor, digamos 5%, hasta que acumule capital, luego aumente el tamaño de los retiros. Asegurará la longevidad.

Puede resultar que, cuando veamos tocar suelo en el mercado bajista actual, tengamos un lugar ideal para comenzar a vivir de las ganancias.

Cómo adelantarnos a los crash y rebotes en un mercado bajista por Jon Wolfenbarger

 

• Hay una amplia variedad de indicadores del mercado de valores para intentar determinar cuándo comienzan y terminan los mercados bajistas, así como cuándo comienzan y terminan las ventas masivas y los repuntes del mercado. ¿Le gustaría saber cuáles realmente funcionan? Siga leyendo para descubrirlo.
• Artículo publicado en Hispatrading 52.

En este artículo, hablaré sobre tres de los indicadores más básicos, y más importantes, para identificar cuándo comienzan las ventas masivas y los rebotes dentro de un mercado bajista. Esto puede ayudar a uno a operar a corto plazo dentro de un mercado bajista y así tratar de maximizar las ganancias. Además puede proporcionar el contexto adecuado para entender lo que está sucediendo en el mercado en un momento dado. Esto puede ayudarnos a «mirar a la vuelta de la esquina» e identificar lo que es probable que suceda a continuación en el mercado.

Cómo identificar las tendencias del mercado tanto alcista como bajista

Como recordatorio, aquí están mis criterios técnicos básicos para detectar un mercado alcista y bajista para cualquier activo financiero. En el último número de Hispatrading Magazine los expliqué más detalladamente.

Para reducir el riesgo de las “señales falsas» y suavizar las tendencias, generalmente utilizo las siguientes reglas técnicas para determinar cuándo existe una tendencia alcista. Tienen que cumplirse todas:

1. El precio está por encima de la media móvil de 250 días (250-dma).

2. La media móvil de 20 días está por encima de la media móvil de 250 días.

3. La media móvil de 60 días está por encima de la media móvil de 250 días.

4. La pendiente de la media móvil de 250 días es positiva.

Por el contrario, generalmente utilizo las siguientes reglas técnicas para determinar cuándo existe una tendencia bajista del mercado bajista:

1. El precio está por debajo de la media móvil de 250 días (250-dma).

2. La media móvil de 20 días está por debajo de la media móvil de 250 días.

3. La media móvil de 60 días está por debajo de la media móvil de 250 días.

4. La pendiente de la media móvil de 250 días es negativa.

Cómo detectar ventas masivas del mercado

Una vez que se ha identificado una tendencia del mercado bajista, podemos usar los siguientes indicadores técnicos para identificar cuándo está comenzando una venta masiva del mercado.

La primera pista de que se avecina una venta masiva del mercado es cuando las acciones se meten en terreno de «sobrecompra» a corto plazo, lo que sucede cuando el indicador estocástico lento sube por encima de 80. Luego, cuando cae por debajo de 80, eso puede indicar que está comenzando una venta masiva. El peligro con los indicadores estocásticos es que pueden ser relativamente volátiles y dar algunas señales falsas. Sin embargo, cuando el estocástico cotiza por encima de 80 en un mercado bajista, esa es una buena señal de que los inversores inteligentes deben prestar atención a las señales de que está comenzando una venta masiva.

La segunda pista es similar a la primera. Otra señal de que las acciones están «sobrecompradas» en un mercado bajista es cuando el RSI sube por encima de 50. En un mercado alcista, el RSI debería subir por encima de 70 para que las acciones se consideren sobrecompradas, pero en un mercado bajista, el RSI casi nunca sube por encima de 70. 

La tercera y más importante indicación de que podría comenzar una venta masiva del mercado es cuando el impulso de los precios a corto plazo se vuelve negativo, como lo indica la línea PPO que cae por debajo de su línea signal. En general, mientras la línea PPO esté por debajo de la línea signal, se está produciendo una venta masiva del mercado. Tenga en cuenta que la línea PPO es similar a la línea MACD, pero no está influenciada por los niveles absolutos de precios.

La figura 1 muestra el S&P 500 durante el mercado bajista de la Gran Recesión de 2008-2009. Etiqueté seis ventas masivas importantes durante ese mercado bajista, lo que generó pérdidas que oscilaron entre el 7% y el 36%. Marqué líneas verticales rojas al comienzo de esas ventas masivas. La cuarta ventana (inferior) muestra el estocástico lento. Dibujé círculos rojos alrededor de los períodos en que comenzaron las ventas. En general, las ventas masivas comenzaron cuando el estocástico lento estuvo sobrecomprado (más de 80) o había estado sobrecomprado recientemente. La tercera ventana muestra cómo el RSI también estuvo sobrecomprado normalmente (más de 50) alrededor del inicio de las ventas masivas. La segunda ventana muestra que el impulso de los precios fue negativo durante las ventas masivas, con la línea PPO (línea negra) por debajo de la línea signal (línea roja).

Cómo detectar repuntes del mercado

Naturalmente, los indicadores técnicos que ayudan a identificar cuándo se puede producir un rebote del mercado generalmente son los opuestos a los indicadores que indican cuándo está comenzando una venta masiva.

La primera indicación de que se avecina un repunte es cuando las acciones se meten en terreno de sobreventa a corto plazo, lo que sucede cuando el indicador estocástico lento cae por debajo de 20. Luego, cuando sube por encima de 20, eso puede indicar que está comenzando un rally. Una vez más, el estocástico pueden ser relativamente volátil y proporcionar algunas señales falsas. Sin embargo, cuando el estocástico cae por debajo de 20 en un mercado bajista, esa es una  buena advertencia de que los inversores inteligentes prestarán atención a las señales de que está comenzando un repunte.

Otra señal de que las acciones están «sobrevendidas» en un mercado bajista es cuando el RSI cae por debajo de 30.

La tercera y más importante señal de que un repunte del mercado bajista está comenzando es cuando el precio a corto plazo se vuelve positivo, como lo indica la línea PPO que se eleva por encima de su línea signal. En general, mientras la línea PPO esté por encima de su línea signal, podemos esperar un repunte del mercado.

El gráfico mostrado en la Figura 2 muestra nuevamente el S&P 500 durante el mercado bajista de la Gran Recesión de 2008-2009. Esta vez, etiqueté siete repuntes importantes durante ese mercado bajista, lo que impulsó unas ganancias que oscilaron entre el 10% y el 39%. Dibujé líneas verticales verdes al comienzo de esos rallys. La cuarta ventana (inferior), dentro del gráfico, muestra el estocástico lento y coloqué círculos verdes alrededor de los períodos en que comenzaron los rallys. En general, las ventas masivas comenzaron cuando el estocástico lento estuvo sobrevendido (menos de 20) o había estado sobrevendido recientemente. La tercera ventana muestra que normalmente el RSI también estuvo sobrevendido (menos de 30) cerca del comienzo del comienzo de los rallys. La segunda ventana muestra que hubo un impulso positivo del precio durante los repuntes, con la línea PPO (línea negra) por encima de la línea signal (línea roja).

Resumen

Mediante el uso de tres indicadores técnicos comunes (estocástico lento, RSI y PPO [o MACD]), se puede identificar cuándo es probable que se den ventas masivas y repuntes, durante un mercado bajista. Desde luego, esta información puede ser muy valiosa para los traders que desean obtener ganancias en lugar de perder dinero durante un mercado bajista.

Estrategias de trading algorítmico por Quantinsti

 

Las estrategias de trading algorítmico son conjuntos de instrucciones programadas que permiten ejecutar órdenes de manera automatizada en los mercados financieros. Estas estrategias abarcan desde el trading de impulso y arbitraje hasta la creación de mercado y el uso de aprendizaje automático. Implementar estas estrategias requiere conocimientos en programación, gestión de riesgos y pruebas retrospectivas para asegurar su eficacia en tiempo real.

¿Qué es el trading algorítmico?

El trading algorítmico se refiere al uso de algoritmos, es decir, conjuntos de instrucciones programadas, para ejecutar órdenes de compra o venta en los mercados financieros con mínima intervención humana. Estos algoritmos están diseñados para aprovechar la velocidad y capacidad de procesamiento de las computadoras, permitiendo operaciones más eficientes y precisas.

¿Qué son las estrategias de trading algorítmico?

Las estrategias de trading algorítmico son métodos sistemáticos que los traders programan en lenguajes de programación como Python, C++ o Java. Estas estrategias definen reglas específicas para entrar y salir del mercado, basándose en análisis técnicos, fundamentales o cuantitativos, con el objetivo de generar rendimientos favorables.

Clasificación de las estrategias de trading algorítmico

Las estrategias de trading algorítmico se pueden clasificar en varias categorías:

Estrategias de trading de impulso

Estas estrategias buscan capitalizar tendencias de precios significativas. Los algoritmos identifican activos con movimientos de precios fuertes y sostenidos, tomando posiciones en la dirección de la tendencia con la expectativa de que continúe.

Estrategias de arbitraje

El arbitraje implica aprovechar las diferencias de precios de un mismo activo en diferentes mercados o instrumentos. Los algoritmos detectan y explotan estas discrepancias, comprando en el mercado donde el precio es más bajo y vendiendo donde es más alto, obteniendo ganancias sin riesgo significativo.

Estrategias de creación de mercado

Los creadores de mercado proporcionan liquidez al mercado colocando órdenes de compra y venta simultáneamente. Las estrategias algorítmicas de creación de mercado buscan obtener beneficios del diferencial entre los precios de compra y venta, ajustando dinámicamente las órdenes según las condiciones del mercado.

Estrategias de trading basadas en aprendizaje automático

Estas estrategias utilizan modelos de aprendizaje automático para analizar grandes volúmenes de datos y predecir movimientos de precios. Los algoritmos pueden adaptarse y mejorar con el tiempo, identificando patrones complejos que podrían no ser evidentes mediante análisis tradicionales.

Estrategias de trading de opciones

Las estrategias algorítmicas en el mercado de opciones incluyen técnicas como la cobertura delta, arbitraje de volatilidad y spreads de opciones. Los algoritmos gestionan posiciones en opciones para aprovechar las diferencias de precios y volatilidad, buscando maximizar rendimientos ajustados al riesgo.

Construcción e implementación de estrategias de trading algorítmico

Para desarrollar e implementar una estrategia de trading algorítmico, se deben seguir varios pasos:

1. Desarrollo de la estrategia: Definir las reglas y condiciones basadas en análisis de mercado.
2. Programación: Codificar la estrategia en un lenguaje de programación compatible con la plataforma de trading.
3. Pruebas retrospectivas (backtesting): Evaluar la estrategia utilizando datos históricos para verificar su eficacia.
4. Optimización: Ajustar parámetros para mejorar el rendimiento de la estrategia.
5. Implementación en tiempo real: Desplegar la estrategia en un entorno de trading en vivo, monitoreando su desempeño y realizando ajustes según sea necesario.

Gestión de riesgos en estrategias de trading algorítmico

La gestión de riesgos es crucial en el trading algorítmico. Es esencial establecer límites de pérdidas, gestionar el tamaño de las posiciones y diversificar las estrategias para mitigar riesgos potenciales. Además, se deben implementar mecanismos de supervisión para detectar y corregir rápidamente cualquier anomalía en la ejecución de las estrategias.

Pasos para construir estrategias de trading algorítmico

Los pasos fundamentales para construir una estrategia de trading algorítmico incluyen:

1. Generación de ideas: Identificar oportunidades de trading basadas en análisis de mercado.
2. Desarrollo de la estrategia: Definir reglas claras para la entrada y salida de posiciones.
3. Pruebas retrospectivas: Evaluar la estrategia con datos históricos para validar su eficacia.
4. Optimización: Refinar la estrategia ajustando parámetros clave.
5. Implementación: Desplegar la estrategia en un entorno de trading en vivo, con monitoreo continuo para asegurar su desempeño óptimo.

Aplicaciones de las estrategias de trading algorítmico

Las estrategias de trading algorítmico se utilizan en diversos mercados financieros, incluyendo acciones, divisas, futuros y opciones. Son empleadas por instituciones financieras, fondos de cobertura y traders individuales para mejorar la eficiencia operativa, reducir costos de transacción y aprovechar oportunidades de mercado que podrían ser difíciles de identificar manualmente.

Cómo utilizar las estrategias de trading algorítmico

Para utilizar estrategias de trading algorítmico, es necesario:

1. Adquirir conocimientos en programación: Aprender lenguajes como Python o C++.
2. Comprender los mercados financieros: Tener una sólida base en análisis técnico y fundamental.
3. Seleccionar una plataforma de trading adecuada: Elegir una que soporte trading algorítmico y ofrezca acceso a datos de mercado en tiempo real.
4. Desarrollar y probar estrategias: Crear algoritmos, realizar pruebas retrospectivas y optimizar según los resultados obtenidos.
5. Implementar y monitorear: Desplegar las estrategias en un entorno en vivo, supervisando su desempeño y ajustando según sea necesario.

Monkey test: desafiando al azar en el trading algorítmico por Jaume Antolí

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. 
• Artículo publicado en Hispatrading Magazine 60.

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.

Nuestra estrategia simplificada se puede resumir de la siguiente manera:

1. Entrada: Abrimos una operación alcista cuando el precio cruza al alza la banda superior del canal de Donchian de 20 periodos.
2. 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:

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.

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.

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.

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.

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).

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

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.

Gracias por leer.

 

¿Pueden las imágenes de Twitter predecir la acción del precio durante los anuncios del FED? por Quantpedia

 

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

Título: Twitter Image Tone and FOMC Announcements

Enlace: https://papers.ssrn.com/sol3/papers.cfm?abstract_id=4937152

Resumen

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

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:

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:

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:

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.

 

• 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 trading no 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

 

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

 

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.

Autores: Vaibhav Lalwani, Vedprakash Meshram y Varun Jindal

Título: El impacto de las opciones metodológicas en las carteras de aprendizaje automático

Enlace: https://papers.ssrn.com/sol3/papers.cfm? abstract_id=4837337

Resumen:

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

 

• En este artículo, veremos cómo usar la regresión lineal, una herramienta estadística financiera, para predecir tendencias de precios. ¿Preparados?
• Artículo publicado en Hispatrading 60.

 

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.

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.

 

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).​

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!​

//+——————————————————————+

//|                                               SVE_Regression.mq4 |

//|                               Copyright © 2024, Sylvain Vervoort |

//|                                              http://stocata.org/ |

//|                                             20240610 version 1.0 |

//+——————————————————————+

#property copyright   «Copyright © 2024, Sylvain Vervoort»

//#property link        http://stocata.org/

#property description «Version 1.0 – 2024.06.10»

#property indicator_chart_window

#property indicator_buffers   1

#property indicator_color1    Green

#property indicator_width1    2

#property strict

//—- input parameters

extern int RegAverage            =  13  ;             // Regression Period

extern double OvershootCorr      =   1.7;             // Overshoot Correction

extern ENUM_APPLIED_PRICE TrackingPrice = PRICE_CLOSE;// Price Type, only COHL

extern int   SmoothVal         =  3;                  // Smooth average 0=Not Used

extern ENUM_MA_METHOD SmoothType =  MODE_SMMA;        // Smooth Type

//—- buffers

double  SmoReg[];

double  RegAverageBuff[];

double  sumx  = 0;

double  sumy  = 0;

double  sumxy = 0;

double  sumx2 = 0;

double  sumy2 = 0;

double  yint  = 0;

double  r     = 0;

double  m     = 0;

//+——————————————————————+

//|                    INITIALIZATION FUNCTION                       |

//+——————————————————————+

int init()

{

//—- buffers

IndicatorBuffers  (2);

SetIndexBuffer    (0, SmoReg);

SetIndexStyle     (0, DRAW_LINE);

SetIndexDrawBegin (0, RegAverage);

SetIndexBuffer    (1, RegAverageBuff);

      SetIndexStyle     (1, DRAW_NONE);

string StrRegAverage    = IntegerToString(RegAverage);

string StrOvershootCorr = DoubleToString(OvershootCorr,1);

IndicatorShortName        («SVE_Regression»);

return(0);

 }

//+——————————————————————+

//| Custom indicator iteration function                              |

//+——————————————————————+

int OnCalculate

               (const int      rates_total,

                const int      prev_calculated,

                const datetime &time[],

                const double   &open[],

                const double   &high[],

                const double   &low[],

                const double   &close[],

                const long     &tick_volume[],

                const long     &volume[],

                const int      &spread[])

  {  

   int n,limit,shift;

   limit = rates_total-RegAverage; // avoid property strict error

for (shift=limit-1; shift >= 0; shift–) 

{ 

sumx  = 0;

sumy  = 0;

sumxy = 0;

sumx2 = 0;

sumy2 = 0;

 

// Only allow tracking open, close, high, low prices 

// Force median, typical and weighted prices to closing prices

 

if (TrackingPrice     ==PRICE_MEDIAN)  TrackingPrice  = PRICE_CLOSE;

else if (TrackingPrice==PRICE_TYPICAL) TrackingPrice  = PRICE_CLOSE;

else if (TrackingPrice==PRICE_WEIGHTED)TrackingPrice  = PRICE_CLOSE;

 

// Calculate xy values separately tracing prices, open, high, low, close

if (TrackingPrice==PRICE_CLOSE) // tracing closing price

{

for (n = 0; n <= RegAverage-1; n++) 

             // loop through bars calclating LR for each bar

             // using the least squares method y=mx+b

{ 

            sumx  = sumx  + n;

sumy  = sumy  + close[shift + n];

sumxy = sumxy + n * close[shift + n];

sumx2 = sumx2 + n * n;

sumy2 = sumy2 + close[shift + n] * close[shift + n];

}

 

  }

      else if (TrackingPrice==PRICE_OPEN) // Tracing open price 

  {

    for (n = 0; n <= RegAverage-1; n++)

{ 

      sumx  = sumx + n;

sumy  = sumy + open[shift + n];

sumxy = sumxy + n * open[shift + n];

sumx2 = sumx2 + n * n;

sumy2 = sumy2 + open[shift + n] * open[shift + n];

}

   

  }

      else if (TrackingPrice==PRICE_HIGH) // Tracing high price 

  {

    for (n = 0; n <= RegAverage-1; n++)

{ 

      sumx  = sumx + n;

sumy  = sumy + high[shift + n];

sumxy = sumxy + n * high[shift + n];

sumx2 = sumx2 + n * n;

sumy2 = sumy2 + high[shift + n] * high[shift + n];

}

  }

   

    else if (TrackingPrice==PRICE_LOW) // Tracing low price 

  {

    for (n = 0; n <= RegAverage-1; n++)

{ 

      sumx  = sumx + n;

sumy  = sumy + low[shift + n];

sumxy = sumxy + n * low[shift + n];

sumx2 = sumx2 + n * n;

sumy2 = sumy2 + low[shift + n] * low[shift + n];

}

  }

  // calculate square root regression for each individual value

 

double temp = RegAverage * sumx2 – sumx * sumx;

if (temp == 0) temp = .0000001;

m = (RegAverage * sumxy – sumx * sumy) / temp; 

temp = RegAverage;

if (temp == 0) temp = .0000001;

yint = (sumy + m * sumx) / temp; 

temp = MathSqrt((RegAverage * sumx2 – sumx * sumx) * 

                   (RegAverage * sumy2 – sumy * sumy));

if (temp == 0) temp = .0000001;

r = (RegAverage * sumxy – sumx * sumy) / temp;

         

RegAverageBuff[shift] = yint – m * RegAverage/(OvershootCorr + 0.0001); 

// avoid division by 0

  }    

   // Track result in buffer and display result in the chart

   

   if(SmoothVal > 0){

     for (shift=limit-1;shift >= 0;shift–) 

     SmoReg[shift]=iMAOnArray(RegAverageBuff,0,SmoothVal,0,SmoothType,shift);}

   else if(SmoothVal == 0)

     for (shift=limit-1;shift >= 0;shift–) SmoReg[shift] = RegAverageBuff[shift];

  

  return(0);

}

//+——————————————————————+

 

El mercado está rompiendo por Alex Barrow

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.

 

• 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.

¡Más por venir!

Brett

Reacciones exageradas del mercado tras las elecciones por Ben Carlson

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

 

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.