Cómo Funcionan los Mercados Alcistas por Ben Carlson

 

A mitad del año, el S&P 500 subió un 15.3%, incluyendo dividendos. A pesar de estas impresionantes ganancias, el mercado alcista ha sido relativamente aburrido este año. Ha habido solo 14 días de negociación con ganancias del 1% o más. Solo ha habido un solo día de subida del 2% en 2024. Y solo ha habido 7 días de caída del 1% o más. Movimientos pequeños en ambas direcciones.

Los mercados alcistas suelen ser aburridos así. Las tendencias alcistas tienden a ser estos movimientos lentos y metódicos hacia arriba. Los mercados alcistas no generan buenos titulares porque están compuestos de mejoras graduales. Los mercados bajistas, por otro lado, son donde ocurre la emoción. Las tendencias bajistas están llenas de grandes días de caída y grandes días de subida.

El mercado bajista de 2022 es un buen ejemplo. Durante ese año terrible en el mercado de valores, el S&P 500 cayó un 1% o más en 63 días de negociación. También hubo 23 días de caída del 2% o más y 8 caídas diarias separadas del 3%. Pero también hubo muchos días de grandes subidas: 59 días de +1% o más, 23 días de 2% o más y 4 días de 3% o más.

Los mejores y peores días se dan al mismo tiempo porque la volatilidad se agrupa. La volatilidad se agrupa porque los inversores reaccionan de manera exagerada al alza y a la baja cuando las emociones están por las nubes. Por eso las estadísticas que muestran tus rendimientos si te pierdes los 10 mejores días o algo similar son inútiles.

El segundo mejor día de 2020 (+9.3%) estuvo entre los dos peores días (-9.5% y -12.0%) durante la caída del Covid. El mejor día de 2020 (+9.4%) siguió a pérdidas diarias de -4.3% y -2.9%. Los mercados no siempre son así, pero estas son las características generales de las tendencias alcistas y bajistas.

Entonces, ¿por qué deberías preocuparte por las características de las tendencias alcistas y bajistas como inversor a largo plazo? Puede ser útil ser consciente de tu entorno al invertir para no ser una de esas personas que reaccionan de manera exagerada cuando el miedo o la codicia están en su punto álgido.

También es interesante notar que, aunque el S&P 500 está teniendo un año aburrido, no significa que cada acción en el índice esté teniendo una experiencia similar. Mientras el S&P sube más del 15%, hay 134 acciones que han caído un 5% o peor, mientras que 85 acciones han caído un 10% o más en lo que va del año.

Los rendimientos del mercado de valores están concentrados en los grandes nombres este año, pero es normal que muchas acciones bajen en un año dado. JP Morgan tiene un gráfico interesante que muestra el número de acciones en el S&P 500 que terminan el año con una caída del 5% o más desde 1994:

Tiene sentido que veas números altos en los años malos (2000-2002, 2008, 2018, 2022, etc.), pero muchas acciones también bajaron durante los años alcistas.

El año pasado, casi 130 acciones cayeron un 5% o más cuando el índice subió más del 26%. Dicen que invertir con éxito debería ser como ver la pintura secarse. Solo recuerda que los mercados no serán aburridos para siempre. En algún momento, la emoción y la volatilidad volverán.

 

La exageración de la IA es extrema por Ed Yardeni

 

Determinar cuándo una tendencia de inversión ha llegado a su fin es más un arte que una ciencia. Aunque nos encantan las posibilidades de mejora de la productividad que ofrece la inteligencia artificial (IA), el fenómeno de la IA tiene muchas características de una burbuja en inflación. Hay grandes sumas de dinero persiguiendo el sueño de la IA. Se han coronado nuevos reyes de la industria. Y la hipérbole está fluyendo.

Veamos algunas de las señales de peligro que estamos observando:

(1) Los fondos están fluyendo. Hemos sido grandes fanáticos de la IA y de lo que puede lograr. Este año, hemos destacado la IA que entrena autos autónomos; desarrolla medicamentos, planea bodas y multa conductores; ayuda a los maestros a desarrollar planes de lecciones y calificar trabajos; y ayuda a los profesionales de la publicidad de Madison Avenue a redactar textos y crear videos.

Pero en algún momento, demasiado capital puede acabar incluso con las mejores fiestas. Hay cientos de pequeñas empresas que han recaudado miles de millones de dólares de capitalistas de riesgo que esperan descubrir el próximo ChatGPT. Los inversores han invertido $330 mil millones en 26,000 startups de IA durante los últimos tres años, lo cual es dos tercios más de lo que se gastó en financiar 20,350 startups de 2018-20, según un artículo del NYT del 29 de abril citando datos de PitchBook. Asimismo, los acuerdos de IA generativa atrajeron $21.8 mil millones el año pasado, cinco veces más que en 2022, según datos de CB Insights en un artículo del WSJ del 29 de abril.

Muchas nuevas empresas de IA aún no han generado ganancias. El NYT destacó una serie de empresas que se estaban quedando sin fondos, incluyendo Stability AI, que ha despedido empleados y vio partir a su CEO. Inflection AI recaudó más de $1.5 mil millones para desarrollar un chatbot que daba apoyo emocional a sus usuarios, pero su CEO y gran parte de su personal se fueron a Microsoft.

Afortunadamente, la mayoría de estas empresas no han pedido préstamos en los mercados de capital, por lo que es poco probable una repetición del colapso de las telecomunicaciones. Pero si las startups de IA se quedan sin efectivo, sus proveedores podrían ver cómo los ingresos relacionados con la IA se agotan rápidamente.

(2) Los reyes de la IA hablan en grande. Como toda nueva industria tecnológica de moda, el mundo de la IA tiene sus rockstars, incluyendo a Jensen Huang de Nvidia, Sam Altman de ChatGPT y Elon Musk de Tesla. Algunos suenan como si hubieran bebido demasiado Kool-Aid de la IA.

En la reunión anual de Nvidia hace dos semanas, Huang señaló que la plataforma de arquitectura Blackwell podría ser el producto más exitoso en la historia de la computación, informó un artículo de Investopedia del 26 de junio. No dudamos que Blackwell será extremadamente exitoso, pero no creemos que el ciclo de los semiconductores esté muerto.

Cuando la demanda de la industria de semiconductores es fuerte, los clientes se apresuran a conseguir chips, a menudo pidiendo más de lo necesario anticipando que no se cumplirá todo su pedido. Una vez que los clientes reciben los chips que necesitan, los pedidos caen abruptamente y los fabricantes y mayoristas se encuentran con exceso de inventario. La IA puede ayudar a los fabricantes a operar de manera más eficiente, pero no cambiará la naturaleza humana.

Huang también señaló que el negocio de la compañía estaba a punto de expandirse a los negocios de robótica y la IA soberana. “La próxima ola de IA está destinada a automatizar los $50 billones en industrias pesadas” con fábricas robóticas que “orquestarán robots que construyen robots que construyen productos que son robóticos”, declaró el artículo de Investopedia. La industria de la robótica ya cuenta con muchas empresas grandes y establecidas, como Fanuc y Boston Dynamics, que están automatizadas y usan IA para mejorar las capacidades de sus robots.

Para no quedarse atrás, el CEO de ChatGPT, Sam Altman, en el Festival de Ideas del Instituto Aspen, comparó el auge de la IA con el descubrimiento de la agricultura y la invención de las máquinas de la era industrial. Afirmó que la IA aumentará dramáticamente la productividad y ayudará a que el PIB global crezca un 7% anual para duplicarse en 10 años. Si bien coincidimos con Altman en que la IA mejorará la productividad y fomentará el crecimiento económico, duplicar el tamaño de la economía mundial en una década es una afirmación bastante atrevida.

La mayoría de las materias primas están en un mercado bajista por Dean Christians

 

• El porcentaje de materias primas en un mercado bajista pasó de menos del 25% a más del 50%
• Cambios similares precedieron a rendimientos desfavorables en un alto porcentaje de ocasiones en el índice de materias primas durante el año siguiente.
• Algunos factores ponen en duda la sostenibilidad de la tendencia alcista actual.

La tendencia alcista en un índice amplio de materias primas parece estar en peligro

En una nota de investigación en abril, destaqué una señal de impulso alcista para las materias primas, sugiriendo que un índice amplio había pasado de un entorno bajista a uno alcista tras una prolongada tendencia a la baja. Mientras que mi modelo de tendencia compuesto sigue siendo positivo, aunque deteriorándose, otros indicadores están mostrando señales de peligro, cuestionando la sostenibilidad de la tendencia alcista.

Uno de esos indicadores, el porcentaje de materias primas en un mercado bajista, pasó de menos del 25% a más del 50%, indicando que la mayoría de las materias primas han caído más del 20% desde sus máximos de 252 días, lo cual es muy inusual en un entorno de tendencia alcista.

Como muestra el gráfico a continuación, cuando más del 50% de las materias primas están en un mercado bajista, el Índice de Materias Primas Spot de Bloomberg produce un rendimiento anualizado de -1.7%, un contraste marcado respecto a los períodos cuando el indicador se encuentra por debajo del 25%.

Lo que nos dice el estudio

Desde febrero de 2024, un índice amplio de materias primas pasó de una tendencia bajista a una alcista. Sin embargo, los precios se han deteriorado en el último mes, con la mayoría de las materias primas volviendo a un mercado bajista, lo que genera dudas sobre la sostenibilidad del rally. Aunque el retroceso podría ser una corrección típica dentro de una tendencia alcista en curso, factores como el desempeño post-mercado bajista y las tendencias de participación a largo plazo en materias primas individuales indican que el rally podría haber sido un movimiento de contracorriente. Con el Índice Dólar (DXY) consolidándose en un patrón de triángulo simétrico, una resolución al alza intensificaría la presión bajista sobre las materias primas.

En medio de toda la preocupación llega el verano por Sentimentrader

 

• El mercado de valores ha mostrado una tendencia a largo plazo a tener un comportamiento menos favorable durante los meses de verano de junio/julio/agosto que durante el resto del año.
• Los resultados pueden y suelen variar significativamente de un año a otro.
• Sin embargo, un período de mes de verano tiende a destacar (y hace que el resto del verano parezca mucho peor en comparación).

El S&P 500 durante junio, julio y agosto

El gráfico a continuación muestra la Tendencia Estacional Anual para el índice S&P 500. Tenga en cuenta que el rendimiento “promedio” durante el período de junio/julio/agosto es lateral.

Lo que nos dice el estudio

Como ocurre con cualquier tendencia estacional, los resultados pueden variar ampliamente de un año a otro. Dicho esto, los operadores que buscan evitar el “Blues del Verano” dar el beneficio de la duda al mercado desde finales de junio hasta principios de julio y ejercer paciencia y/o precaución durante el resto del tiempo.

Cómo utilizar los sistemas de apuestas Martingale para engañar a la gente por Quantpedia

 

Internet (y especialmente la parte relacionada con finanzas, trading y criptomonedas) puede ser peligroso y estar lleno de ofertas de rentabilidades garantizadas, imágenes de cuentas bancarias siempre en crecimiento y personas con anillos de oro nadando en bañeras llenas de dinero. La verdad es generalmente menos color de rosa. Los fraudes, los llamados crímenes de cuello blanco, siempre han existido, pero con las nuevas tecnologías pueden propagarse más rápido y esconderse bajo diversas formas. Uno de los conceptos más antiguos, desde los comienzos de la conceptualización de la probabilidad y las ramas de las matemáticas estadísticas, es el sistema de apuestas Martingale o Martingala, y este método se explota muy a menudo para atraer a nuevos traders inexpertos, quienes luego son devorados por tiburones del marketing, vendiéndoles señales aparentemente infalibles. ¿Cómo? Un interesante artículo de Carlo Zarattini y Andrew Aziz arroja algo de luz sobre estos esquemas.

Su análisis empírico ha demostrado la facilidad con la que incluso un bot basado en señales aleatorias puede parecer convincentemente rentable, engañando así a inversores minoristas menos experimentados para que asuman riesgos económicos significativos. Especialmente el Capítulo 5, El Plan de Negocios del Estafador del siguiente artículo, es un excelente análisis en el pensamiento de los servicios cuestionables que prometen rendimientos de trading irreales. Tenga cuidado, si algo es demasiado bueno para ser verdad, entonces casi seguramente no lo es (especialmente en finanzas).

A través de análisis estadísticos y simulaciones, particularmente involucrando el índice Nasdaq 100 (ETF QQQ), el artículo de investigación ilustra la eficacia engañosa de estas estrategias. Proyectan una ilusión de rentabilidad y seguridad, mientras que en realidad, albergan peligros ocultos y potencial para pérdidas significativas de capital. El sistema Martingale, que promete compensar las pérdidas con una sola victoria, atrae a los inversores a una falsa sensación de seguridad, aumentando drásticamente su exposición a riesgos extremos. La eficacia de las estafas financieras se basa no solo en modelos cuantitativos engañosos, sino también en explotar vulnerabilidades psicológicas, ya que muchos inversores/traders minoristas están principalmente interesados en una alta probabilidad de pequeñas ganancias y subestiman la probabilidad de grandes pérdidas.

Sí, este artículo no te convertirá en un mejor trader. Pero te dará algunos argumentos cuando trates de explicar a tus familiares o conocidos cómo NO se harán ricos comprando algún producto “sobresaliente”, que suele ser solo una forma del esquema de apuestas Martingale.

Autores: Carlo Zarattini y Andrew Aziz

Título: The Art of Financial Illusion: How to Use Martingale Betting Systems to Fool People o El Arte de la Ilusión Financiera: Cómo Usar Sistemas de Apuestas Martingale para Engañar a las Personas

Resumen

En este artículo, llevamos a cabo un análisis exhaustivo del panorama de las estafas financieras, centrándonos particularmente en el uso de sistemas de apuestas Martingale y su papel en inflar artificialmente la rentabilidad percibida a corto plazo de las estrategias. Trazamos la evolución del engaño financiero desde las prácticas primitivas de recorte de monedas hasta los esquemas sofisticados de operaciones modernas de Ponzi, arrojando luz sobre los patrones duraderos de explotación y engaño que caracterizan el fraude financiero. Central en nuestro análisis está el sistema Martingale, un método de aumentar progresivamente las inversiones después de pérdidas, ideado en el siglo XVIII en Francia. Examinamos críticamente su aplicación en el trading actual y cómo crea una ilusión de éxito para engañar a los inversores. Una contribución significativa de este artículo es la demostración, a través del análisis estadístico y simulaciones históricas, de cómo un sistema de trading puede generar aparentemente un rendimiento anual del 20% con casi un 80% de probabilidad, a pesar de su dependencia en señales de trading generadas aleatoriamente. Nuestra investigación proporciona un análisis en profundidad de la anatomía de las estafas financieras, profundizando en sus fundamentos psicológicos y sociológicos. Nuestro objetivo es equipar a los lectores con una comprensión integral de estas prácticas engañosas, ofreciendo valiosas ideas para su detección y prevención. Este artículo no es solo un ejercicio académico, sino una guía práctica destinada a permitir a los inversores, reguladores y al público en general navegar por el terreno complejo y a menudo traicionero del mundo financiero con mayor conciencia y discernimiento.

Como siempre, presentamos varias figuras y tablas interesantes:

Citas notables del artículo de investigación académica:

[…] tienen como objetivo desentrañar los patrones y tácticas subyacentes utilizados por los estafadores y mostrar matemáticamente cómo funcionan. Este artículo tiene como objetivo diseccionar sistemáticamente los fundamentos estadísticos de estas estafas, con un enfoque particular en cómo atrapan a un grupo selecto de ganadores para crear una ilusión de rentabilidad y legitimidad, atrayendo así a más inversores. Exploramos los factores psicológicos y sociológicos que hacen a las personas vulnerables a tales estafas y cómo los estafadores explotan estas vulnerabilidades. Usando sistemas de apuestas Martingale en el Nasdaq 100, nuestro objetivo es proporcionar una comprensión simple pero completa de la anatomía de las estafas financieras, ofreciendo ideas sobre su detección y prevención. Una parte significativa de este análisis profundizará en cómo el sistema de apuestas Martingale, una estrategia de duplicar las apuestas después de cada pérdida, se utiliza en las estafas financieras modernas. Este sistema, cuando se aplica en esquemas de inversión, puede ser engañosamente atractivo mientras expone a los inversores y traders a riesgos sustanciales. En las estafas financieras, el sistema de apuestas Martingale a menudo se explota para fabricar una ilusión de alta rentabilidad. Esta técnica puede transformar engañosamente señales de trading insignificantes en productos financieros aparentemente lucrativos, proyectando un impresionante rendimiento anual del 20% con una probabilidad de casi el 80%. Dicha manipulación construye efectivamente una falsa apariencia de eficacia y éxito.

En un contexto de trading, [el sistema Martingale] implica aumentar progresivamente el capital arriesgado en una posición tras pérdidas consecutivas. La expectativa es que una eventual operación ganadora compense todas las pérdidas anteriores. Por ejemplo, si un trader pierde $100 en la primera operación, luego dobla la apuesta a $200 en la segunda operación y pierde de nuevo, la pérdida total es de $300. Si el trader luego apuesta $400 en la tercera operación y gana, la ganancia total es de $100, recuperando todas las pérdidas anteriores. Sin embargo, este método de apuestas está plagado de riesgos, principalmente la rápida caída del capital antes de que venga una operación ganadora. Presume una cantidad infinita de capital y tamaños de operación sin restricciones, lo que no es práctico en el trading del mundo real.

En el ámbito de las estafas financieras, el sistema Martingale a menudo se presenta erróneamente como un método infalible para lograr ganancias consistentes. Los estafadores pueden usar este sistema para atraer a individuos a esquemas de inversión fraudulentos, prometiendo altos rendimientos con un riesgo mínimo. Es posible que no revelen los riesgos inherentes del sistema, como la posibilidad de pérdidas significativas y la necesidad de un capital sustancial para sostener una larga serie de pérdidas.

La Tabla 2 proporciona una visión general del rendimiento de las cuentas. Aproximadamente el 47% de las cuentas obtuvieron un rendimiento positivo, mientras que el 53% concluyó el año con un saldo inferior a su $1,000 inicial. Esta mayor frecuencia de cuentas no rentables se atribuye en gran medida a las comisiones de trading. Notablemente, ninguna cuenta logró un rendimiento anual del 20% o más. La pérdida promedio entre las cuentas perdedoras superó la ganancia promedio de las cuentas rentables, principalmente debido a los costos de comisión.

Como se muestra en la Tabla 3, la proporción de cuentas rentables aumentó al 84%, pero el mayor número de cuentas rentables vino acompañado de una mayor pérdida promedio para las cuentas perdedoras. A pesar de esto, la proporción de cuentas que lograron un rendimiento anual del 20% siguió siendo baja, alrededor del 1%.

En esencia, mientras que la adopción de la estrategia Martingale llevó a un mayor número de cuentas rentables en un período de un año, resultó insuficiente para alcanzar consistentemente el ambicioso objetivo de un rendimiento anual del 20%.

El objetivo de nuestra estrategia es lograr un rendimiento anual del 20% en tantas cuentas como sea posible. Comenzando con un capital inicial de $1,000, nuestro objetivo es alcanzar una riqueza final de $1,200, lo que se traduce en una ganancia anual de $200. El enfoque más eficiente para alcanzar este objetivo de fin de año es acumulando una ganancia promedio de $200/252 (es decir, $0.79) por día. La trayectoria ideal del Asset Under Management (IdealAUM), que pretendemos seguir, se ilustra en la Figura 1.

El rendimiento de la cuenta 8 se muestra en la Figura 2, que, junto con un informe certificado de todas las transacciones, se utilizará para mostrar la estrategia a posibles inversores. La curva de capital de esta cuenta es particularmente notable por su linealidad y resiliencia. Cada pérdida se absorbe rápidamente, lo que lleva a una trayectoria que se alinea estrechamente con la curva de capital ideal, indicada por la línea roja punteada.

En esencia, mientras que la adopción de la estrategia Martingale llevó a un mayor número de cuentas rentables en un período de un año, resultó insuficiente para alcanzar consistentemente el ambicioso objetivo de un rendimiento anual del 20%.

El objetivo de nuestra estrategia es lograr un rendimiento anual del 20% en tantas cuentas como sea posible. Comenzando con un capital inicial de $1,000, nuestro objetivo es alcanzar una riqueza final de $1,200, lo que se traduce en una ganancia anual de $200. El enfoque más eficiente para alcanzar este objetivo de fin de año es acumulando una ganancia promedio de $200/252 (es decir, $0.79) por día. La trayectoria ideal del Asset Under Management (IdealAUM), que pretendemos seguir, se ilustra en la Figura 1.

El rendimiento de la cuenta 8 se muestra en la Figura 2, que, junto con un informe certificado de todas las transacciones, se utilizará para mostrar la estrategia a posibles inversores. La curva de capital de esta cuenta es particularmente notable por su linealidad y resiliencia. Cada declive se absorbe rápidamente, lo que lleva a una trayectoria que se alinea estrechamente con la curva de capital ideal, indicada por la línea roja punteada.

Seis características de los traders rentables por Brett N. Steenbarger

 

• ¿Qué diferencia a un trader rentable de uno que no lo es? Brett N. Steenbarger Ph.D. nos describe las seis características fundamentales para lograrlo. ¿En cuál de ellas deberías trabajar?
• Artículo publicado en Hispatrading 58.

He visto a multitud de traders tener éxito en mercados muy diferentes, en marcos de tiempo muy diferentes y con estrategias muy diferentes. Te mostraré algunos elementos comunes que he notado que tienen los traders con mayor éxito:

1) Capacidad para mantener su enfoque – Simplemente, los traders con más éxito son capaces de procesar más información y estar durante más tiempo investigando. Esto les permite ver lo que otros no ven;

2) Originalidad y creatividad – Nunca he conocido a un trader con éxito que operara de la manera que describen los libros tradicionales de trading. Siempre hay algo único que hace el operador con más éxito. De hecho, muy a menudo analizan información que solo ellos ven o información que todos los traders tienen a su alcance, pero de una manera única;

3) Aprender de los mentores – Puede que haya traders que sean auténticos genios y hayan sido completamente autodidactas, pero lo mejor que he aprendido, lo he obtenido de otros traders que ya tenían éxito. De hecho, es común que el gran trader tenga múltiples modelos a seguir y sintetice las lecciones de cada uno;

4) Resiliencia emocional – Algunos traders se recuperan de las pérdidas y los contratiempos mejor que otros. Los de más éxito aprenden activamente de los contratiempos y luego siguen adelante. Los que tienen menos éxito no aprenden con las experiencias, incluso negativas, y a menudo no logran seguir adelante;

5) Atención al detalle: en el fútbol, a menudo son la defensa y el ataque lo que finalmente hace que equipo gane el partido. En el baloncesto, las jugadas y la defensa. Los traders con menos éxito se centran exclusivamente algunas ideas para entrar en el mercado. Los traders con éxito desarrollan reglas y procesos para el tamaño y la gestión de posiciones para maximizar las recompensas en relación con el riesgo.

6) Siempre trabajando en sus operaciones – La intensidad y consistencia del proceso de revisión se correlaciona muy positivamente con el éxito. Al igual que en los deportes, los traders con más éxito revisan los mercados y sus operaciones. Siguen estudiando para prepararse para la próxima operación. No se centran en hacerse ricos; se centran en mejorar.

En pocas palabras, los mejores traders comienzan con fortalezas distintivas y luego las cultivan a través de un seguimiento riguroso basado en el rendimiento y el aprendizaje. Hay un proceso ganador mucho antes de que haya resultados ganadores.

Explicación de la estrategia de trading Joe Ritchie por Alex Barrow

 

Hacer trading en los mercados financieros puede ser algo emocionante y potencialmente lucrativo. Para tener éxito, necesitas una estrategia clara que pueda adaptarse a los cambios.

La estrategia de trading de Joe Ritchie es popular y con muy buena reputación.

Joseph Ritchie es un trader experimentado con décadas de experiencia en los mercados financieros. Fundó Chicago Research and Trading en 1977, operando principalmente con opciones y materias primas. Perfeccionó sus habilidades y conocimientos a través de una extensa investigación, análisis y trading práctico.

Joe Ritchie es particularmente conocido por su enfoque cuantitativo al hacer trading, donde se basa en gran medida en modelos matemáticos para tomar decisiones. Este enfoque sistemático le permite analizar con precisión las tendencias y riesgos del mercado, diferenciándolo en el mundo del trading.

Según TipRanks, copiar las operaciones de Joe Ritchie y mantener cada posición durante un año daría un rendimiento de más del 56%. Esta consistencia habla mucho sobre la eficacia de su estrategia de trading, que es una mezcla de rigor analítico e intuición del mercado. Es una estrategia que tanto los traders novatos como los experimentados pueden adoptar para navegar eficazmente en el complejo mundo de los mercados financieros.

En este artículo, exploraremos los detalles de esta estrategia. Aprenderemos sobre los principios, técnicas y herramientas que la hacen poderosa en el trading.

Fundamentos de la Estrategia de Joe Ritchie

La estrategia de trading de Joe Ritchie utiliza análisis técnico y fundamental para comprender los mercados. El análisis técnico implica estudiar gráficos de precios, patrones e indicadores para identificar posibles tendencias y reversiones. Los traders que usan la estrategia utilizan varios indicadores técnicos, como:

• Medias móviles: identificar tendencias y posibles giros al analizar la relación entre diferentes medias móviles para determinar señales de compra o venta.
• Retrocesos de Fibonacci: identificar niveles potenciales de soporte y resistencia para ayudar a determinar puntos de entrada y salida óptimos.
• MACD (Convergencia/Divergencia de Medias Móviles): entender el cambio en el impulso analizando la convergencia y divergencia de medias móviles. Este indicador proporciona a los traders información sobre el sentimiento del mercado y les ayuda a tomar decisiones de trading más informadas.
• RSI (Índice de Fuerza Relativa): identificar condiciones de sobrecompra y sobreventa, lo que puede indicar posibles reversiones en el mercado.
• Niveles de soporte y resistencia: ver áreas donde el precio ha tenido históricamente dificultades para moverse más allá.

Mientras que el análisis técnico observa los gráficos, el análisis fundamental examina las razones detrás de los movimientos del mercado. Este análisis implica estudiar indicadores económicos, eventos de noticias e informes de ganancias de las empresas. También considerarías otros aspectos importantes, como la dinámica de oferta y demanda en la industria, el entorno regulatorio de la organización, etc., para determinar el valor real de un activo. Luego, utilizarías esta información para predecir lo que sucederá con su precio en el futuro.

Para una comprensión más profunda de los marcos del mercado, puedes leer más sobre el marco de George Soros para los mercados de divisas.

Principios de Gestión de Riesgos

La estrategia de Joe ofrece un marco robusto para el trading exitoso. También insta a los traders a ser conscientes de los riesgos omnipresentes para que puedan tomar medidas para evitarlos. Algunas trampas comunes a tener en cuenta incluyen:

• Falta de disciplina: Si operas demasiado o realizas operaciones que no coinciden con tu estrategia, puede llevar a decisiones equivocadas y a un mayor riesgo.
• Ignorar la gestión de riesgos: No usar técnicas de gestión de riesgos, como órdenes de stop-loss o un tamaño de posición adecuado, puede hacerte perder mucho dinero.
• Falta de paciencia: Si eres impaciente, podrías entrar o salir de las operaciones demasiado pronto y perder oportunidades rentables.
• Trading emocional: Permitir que las emociones como el miedo o la codicia dicten tus decisiones de trading puede llevar a acciones irracionales e impulsivas.
• No adaptarse: Los mercados son dinámicos y están en constante cambio. No adaptar la estrategia a las condiciones del mercado en evolución puede obstaculizar el éxito.

Herramientas de Trading Avanzadas de Joe Ritchie

Hasta ahora, hemos hablado sobre una herramienta clave que Ritchie emplea en el trading. Sin embargo, puedes incorporar herramientas y consejos avanzados específicos para mejorar aún más tu rentabilidad.

Por ejemplo, puedes crear una estrategia de trading personalizada haciendo Scalping. El Scalping es una técnica que obtiene ganancias de pequeños cambios de precios en el mercado.

El objetivo es ganar dinero rápidamente operando durante un corto período, a menudo minutos o segundos. Puedes usar análisis de flujo de órdenes o gráficos de ticks para identificar movimientos de precios a corto plazo y desequilibrios del mercado. Requiere alta concentración, disciplina y la capacidad de tomar decisiones de trading rápidas.

Sin embargo, el uso de herramientas de trading avanzadas requiere gestionar el riesgo y monitorear los mercados para reducir las pérdidas potenciales.

Además, puedes añadir sistemas de trading automatizados a la estrategia de Joe Ritchie copiando operaciones de profesionales o creando tu propio algoritmo. Asegúrate de que el algoritmo siga los principios y conceptos de la estrategia, y pruébalo y optimízalo cuidadosamente. Los sistemas de trading automatizados pueden hacer que el trading sea más manejable y diverso, incluso cuando no puedes observar los mercados.

Identificación de Operaciones de Alta Probabilidad

Los traders necesitan identificar operaciones de alta probabilidad para usar la estrategia de Ritchie con éxito.

El swing trading es un enfoque que ayuda a lograr esto. El swing trading implica mantener posiciones por más tiempo, típicamente desde unos pocos días hasta semanas. Esta técnica tiene como objetivo capturar oscilaciones de precios a mediano plazo dentro de una tendencia.

Para el swing trading, concéntrate en niveles críticos de soporte y resistencia, reversiones de tendencia y patrones de gráficos. También puedes estudiar gráficos diarios o semanales para analizar el mercado y detectar oportunidades de ruptura.

El swing trading requiere paciencia y la habilidad para manejar fluctuaciones a corto plazo mientras te enfocas en la tendencia más significativa.

Estrategias de Mitigación de Riesgos de Joe Ritchie

Gestionar el riesgo es como navegar en mares tormentosos. Es esencial tener un plan y mantenerte enfocado en tus objetivos. Ritchie ha dominado este arte. Exploremos sus estrategias:

• Métodos de diversificación: Ritchie sigue el principio de “no pongas todos tus huevos en una sola canasta”, distribuyendo inversiones en diferentes activos. De esta manera, asegura que un rendimiento débil de uno no hunda toda la cartera.
• Técnicas de cobertura: La forma en que Ritchie dice “no” a posibles pérdidas utilizando derivados como opciones y futuros. Es como una póliza de seguro que cubre tus inversiones cuando el mercado cae en picada.

Gestión de la volatilidad del mercado: Ritchie da la bienvenida a la volatilidad del mercado, pero utiliza órdenes de stop-loss para hacerlas ventajosas, no peligrosas.

Ajustando tu Enfoque de Trading

El éxito en el trading es un viaje continuo de aprendizaje y mejora. Una de las filosofías de Joe es nunca descansar en los laureles. Cada operación, ganada o perdida, es una oportunidad para mejorar tus habilidades.

Lee libros y artículos, asiste a talleres y seminarios, y haz networking con otros traders. Pide retroalimentación de otros traders, mentores y coaches de trading. Hacer esto puede ayudarte a rastrear tu progreso y ajustar tu estrategia de trading en consecuencia.

La retroalimentación facilita la personalización; por lo tanto, es un paso crítico para descubrir tu estilo único de trading.

Pero recuerda, ajustar tu enfoque no se trata de perseguir cada tendencia. Se trata de definir y adaptar tu estrategia al panorama siempre cambiante del mercado.

Conclusión

El éxito de Ritchie en el trading es un testimonio de la importancia de la mitigación de riesgos, la diversificación y la adaptabilidad. Su enfoque de mejora continua es un faro para cada inversor serio.

¿Por qué esto importa?

Porque el trading no es un juego de azar, es un curso de acción estratégico. Y con los conocimientos de Ritchie, no solo estás jugando; estás jugando para ganar.

Titulares del mercado alcista por Ben Carlson

 

Veamos un titular que solo verás durante un mercado alcista:

Esto es del artículo:

«Es una nueva forma de ganar dinero», le dijo Nova a Fortune. «Nuevas posibilidades para la gente: que no tengas que, hoy en día, trabajar tan duro. Trabaja de forma más inteligente, no más duro».

Seguir a las estrellas ha funcionado para Nova. Renunció a su trabajo como lectora de tarot y consultora de astrología este año para hacer day trading, encontrando un flujo de ingresos más consistente y ganando alrededor de 5.000 dólares al mes. Pero eso no significa que sea una buena idea para todos, advierte un experto.

Jóvenes que renuncian a sus trabajos para hacer day trading. Usar la astrología para hacer selecciones de acciones. Pffft.

Este es el punto en el que se supone que el veterinario del mercado canoso debe decir que he visto esta película antes y sé cómo termina.

Sí, esto es un comportamiento típico del mercado alcista. No ves este tipo de historias cuando el mercado está cayendo. Los indicadores contrarios no son difíciles de encontrar en este momento si así es como se ven los mercados.

Los mercados alcistas son un caldo de cultivo para los malos hábitos. Es más fácil tener suerte durante un mercado alcista. Empiezas a creer que eres un genio porque todo lo que compras sube.

Pero esto sucede durante cada mercado alcista. Siempre hay personas que creen que pueden cambiar su camino a millones de personas que terminan arruinando.

Esta es una historia tan antigua como los mercados.

También hay externalidades positivas de este mercado alcista. Esto es de ese mismo artículo:

Por supuesto, el deseo de controlar su futuro incierto es una de las principales razones por las que la Generación Z se ha enamorado de la inversión en primer lugar. Impulsado por el miedo a perdérsela y la determinación de escapar de la carrera de ratas en el mundo empresarial, más del 70 % de la generación posee acciones, según el NASDAQ, más que cualquier otra generación anterior en la misma etapa de vida.

Una combinación de barreras de entrada más bajas, tarifas reducidas, trading con comisiones cero y una mejor tecnología significa que ahora más jóvenes están invirtiendo. ¡Esto es algo bueno!

Y lo están haciendo a una edad más temprana que las generaciones anteriores. Aquí hay algunos datos de Charles Schwab:

En la era anterior a Internet, invertir en el mercado de valores requería ir a una ubicación física, completar el papeleo y escribir un cheque. Las comisiones a menudo eran atroces. Los fondos sobre índices y los ETF no han existido tanto tiempo en realidad.

La facilidad de acceso ha sido una bendición para una nueva generación de ahorradores e inversores.

Robinhood tiene ahora 24 millones de clientes:

Eso es más que un poco más de 3 millones en 2018. Una gran razón para esto es el hecho de que puedes descargar una aplicación, vincular tu cuenta bancaria, mover algo de dinero e invertir con solo pulsar un botón en el pequeño superordenador que tienes en el bolsillo.

¿Va a haber jóvenes que paguen su matrícula a los dioses del mercado? Por supuesto.

Esto sucede durante cada tendencia alcista. Se cometerán errores, pero es mejor cometerlos cuando no tienes tanto dinero en juego.

Tener a millones de jóvenes interesados en invertir es mejor que la alternativa.

Hace diez años escribí sobre una propuesta completamente diferente para los millennials:

Después de la Gran Crisis Financiera, los millennials huyeron del mercado de valores. Vieron a sus padres perder mucho dinero. De hecho el capital que invertimos en el mercado se redujo a la mitad. Todo lo que seguíamos escuchando fue eso de la década perdida, los desplomes del mercado de valores y todos los problemas que conllevaron.

Esto se tomó de un informe de UBS en ese momento:

El inversor Next Gen es marcadamente conservador, más como la generación de la Segunda Guerra Mundial que llegó a la mayoría de edad durante la Gran Depresión y está jubilada. Esto se traduce en su actitud hacia el mercado, ya que vemos a los Millennials, incluidos aquellos con mayor patrimonio neto, que tienen significativamente más efectivo que cualquier otra generación. Y aunque son optimistas sobre su capacidad para lograr objetivos y su futuro financiero, los Millennials parecen algo escépticos sobre la inversión a largo plazo como la forma de llegar allí.

Esto tampoco fue un comportamiento saludable.

Estoy seguro de que hay muchos millennials que desearían poder volver a la década de 2010 para comprar acciones a esos niveles de precios.

La generación Z experimentará una década perdida, una crisis financiera o un desplome del mercado de valores en algún momento de su ciclo de vida de inversión. Esos eventos no ocurren a menudo, pero la naturaleza humana está invicta en los mercados.

Hay jóvenes que van a perder hasta la camisa cuando cambie el ciclo actual. Memestocks, shitcoins, day trading a tiempo parcial y eso de seguir los consejos de inversión a través de TikTok no son estrategias sostenibles a largo plazo.

Pero el hecho de que la década de 2020 haya visto tantas nuevas entradas en los mercados financieros es un positivo neto para las generaciones más jóvenes. Muchos de ellos aprenderán los hábitos correctos y la tecnología hará que sea más fácil que nunca automatizar el buen comportamiento cuando llegue ese momento.

La buena noticia es que la generación Z está ahorrando e invirtiendo utilizando su mayor activo, el tiempo, a su favor.

Las rachas ganadoras no suelen durar para siempre por Ed Yardeni

 

TAMED I: Análisis Técnico de Datos Macroeconómicos

Durante los últimos dos años, los pesimistas han tenido innumerables teorías y gráficos para explicar por qué las tasas de interés más altas indudablemente sumergirían la economía en una recesión. Ahora, los pesimistas acérrimos insisten nuevamente en que su predicción de recesión se confirmará pronto. Algunos incluso dicen que ya estamos en una recesión.

Hasta ahora, estas predicciones han sido erróneas. La economía sigue creciendo y el mercado laboral se mantiene robusto. El S&P 500 y el Nasdaq están en máximos históricos, a pesar de que el Comité Federal de Mercado Abierto (FOMC) informó a los participantes del mercado hace poco que no deben esperar más de un recorte en la tasa de fondos federales (FFR) este año.

Los mercados comenzaron el año anticipando hasta siete recortes de tasas. Los pesimistas argumentaron que la Fed tendría que provocar una recesión para reducir la inflación mediante el endurecimiento de la política monetaria. Cuando la inflación resultó ser más transitoria de lo esperado, los pesimistas cambiaron de rumbo y argumentaron que la Fed tendría que flexibilizar agresivamente para evitar una recesión.

El denominador común que subyace a las predicciones sombrías de los pesimistas ha sido una dependencia en lo que llamamos Análisis Técnico de Datos Macroeconómicos (TAMED). Efectos causales y correlaciones que ocurrieron durante ciclos anteriores de endurecimiento de la Reserva Federal estaban parpadeando en rojo, y por lo tanto, una recesión era inevitable.

Los pesimistas observaron correctamente que los ciclos anteriores de endurecimiento de la Fed fueron seguidos por crisis financieras que se convirtieron en crisis de crédito a nivel económico y recesiones. Pero las economías de EE.UU. y global son muy diferentes en el mundo post-pandemia que antes, haciendo que muchos indicadores de recesión, que antes eran exitosos, sean ahora engañosos. Aquí está cómo el enfoque TAMED para la previsión falló:

(1) Indicadores Económicos Adelantados vs. Coincidentes. El Índice de Indicadores Económicos Adelantados (LEI) de The Conference Board ha caído desde su pico en diciembre de 2021. Ha bajado más del 14% desde entonces hasta mayo de este año. Mientras tanto, el Índice de Indicadores Económicos Coincidentes (CEI) subió a otro récord el mes pasado. Ha subido constantemente durante varios años después de regresar a su tendencia pre-pandemia relativamente rápido. El CEI ha estado alcanzando nuevos récords desde julio de 2021, a pesar de las previsiones pesimistas del LEI.

El CEI probablemente subió a un nuevo récord en mayo, dada su estrecha correlación con las ganancias futuras del S&P 500, que subieron a un récord de $260.02 por acción en la semana que terminó el 13 de junio. Las expectativas de ganancias se acercan a nuestro objetivo de fin de año de $270 por acción.

(2) Economía Industrial vs. Digital. Por otro lado, el LEI podría seguir cayendo fácilmente. Una razón por la que la previsión de recesión del índice ha fallado es porque cinco de sus diez componentes están relacionados con la manufactura y la construcción. Como resultado, el LEI está muy correlacionado con el índice de gerentes de compras de manufactura nacional (M-PMI). El LEI era un predictor mucho mejor de las recesiones cuando la economía de EE.UU. era más industrial y una mayor proporción de trabajadores producía bienes. El empleo en manufactura, minería y construcción ahora es solo el 10% del total de la nómina, bajando de un tercio a principios de la década de 1950. La economía de EE.UU. actual está más orientada hacia los servicios y las industrias relacionadas con la tecnología.

(3) China exportando deflación. La mayoría de los pesimistas afirmaron que se requeriría una recesión para bajar la inflación. No se dieron cuenta de que una recesión liderada por la propiedad en China hizo el trabajo. En EE.UU., el IPC básico de bienes cayó -1.7% interanual en mayo desde un pico del 12.5% en febrero de 2022. Contribuyendo significativamente a esa caída estuvo una disminución del -2.0% en los precios de importación desde China.

TAMED II: Curva de Rendimiento Invertida. Un componente del LEI recibe más atención que los otros por su poder predictivo en ciclos anteriores: la curva de rendimiento invertida. Predijo con precisión las recesiones en EE.UU. en el pasado, con solo un par de falsos positivos. Creemos que el LEI se ha vuelto cada vez más engañoso a medida que la economía se ha vuelto menos industrial y más digital:

(1) Comprando bonos. El rendimiento del Tesoro a dos años de EE.UU. ha estado por encima del rendimiento a diez años desde noviembre de 2022, y aún no ha habido recesión. En el pasado, la curva de rendimiento típicamente se invertía cuando la Fed aumentaba las tasas a corto plazo para combatir la inflación, mientras los inversores compraban bonos a largo plazo. Los inversores anticipaban que algo se rompería en el sistema financiero, lo que provocaría una crisis de crédito y resultaría en una recesión completa. Por lo tanto, los inversores optaban por asegurar tasas a largo plazo más altas antes de que la Fed tuviera que recortar rápidamente la FFR para sacar a la economía de una recesión.

(2) Crisis contenida. Aunque el sistema financiero sufrió una crisis durante el ciclo de endurecimiento actual, la mini crisis bancaria de marzo de 2023 fue rápidamente contenida por la Fed. Muchos inversores aún están contentos de recibir más del 4.00% en bonos a 10 años de EE.UU. o más del 2.0% en valores protegidos contra la inflación del Tesoro (TIPS). Aunque los rendimientos han disminuido ligeramente, siguen cerca de las tasas más altas ofrecidas en bonos ultraseguros en aproximadamente dos décadas.

(3) Tasas en rango. Esperamos que el rendimiento del Tesoro a 10 años se mantenga en un rango entre 4.0% y 5.0% durante el resto del año. Esperando que el rendimiento de los TIPS se mantenga alrededor del 2.0% al 2.5%, más una inflación a largo plazo alrededor del 2.0% al 2.5%, nos lleva a esta banda. Además, esperamos que el rendimiento se mantenga por debajo del 4.5% más a menudo de lo que está por encima, ya que la inflación se modera hacia el objetivo del 2.0% de la Fed. La inflación breakeven a 10 años, la diferencia entre el rendimiento nominal a 10 años y los TIPS, ha permanecido en gran medida entre 2.0% y 2.5% durante los últimos dos años. Cerró la semana pasada en 2.16%.

(4) ¿Normalización de la curva de rendimiento? Entonces, con pocas razones para que la curva de rendimiento se normalice sin que la Fed recorte significativamente la FFR, la curva de rendimiento seguirá pesando sobre el LEI en general. ¿Podría la curva de rendimiento desinvertirse sin que la Fed recorte la FFR? Es posible, pero los rendimientos a largo plazo tendrían que dispararse. El otoño pasado, vimos lo que sucedió cuando el rendimiento a 10 años alcanzó el 5.0%: la Secretaria del Tesoro Janet Yellen cambió drásticamente los planes de emisión de deuda del gobierno a mayormente letras del Tesoro a corto plazo, para evitar superar la demanda relativamente más débil de notas y bonos a largo plazo.

TAMED III: La Regla de Sahm. Un modelo de recesión relativamente nuevo desarrollado por la ex economista de la Fed Claudia Sahm es ahora ampliamente seguido. La eponímica regla de Sahm sugiere que una recesión ya está aquí o en camino si la tasa de desempleo promedio de tres meses aumenta 0.5 puntos porcentuales por encima del punto más bajo de los últimos 12 meses. A partir de mayo, la regla de Sahm está en 0.4 puntos porcentuales, a solo 0.1 puntos de parpadear en rojo. Tenemos algunos problemas con la regla:

(1) El tiempo importa. No creemos que los promedios móviles simples sean una buena manera de hacer pronósticos económicos; es importante considerar las idiosincrasias del entorno macroeconómico en cada ciclo.

(2) Momentum. Todo lo que nos dice la regla de Sahm es que cuando el desempleo aumentó en el pasado, fue precedido por un aumento inicial. En nuestra opinión, eso es bastante obvio. También hay varias ocasiones en las que la regla de Sahm estuvo peligrosamente cerca de activarse, o de hecho se activó, como en agosto de 2003, pero no se materializó ninguna recesión.

Creemos que es importante considerar la causa subyacente del aumento del desempleo. En mayo, gran parte del aumento del desempleo al 4.0% provino de jóvenes estadounidenses, muchos de los cuales todavía están en la universidad y están de vacaciones de verano. Tal vez los estudiantes no estén demasiado preocupados por su situación financiera considerando toda la deuda de préstamos estudiantiles que ha sido perdonada. Mientras tanto, la tasa de desempleo para los trabajadores de 25 a 54 años (3.3%) y de 55 años en adelante (2.7%) sigue siendo muy inferior a la tasa general.

(3) Empleos abundantes. Muchas pequeñas empresas están luchando por cubrir puestos de trabajo en este momento, y menos del 14% de los consumidores encuestados dicen que es difícil conseguir un empleo en este momento. La inmigración podría poner una presión adicional sobre la tasa de desempleo, incluso cuando los trabajadores empleados continúan viendo aumentos en los salarios reales.

(4) Cuidado con la pandemia. La regla de Sahm y otros indicadores TAMED están ignorando los cambios estructurales en la economía de un ciclo a otro. Por ejemplo, muchos pesimistas no notaron el cambio demográfico después de la pandemia, cuando muchos Baby Boomers se jubilaron temprano y dejaron una gran cantidad de vacantes para que los jóvenes trabajadores las ocuparan.

Gracias a los precios récord de los activos, los Boomers poseen $78.6 billones de los $160.8 billones del patrimonio neto de los hogares de EE.UU. El efecto riqueza ha impulsado el consumo y los Boomers están gastando mucho en atención médica, ocio y hospitalidad. El consumo récord de estos servicios ha llevado el empleo en estos sectores a niveles récord también.

(5) Conclusión. Es probable que los economistas continúen buscando reglas fáciles para predecir si se avecina una recesión, considerando la fama que conlleva predecir con precisión una recesión que pocos prevén. Continuaremos observando los detalles detrás de los titulares económicos y, hasta ahora, eso nos lleva a creer que la inflación continuará moderándose, la economía continuará creciendo y los Rugientes Años 20 están vivos y bien.

TAMED IV: Otros Relatos. Hay varios otros ejemplos de razonamientos TAMED que proliferaron después de la pandemia. Para mencionar algunos:

(1) Consumidores replegándose. Una teoría era que, después de que los consumidores agotaran sus ahorros excesivos de la era de la pandemia, se verían obligados a replegarse, enviando a la economía a una recesión. Pero esa hipótesis también pasó por alto el cambio demográfico, que detallamos en nuestro Morning Briefing del 21 de mayo. Los Boomers jubilados no tenían necesidad de ahorrar sus ingresos laborales inexistentes, pero están gastando sus ingresos no laborales de fondos del mercado monetario y dividendos.

Los ingresos por intereses personales han aumentado, hasta $1.8 billones en abril desde $1.5 billones en abril de 2021. Eso ha impulsado los ingresos no laborales a un récord cercano de $6.6 billones a partir de abril, desde $5.7 billones en abril de 2021. Los ingresos crecientes han ayudado a mantener bajo control el costo del servicio de la deuda, en solo el 9.8% del ingreso personal disponible a partir del cuarto trimestre, especialmente desde que muchos propietarios de viviendas aseguraron hipotecas de baja tasa (o pagaron su hipoteca) durante la pandemia.

Los consumidores han podido gastar más gracias al aumento del patrimonio neto, que ha crecido a 7.8 veces el ingreso personal disponible en el primer trimestre, desde 7 veces tres años antes. Eso ha empujado la tasa de ahorro al 4.2% en el primer trimestre (promedio de cuatro trimestres), desde un pico de la era de la pandemia del 18% hace tres años. Por supuesto, los trabajadores de bajos salarios tienden a tener menos activos y dependen más de los ingresos laborales. Afortunadamente, los ingresos promedio por hora reales para el grupo de bajos salarios han aumentado desde que comenzó la pandemia, hasta $24.25 en mayo desde $22.60 en mayo de 2021.

(2) Retrasos largos y variables. La suposición ampliamente sostenida es que hay retrasos largos y variables entre cuando el endurecimiento del banco central eventualmente provoca una recesión. Esto supone que las tasas de interés en aumento deprimen la demanda, lo que inevitablemente desencadena una recesión. En nuestra opinión, la verdadera pregunta es cuánto tiempo tarda antes de que las tasas sean lo suficientemente altas como para romper algo en el sistema financiero. La Fed creó una crisis menos de un año después de comenzar a endurecer la política, llevándose por delante a tres bancos. Dicho esto, la Fed pudo evitar una crisis de crédito inyectando hasta $168 mil millones de liquidez a través del Programa de Financiamiento a Plazo Bancario, una facilidad de préstamo de emergencia rápidamente establecida. El Tesoro también calmó rápidamente la escena de capital de riesgo y startups respaldando totalmente los depósitos en el derribado Silicon Valley Bank.

Un indicador clave en el que se aferra el campo de los retrasos es la Encuesta de Opinión de Oficiales de Préstamos Senior (SLOOS), que sugiere que los bancos han endurecido significativamente sus estándares de préstamo desde que la Fed comenzó a endurecer. Sin embargo, como escribimos en nuestro Morning Briefing del 29 de mayo, SLOOS se ha vuelto un indicador menos importante de las condiciones de crédito porque los bancos se han convertido en una parte más pequeña del motor de asignación de capital en la economía. Ahora compiten con no bancos como deuda privada, capital privado y fondos de activos en dificultades para prestar.

(3) Confianza del consumidor. Las encuestas de confianza de los hogares han sido débiles desde la pandemia. Algunos pensaron que los consumidores deprimidos reducirían su gasto. Como señalamos en el Morning Briefing de ayer, el Índice de Sentimiento del Consumidor preliminar de junio mostró que los consumidores siguen deprimidos.

Pero, ¿qué pasa si los datos suaves de las encuestas no tienen el mismo valor predictivo que tenían en el pasado? En un entorno altamente politizado, los consumidores son más propensos a “votar” sobre la salud de la economía en función de su alineación partidaria y quien esté en la Casa Blanca.

Las acciones de tecnología alcanzan una de las condiciones de sobrecompra más altas de la historia por Sentimentrader

 

• El impulso en las acciones de tecnología ha llevado al sector significativamente por encima de una media a corto y largo plazo.
• Condiciones similares de sobrecompra precedieron una perspectiva desfavorable para la tecnología durante el mes siguiente.
• Un índice de semiconductores cerró 60% por encima de su promedio de 200 días, un hito alcanzado solo unas pocas veces.

¿Debemos preocuparnos por la condición de sobrecompra en el sector tecnológico?

El liderazgo se ha reducido a unos pocos sectores, y la tecnología, uno de los players más destacados, podría haber avanzado demasiado rápido.

Durante el último mes, el sector tecnológico del S&P 500 ha aumentado, impulsado por la demanda de acciones de IA, especialmente en la industria de semiconductores. Este impulso positivo ha llevado al sector muy por encima de sus medias móviles de 20 y 200 días, un hecho logrado solo 13 veces en la historia, excluyendo situaciones repetidas.

La última vez se dio en septiembre de 2020, lo que llevó a una caída del 12% en los dos meses siguientes.

Lo que nos dice el estudio

El sector tecnológico cerró por encima de sus medias móviles de 20 y 200 días por una de las cifras más significativas en la historia. Condiciones similares de sobrecompra sugieren que el grupo podría tener dificultades durante el mes siguiente, todo dentro de una tendencia alcista a largo plazo. ¿Deberíamos vender todas nuestras acciones tecnológicas? ¡Absolutamente no! Sin embargo, dadas las circunstancias, no añadiría más exposición al sector por ahora. Además, si su cartera tiene una posición sobreponderada en tecnología en relación con el índice de referencia, sería prudente reducir algo de exposición para gestionar el riesgo de manera efectiva. Los semiconductores, una de las industrias clave dentro de la tecnología, han superado su media móvil de 200 días en más del 60%, lo que sugiere una condición de sobrecompra extrema. ¿Será diferente esta vez?

 

¿Qué papel juegan las emociones al hacer trading? por Brett N. Steenbarger

 

¿Qué papel juegan las emociones en tu trading?

¿Cómo aprovechas la intuición que nos ha dado seguir durante tanto tiempo los mercados y sus patrones?

Hace unas semanas escribí sobre los textos de psicología del trading que estaba leyendo y lo que estaba aprendiendo de ellos. Descubrí que leer varios libros sobre un tema determinado abría la puerta a conocimientos únicos. Un tema importante de los libros que leí fue que, en algunos aspectos, estamos programados de manera que nos impide tener éxito en el trading. Si simplemente seguimos nuestros instintos naturales, venderemos cuando las cosas estén muy débiles, compraremos cuando estén fuertes y caeremos presa de mercados sin tendencia.

Desde entonces, he estudiado textos de Jason Williams, Denise Shull, Mike Bellafiore, Ari Kiev, Eve Boboch, Kathy Donnelly y Mark Douglas, ¡y hay más por venir!

Varios de estos autores destacan que las emociones son una fuente común de fracasos al hacer trading, pero señalan que nuestros sentimientos, nuestros instintos, a menudo nos ayudan a identificar oportunidades. Denise Shull hace una distinción valiosa entre tratar de averiguar lo que otros no saben versus averiguar lo que la gente pronto sabrá. En el trading a corto plazo, en particular, podemos anticipar cómo responderá la multitud a varios escenarios y posicionarnos para aprovechar eso. Un buen ejemplo es ver cómo el volumen a corto plazo se expande cuando nos movemos al borde de un rango, estableciendo un interesante breakout. A menudo podemos sentir el impulso de tal movimiento mucho antes de que sea obvio en un gráfico.

Necesitamos un proceso para mantenernos conectados con lo que otros están sintiendo. Eso se llama empatía.

El desafío es que la capacidad de sentir lo que otros van a hacer proviene de largas horas de observación y experiencia. No es diferente a la capacidad del psicólogo para detectar un tema importante en la conversación con un cliente. Acceder a esa intuición empática requiere enfoque y la capacidad de centrarnos en el momento. Esa capacidad de mente abierta se puede entrenar. Cuando nos esforzamos por predecir el mercado es más probable que no identifiquemos lo que realmente está haciendo el mercado y caigamos presa de las emociones de frustración, miedo y avaricia.

El desempleo muestra una señal de alarma por Jay Kaeppel 

 

• La tasa oficial de desempleo sigue siendo relativamente baja.
• Sin embargo, según una medida, la tendencia del desempleo estará «al alza» a finales de junio.
• Históricamente, esto ha sido a menudo una señal temprana de una inminente recesión.
• No hay garantías de que esta medida sea correcta en esta ocasión, pero no está de más estar al tanto de lo que ha sucedido históricamente.

La tasa de desempleo entra en tendencia alcista

El gráfico (cortesía de www.fred.stlouisfed.org) muestra la tasa nacional estadounidense mensual de desempleo.

Lo que nos dice el estudio

Si fuéramos alarmistas, gritaríamos: «¡Recesión inminente, las acciones van a caer!». Más específicamente, basándonos en los números anteriores, podríamos ser más «gurús» y decir: «Con el 87.5% de probabilidad de declive económico en los próximos nueve meses y 75% de probabilidad de ver los precios de las acciones más bajos en los próximos tres meses». Pero esa no es nuestra función. Nuestro trabajo es analizar datos relevantes y tratar de ponerlos en un contexto histórico. Así que aquí vamos: según una forma arbitraria de medición (la última lectura mensual frente a un promedio móvil de 36 meses), la tasa de desempleo terminará en junio con una nueva tendencia alcista. Históricamente, esto tendía a ser seguido por debilidad en el mercado de valores desde las siguientes dos semanas a seis meses y una debilidad económica más amplia en los próximos nueve meses. Las principales señales de peligro son que el tamaño de la muestra es pequeño y que el rendimiento pasado nunca garantiza resultados futuros.

La importancia de un buen screener por Gerard Sánchez

 

• Tener la capacidad de seleccionar activos que cumplan con nuestros criterios es parte fundamental de una operativa efectiva y sistemática. ¿Cómo podemos crear un buen screener?
• Artículo publicado en Hispatrading 51.

La búsqueda de oportunidades en los mercados es un camino que recorremos constantemente. Gracias a la democratización de gran parte de los datos financieros, hoy día no es difícil realizar herramientas que nos facilite esta tarea. 

En esta ocasión quiero mostraros un pequeño prototipo de screener altamente configurable que espero pueda resultar de utilidad. Para que sea replicable por cualquiera, voy a utilizar datos gratuitos de Yahoo Finance, con lo que vamos a estar limitados a realizar los análisis en temporalidad diaria.

Primero de todo, importaremos las librerías necesarias para poder crear nuestra herramienta:

import yfinance as yf

import pandas as pd

import yahoo_fin.stock_info as si

import pandas_ta as ta

import numpy as np

Descargaremos los datos de compañías del Nasdaq, algo más de 4000 empresas, estas serán las que nos sirvan para el ejemplo. 

Utilizaremos la función de tickers_nasdaq(), que hace una petición ftp a ftp.nasdaqtrader.com y se descarga los componentes actuales, para a continuación descargar los datos de velas de “yahoo finance” (gratuitos) diarios.

Eliminaremos compañías que no tengan suficiente histórico con dropna(axis=1) para el periodo que queramos.

data = yf.download(si.tickers_nasdaq(), start=’2022-12-01′).dropna(axis=1)

data.index = pd.to_datetime(data.index)

Ahora viene la parte entretenida. Aquí vamos a crear los indicadores que creamos necesarios a la hora de screenear. Tened en cuenta que no necesariamente tendríamos por qué usar OHLC. Podríamos usar datos fundamentales, outputs de modelos, etc… todo depende de lo que dispongamos. Para este ejemplo se hará algo que todo el mundo pueda replicar de forma gratuita y sin demasiada dificultad.

Os propongo una batería de indicadores clásicos de análisis técnico. Analizar los gaps, la diferencia entre el máximo y el mínimo diarios y la apertura del día/cierre (amplitud), el rate of change o retornos, el volumen relativo, la distancia con respecto a máximos anuales en porcentaje, días consecutivos de caída (en este caso 2), la volatilidad, medias móviles (periodos a escoger), el internal bar strength, el precio típico, y el rsi en varias longitudes.

gap = data[‘Open’]/data[‘Close’].shift(1)

high_low = data[‘High’]/data[‘Low’]

open_close = data[‘Open’]/data[‘Close’]

roc = data[‘Close’].pct_change()

volume_diff = data[‘Volume’]/data[‘Volume’].rolling(10).mean()

annual_max_dist = (data[‘Close’]/data[‘Close’].rolling(252).max() – 1) * 100

consecutive_2_falling_days = ((roc < roc.shift(1)) & (roc.shift(1) < roc.shift(2))).astype(int)

volatility =  roc.rolling(window=252).std() * np.sqrt(252)

means = [data[‘Close’][data[‘Close’].columns].apply(lambda x: ta.sma(x, length=l)) for l in range(10,101,10)]ibs = (data[‘Close’] – data[‘Low’]) / (data[‘High’] – data[‘Low’])

ibs = (data[‘Close’] – data[‘Low’]) / (data[‘High’] – data[‘Low’])

typical_price = (data[‘High’] + data[‘Low’] + data[‘Close’]) / 3

rsi = [data[‘Close’][data[‘Close’].columns].apply(lambda x: ta.rsi(x, length=l)) for l in [2,10,14]]

Todo esto lo calculamos en distintas variables tipo DataFrame que van a tener el mismo tamaño de filas y columnas, por lo que luego, simplemente comparando valores, tendremos una forma fácil y amigable de ver cuándo se cumplen nuestros criterios en función de si los valores son “True” (verdaderos) o “False” (falsos).

Ahora toca ser hábiles con los filtros. Podemos jugar con todo lo que hemos calculado.

mask = ((gap > 1.5) & (roc > 1.5) & (volume_diff > 2)).astype(int).loc[data.index.year >= 2024]

mask2 = ((consecutive_2_falling_days == 1) & (annual_max_dist > -10) & (volatility > 1.5) & (gap > 1)).astype(int).loc[data.index.year >= 2024]

Por ejemplo, en el primer filtro llamado “mask”, buscamos compañías con un gap superior al 50%, con un retorno sobre el día anterior del 150% y un volumen relativo 2 veces superior a la media de los últimos 10 días. Estamos buscando acciones que acaben de “despertar”, con grandes revalorizaciones y probablemente de pequeña capitalización.

En el segundo filtro buscamos compañías que lleven 2 días de caídas consecutivas, que tengan una distancia sobre máximos del 10% o superior y con una volatilidad anualizada de 1.5 o superior.

Imaginación al poder. Os sugiero que intentéis ampliar la cantidad de indicadores y filtros, es muy divertido y puede ser muy útil.

Para acabar, nos falta poder visualizar qué compañías cumplen los criterios escogidos. Mostramos qué compañías cumplen los criterios para el último año en periodos diarios:

selected_stocks_by_date = {}

for date in mask2.index:

    selected_tickers = mask2.loc[date][mask2.loc[date] == 1].index.tolist()

    selected_stocks_by_date[date.strftime(‘%Y-%m-%d’)] = selected_tickers

for date, tickers in selected_stocks_by_date.items():

    print(f»On {date}, selected tickers: {tickers}»)

Ahora podemos pasar a una fase de análisis posterior, conociendo qué empresas vamos a tener en nuestra “watchlist”.

 

¡Dios mío! ¡Compré una acción equivocada!: Lead-Lag Effect por Quantpedia

 

Este nuevo estudio tiene como objetivo investigar el Lead-Lag Effect entre las acciones prominentes y ampliamente reconocidas y las acciones más pequeñas y menos conocidas con símbolos de ticker similares (por ejemplo, TSLA / TLSA), un fenómeno que ha recibido una atención limitada en la literatura financiera. La motivación detrás de esta exploración se deriva de la hipótesis de que los inversores, especialmente los inversores minoristas, pueden operar inadvertidamente en acciones menos conocidas debido a la confusión de los símbolos del ticker, lo que afecta sus movimientos de precios de una manera que se correlaciona con las acciones líderes. Al examinar este posible efecto de identificación errónea, nuestra investigación busca arrojar algo de luz sobre este interesante factor.

Investigar los errores ortográficos entre los tickers de acciones es un área intrigante de investigación que se cruza con las finanzas, la lingüística, la psicología y la economía. Comprender este efecto podría proporcionar información valiosa y traducirse en estrategias que explotan tales ineficiencias.

Antecedentes y literatura relacionada

Un símbolo de cotización (también conocido como símbolo de acciones) es una abreviatura única que se utiliza para identificar las acciones que cotizan en bolsa de una empresa específica en un mercado de valores en particular. Estos símbolos sirven como abreviatura para que los inversores identifiquen y negocien acciones. Mientras que los EE. UU. La Comisión de Valores y Bolsa (S.E.C.) otorga a las empresas una discreción razonable en la selección de sus símbolos de cotización, hay pautas a seguir. El símbolo elegido debe ser original (no replicar el ticker de otra empresa) y apropiado.

Las empresas intentan encontrar tickers que sean fáciles de recordar y únicos. Sin embargo, debido al alto número de empresas que cotizan en los EE. UU., muchas empresas tienen tickers que pueden ser fáciles de confundir.

Literatura existente

El primer artículo conciso detrás del desarrollo de nuestra investigación fue el análisis de Typo Trading de ballenas inusuales (sección de «Typo Trading», también conocido como Levenshtein Basket):

• Comienzan afirmando que el advenimiento del trading de cero comisiones y la accesibilidad sin precedentes al conocimiento del mercado a través de las redes sociales transformaron el mundo del trading y la inversión, que especialmente «explotó» en 2020-2021 con el desplome causado por el COVID y el primer rally de acciones memes.
• Pero se mueven aún más hacia el tema de nuestro interés hoy en día: «trading de errores tipográficos«.
• También se refieren ampliamente a la distancia Levenshtein, una métrica de cadena que mide las diferencias entre dos secuencias; entre dos palabras, es el número mínimo de ediciones de un solo carácter (inserciones, eliminaciones o sustituciones) necesarias para cambiar una palabra a otra.
• Proporcionan explicaciones plausibles para las que esto puede funcionar desde el PoV fundamental (punto de vista):
  • Una vez que se publica la noticia que empuja a las acciones minoristas más alto, esta presión de compra se filtra en las acciones dentro de la cesta de Levenshtein que normalmente y de otra manera no está correlacionada.
  • El trading con teléfonos inteligentes fomenta un comportamiento arriesgado, que implica involuntariamente el trading de diferentes valores (por ejemplo, causado por dedos relativamente grandes en un teclado pequeño).

Las otras cosas posibles a tener en cuenta son:

• Los inversores asiáticos también pueden tener dificultades para diferenciar entre los tickers, ya que sus mercados dependen de los números en lugar de la costumbre de las letras del mercado estadounidense para sus tickers de acciones.
• La confusión de nombres y tickers es más común que el problema de las «operaciones de dedo gordo» cuando se compran las acciones incorrectas debido a una clave que se escribió accidentalmente. Este es un tema recurrente en los puntos de venta financieros populares que intentan informar sobre temas y sensaciones rimbombantes.

También hay muchos artículos financieros populares, pero bajo la portada, podría haber algunas cosas aplicables y comprobables. El resumen del artículo de dos profesores de la Rutgers School of Business-Camden, en un próximo número del Journal of Financial Markets, encontró que más de la mitad de las empresas estadounidenses que cotizan en bolsa comparten una «parte significada» de sus nombres o tickers con otra empresa, a menudo en una industria separada y con una capitalización de mercado dramáticamente diferente.

De ese grupo, hay alrededor de 250 pares de empresas donde la posibilidad de confusión es particularmente alta, y una cuarta parte de ellos mostraron similitudes estadísticamente significativas en los patrones que solo se pueden explicar por casos de identidad errónea. Según sus estimaciones, las operaciones realizadas por error, en promedio, cuestan a los inversores 1,1 millones de dólares por par al año en costos de transacción.

Sin embargo, nuestro objetivo no es estudiar las derivas intradía o diarias en las acciones causadas por el trading ejecutado por errores tipográficos en caso de que haya algún evento notable en las principales acciones. Estamos más interesados en estudiar si hay una deriva a largo plazo en las acciones mal tipificadas (por ejemplo, TLSA) si las acciones líderes (por ejemplo, TSLA) funcionan bien. Por lo tanto, nuestro estudio es más similar a los documentos que discuten los vínculos entre las acciones relacionadas.

Uno de esos documentos relacionados es de Hulley, Liu y Phua, 2024, quienes en su búsqueda de inversores y precios de activos demuestran que una estrategia de cartera de impulso basada en la relación de la empresa, identificada a través de las búsquedas conjuntas de EDGAR, predice rendimientos futuros. Estos resultados son sólidos para los controles de las características de la empresa, los rendimientos de otros factores de impulso de desbordamiento y las anomalías conocidas en los precios de los activos. Esta solidez sugiere que el factor de búsqueda co (CE) de EDGAR revela información única no capturada por las medidas tradicionales de parentesco. Es importante destacar que los rendimientos de los factores de la CE pueden explicar aquellos basados en la cobertura compartida de los analistas, lo que implica que EC abarca la información contenida en las redes de analistas.

Funciona ya que las empresas pueden tener similitudes y relacionaciones fundamentales, como operar en la misma área geográfica e industrias, ser clientes/proveedores, etc. Comprender esta relación tiene implicaciones para la previsibilidad de los rendimientos entre activos porque la información puede fluir a través de estos vínculos de forma lenta.

Conceptualización de nuestro estudio

Por lo tanto, nuestro objetivo es explorar los datos de los pares de algunas acciones seleccionadas, a menudo compradas y vendidas por error, e investigar si hay un Lead-Lag Effect. Todas las inspiraciones para los tickers, sus pruebas de viabilidad iniciales y la inclusión o exclusión provienen de los artículos mencionados en el capítulo anterior.

La lista de candidatos potenciales recopilada utilizando artículos y artículos anteriores se evaluó para determinar su idoneidad para su inclusión (mezclas de nombre común y ticker de Quartz).

Muchos de nuestros candidatos fueron descartados («echados») porque

• eran solo ETF recién creados (con pocos días negociados, de ahí la muestra de datos casi inexistente),
• los sacados,
• tomado en privado o
• relegado a pink sheet (OTC) [no cumplía con los requisitos reglamentarios del NASDAQ, por ejemplo, como un precio de al menos 1 $),
• penny stocks.
• Algunas de las alternativas propuestas (por ejemplo, ES [stock] / ES [futures]) fueron desechadas (posiblemente porque es una relación de activos cruzados que no queríamos perseguir y soportar más en este momento).

Datos

La muestra de datos es del 31.5.2019 – 31.3.2024, ya que la primera fecha es de la unión a partir de las fechas de todos los datos disponibles para todas las acciones.

Comprobamos la mayoría de las acciones a través de Yahoo Finance con la sintaxis https://finance.yahoo.com/lookup? s={{TICKER}} (donde {{TICKER}} se reemplaza, por supuesto, por el candidato del mundo real).

Después de la debida diligencia de viabilidad, recopilamos datos diarios históricos de cotización de acciones de YF y los filtramos y muestreamos para EOM (fin de mes) después.

Nuestra hipótesis es que las empresas más grandes (mayor capitalización de mercado) lideran a las empresas más pequeñas (menor capitalización de mercado).

TSLA	Tesla, Inc.
F	Ford Motor Company
AAPL	Apple Inc.
HPE	Hewlett Packard Enterprise Company
RCM	R1 RCM Inc.
AMSWA	American Software, Inc.
SNAP	Snap Inc.
ZM	Zoom Video Communications, Inc.

(Me pregunto cuántos conoces… y comparemos esta lista con la segunda selección).

TLSA	Tiziana Life Sciences Ltd
Ford	Forward Industries, Inc.
AAP	Advance Auto Parts, Inc.
HP	Helmerich & Payne, Inc.
RCMT	RCM Technologies, Inc.
AMS	Servicios hospitalarios compartidos estadounidenses
SNA	Snap-on Incorporated
ZI	ZoomInfo Technologies Inc.

Y como es gratuito para fines de estudio, descargamos datos también para: SPY (SPDR S&P 500 ETF).

Resultados

En primer lugar, centrémonos en las estrategias de larga duración, que son más convenientes para los inversores minoristas interesados. Más tarde, también echaremos un vistazo a las variantes de estrategia larga-corta.

A continuación se presentan los gráficos de las curvas de capital y nuestros informes de tabla cuasi estándar de las métricas de rendimiento más importantes:

La cartera fija de solo largo plazo (peso de 1/8 asignado a cada acción rezagada cuando las acciones líderes tienen un rendimiento positivo de X mes) funciona satisfactoriamente, excepto por un retraso de 6 meses. Desafortunadamente, a pesar de que el rendimiento de la estrategia a largo plazo es positivo, no supera el rendimiento de SPY sobre una base ajustada al riesgo durante el mismo período.

La ponderación proporcional produce resultados que superan a la inversión en índices, aunque con mayor volatilidad, ratios de Sharpe desfavorables y máximo drawdown.

Ahora, en comparación con la lista: SPY ganó casi un 20 % anual durante el período mencionado anteriormente, con parámetros de riesgo favorables superando a nuestras variantes propuestas. Las estrategias a largo no parecen un camino para superar al mercado pasivo (al menos en esta muestra limitada).

Ahora, revisemos el rendimiento de las estrategias long y short, que utilizan el esquema de ponderación fijo y también proporcional.

Las estrategias long-short que utilizan la ponderación proporcional son bastante volátiles, ya que, en algunos casos, solo 1 o 2 acciones están en una parte corta (o larga) de la cartera en cualquier mes en particular. Por lo tanto, su contribución al riesgo es sustancial. Las estrategias long-short que utilizan una ponderación fija son significativamente menos arriesgadas. Además, todos los períodos de clasificación a medio y largo plazo (3M, 6M, 12M) ofrecen un rendimiento interesante y una relación de Sharpe para una estrategia de factor largo-corto de renta variable neutral en el mercado.

Autor: Cyril Dujava, Analista Cuantitativa, Quantpedia

Inflación ¿por qué esas caras? por Ed Yardeni

 

Entre los temas más candentes en las mesas de los restaurantes, juntas corporativas e incluso en las oficinas de campaña electoral, se encuentra la inflación. El tema de la inflación ha subido junto con la inflación misma, pero no parece estar enfriándose a la par.

La economía estadounidense ha enfrentado su primer episodio significativo de presiones de precios desde la década de 1980, después de que las medidas de estímulos por la pandemia aumentaran la demanda en medio de una oferta drásticamente reducida. Sin embargo, la inflación de precios al consumidor está cayendo: el PCED está por debajo del 2.7% ahora, muy lejos de su pico del 7.1% de hace dos años y finalmente acercándose al objetivo del 2.0% de la Fed.

Entonces, ¿por qué parece que todo el mundo sigue tan molesto por la inflación? De hecho, cada vez más economistas se preocupan menos por ella porque están siguiendo la tasa de inflación anual. En este sentido, la inflación ciertamente se ha moderado lo suficiente. Por otro lado, la mayoría de los consumidores recuerdan cuánto más bajos eran los precios al inicio de la pandemia alrededor de marzo de 2020. En otras palabras, los consumidores están observando el cambio porcentual de precios en cuatro años y no les gusta lo que ven. ¡Y con razón!

Consideremos lo siguiente:

1. Tasas de inflación a cuatro años. La frustración con la inflación proviene del simple hecho de que los precios son dramáticamente más altos que al inicio de la pandemia: el PCED ha subido un 18.1% desde marzo de 2020. La inflación golpea a consumidores y negocios en oleadas: las cadenas de suministro enredadas y un influjo de demanda hicieron que los precios de los productos básicos y los bienes duraderos como automóviles y muebles se dispararan durante 2020 y 2021.

   Ahora, los precios de los bienes están realmente deflacionando mientras que los servicios se encarecen, aunque a un ritmo más lento. Pero aunque los precios de la gasolina y los alimentos apenas están subiendo, si no es que están bajando, lo que molesta a los consumidores es que la gasolina y otros combustibles para motores son un 57.5% más caros y los servicios de alimentos un 25.3% más caros que al inicio de la pandemia en marzo de 2020.

   Varios otros elementos esenciales también son mucho más caros que antes de la pandemia, incluyendo: reparaciones de electrodomésticos (42.0%), servicios veterinarios y para mascotas (33.1%), mantenimiento y reparaciones de automóviles (33.0%), alquiler de inquilinos (22.6%), vivienda y servicios públicos (22.5%) y seguro de salud (21.4%).

   Dicho esto, los aumentos salariales para los trabajadores de bajos ingresos han mantenido en gran medida el ritmo de la inflación. Los ingresos promedio por hora para la producción y los salarios no supervisores han subido un 24.2% desde que comenzó la pandemia. Los salarios privados totales han subido un 21.3%.

2. Tasas de interés. El costo del dinero es sustancialmente más alto que en cualquier otro momento desde 2007. Y aunque los consumidores pueden soportar estas tasas, habiendo refinanciado sus hipotecas y ampliamente reducido su carga de deuda en los últimos años, aún es más caro pedir prestado. Las tasas de tarjetas de crédito han subido al 21.6% desde el 14.5% en el segundo trimestre de 2020 y las tasas de préstamos para automóviles han subido al 8.6% desde el 5.1%, y más prestatarios de baja calidad (alta tasa de uso) están incurriendo en morosidad como resultado.
3. Asequibilidad de la vivienda. El mayor gasto y fuente de equidad para la mayoría de los hogares es su vivienda. La cerca blanca es el centro del Sueño Americano. Pero el hogar promedio apenas puede permitirse la vivienda promedio, según la Asociación Nacional de Agentes Inmobiliarios. La asequibilidad se ve tan mal como justo antes del colapso inmobiliario, con el estadounidense promedio experimentando una falta de asequibilidad no vista desde la década de 1980.

   Las altas tasas hipotecarias mantienen a muchos propietarios donde están, y no se está ofreciendo suficiente suministro nuevo. Las leyes de zonificación y las regulaciones crean obstáculos para la construcción, y la inmigración ejerce presión al alza sobre la demanda. Creemos que podría llevar años para que el mercado de la vivienda se recupere de su recesión prolongada.