Patrón turn around tuesday por Enrique Valdenebro

• Existen momentos de giro del mercado basados en estructuras de precios que cuando tienen lugar, la probabilidad de éxito es realmente alta. De eso trata el patrón Turn Around Tuesday (TAT), antiguo pero que aún continúa funcionando bien en muchos activos, incluído el S&P500.
• Artículo publicado en Hispatrading Magazine 48.

El mercado fluctúa constantemente y para la mayoría de los traders es inestable e impredecible. La psicología humana no ha variado mucho en miles de años y reaccionamos con miedo o pánico en determinadas situaciones, como cuando los mercados caen abruptamente y se venden acciones de forma masiva.

El patrón Turn Around Tuesday aprovecha este tipo de situaciones de miedo y ventas masivas.

Giro al alza los martes que…

El lunes que el mercado haya cerrado en el 20% del rango inferior de los últimos tres días (incluyendo el del lunes). Existen múltiples variantes, pero la esencia del patrón radica en el hecho de que suele existir un rebote los martes después de un gran movimiento a la baja el lunes precedente y los días anteriores.

Una de las posibles explicaciones para ello es que los martes es el día perfecto para el cambio de sentimiento en el mercado. En mercados bajistas las empresas de inversión suelen cerrar posiciones los viernes para tomar beneficios y también para tener dinero disponible por posibles retiradas de dinero durante el fin de semana por parte de clientes. Sin embargo, los inversores particulares suelen llegar tarde y venden posiciones después del fin de semana: el lunes. Algo que las empresas de inversión tratan de aprovechar en la caída de los lunes para volver a tomar posiciones.

Cuando mejor suele funcionar el patrón es en mercados bajistas con alta volatilidad. Y cuanto mayor es la caída del lunes, la probabilidad de tener un rebote más fuerte el martes, es mayor.

Es cierto que es un patrón que funcionó muy bien sobre muchísimos activos durante mucho tiempo, ofreciendo rentabilidades muy interesantes, pero que desde los comienzos del nuevo siglo las rentabilidades han bajado, así como el número de activos sobre los que es rentable e interesante aún.

Aún así, existen multitud de activos sobre los que la estrategia continúa funcionando y puede ser aprovechada de muy diferentes maneras.

Cómo aprovechar este patrón

Lo primero de todo es localizar algún activo en el que funcione este patrón, y lleve haciéndolo durante mucho tiempo. Y luego tendríamos varias opciones:

1. Comprar el activo (acción, cfd, futuro) en la apertura del martes, siempre que se hayan cumplido los requisitos previos del patrón, y mantener la posición larga abierta durante todo el día o hasta el cierre del día siguiente (miércoles) para el caso de que sea históricamente mejor. Deberíamos aplicar un método del control del riesgo por si no funcionara el patrón en esa ocasión. Nunca arriesgar más de un pequeño % de nuestro capital por operación.
2. Comprar opciones Call o Call Spread. El paso del tiempo (theta) no nos va a afectar por el poco tiempo que vamos a estar en el mercado. El mayor riesgo de esta estrategia está en la caída brusca de la volatilidad. Tan sólo hacerla si la volatilidad no es elevada.
3. Vender opciones Put o Vertical Put Spread o Cuna Vendida, si la caída ha sido brusca, ya que normalmente la volatilidad decrece.

Cómo la gratitud transforma el trading por Brett N. Steenbarger, Ph.D.

La negatividad nos ciega ante las oportunidades de trading.

¿Qué busco en los candidatos de Market Wizards? por Jack Schwager

• Jack Schwager, autor de una de las sagas más leídas de todos los tiempos, Market Wizards, nos cuenta en exclusiva los ratios que analiza para elegir a sus candidatos a ser entrevistados en esta serie de libros que sirven como referencia, para todos los traders, a nivel internacional.
• Artículo publicado en Hispatrading 48.

En primer lugar si está disponible, siempre prefiero usar datos diarios en lugar de datos mensuales, ya que el hecho de que el número de puntos de datos sea 21 veces mayor hace que las estadísticas, basadas en datos diarios, sean mucho más confiables estadísticamente. 

Además, los datos diarios pueden revelar información significativa que está oculta por los datos mensuales. Por ejemplo, si una cuenta pierde un 10% en la primera mitad del mes y luego recupera un 11,2% en la segunda mitad del mes, esa reducción del 10% será invisible con los datos mensuales, pero completamente visible en los datos diarios. No hay lugar para esconderse con los datos diarios. También hay artificialidad inherente a los datos mensuales. Si en el ejemplo anterior, la pérdida del 10% se produjo en la segunda mitad de un mes y el rebote del 11,2% se produjo en la primera mitad del mes siguiente, la reducción sería visible en los datos mensuales. 

El hecho de que la misma acción del precio pueda resultar en estadísticas muy diferentes dependiendo de los días del calendario en que ocurrió ese movimiento de precios es una característica indeseable.

MIS ESTADÍSTICAS DE RENDIMIENTO PREFERIDAS

Gain to Pain Ratio: la suma de todos los rendimientos (diarios o mensuales, según los datos que se utilicen) dividida entre el valor absoluto de la suma de todos los rendimientos negativos. En esencia, el GPR muestra la relación entre los rendimientos netos y las pérdidas incurridas para obtener esos rendimientos.

Sortino Ratio/√2: el ratio de Sortino es una variación del ratio de Sharpe que utiliza solo la desviación a la baja para medir el riesgo en lugar de la desviación estándar, que se basa en todos los retornos. La razón para dividir por √2 se explica en la nota a continuación. Prefiero el ratio de Sortino al ratio de Sharpe porque solo penaliza la volatilidad a la baja, mientras que la medida de riesgo del ratio de Sharpe no distingue entre volatilidad al alza y a la baja.

Nota: Dado que el índice de Sortino tiene el mismo numerador que el índice de Sharpe, pero calcula el denominador en función de las desviaciones cuadradas de solo los rendimientos perdidos, en lugar de todos los rendimientos, estará sesgado para ser más alto que el índice de Sharpe, incluso para los operadores cuyos rendimientos están sesgados negativamente (es decir, las grandes pérdidas son mayores en magnitud absoluta que las grandes ganancias). Un error común es suponer que si el índice de Sortino es más alto que el índice de Sharpe, implica que los rendimientos están sesgados positivamente (es decir, las grandes ganancias son mayores en magnitud que las grandes pérdidas). Dado que la medida de pérdida en el índice de Sortino se basará en la suma de un número menor de desviaciones (es decir, solo las desviaciones de los rendimientos perdidos), el índice de Sortino será casi invariablemente más alto que el índice de Sharpe. Para poder comparar el ratio de Sortino con el ratio de Sharpe, multiplicamos la medida de riesgo de la proporción de Sortino por la raíz cuadrada de 2 (que es lo mismo que dividir el ratio de Sortino por la raíz cuadrada de 2). Multiplicar la medida de riesgo del índice de Sortino por la raíz cuadrada de 2 igualará las medidas de riesgo de los índices de Sharpe y Sortino cuando las desviaciones al alza y al alza sean iguales, lo que parece apropiado. La versión ajustada del ratio de Sortino permite comparaciones directas de los ratios de Sharpe y Sortino. En términos generales, un Sortino ajustado más alto implica que la distribución de los rendimientos está sesgada a la derecha (una mayor tendencia a grandes ganancias que a grandes pérdidas). Y, de manera similar, un ratio Sortino ajustado más bajo implica que los rendimientos están sesgados hacia la izquierda (una mayor propensión a grandes pérdidas que a grandes ganancias).

Rendimiento compuesto anual promedio: este valor es el nivel de rendimiento que, cuando se compone anualmente, producirá el rendimiento acumulado. Aunque presto más atención a las métricas de rentabilidad / riesgo anteriores que a la rentabilidad, es posible que un historial de rendimiento tenga valores de rentabilidad / riesgo superiores y un nivel de rentabilidad inaceptablemente bajo. Por lo tanto, aún es necesario verificar solo el retorno.

LOS NIVELES DE RENDIMIENTO QUE BUSCO EN MARKET WIZARDS

Al buscar candidatos potenciales para entrevistar para un libro de Market Wizards, busco los siguientes umbrales de rentabilidad:

• Duración del historial: 10 años o más (7 años o más si las estadísticas de rentabilidad son excepcionales)

• Gain to Pain Ratio (datos diarios): 0,30 o más

• Gain to Pain Ratio (datos mensuales): 2,0 o más

• Ratio de Sortino / √2—2.0 o superior

Rendimiento compuesto anual medio: el valor mínimo que busco aquí depende en gran medida de los valores de rendimiento / riesgo. Por ejemplo, un operador con un rendimiento compuesto anual promedio del 10% con un GPR diario de 0,6 y un ratio Sortino / √2 de 3.0 sería de interés, mientras que un operador con un rendimiento compuesto anual promedio del 30% con un GPR diario de 0,1 y una relación de Sortino / √2 de 0,80 no lo sería.

Aire acondicionado: una maravilla económica por Ben Carlson

• En diferentes métricas, se ha abierto una amplia brecha en el PIB entre la UE y EE. UU., impulsada principalmente por una desaceleración más pronunciada en el crecimiento de la productividad en Europa. Los hogares europeos han pagado el precio con una menor calidad de vida. En términos per cápita, el ingreso disponible real ha crecido casi el doble en EE. UU. que en la UE desde el año 2000.
• Europa está atrapada en una estructura industrial estática con pocas nuevas empresas que surjan para interrumpir industrias existentes o desarrollar nuevos motores de crecimiento. De hecho, no hay ninguna empresa en la UE con una capitalización de mercado superior a los 100 mil millones de euros que haya sido creada desde cero en los últimos cincuenta años, mientras que las seis empresas de EE. UU. con una valoración superior a 1 billón de euros han sido creadas en este período.
• La UE está entrando en el primer período de su historia reciente en el que el crecimiento no será apoyado por el aumento de la población. Para 2040, se proyecta que la fuerza laboral disminuirá en casi 2 millones de trabajadores cada año.
• Las empresas de la UE siguen enfrentándose a precios de electricidad que son de 2 a 3 veces más altos que en EE. UU. Los precios del gas natural son 4 a 5 veces mayores.

• El aire acondicionado fue una invención sumamente importante para nosotros, quizás una de las invenciones clave de la historia. Cambió la naturaleza de la civilización al hacer posible el desarrollo en los trópicos.
• Sin aire acondicionado, solo puedes trabajar en las frescas horas de la mañana o al anochecer. Lo primero que hice al convertirme en primer ministro fue instalar aires acondicionados en los edificios donde trabajaba el servicio civil. Esto fue clave para la eficiencia pública.

Cómo construir estrategias de reversión a la media en divisas por Quantpedia

Cómo construir estrategias de reversión a la media en divisas

Introducción

Análisis de la estrategia

Dimensionamiento de posiciones lineal

Dimensionamiento de posiciones exponencial

Comparación de los métodos de dimensionamiento de posiciones

Estrategia de Trading de Reversión a la Media Lineal vs Exponencial

Basado en la asignación de posiciones lineal, creamos una estrategia de trading de reversión a la media lineal y, de manera similar, se desarrolló una estrategia de reversión a la media exponencial utilizando la asignación de posiciones exponencial. Ambas estrategias se reequilibran mensualmente, seleccionando futuros FX para posiciones cortas o largas en función del mismo principio: vender en corto los futuros sobrevalorados y comprar los infravalorados. La principal diferencia entre las dos estrategias radica en el peso invertido en cada futuro FX, el cual se determina mediante la asignación de posiciones lineal o exponencial. Ambos portafolios comenzaron con un valor inicial de 1.

La estrategia lineal mostrada en la Figura 3 parece estable, con pérdidas insignificantes pero sin tendencia de crecimiento. El valor del portafolio de la estrategia lineal ha oscilado alrededor de 1.1 durante 10 años, lo cual no es interesante en absoluto. Este bajo rendimiento se confirma además con el bajo ratio de Sharpe de 0.12 y el ratio de Calmar de 0.05 (mostrados en la Tabla 1). Por otro lado, la estrategia de trading con el portafolio de asignación de posiciones exponencial ofrece rendimientos positivos atractivos en exceso (todos los rendimientos se calculan a partir de las series de datos de futuros continuos y, por lo tanto, son rendimientos en exceso sobre el efectivo) con un ratio de Sharpe de 0.35.

Conclusión

Cómo construir estrategias de reversión a la media en divisas

Predicción del Precio del Oro: Guía Paso a Paso Usando Python y Machine Learning por Quantinsti

Predicción del Precio del Oro: Guía Paso a Paso Usando Python y Machine Learning

¿Es posible predecir hacia dónde se dirige el precio del oro?

• Importar las librerías y leer los datos del ETF de oro
• Definir las variables explicativas
• Definir la variable dependiente
• Dividir los datos en conjuntos de entrenamiento y prueba
• Crear un modelo de regresión lineal
• Predecir los precios del ETF de oro
• Graficar los rendimientos acumulados
• ¿Cómo usar este modelo para predecir los movimientos diarios?

Importar las librerías y leer los datos del ETF de oro

# LinearRegression is a machine learning library for linear regression
from sklearn.linear_model import LinearRegression

# pandas and numpy are used for data manipulation
import pandas as pd
import numpy as np

# matplotlib and seaborn are used for plotting graphs
import matplotlib.pyplot as plt
%matplotlib inline
plt.style.use('seaborn-darkgrid')

# yahoo finance is used to fetch data
import yfinance as yf

# Read data
Df = yf.download('GLD', '2008-01-01', '2020-6-22', auto_adjust=True)

# Only keep close columns
Df = Df[['Close']]

# Drop rows with missing values
Df = Df.dropna()

# Plot the closing price of GLD
Df.Close.plot(figsize=(10, 7),color='r')
plt.ylabel("Gold ETF Prices")
plt.title("Gold ETF Price Series")
plt.show()

Definir las variables explicativas

Definir la variable dependiente

# Define explanatory variables
Df['S_3'] = Df['Close'].rolling(window=3).mean()
Df['S_9'] = Df['Close'].rolling(window=9).mean()
Df['next_day_price'] = Df['Close'].shift(-1)

Df = Df.dropna()
X = Df[['S_3', 'S_9']]

# Define dependent variable
y = Df['next_day_price']

Dividir los datos en conjuntos de entrenamiento y prueba

1. El primer 80% de los datos se utiliza para entrenamiento y el resto para pruebas.
2. X_train e y_train son conjuntos de datos de entrenamiento
3. X_test e y_test son conjuntos de datos de prueba

# Split the data into train and test dataset
t = .8
t = int(t*len(Df))

# Train dataset
X_train = X[:t]
y_train = y[:t]

# Test dataset
X_test = X[t:]
y_test = y[t:]

Crear un modelo de regresión lineal

Si intentamos capturar una relación matemática entre las variables ‘x’ y ‘y’ que “mejor” explique los valores observados de ‘y’ en función de los valores observados de ‘x’ ajustando una línea a través de un gráfico de dispersión, entonces dicha ecuación entre x e y se llama análisis de regresión lineal.

# Create a linear regression model
linear = LinearRegression().fit(X_train, y_train)
print("Linear Regression model")
print("Gold ETF Price (y) = %.2f * 3 Days Moving Average (x1) \
+ %.2f * 9 Days Moving Average (x2) \
+ %.2f (constant)" % (linear.coef_[0], linear.coef_[1], linear.intercept_))

Modelo de Regresión Lineal  

Precio del ETF de Oro (y) = 1.20 * Promedio Móvil de 3 Días (x1) + -0.21 * Promedio Móvil de 9 Días (x2) + 0.43 (constante)

Predecir los precios del ETF de oro

# Predicting the Gold ETF prices
predicted_price = linear.predict(X_test)
predicted_price = pd.DataFrame(
    predicted_price, index=y_test.index, columns=['price'])
predicted_price.plot(figsize=(10, 7))
y_test.plot()
plt.legend(['predicted_price', 'actual_price'])
plt.ylabel("Gold ETF Price")
plt.show()

# R square
r2_score = linear.score(X[t:], y[t:])*100
float("{0:.2f}".format(r2_score))

Graficar los rendimientos acumulados

gold = pd.DataFrame()

gold['price'] = Df[t:]['Close']
gold['predicted_price_next_day'] = predicted_price
gold['actual_price_next_day'] = y_test
gold['gold_returns'] = gold['price'].pct_change().shift(-1)

gold['signal'] = np.where(gold.predicted_price_next_day.shift(1) < gold.predicted_price_next_day,1,0)

gold['strategy_returns'] = gold.signal * gold['gold_returns']
((gold['strategy_returns']+1).cumprod()).plot(figsize=(10,7),color='g')
plt.ylabel('Cumulative Returns')
plt.show()

# Calculate sharpe ratio
sharpe = gold['strategy_returns'].mean()/gold['strategy_returns'].std()*(252**0.5)
'Sharpe Ratio %.2f' % (sharpe)

El resultado se proporciona a continuación:
‘Sharpe ratio 1,06’

¿Cómo usar este modelo para predecir los movimientos diarios?

# import datetime and get today's date
import datetime as dt
current_date = dt.datetime.now()

# Get the data
data = yf.download('GLD', '2008-06-01', current_date, auto_adjust=True)
data['S_3'] = data['Close'].rolling(window=3).mean()
data['S_9'] = data['Close'].rolling(window=9).mean()
data = data.dropna()

# Forecast the price
data['predicted_gold_price'] = linear.predict(data[['S_3', 'S_9']])
data['signal'] = np.where(data.predicted_gold_price.shift(1) < data.predicted_gold_price,"Buy","No Position")

# Print the forecast
data.tail(1)[['signal','predicted_gold_price']].T

Cómo Entrenarte para el Éxito en el Trading por Brett N. Steenbarger, Ph.D.

Cómo Entrenarte para el Éxito en el Trading

La Paradoja de la Formación en Trading  por Peter Davies

La Paradoja de la Formación en Trading  

Los que pueden, hacen; los que no pueden, enseñan

Entonces, ¿por qué alguien que sabe hacer trading querría enseñar?

Antes podían hacer trading, pero ahora ya no pueden, por eso enseñan

¿Los traders que se pasan a la formación ganan más dinero que cuando hacían trading?

Pero, si vendes algo sin valor, no durarás

Esto nos lleva a otro argumento en contra…

Conclusión final

Cómo identificar a un trader

La Paradoja de la Formación en Trading  

Viaje a las entrañas del mercado: la importancia de los desconocidos flujos sistemáticos por George Wegwitz

Viaje a las entrañas del mercado

¿Qué es la volatilidad?

¿Qué es exactamente un fondo sistemático y qué tipos hay?

Volatility Control Funds

• Riesgo: Los fondos de control de la volatilidad fijan un nivel de riesgo objetivo, a menudo medido por la desviación típica de los rendimientos o la volatilidad y que a su vez depende de la tolerancia al riesgo de sus inversores.

• Asignación dinámica: El fondo ajusta dinámicamente su exposición a diferentes clases de activos (como renta variable, renta fija y cash) en función de la volatilidad actual del mercado. Cuando la volatilidad es baja, el fondo puede aumentar su exposición a activos de mayor riesgo (por ejemplo, renta variable) para lograr mayores rendimientos. Por el contrario, cuando la volatilidad es alta, el fondo reduce su exposición a estos activos y aumenta su asignación a activos de menor riesgo (por ejemplo, bonos o efectivo) para limitar las pérdidas potenciales.

• Reequilibrio: El fondo equilibra periódicamente su cartera para mantener el nivel de riesgo deseado. Este proceso de reequilibrio garantiza que la exposición al riesgo del fondo se mantenga en línea con su objetivo, incluso cuando varíen las condiciones del mercado.

• Impacto en los mercados: Los fondos de control de volatilidad pueden tener un impacto significativo en el comportamiento de los mercados. Por ejemplo, en periodos de alta volatilidad, estos fondos pueden vender grandes cantidades de acciones para reducir el riesgo, lo que puede exacerbar las caídas del mercado. A la inversa, en periodos de baja volatilidad, pueden comprar acciones, lo que puede hacer subir los precios y sostiene al mercado.

Commodity Trading Advisors (CTAS)

Risk Parity Funds

Conclusiones finales

¿De Dónde Proviene el Crecimiento Económico? por Ben Carlson

¿De Dónde Proviene el Crecimiento Económico?

Este número ha sido relativamente constante con el tiempo. Sin embargo, a medida que la población total ha crecido, la cantidad relativa de crecimiento ha disminuido.

 

Había alrededor de 130 millones de personas en EE. UU. para 1940. Para finales de 2023, se estima que la cifra es de aproximadamente 335 millones.

Aquí está el crecimiento de la población en términos porcentuales:

En relación con la población total, Estados Unidos experimentó un crecimiento masivo en las décadas de 1940 y 1950. Desde entonces, ha estado en constante declive.

 

Ahora, observa el crecimiento del PIB real por década:

No es una relación perfecta porque muchos otros factores también influyen, pero ciertamente puedes ver que las tendencias se mueven en una dirección similar. La idea es que la tendencia de crecimiento ha ido disminuyendo durante décadas.

 

A medida que el crecimiento de la población ha disminuido, también lo ha hecho el crecimiento económico.

 

Además, ahora somos una economía más grande y madura. Ya no podemos esperar ver un crecimiento del PIB del 4-5% con una economía de 29 billones de dólares.

 

Tienes que medir una economía en relación con su potencial. Estados Unidos ha estado cumpliendo con su potencial. El resto del mundo desarrollado no:

Hay un factor relacionado con el crecimiento económico que no mencioné: el gasto gubernamental.

 

Eso obviamente ha sido una gran razón de nuestro éxito en esta década.

 

Hay muchas personas preocupadas por el gasto deficitario y el tamaño de la deuda gubernamental:

 

También tengo muchas opiniones sobre ese tema.  Estén atentos, la próxima semana tendré algo sobre las finanzas gubernamentales.

Hace calor aquí… por Alex Barrow

Hace calor aquí…

 

Una tendencia alcista persistente en el oro sugiere más potencial de subida por Sentimentrader

Una tendencia alcista persistente en el oro sugiere más potencial de subida

Puntos clave:

• El oro ha cerrado por encima de su promedio de 200 días durante 260 sesiones consecutivas.

• En rachas similares, los futuros del oro subieron el 100% de las veces en periodos de seis y doce meses.

• Un año después, las acciones de mineras de oro subieron el 100% de las veces, y la plata subió el 88% de las veces.

Lo que nos dice la investigación…

¿Se avecina una década perdida para las acciones con un rendimiento anual de solo un 3%? por Dr. Ed Yardeni

una década perdida para las acciones con un rendimiento anual de solo un 3

una década perdida para las acciones con un rendimiento anual de solo un 3

Vendedores en corto: Proveedores de liquidez informada por Quantpedia

Vendedores en corto: Proveedores de liquidez informada

Los vendedores en corto a menudo tienen mala reputación, vistos como disruptores del mercado que se benefician de la caída de precios. Sin embargo, juegan un papel crucial en hacer los mercados más eficientes al identificar activos sobrevalorados y corregir errores de precios. Un estudio reciente revela otro aspecto sorprendente de su comportamiento: en lugar de solo demandar liquidez, los vendedores en corto más informados en realidad la suministran. Usando datos a nivel de transacción, la investigación muestra que estos operadores proveen liquidez, especialmente en días de noticias y cuando comercian en base a anomalías conocidas, desafiando la visión convencional de que los vendedores en corto son meramente participantes agresivos del mercado.

 

Para una persona común, invertir implica comprar empresas estables y financieramente sólidas que tienden a tener buenos resultados en el futuro, devolver parte de las ganancias a sus accionistas y, por lo tanto, beneficiarlos a largo plazo con rendimientos compuestos, además de contribuir a la asignación ética del capital para mejorar el mundo. Con la llegada de los ETF (fondos cotizados en bolsa), es posible comprar cestas de empresas agrupadas por diversos criterios, lo que facilita aún más la diversificación.

 

Por otro lado, vender en corto es un esfuerzo lucrativo y prometedor que atrae a operadores que buscan riesgos, a menudo inexpertos, quienes sufren por no entender las dinámicas de oferta y demanda de liquidez. Existen muchos escenarios históricos de «short squeezes» dolorosos (Volkswagen y GameStop), que hicieron a algunos muy ricos mientras que otros no pudieron cubrir sus posiciones cortas por falta de acciones disponibles. Inversionistas activistas como Bill Ackman en Herbalife o los interminables vendedores en corto de Tesla conocen bien estas historias. No obstante, también existen fondos de cobertura especializados en ventas en corto que, por ejemplo, investigan profundamente ensayos clínicos y apuestan a que ciertas biotecnológicas no recibirán aprobación de la FDA, basando sus posiciones cortas en estimaciones razonables.

 

Es difícil argumentar que los vendedores en corto no son una parte vital de los mercados libres, ya que contribuyen al descubrimiento de precios y a la convergencia hacia valoraciones precisas. Sin embargo, estas operaciones implican riesgos de pérdidas ilimitadas, por lo que se advierte al inversor común que se mantenga alejado. El comercio informado realizado por profesionales tiene una ventaja significativa.

 

Hoy abordamos estos prejuicios comunes con un estudio interesante que otorga un reconocimiento a los vendedores en corto: esencialmente, el resumen afirma que los vendedores en corto más experimentados actúan como proveedores de liquidez en lugar de demandarla, lo que es un punto novedoso que los presenta bajo una luz más favorable. Además, al contribuir al descubrimiento de precios al ofrecer mejores diferenciales de compra-venta (manteniendo un libro de órdenes activo), ayudan a los inversores comunes a entrar o salir de sus posiciones a precios más favorables que en entornos menos líquidos.

 

El estudio distingue entre ventas en corto que suministran liquidez y las que la demandan, y desafía la sabiduría convencional de que solo los que demandan liquidez están informados. Los vendedores en corto que suministran liquidez son, de hecho, mejores en predecir rendimientos futuros, particularmente en períodos de inversión más largos. Este hallazgo se alinea con teorías recientes que sugieren un doble papel para los operadores informados, incluyendo la provisión de liquidez para capitalizar información a largo plazo. El hecho de que estos vendedores en corto suministren liquidez y mejoren la eficiencia del mercado añade un reto adicional para los reguladores.

 

El estudio «Stealthy Shorts: Informed Liquidity Supply» muestra que los vendedores en corto que operan en la dirección de su información, la cual presumiblemente afecta los precios, lo hacen proporcionando liquidez. Los resultados, que muestran que son los mismos vendedores que mejoran la eficiencia del mercado, plantean un desafío para los reguladores que buscan prevenir movimientos adversos de precios mientras garantizan que los mercados sean lo más líquidos posible, especialmente en tiempos de crisis.

 

El estudio replica un patrón bien documentado en el cruce de rendimientos de acciones: las acciones con un volumen de ventas en corto elevado en relación con su volumen total de operaciones subperforman frente a aquellas con una baja proporción de ventas en corto. Más importante aún, los autores descubren patrones heterogéneos al descomponer esta proporción en ventas en corto que suministran liquidez (LSS) y ventas en corto que demandan liquidez (LDS). Contrariamente a la sabiduría convencional, su análisis muestra que solo el LSS predice negativamente los futuros rendimientos de las acciones.

 

En particular, las acciones en el quintil más alto de LSS subperforman frente a aquellas en el quintil más bajo en un retorno ajustado por riesgo de 38 puntos básicos durante un período de retención de 21 días. En contraste, el poder predictivo de LDS sobre el mismo período es mucho más débil, con solo 12 puntos básicos, que es estadísticamente indistinguible de cero. Esto sugiere que las ventas en corto que suministran liquidez contienen información única sobre futuros rendimientos de acciones.

 

Pruebas adicionales muestran que esta predictibilidad documentada no está concentrada en acciones con características específicas ni en períodos particulares, y se mantiene para varios períodos de retención alternativos. Los resultados finales indican una fuerte predictibilidad de los rendimientos futuros a partir de las ventas en corto que suministran liquidez, en contraste con la falta de predictibilidad para las ventas en corto que demandan liquidez en períodos de retención más largos. Estas ventas en corto que suministran liquidez pueden representar operaciones informadas por parte de vendedores en corto con información de larga duración.

 

Autores: Amit Goyal, Adam V. Reed, Esad Smajlbegovic y Amar Soebhag

Título: *Stealthy Shorts: Informed Liquidity Supply*

Link: https://papers.ssrn.com/sol3/papers.cfm?abstract_id=4941397

 

Resumen:

Los vendedores en corto son ampliamente conocidos por ser operadores informados, lo que típicamente sugiere que demandan liquidez. Utilizamos datos detallados a nivel de transacciones para descomponer el volumen diario de ventas en corto en componentes de demanda y suministro de liquidez. Contrario a la sabiduría convencional, mostramos que los vendedores en corto más informados son, en realidad, proveedores de liquidez, no demandantes. Son particularmente informativos sobre los rendimientos futuros en días de noticias y operan en base a anomalías prominentes en los retornos transversales. Nuestro análisis sugiere que el «market making» y la asunción oportunista de riesgos no explican estos hallazgos. En su lugar, nuestros resultados se alinean con la teoría reciente de la microestructura del mercado, señalando una provisión estratégica de liquidez por parte de los operadores informados.

 

Como siempre, presentamos varias tablas y gráficos interesantes:

Divergencia Estocástica: Cómo Identificarla y Operar con Ella por Timothy Sykes

Divergencia Estocástica: Cómo Identificarla y Operar con Ella

• ¿Qué son los osciladores estocásticos?

• ¿Cómo se identifica la divergencia estocástica?

• ¿Qué es la divergencia alcista en el contexto del análisis estocástico?

• ¿Qué es la divergencia bajista y cómo puede señalar una reversión del mercado?

• ¿Cómo se puede operar utilizando la divergencia estocástica positiva?

• ¿Qué pasos se deben seguir para operar con divergencia estocástica negativa?

• ¿Cómo maximizar la efectividad de la divergencia estocástica en el trading?

• ¿Cuáles son los puntos clave para dominar la divergencia estocástica?

¿Qué es un Oscilador Estocástico?

Cómo Identificar la Divergencia Estocástica

• Divergencia Alcista: El precio hace mínimos más bajos mientras que el oscilador estocástico forma mínimos más altos, lo que sugiere una posible reversión al alza.
• Divergencia Bajista: El precio alcanza máximos más altos, pero el oscilador estocástico forma máximos más bajos, lo que indica una posible reversión a la baja.

Cómo Operar con Divergencia Estocástica

Operación con Divergencia Positiva

• Identificar Divergencia Positiva: Confirma que el precio ha hecho un mínimo más bajo mientras que el oscilador estocástico forma un mínimo más alto en el gráfico.
• Entrada: Una vez que se confirme la divergencia, considera entrar en una posición larga en el próximo cruce alcista de las líneas %K y %D.
• Stop Loss: Coloca un stop loss por debajo del mínimo reciente para limitar las posibles pérdidas si la operación va en tu contra.
• Take Profit: Establece tu take profit en un nivel donde se espera resistencia o basado en una relación riesgo-beneficio específica, como 2:1.

Operación con Divergencia Negativa

• Identificar Divergencia Negativa: Asegúrate de que el precio esté haciendo máximos más altos, mientras que el oscilador estocástico está haciendo máximos más bajos.
• Entrada: Entra en una posición corta una vez que la línea %K cruce por debajo de la línea %D, confirmando el impulso bajista.
• Stop Loss: Coloca un stop loss por encima del máximo reciente para protegerte contra movimientos inesperados al alza.
• Take Profit: Establece tu take profit en un nivel de soporte o basado en una relación riesgo-beneficio calculada, asegurando que la recompensa potencial justifique el riesgo.

Maximiza la Efectividad de la Divergencia Estocástica en el Trading

Puntos Clave

• La divergencia estocástica es una señal valiosa que puede indicar posibles reversiones de tendencia.

• Combinar la divergencia estocástica con otros indicadores técnicos mejora su fiabilidad.

• Tanto las divergencias positivas como las negativas ofrecen oportunidades de beneficio si se operan con disciplina.

• Entender el contexto de las condiciones del mercado es crucial para interpretar las señales estocásticas.

• La aplicación constante y la educación continua son clave para dominar la divergencia estocástica en el trading.

Divergencia Estocástica: Cómo Identificarla y Operar con Ella por Timothy Sykes