¿Aterrizaje suave o desaceleración? por Dean Christians

Una gran divergencia está dividiendo el mensaje del mercado: mientras el S&P 500 se encuentra cerca de su máximo de tres años, tanto el petróleo crudo como el rendimiento del bono del Tesoro a 10 años se sitúan en mínimos de un año.

Esta combinación plantea una pregunta clave: ¿estamos ante un aterrizaje suave de la economía o frente al inicio de una desaceleración más profunda? A primera vista, la aparente desconexión entre los activos de riesgo y los indicadores cíclicos podría parecer contradictoria, pero la historia sugiere algo distinto.

Según los datos históricos, cuando el S&P 500 alcanza niveles elevados mientras el petróleo y los rendimientos caen, el patrón que sigue suele ser sorprendentemente constructivo para la renta variable. En promedio, el índice ha registrado un rendimiento mediano del +19,7 % en los 12 meses posteriores. Este comportamiento refleja un contexto de crecimiento moderado y desinflación: una economía que se enfría, pero sin entrar en recesión.

Por su parte, la caída en los precios del crudo y en los rendimientos de los bonos suele prolongarse durante varios meses, lo que históricamente ha proporcionado un viento de cola para las acciones. Menores costes energéticos y rendimientos más bajos tienden a aliviar la presión sobre márgenes corporativos y valoraciones, fortaleciendo los múltiplos del mercado.

En ese sentido, los datos apuntan a un escenario tipo “Ricitos de Oro”: crecimiento suficiente para sostener los beneficios, pero con una inflación y unos tipos de interés a la baja que respaldan las valoraciones. Lejos de ser una señal de recesión inminente, este patrón ha coincidido históricamente con entornos alcistas en la renta variable.

Claro está, los ciclos económicos nunca se repiten de forma idéntica. Sin embargo, la divergencia actual entre los activos de riesgo y los indicadores macro más sensibles podría interpretarse menos como un síntoma de debilidad y más como una señal de transición hacia un equilibrio más saludable. Si la inflación sigue retrocediendo y el crecimiento se mantiene positivo, el mercado podría estar anticipando precisamente eso: un aterrizaje suave, no un frenazo.

Selección de características en la era de la IA generativa por Ernest P. Chan

Las características son los insumos de los algoritmos de aprendizaje automático. A veces también se llaman variables independientes, covariables o simplemente X. Pueden usarse para aprendizaje supervisado o no supervisado, o para optimización. Por ejemplo, en QTS utilizamos más de 100 de ellas como entradas para calibrar dinámicamente la asignación entre nuestra estrategia Tail Reaper y los futuros del E-mini S&P 500. En general, los modeladores no saben de antemano qué características son útiles o redundantes para una aplicación específica. Usar todas las características puede generar sobreajuste y un rendimiento deficiente fuera de muestra, o incluso inestabilidad numérica y singularidades al invertir matrices. De ahí la necesidad de un proceso llamado selección de características.

En la IA convencional o discriminativa, intentamos modelar la probabilidad P(Y|X), donde Y es la variable dependiente, el objetivo o la etiqueta. Los traders cuantitativos suelen usar modelos basados en árboles, como los gradient-boosted trees (GBT), y algoritmos de selección de características como MDA, SHAP o LIME para elegir un subconjunto útil para modelar P(Y|X). En la IA generativa (GenAI), las características adoptan un papel mucho más central que la variable objetivo. Se construyen redes neuronales profundas (DNN) solo para modelar la distribución de probabilidad de X, sin importar qué Y se quiera predecir después.

A menudo, se preentrena una DNN con un objetivo (por ejemplo, modelar bien la distribución de X) y luego se usa para otro (como optimizar una recompensa mediante aprendizaje por refuerzo profundo). Ya no podemos usar MDA, SHAP o LIME cuando Y aún no está definida. Pero, más importante aún, estos métodos tradicionales son globales: no permiten selección de características específica por muestra. Una vez seleccionado un conjunto de características, se usa para todas las inferencias, lo que limita la adaptabilidad del modelo.

A continuación se discuten dos metodologías potentes y ampliamente conocidas en el aprendizaje profundo y la IA generativa que pueden emplearse para la selección de características: el transformer y el autoencoder variacional (VAE). Pueden usarse para preentrenar una DNN para distintas aplicaciones posteriores o con grandes conjuntos de datos no etiquetados, permiten selección de características por muestra y pueden entrenarse conjuntamente con los parámetros de la DNN mediante una sola función objetivo.

El transformer

En los transformers con autoatención (self-attention), la suma de las puntuaciones de atención en una columna de la matriz de atención indica la importancia de la característica correspondiente. Si multiplicamos la matriz de atención por las características de entrada (o alguna transformación lineal de ellas), obtenemos el vector de contexto Z, es decir, una versión transformada de las características ponderadas por su importancia. Estas ponderaciones dependen de los valores de las propias características, por lo que son específicas de cada muestra.

El transformer se entrena para lograr un objetivo, como maximizar la verosimilitud logarítmica de una tarea de clasificación. También puede preentrenarse de manera no supervisada, reconstruyendo las características originales (en lugar de predecirlas) y usando el Error Cuadrático Medio (MSE) como función de pérdida. Una vez entrenado, el transformer puede usarse sin modificación en tareas posteriores (regresión u optimización) o ajustarse finamente (fine-tuning) para optimizar otros objetivos.

Este paradigma de preentrenamiento y ajuste fino es una de las razones por las que la IA generativa es tan poderosa frente a la discriminativa: permite entrenar un modelo con grandes volúmenes de datos no etiquetados y luego adaptarlo con pocos datos específicos. Por ejemplo, para predecir los rendimientos de AAPL, podríamos preentrenar el transformer con datos de MSFT o GOOG y después afinarlo con los de AAPL, mitigando el problema crónico de escasez de datos en el aprendizaje automático financiero.

Además, los transformers de atención cruzada (cross-attention) permiten mezclar características temporales (VIX, tipos de interés, factor HML, etc.) con transversales (ratios P/E, B/M, rentabilidad por dividendo, etc.), o entre distintos instrumentos (NVDA, GOOG, etc.). Si se usan las características transversales como “consulta” (query) y las temporales como “clave/valor” (key/value), la suma de las puntuaciones de atención muestra la importancia de cada característica temporal al predecir, por ejemplo, el retorno de una acción. Esto permite incorporar contexto macroeconómico a los fundamentales de cada valor.

Ejemplo: predicción de rendimientos del SPX

Supongamos que intentamos predecir los retornos del S&P 500 (SPX). Si se invierte mediante una estrategia de buy-and-hold, el Sharpe ratio fue de 0,39 entre 2005–2017 y de 0,8 entre 2017–2025. Usamos el primer periodo como conjunto de entrenamiento y el segundo como prueba. Con 14 características técnicas creadas con la librería TA-LIB, se entrena una red neuronal MLP con una capa oculta de 2 nodos para predecir el retorno del día siguiente e ir largo si la predicción es positiva. El Sharpe obtenido fue (0,4, 1,1), superando la estrategia de comprar y mantener.

Luego, al usar un transformer de autoatención con 64 dimensiones de “embeddings”, características con rezagos de 1 a 4 días y el mismo MLP, el Sharpe fue (0,7, 0,6). Aunque sigue siendo mejor que el buy-and-hold, no supera al MLP con las características originales, mostrando que los transformers requieren muchos datos y una cuidadosa optimización de hiperparámetros. Añadir solo el VIX como entrada temporal (key/value) dio un Sharpe de (0,3, 0,6), sin mejora. En la práctica, QTS y Predictnow.ai emplean cientos de características macro y de mercado como entradas, obteniendo resultados más consistentes.

Autoencoder variacional (VAE)

El VAE es otro método de selección de características y puede verse como una versión más general del PCA, el modelo de mezcla gaussiana (GMM) o el modelo oculto de Markov (HMM). Todos ellos convierten las características observables X en un conjunto más pequeño de variables latentes z que generan X con distribuciones más simples (como una gaussiana).

En el VAE, el encoder aprende p(z|X) y el decoder aprende p(X|z). Ambos se modelan con redes neuronales profundas separadas, entrenadas conjuntamente para minimizar la verosimilitud negativa de X. Una vez entrenado, el VAE convierte las características observables en un vector latente z que puede usarse como entrada para tareas supervisadas o de optimización, de forma similar al vector de contexto Z del transformer.

También es posible entrenarlo de forma semisupervisada (Kingma y Welling, 2019), combinando datos etiquetados y no etiquetados. En clasificación de imágenes, con solo 10 etiquetas por clase se logró más del 99% de precisión, lo que demuestra su enorme potencial para aplicaciones financieras con pocos datos etiquetados.

Ejemplo SPX con VAE

Usando el mismo vector de 14 características, un VAE con vector latente de 8 dimensiones y dos capas ReLU para el encoder y el decoder obtuvo un Sharpe de (0,2, 0,4), inferior al buy-and-hold. Esto indica que se requiere una optimización más profunda de la arquitectura y, sobre todo, preentrenamiento con datos adicionales.

Conclusión

Los transformers y los autoencoders variacionales muestran que la transformación y selección de características son ahora un componente central en la IA generativa, y no un paso posterior como en los modelos discriminativos tradicionales. También evidencian la flexibilidad de los enfoques generativos, especialmente la capacidad de preentrenar modelos con grandes volúmenes de datos no etiquetados y ajustarlos gradualmente a medida que llega nueva información. Su potencial en las aplicaciones financieras apenas comienza a ser explotado por los grupos de trading cuantitativo más sofisticados.

El efecto de fin de mes por Quantpedia

La concentración de rendimientos excesivos en los últimos días de negociación de cada mes constituye una regularidad empírica sólida con importantes implicaciones para la construcción de carteras. Documentamos una prima de fin de mes estadística y económicamente significativa, distinta del conocido efecto turn-of-the-month (ToM). Nuestra estrategia resalta rotaciones sistemáticas de estilo —especialmente los cambios entre valor y crecimiento, representados por el diferencial IVE–IVW— y documenta desajustes paralelos entre bienes raíces y renta variable general, medidos por el diferencial IYR–SPY.

Literatura existente

Numerosos estudios han documentado elevaciones marcadas en los rendimientos alrededor de los cierres mensuales y semestrales tanto en los mercados de bonos del Tesoro como en los de renta variable, atribuyendo estos patrones a movimientos de “fuga hacia la seguridad”, rebalanceos institucionales, flujos de cierre de ejercicio, maquillaje contable (window dressing) y provisión de liquidez transitoria. Hartley y Schwarz (2019) demostraron que los bonos del Tesoro ofrecen rendimientos excesivos predecibles y significativos en ventanas cercanas al fin de mes, indicando que el timing de los flujos institucionales y las fricciones microestructurales provocan perfiles de “subida y reversión” que pueden ser explotados mediante estrategias de trading.

Los informes cuantitativos destacan que aplicar estrategias EOM (end of month) en bonos del Tesoro implica afrontar alta rotación, volatilidad sesgada y particularidades en los días hábiles. Lynch y Mendenhall (1997) enmarcaron estos fenómenos dentro del timing de los flujos institucionales y la escasez de liquidez, demostrando cómo los picos de demanda agregada en las fechas de reporte generan presiones de precios temporales.

Motivación

Basándonos en estos antecedentes, nuestro estudio investiga si los efectos de fin de mes también influyen en las rotaciones de estilo. En este contexto, nos conectamos con la literatura sobre momentum de estilos y efectos de valoración en múltiples clases de activos, especialmente en el marco de Asness, Moskowitz y Pedersen (2012), quienes demostraron que los cambios sistemáticos entre estrategias de valor y crecimiento se manifiestan globalmente.

El efecto de fin de mes (EOM) se ha documentado ampliamente en renta fija (y el efecto ToM en renta variable), pero su estructura temporal aún no está del todo desagregada. En la práctica, la prima EOM podría mezclar dos señales distintas: un efecto puro mensual que se repite cada mes calendario y una prima adicional en los cierres trimestrales (marzo, junio, septiembre y diciembre). Por tanto, nuestra motivación también es descomponer la señal agregada en componentes ortogonales, aislando el impulso adicional de fin de trimestre del ciclo mensual base.

Probamos si las rotaciones de estilo al cierre de trimestre son coherentes con tres fundamentos microeconómicos: fuga hacia la seguridad, maquillaje contable y rebalanceo impulsado por valoración, examinando los desplazamientos direccionales en los diferenciales ETF causados por cargas factoriales transversales. Nuestra hipótesis plantea que los fines de mes y de trimestre producen incrementos simultáneos en los diferenciales valor-menos-crecimiento y bienes-raíces-menos-renta-variable, impulsados principalmente por desriesgos transitorios y alineación con los índices de referencia.

Pregunta de investigación

Con base en los hallazgos presentados, evaluamos si las exposiciones a factores y estilos —especialmente valor versus crecimiento y REITs versus mercado amplio— cambian sistemáticamente alrededor de los fines de mes (y trimestre) de una forma coherente con las teorías de flight to safety, window dressing o rebalanceo por valoración.

Hipótesis

IVE representa un ETF con sesgo hacia el valor e IVW uno con sesgo hacia el crecimiento; sus valores liquidativos reflejan activos subyacentes sensibles a los tipos de interés. Por tanto, si los ETF de bonos del Tesoro de duración intermedia (por ejemplo, IEF) muestran deriva de fin de mes por efectos de tipo o liquidez, esa deriva se propaga hacia los diferenciales de estilo en renta variable, de modo que el diferencial IVE–IVW presenta un comportamiento similar en los fines de mes y de trimestre.

Los valores inmobiliarios —y, por extensión, el ETF IYR— son más sensibles a los tipos y al apalancamiento que el mercado general, dado que sus flujos de caja reflejan contratos de arrendamiento más largos, mayor apalancamiento implícito y exposición directa al financiamiento hipotecario. Presiones al alza en los rendimientos o reducciones transitorias de liquidez hipotecaria durante fechas de reporte comprimen las valoraciones de los REIT frente a las acciones de crecimiento del SPY, mientras que la demanda episódica de activos defensivos e ingresos estables tiende a apoyar el sector inmobiliario durante episodios de “fuga hacia la seguridad”.

Datos

El diseño empírico emplea ventanas de rendimientos diarios alrededor de fines de mes y trimestre, utilizando ETF como proxies de exposición a estilos. Los datos provienen de EODHD.com, que ofrece más de 30 años de precios históricos y datos fundamentales de acciones, ETFs, divisas y criptomonedas en más de 60 bolsas. Los lectores del blog pueden obtener un 30 % de descuento en los planes premium.

La muestra de datos para todos los activos termina en agosto de 2025, eligiéndose el periodo más largo posible para lograr resultados más fiables.

Metodología

Comenzamos evaluando el diferencial entre los ETF de valor y crecimiento. Las distribuciones de rendimientos diarios de los últimos tres días de cada mes (D-3 a D-1) muestran resultados positivos, especialmente el último día de cada trimestre, lo que refuerza la hipótesis inicial.

El análisis posterior muestra la distribución de rendimientos en el último día de negociación de cada mes, así como la combinación de ambos enfoques, confirmando que la rentabilidad promedio de los dos últimos días del mes es positiva en términos económicos y estadísticos, con solo tres meses negativos (febrero, julio y octubre).

Los cierres trimestrales (marzo, junio, septiembre, diciembre) exhiben picos de rendimiento más visibles que los cierres de los meses iniciales de cada trimestre.

Se observó la misma tendencia al comparar el sector inmobiliario (posición larga en IYR) frente al mercado general estadounidense (posición corta en SPY). En este caso, la prima en los últimos días de trimestre es aún más marcada que en el caso del diferencial IVE–IVW, convirtiéndolo en una base ideal para desarrollar una estrategia de trading.

Estrategia de trading IYR–SPY

Además del análisis descriptivo, se elaboró una estrategia simple sobre este diferencial: comprar (largo) IYR y vender (corto) SPY durante los tres últimos días de negociación de cada mes, abriendo las posiciones al cierre del cuarto día previo y cerrándolas al cierre del último día.

La curva de rentabilidad resultante muestra un crecimiento positivo sostenido, impulsado por retornos elevados en las ventanas de cierre mensual y trimestral.

A pesar del número limitado de días operativos en el año, la estrategia logra rentabilidad satisfactoria con volatilidad moderada, lo que la convierte en una opción interesante de diversificación para fondos de cobertura y traders minoristas. El uso de ETFs facilita enormemente su aplicación.

Conclusión y discusión

Desde la perspectiva de implementación y factores, la rentabilidad de las operaciones de fin de mes en IYR–SPY (y IVE–IVW) surge de la confluencia de:

• Rebalanceos institucionales predecibles y flujos de window dressing hacia o desde ETFs sensibles a los tipos de interés (valor IVE, inmobiliario IYR);
• Externalidades de liquidez transitorias en los mercados hipotecario y de swaps que alteran temporalmente las tasas de descuento aplicadas a los flujos inmobiliarios;
• Mecánicas específicas de ETFs que amplifican el impacto en los precios cuando los canales de arbitraje están saturados al final del mes o trimestre.

En conjunto, estas fuerzas generan una prima positiva localizada temporalmente para posiciones largas en bienes raíces y valor, y cortas en renta variable general y crecimiento, alrededor de los cierres de mes y trimestre. Los rendimientos excesivos realizados son lo suficientemente amplios como para superar los costes de transacción cuando se ejecutan con disciplina intradía y gestión adecuada del tamaño de posición.

Autor: Cyril Dujava, Analista Cuantitativo, Quantpedia

La tendencia del mercado sigue por Ben Carlson

Estos eran los rendimientos totales en lo que iba del año hasta el 8 de abril de 2025:

• S&P 500: -15,0%
• Nasdaq 100: -18,5%
• Russell 2000: -20,7%
• MSCI EAFE: -3,5%
• MSCI Mercados Emergentes: -7,8%

No fue nada divertido.

Ahora, estos son los rendimientos acumulados en 2025 hasta el cierre del lunes:

• S&P 500: +17,9%
• Nasdaq 100: +23,3%
• Russell 2000: +14,2%
• MSCI EAFE: +28,8%
• MSCI Mercados Emergentes: +34,5%

Eso ya suena mucho mejor.

Este cambio radical en solo siete meses muestra lo mucho que puede transformarse el mercado en poco tiempo. Es como vivir dos años completamente diferentes dentro del mismo 2025. Así es la montaña rusa de invertir en renta variable.

En abril, las cosas se pusieron tensas tras el conflicto arancelario. Muchos compraron en la caída, mientras otros se mostraron nerviosos por cómo se resolvería el tema de los aranceles.

Predecir lo que ocurrirá durante una caída suele ser tan difícil como anticipar cuándo comenzará. Cuando las acciones caen, siempre parece demasiado tarde para vender y demasiado pronto para comprar.

Por eso, lo mejor es eliminar el factor tiempo de las decisiones de inversión. Invierte con regularidad. Diseña una cartera que se adapte a tu perfil de riesgo y horizonte temporal. Define una asignación de activos que puedas mantener tanto cuando las acciones suban, bajen o se estanquen (porque todas esas cosas pasarán eventualmente).

Mantenerse firme volvió a funcionar. Los inversores que vendieron presas del pánico ahora se arrepienten. Aquellos que mantuvieron sus posiciones o incluso compraron más cuando los precios estaban bajos, se sienten mucho mejor que en abril.

Eso sí, mantenerse firme no siempre será tan fácil. Llegará un entorno más desafiante, sin recuperación en forma de “V”: una recesión, un mercado bajista prolongado o incluso una crisis financiera. Son eventos poco frecuentes, pero ocurren.

Para ser un inversor de éxito a largo plazo, hay que mantener el rumbo incluso en los períodos más dolorosos. Pero también es importante no vivir con miedo constante a los eventos que solo ocurren un 5 % del tiempo.

La mayoría de las veces, el mundo no se acaba.
Invierte en consecuencia.

El ritmo de cuatro años del Bitcoin: ¿ciclo real o simple coincidencia? por Sentimentrader

Desde sus inicios, Bitcoin ha mostrado un patrón que muchos consideran su propio ritmo de cuatro años, marcado por fases de euforia y posteriores desplomes. Este comportamiento ha despertado el debate entre quienes lo ven como un ciclo estructural ligado a los halvings —la reducción periódica de recompensas por bloque— y quienes lo interpretan como una simple coincidencia estadística amplificada por el entusiasmo del mercado.

Los datos históricos muestran una clara tendencia: los tres primeros años de cada ciclo suelen concentrar las mayores ganancias. Desde 2011 hasta la actualidad, Bitcoin ha ofrecido rentabilidades espectaculares durante las fases iniciales, impulsadas por la narrativa de escasez, la adopción institucional y la expansión de liquidez global. En esos periodos, la criptomoneda líder ha pasado de consolidar su valor a convertirse en un activo de referencia dentro del ecosistema digital.

Sin embargo, el cuarto año del ciclo tiende a ser el más débil. El registro histórico revela una **rentabilidad mediana del –96 %** en los años finales de cada ciclo (2014, 2018 y 2022). Estas caídas suelen coincidir con el agotamiento del impulso especulativo, la reducción del apalancamiento y la salida de capital minorista. En otras palabras, el mercado pasa de la euforia a la purga, marcando el cierre de un ciclo antes de una nueva fase de acumulación.

El patrón podría no ser casual. El halving, que ocurre cada cuatro años, reduce a la mitad la creación de nuevos bitcoins, afectando directamente la oferta. Pero **la respuesta del mercado es más psicológica que matemática**: la expectativa de escasez genera rallies anticipados, seguidos de fases de ajuste cuando la narrativa se desvanece. Así, el ciclo no depende tanto del evento técnico como del comportamiento colectivo de los inversores.

De cara a 2026, la historia sugiere prudencia. Si el patrón se mantiene, el cuarto año podría volver a ser un periodo de consolidación o corrección. No obstante, cada ciclo ha estado condicionado por factores distintos —desde la política monetaria global hasta la madurez del ecosistema cripto—, lo que invita a no asumir simetrías perfectas. El reto para los inversores será distinguir entre un verdadero cambio de ciclo y una simple repetición psicológica del pasado.

La causa de los problemas emocionales de los traders por Brett N. Steenbarger, Ph.D.

• Descubre por qué la mayoría de los problemas emocionales en el trading no se resuelven con psicología, sino con entender lo que realmente causa las pérdidas. La explicación es bastante simple.
• Artículo publicado en Hispatrading 64.

Los rendimientos en los mercados financieros provienen, en última instancia, de varios factores generales, como el momentum (persistencia en el movimiento direccional); el valor (tendencia del precio a oscilar por encima y por debajo de uno o más criterios de valoración); la volatilidad (movimiento absoluto del precio); y el carry (rendimientos derivados de mantener el activo, como ocurre con los dividendos o el roll-down).

Lo que diferencia a los gestores de activos de los traders es que los gestores intentan obtener rendimientos de todos los factores. No necesariamente buscan predecir qué factor proporcionará los mejores rendimientos en el próximo periodo. Más bien, construyen una cartera que logre rendimientos favorables en distintos escenarios basados en factores. Un concepto central en la gestión de activos es el rebalanceo de la cartera. Si no se rebalancea, la cartera queda sobreexpuesta al factor que ha funcionado mejor recientemente y subexpuesta a los que no han tenido buen rendimiento, dejando al gestor vulnerable cuando cambian los patrones de dominio entre factores.

El trader tiende a centrarse en un solo factor y solo ese. Tal vez el trader opere con momentum/tendencias; tal vez confíe en patrones de reversión a la media; o construya una cartera de dividendos. Inevitablemente —y esto es especialmente cierto en los traders de corto plazo— el operador intenta reducir los rendimientos a un factor preferido. En ese sentido, el trader es un poco como los ciegos que intentan describir un elefante: uno se enfoca en la cola, otro en la pierna, otro en la trompa. Ninguno capta realmente el aspecto del elefante.

Cuando un trader declara que es, digamos, un trader de momentum, lo más probable es que gane dinero cuando el momentum sea el factor dominante, y pierda cuando dominen el valor u otros factores. No tendrá nada que ver con la psicología, aunque las pérdidas sí pueden traer consecuencias psicológicas además de monetarias. El trader pierde por la misma razón que el ciego no logra describir el elefante: la simplicidad se ha convertido en una excesiva simplificación.

Una vez que un trader se define como un trader de X, donde X representa una exposición a un factor, el destino está echado. Habrá ganancias y pérdidas, y un rendimiento inconsistente. Justo cuando el trading va bien y el riesgo aumenta, el dominio de factores cambiará y las pérdidas crecerán. Cuando el trading va mal y el operador adopta por fin un nuevo enfoque, el estilo anterior volverá a ser favorable. Todo esto genera frustraciones y pérdidas. Sin embargo, el problema de fondo es la necesidad de adaptar los mercados al estilo de trading, en lugar de encontrar formas de operar que se adapten al comportamiento del mercado.

Ninguna disciplina, mindfulness, autoafirmaciones, control emocional o establecimiento de metas servirá de nada si estás tocando solo una parte del elefante e intentas adivinar cómo es el todo.

El mayor cambio en mi propio trading ha sido la adopción de un marco basado en ciclos para pensar los mercados. En algunas fases del ciclo de mercado, domina el momentum/tendencia. En otras fases, predomina la reversión a la media o el valor. Algunos momentos del ciclo presentan mayor volatilidad y correlación; otros, menor. Saber en qué parte del ciclo estamos determina si conviene seguir el movimiento del precio o hacer lo contrario; si los regímenes continúan o cambian.

Los ciclos no nos ofrecen una imagen infalible, pero sí nos permiten movernos y explorar antes de asumir cómo es el elefante. Experimentamos interrupciones emocionales cuando intentamos forzar a los mercados a encajar en un marco rígido. Un marco flexible nos permite mantener el equilibrio emocional, al adaptarnos a los ciclos del mercado en lugar de esperar que los mercados se ajusten a nuestras preferencias como traders.

¿La próxima recesión cambiará las reglas del juego? por Ben Carlson

Cómo manejar con el prolongado optimismo del mercado por Dean Christians

El sentimiento de los inversores se mantiene en modo “Risk On” durante 85 días consecutivos, según los últimos datos de Sentimentrader, lo que refleja una confianza prolongada que roza la complacencia. Además, el VIX no ha tocado el nivel de 30 en 125 días, señal de que no ha habido pánico relevante en más de medio año. Este entorno de calma aparente suele coincidir con fases avanzadas de ciclo y exige mayor atención a los riesgos latentes.

El estudio indica que, tras señales similares, el rendimiento promedio del S&P 500 en un mes es de -1,2 %, mientras que en el plazo de dos meses el comportamiento tiende a ser plano o negativo. La razón está en la pérdida de impulso de volatilidad: cuando el VIX se mantiene tan bajo, el mercado pierde cobertura natural ante shocks y la distribución de retornos tiende a volverse asimétrica hacia la izquierda.

Un dato preocupante es la debilidad persistente de las small caps. El Russell 2000 ha mostrado históricamente un retroceso medio del -4,9 % en los dos meses posteriores a señales como la actual, reflejando que el apetito por riesgo es más superficial de lo que parece. Mientras las grandes compañías mantienen el tono alcista, la base del mercado se erosiona lentamente.

En síntesis, el impulso de largo plazo puede seguir sosteniendo al mercado, pero el riesgo de corrección a corto plazo aumenta. Este tipo de entornos suelen castigar la sobreconfianza: la clave es mantener exposición selectiva, reforzar coberturas y evitar apalancamiento excesivo. El mayor peligro no está en perder una subida más, sino en no ver venir la cola izquierda del riesgo.

Un viento de cola a corto plazo se acerca al mercado de acciones por Jay Kaeppel

El mercado se prepara para una ventana estacionalmente favorable en el corto plazo. Los últimos cuatro días de octubre y los tres primeros de noviembre han mostrado, durante los últimos ochenta años, una tendencia alcista sorprendentemente constante. Esta pauta estacional, respaldada por décadas de datos, sugiere que el tramo final del mes podría ofrecer un impulso temporal a las acciones.

Según los registros históricos, la tasa de acierto durante este periodo alcanza el 70 %, una probabilidad destacable considerando la amplitud del horizonte analizado. En promedio, el rendimiento medio del S&P 500 en estos siete días asciende a un 1,6 %, aproximadamente siete veces el retorno habitual para una ventana de igual duración. La ganancia mediana, por su parte, se sitúa en torno al 1,4 %, lo que demuestra la consistencia del patrón a lo largo del tiempo.

Incluso los movimientos más amplios tienden a ser positivos: cuando el mercado se ha desplazado más de un 4 % en este intervalo, la inclinación ha sido fuertemente alcista. Este comportamiento refuerza la idea de que el cierre de octubre suele coincidir con reposicionamientos institucionales, ajustes de carteras y entradas de capital asociadas a la nueva temporada de resultados.

Sin embargo, el contexto actual introduce matices. El posicionamiento de los inversores se encuentra ya muy ajustado, con una exposición elevada en activos de riesgo y una volatilidad implícita que apenas ofrece margen de cobertura. Aunque la estacionalidad es un factor poderoso, **la disciplina táctica sigue siendo esencial**, especialmente ante posibles sorpresas macro o decepciones en resultados que podrían amplificar la volatilidad.

En resumen, la historia favorece a los alcistas en esta fase del calendario. Si el patrón se repite, el mercado podría disfrutar de un breve respiro, impulsado por flujos estacionales y optimismo de cierre de mes. No obstante, **aprovechar este viento de cola requiere gestión prudente**, stops claros y una lectura cuidadosa de la amplitud del mercado. En entornos tan concentrados, la línea entre el impulso técnico y el exceso de confianza es cada vez más delgada.

La brecha entre el ‘smart money’ y los inversores minoristas por Sentimentrader

El mercado tecnológico vive un momento de optimismo minorista alimentado por la inteligencia artificial y por la expectativa de un cierre de año alcista. Sin embargo, la consolidación de precios oculta una fractura profunda entre el dinero institucional y el retail, una divergencia que históricamente ha precedido a correcciones importantes.

Uno de los indicadores más reveladores es el ratio put/call de 20 días en el sector tecnológico, que acaba de caer a su nivel más bajo en un año. Esta lectura refleja una complacencia extrema entre los inversores minoristas, convencidos de que las grandes tecnológicas seguirán subiendo sin interrupción. Al mismo tiempo, los flujos de fondos muestran un cambio sutil pero preocupante: aunque los activos tecnológicos en los fondos Rydex se mantienen elevados, los flujos netos de las últimas diez semanas se han tornado negativos, lo que sugiere que el “smart money” está reduciendo exposición.

A esta divergencia se suma un factor clásico de advertencia: el aumento de las ventas de insiders justo antes del periodo de silencio de resultados. Cuando los ejecutivos y directivos de las grandes tecnológicas venden sus propias acciones mientras el público compra, la historia muestra que suele anticipar techos de mercado o fases de corrección. No es una señal aislada: coincide con un entorno en el que los múltiplos de valoración son exigentes y el crecimiento de beneficios aún debe justificar los precios actuales.

Estacionalmente, octubre y noviembre suelen ser meses fuertes para el sector tecnológico, y la narrativa de la inteligencia artificial ha roto la lentitud del rally de verano. Pero a diferencia de otros años, no se percibe una resonancia alcista en la amplitud del mercado. Las grandes compañías lideran, mientras el resto se estanca. Si los resultados empresariales no cumplen con las expectativas, el exceso de posicionamiento minorista podría amplificar las caídas.

En resumen, la brecha entre el dinero inteligente y el inversor minorista se ensancha. El primero vende con discreción; el segundo compra con entusiasmo. Esta combinación rara vez termina bien. Un eventual retroceso en el Nasdaq no sería tanto una sorpresa como una purga necesaria antes de la próxima fase de tendencia. En este contexto, la prudencia no es pesimismo: es gestión del riesgo.

Centrarse en los aspectos negativos del trading por Kevin Davey

Con casi todas las decisiones en la vida, las personas tienden a centrarse en lo positivo y a minimizar lo negativo. Piensa en comprar una casa, ¿qué te atrae primero? Por lo general, si su primera impresión es favorable, tenderá a minimizar los aspectos negativos, como tal vez la cantidad de reformas que la casa necesita.

Es lo mismo con los sistemas o estrategias de trading algorítmico. La mayoría de las personas tienden a centrarse en la tasa de rendimiento, o tal vez incluso en el porcentaje de ganancias, y si eso se ve bien, minimizarán los aspectos negativos, como el drawdown. Para aquellos que no lo saben, el «drawdown» es la cantidad de dinero perdida desde el punto de capital más alto. Puede ser una pérdida temporal, pero tendrás que soportarla si cambias el sistema. Tener bajos drawdown es lo mejore, pero generalmente está vinculado a bajos rendimientos (piense en el interés de una cuenta bancaria).

Al mirar un sistema de trading automatizado, una estrategia de trading algorítmico, señales o un servicio, su atención debe centrarse en el riesgo a la baja: un bajo drawdown, por ejemplo, es una excelente manera de medirlo.

Los drawdown son extremadamente difíciles para las personas, especialmente para aquellos entre nosotros que siguen las recomendaciones de un asesor o de señales de trading en un servicio web o un boletín de noticias. Dado que el suscriptor no desarrolló el sistema (suponiendo que incluso haya un «sistema», no solo una selección aleatoria de operaciones bajo el pretexto de un método establecido), no saben qué esperar. Lo único que pueden ver es lo que se muestra en el registro, que suele ser solo un pequeño fragmento de tiempo en la historia del sistema (si el desarrollador hizo lo correcto y usó al menos unos pocos años de historia para probar su idea).

Y, si ese registro no se verifica y audita de forma independiente, entonces incluso ese historial debe considerarse con sospecha. Hay muchos servicios que verifican de forma independiente los registros de trading, y definitivamente vale la pena usarlos.

Entonces, ¿cuál es una buena manera de evaluar un sistema de trading, boletín o servicio? Esto es lo que recomendaría a los posibles suscriptores de CUALQUIER sistema:

1. Asegúrate de que el historial de operaciones que ves sea realmente representativo de lo que el desarrollador está operando hoy. Hay muchos desarrolladores que cambiarán significativamente un sistema algorítmico a mitad de camino, ¡pero mantendrán el mismo sistema! Por lo tanto, cuando mires una curva de rentabilidad, verás los resultados combinados de 2 o más sistemas. Eso es ridículo en el mejor de los casos, engañoso y poco ético en el peor de los casos.

2. Antes de suscribirse a cualquier servicio o sistema, averigüe cuál fue el drawdown máximo histórico. Como regla general, multiplícalo por 1,5. ¿Podrías manejar ese nivel de pérdidas desde el principio? Si no, entonces no deberías suscribirte.

3. Si tienes la capacidad, pon todas las operaciones en una simulación de Monte Carlo y mira qué sucede. La simulación de Monte Carlo es una técnica que introduce la aleatoriedad en los resultados futuros; dado que el pasado nunca se repite exactamente, es una buena manera de simular posibles resultados futuros. Podrás ver las pérdidas en términos de probabilidades. Así que, por ejemplo, podrías descubrir que el sistema de trading X tiene un 50 % de probabilidades de tener un drawdown superior al 30 % en el primer año. Puede que tengas una pérdida tan grave, puede que no, pero el punto es que al menos tendrás algunos datos mejores de los que salir.

4. ANTES de suscribirse, determine su punto de ruta y apégate a él. El proceso podría ser algo así:

«Lo comprobé con el desarrollador, y no ha cambiado su sistema de trading desde su introducción. Un chequeo de sus operaciones confirma que está operando de la misma manera que siempre lo ha hecho. Sus registros verificados de forma independiente muestran que tuvo una pérdida máxima del 20 %. El historial hipotético del desarrollador muestra una pérdida del 25 %, y la simulación de Monte Carlo muestra un 50 % de probabilidad de una pérdida máxima del 30 % en el primer año. Así que tomaré el peor caso de todos y lo multiplicaré por 1,5. Eso me da 1,5*30 = 45% de pérdida para la que debería estar listo. Eso es demasiadas pérdidas para mí, así que necesito añadir capital a la cuenta o no operar este sistema. Mirando los resultados, si duplico mi capital inicial, todavía obtendré una muy buena tasa de rendimiento, y puedo soportar un drawdown del 22,5%. Si se vienen esas pérdidas, saldré del sistema, SIN PREGUNTAS. ¡De lo contrario, me quedo con el sistema!»

El punto principal es: no nos dejemos atrapar por el atractivo de las ganancias netas o la tasa de rendimiento. Profundiza y mira el riesgo potencial, especialmente la máxima pérdida. Se necesita más esfuerzo, pero en el trading no hay una salida fácil. Aquellos que lo intentan de la manera más fácil suelen terminar perdiendo todo su dinero.

Técnica rompetechos. Comprando acciones en rupturas por David Garrard

• En los mercados financieros que se mueven en rangos laterales, la identificación de las empresas cuyos precios se mueven regularmente oscilando arriba y abajo – y tal vez estén listas para una ruptura – pueden permitirnos obtener beneficios si el momento de entrada es el adecuado. 
• Artículo publicado en Hispatrading 20.

Hay varias maneras de filtrar este tipo de oportunidades, por lo general utilizando herramientas y recursos web, tanto para evaluar la estrategia como para identificar las acciones candidatas para invertir.

La estrategia descrita aquí está diseñada para identificar acciones que han alcanzado recientemente un nuevo máximo  y otra vez están preparadas para un movimiento alcista – potencial de romper por encima de su anterior máximo de 52 semanas.

En busca de oportunidades de rotura

Nuestro objetivo es diseñar una estrategia que considera acciones que tienen un importante potencial de rotura por encima de su máximo de 52 semanas, centrándonos en los precios que muestren momentum alcista justo por debajo del máximo anteriormente establecido. Tenemos la intención de entrar rápidamente en el mercado – nuestra hipótesis es que las acciones que posteriormente superan el máximo de 52 semanas obtendrán la atención de otros inversores. Esperamos que un interés suficiente de los inversores impulsará al precio al alza hacia nuestro objetivo, donde podremos tomar beneficios antes que otros inversores debido a que nuestra entrada fue anterior y en un precio más bajo.

Los mercados se mueven ​​por la oferta y la demanda, y no nos olvidemos de los omnipresentes miedo y codicia. Cuantificar la psicología colectiva del mercado es de lo que trata el análisis técnico. En nuestro caso, estamos buscando acciones en las que el sentimiento alcista generalizado – evidencia de que los compradores son más frenéticos que los vendedores – ha impulsado el precio de las acciones a un ritmo inusualmente rápido, lo suficientemente rápido como para generar una señal en un indicador de momentum.

La estrategia al descubierto

Una de las condiciones de esta estrategia es que la volatilidad de la acción – utilizaremos su beta – puede ser un valor elevado, pero no violentamente volátil. Eliminando los candidatos con la mayor volatilidad, estaremos disminuyendo la posibilidad de tener falsas entradas – roturas fallidas – en nuestra cartera. Dicho esto, es importante que los candidatos tengan la volatilidad suficiente para alcanzar nuestro objetivo en un espacio de tiempo razonable. Se trata de una estrategia a corto y medio plazo.

Un aspecto clave de esta estrategia es el criterio que especifica que las acciones deben estar dentro del 20% de su máximo de 52 semanas. Esto establece el subconjunto de valores que han llegado a ese máximo, y todavía están dentro de una distancia razonable para alcanzar de nuevo esos máximos. Si el máximo de 52 semanas es reciente, entonces estamos postulando que un empuje en el momentum del valor provocará una rotura rentable a partir de un período de consolidación reciente y breve. Si el máximo de 52 semanas no es reciente, entonces estamos postulando que se puede producir una rotura aún mayor impulsado por un largo período de consolidación.

Utilizamos un cruce reciente de la línea cero de Momentum como la señal de temporización para nuestra estrategia. Un movimiento por impulso saludable nos puede proporcionar la indicación necesaria para seguir una ruptura. Muchos operadores técnicos utilizan el indicador Momentum por sí solo para el trading; mediante el uso en conjunto con otros criterios, construiremos una estrategia más enfocada en movimientos de roturas alcistas.

Modernas herramientas basadas en web ahora ayudan a los inversores

Las nuevas herramientas basadas en la web permiten a los inversores individuales identificar rápidamente y con confianza valores que cumplan sus objetivos de inversión mediante el uso de interfaces gráficos sencillas de utilizar. Utilizando estas nuevas herramientas, los inversores pueden seguir fácilmente la estrategia de inversión descrita anteriormente, y luego comprobar el rendimiento histórico del modelo utilizando un backtest. Los inversores ahora pueden añadir criterios fundamentales tales como PER, rentabilidad sobre recursos propios, capitalización de mercado y muchas otras para establecer los límites del rango de un filtro que de lo contrario sería únicamente técnico para posiblemente mejorar los escenarios.

El backtest permite a los inversores evaluar los resultados del modelo de inversión elegido frente a múltiples años de datos históricos del mercado de valores. El inversor es capaz de evaluar rápidamente si su estrategia puede “batir al mercado” en el futuro. Los resultados del backtest se muestran en ocasiones de forma numérica, así como gráficamente y se pueden representar contra un índice de mercado. Se puede asimismo programar el envío futuro de correos electrónicos asesorando sobre cambios en la cartera una vez que una estrategia está lista.

Mantenga estos puntos en mente

Como la mayoría de las acciones se mueven en sintonía con la dirección del mercado en general, los resultados serán mayores si el mercado en general está subiendo mientras ejecuta su estrategia. Se recomienda un stop de protección una vez que se ha abierto una posición. Si una tendencia alcista se inicia, coloque órdenes de trailing stop para proteger el beneficio en ciertos niveles a medida que se vayan alcanzando.

Conclusión

Los brokers están añadiendo nuevas herramientas para sus sitios web que proporcionan a sus clientes material didáctico y sencillas herramientas de detección y generación de ideas de trading. Estas nuevas herramientas – debido a su carácter objetivo, consistente y fiable – aumentan la confianza de los inversores. Los inversores formados y con confianza son inversores más rentables.

Estrategias y técnicas de position sizing al hacer trading por Quantinsti

El tamaño del capital invertido en una cartera, estrategia o operación como porcentaje del capital total se denomina tamaño de posición. El Position Sizing, por tanto, es la metodología usada para determinar ese tamaño. En este artículo, nos centraremos en el tamaño de una operación concreta, aunque la misma lógica se puede aplicar a una estrategia o cartera de activos.

Cubriremos los siguientes temas:

• ¿Por qué es importante el Position Sizing para ti y tu estrategia?
• Sesgos del trading y Position Sizing
• Términos usados en Position Sizing
• Técnicas comunes de Position Sizing
• Técnicas no tan comunes de Position Sizing

¿Por qué es importante el Position Sizing para ti y tu estrategia?

Una vez que tienes una estrategia con expectativa positiva, el tamaño correcto de posición marca la diferencia entre ganar dinero o quebrar.

No querrás perderlo todo en las primeras operaciones, ¿verdad?

Como dice Larry Hite, uno de los pioneros del trading sistemático:

“Tengo dos reglas básicas para ganar en el trading y en la vida:

Si no apuestas, no puedes ganar.

Si pierdes todas tus fichas, no puedes apostar.”

Necesitas conservar tus fichas para seguir operando. Esa es la regla cardinal para sobrevivir a largo plazo.

Contar con una técnica de Position Sizing bien definida elimina la discrecionalidad en cada operación, proporcionando resultados consistentes cada vez.

Sesgos del trading y Position Sizing

La ilusión de control

La complejidad no garantiza el control. Usar muchas técnicas combinadas no implica éxito. La única forma de verificar si tu sistema de tamaño de posición es el adecuado es a través del backtest.

Sesgo de reciente

¿Aumentaste el tamaño de tus operaciones tras una racha de ganancias? Probablemente sufriste una gran pérdida después. Esto es el sesgo de reciente: ignoras tu backtest y actúas solo según los resultados recientes. El Position Sizing evita esto mediante reglas predefinidas para calcular el tamaño óptimo en cada operación.

Falacia del jugador

Tras una serie de pérdidas, crees que la próxima será ganadora y apuestas todo. Pierdes. Pensaste como un jugador. El Position Sizing evita esto ajustando el tamaño de cada operación según reglas objetivas, no emociones.

Términos usados en Position Sizing

Riesgo de cuenta: porcentaje del capital total que estás dispuesto a perder. Por ejemplo, con $10,000 y un 2% de riesgo, solo puedes permitirte perder $200.

Riesgo por operación: diferencia entre tu precio de entrada y el stop loss. Si compras a $100 y el stop es $98, el riesgo es $2.

Tamaño de posición: se calcula dividiendo el riesgo de cuenta entre el riesgo por operación. En el ejemplo: $200 / $2 = 100 unidades.

Técnicas comunes de Position Sizing

Unidades fijas

Siempre operas con el mismo número de unidades, sin importar el capital restante. Ejemplo: 100 unidades por operación.

Suma fija

Inviertes siempre la misma cantidad monetaria, como $8,000 por operación, sin importar el tamaño de cuenta.

Porcentaje fijo

Inviertes un porcentaje constante del capital total. Si usas el 60% de $10,000, serán $6,000. Si la cuenta baja a $8,000, usarás $4,800. Se adapta al rendimiento previo.

Fracción fija

Ajustas el tamaño de operación según el riesgo esperado. Combina el porcentaje fijo con el riesgo de la operación.

Técnicas no tan comunes de Position Sizing

Kelly Criterion

J. L. Kelly Jr. desarrolló una fórmula para optimizar el tamaño de apuesta en apuestas y se aplica al trading.

Fórmula:
K% = W − (1 − W) / R
Donde:
W = probabilidad de ganar
R = ratio ganancia/pérdida

Ejemplo con 10 operaciones:

• 6 ganadoras de $500, $200, $250, $100, $600, $50
• 4 perdedoras de -$150, -$200, -$100, -$200

Probabilidad de ganar = 6/10 = 0.6
Promedio de ganancia = $283.33
Promedio de pérdida = $162.50
Ratio R = 1.74
K% = 0.37 → deberías arriesgar el 37% del capital

Desventaja: ignora la volatilidad del activo. Aquí entra Optimal f.

Optimal f

Ralph Vince creó este método para maximizar beneficios usando históricos de retornos. Prueba distintos tamaños de posición y selecciona el que ofrece mayor ganancia. Es más realista que Kelly en mercados volátiles.

CPPI (Constant Proportion Portfolio Insurance)

Combinación de un activo riesgoso y uno libre de riesgo. Mantiene exposición controlada al activo volátil, con protección a la baja.

Ejemplo:

• Capital inicial: $10,000
• Piso: $9,000 (mínimo permitido)
• Cojín: $1,000
• Multiplicador: 4 → se invierten $4,000 en el activo riesgoso

Escenario 1: Activo sube a $4,500 → Capital total: $10,500 → Aumentas exposición al riesgo.

Escenario 2: Activo baja a $3,500 → Capital total: $9,500 → Reduces exposición y mueves más al activo seguro.

Si pierdes $1,000 en el activo riesgoso, todo el capital se traslada al activo seguro.

TIPP (Time Invariant Protection Portfolio)

A diferencia de CPPI, el piso se actualiza según el valor máximo alcanzado del portafolio. Actúa como un trailing stop. Si el capital sube a $10,500, el piso sube a $9,450.

Resultados: Reducción del drawdown del 8% al 4.2%.

Conclusión

Analizamos técnicas tanto básicas como avanzadas de Position Sizing. Vimos cómo CPPI puede superar al benchmark y cómo TIPP reduce drawdowns. El siguiente paso sería ajustar retornos por volatilidad y crear simulaciones para ver los peores escenarios posibles.

Cada técnica puede adaptarse y mejorarse según las necesidades del trader. Pero hay que recordar que el Position Sizing solo es útil si la estrategia tiene expectativa positiva. No convierte una estrategia perdedora en ganadora.

Este artículo apenas rasca la superficie del Position Sizing. Si quieres profundizar y aplicarlo en mercados reales, considera inscribirte en nuestro curso especializado.

Las novedades del sector por Hispatrading

• Por si se las han perdido, aquí tienen condensada las novedades más destacadas que se han producido en el sector a largo del último trimestre.
• Artículo publicado en Hispatrading Magazine 64.

El simple hecho de contar con un marco regulatorio favorable para estas criptomonedas, que replican 1 a 1 el comportamiento del dólar, ha tenido un impacto inmediato.

Personalmente creo que, lejos de ser una moda pasajera, la tokenización es la antesala de un nuevo paradigma en el que los mercados serán más líquidos, accesibles y globales.

El Boom de las Stablecoins

Mientras en Europa seguimos a por uvas en materia de regulación cripto, en EE.UU. se ha aprobado a mediados de julio la Genius Act, una ley que crea un marco regulatorio integral para las stablecoins, estableciendo directrices claras para su emisión y supervisión, y promoviendo su adopción.

El simple hecho de contar con un marco regulatorio claro ha generado un impacto inmediato en el sector.

Multitud de corporaciones e instituciones financieras se han lanzado a crear su propia stablecoin: desde JPMorgan, Bank of America, Citigroup o Wells Fargo, hasta Fiserv, Stripe, Amazon o Walmart. Incluso el estado de Wyoming ha lanzado un proyecto piloto de stablecoin pública.

Ethereum es el gran beneficiado, ya que el mercado anticipa que será la blockchain elegida para el lanzamiento de estas stablecoins. Esto ha generado una fuerte subida de ETH tras la aprobación de la ley, con movimientos significativos de capital, incluyendo la venta de bitcoins inactivos durante una década por parte de whales para comprar Ether.

Nuevos Futuros Spot-Quoted

El Chicago Mercantile Exchange (CME) ha lanzado unos innovadores contratos de futuros denominados Spot-Quoted, que permiten operar futuros directamente al precio de cotización del subyacente, eliminando la base tradicional.

Contratos disponibles:

• S&P 500 (QSPX): $1 x valor del índice
• Nasdaq-100 (QNDX): $0,10 x valor del índice
• Russell 2000 (QRTY): $1 x valor del índice
• Dow Jones (QDOW): $0,10 x valor del índice
• Bitcoin (QBTC): 0,01 BTC
• Ether (QETH): 0,20 ETH

Los contratos son de tamaño pequeño y requieren bajas garantías. Desde agosto, han comenzado a ganar tracción en liquidez, negociando miles de contratos diarios.

Esta novedad representa un punto de inflexión, ya que permiten operar índices y criptomonedas a precios reconocibles, con ajustes de financiación explícitos, sin necesidad de rollovers trimestrales. El primer vencimiento es en junio de 2026.

El Mundo Se Tokeniza

Quienes se burlaban de las criptomonedas ahora observan cómo los activos financieros se convierten en tokens. En los últimos meses, se ha producido un boom en la tokenización de acciones estadounidenses y otros activos, impulsado por la regulación en EE.UU.

Dos compañías lideran este proceso:

• xStocks: usa Solana para ofrecer acciones tokenizadas de Apple, Tesla, etc., negociables 24/7 e integradas en DeFi. Alta accesibilidad, pero con desafíos regulatorios y de liquidez.
• Robinhood: apuesta por el cumplimiento normativo y usa Arbitrum. Ya ha tokenizado más de 200 acciones y ETFs, incluyendo OpenAI y SpaceX. Entorno cerrado, pero cumplimiento garantizado.

También han entrado en este mercado: Kraken, tras adquirir NinjaTrader, tokeniza acciones en BNB y Solana; y eToro tokeniza acciones en Ethereum.

Los activos más negociados: Tesla y el ETF del S&P 500, con 53 millones de dólares en capitalización tokenizada. Crece también el interés en tokenizar deuda pública y otros activos.

La tokenización no es una moda: es la puerta a un sistema financiero más líquido, accesible y global. Para ilustrar su potencial: tokenizar solo el 1 % de las acciones globales supondría un mercado de 1,3 billones de dólares. Una tarta muy apetecible.

¿Por qué no tengo oro? por Ben Carlson

El oro está que arde. El metal amarillo ha subido más de un 60 % este año. Solo en los últimos tres meses, ha subido cerca de un 30 %.

No es fácil encontrar opiniones equilibradas sobre el oro como activo. Hay muchas posturas extremas: algunos lo odian y lo consideran inútil; otros lo aman y piensan que es la mejor protección contra el gasto público, el dólar y la Reserva Federal.

No soy partidario de los extremos. Prefiero moverme en la zona gris, no en blanco o negro.

Personalmente no tengo oro en cartera, pero entiendo por qué algunos inversores sí lo incluyen. El oro es uno de los activos más únicos que existen. Realmente sigue su propio camino.

Repasemos brevemente los rendimientos del oro frente al S&P 500 por décadas. Luego explicaré por qué yo no poseo ninguno.

El oro se disparó en los años 70: uno de los motivos principales fue que Nixon puso fin al sistema de Bretton Woods, que vinculaba el dólar al oro. A eso se sumaron una inflación desorbitada, crisis del petróleo, un dólar débil y gasto público elevado: una tormenta perfecta.

Pero esa subida fue seguida de una gran corrección en los años 80, cuando la renta variable vivió un auge y el oro fue duramente castigado.

Lo mismo ocurrió en los años 90: el oro llegó a tener una caída máxima cercana al 70 % y generó rendimientos negativos durante 20 años. Ajustado a la inflación, el oro no volvió a superar los máximos de principios de los 80 hasta el año pasado.

Luego vino la década perdida para el S&P 500 en los años 2000, mientras el oro tuvo un fuerte repunte. Brilló como cobertura ante las crisis financieras. La aparición del ETF GLD en 2004 ayudó: por primera vez los inversores podían comprar oro fácilmente sin tener que almacenarlo físicamente.

En el verano de 2011, el ETF GLD incluso superó al SPY en activos gestionados… pero no duró mucho. Ese fue el pico, y después el oro vivió otra década difícil.

En los años 2010, el oro subió poco más del 3 % anual frente a casi el 14 % del S&P 500.

En los años 2020 tanto el oro como el S&P han tenido buenos resultados, con el oro despegando como un cohete en los últimos meses.

¿Por qué no tengo oro? En parte, porque no es un activo productivo. No genera beneficios ni flujo de caja.

Además, soy un firme defensor de la innovación, y el oro me parece un vestigio del pasado. Si tuviera que elegir, me quedo con el Bitcoin (el cual sí poseo), que me parece más relevante a futuro.

Pero, sobre todo, es por el perfil histórico de retornos. Sé que las acciones también pasan por altibajos, pero el oro tuvo un periodo de 40 años tan pobre que me hace dudar seriamente como inversión a largo plazo.

Mira el rendimiento en los años 80 y 90: pésimo. Luego una buena década en los 2000, seguida de otra década perdida en los 2010.

Entre 1980 y finales de 2019, estos fueron los rendimientos totales:

• Oro: +197 %
• S&P 500: +8.242 %

Es decir, rentabilidades anuales del 2,8 % para el oro frente al 11,7 % para el S&P. Lo peor: la inflación media fue del 3,1 %, así que el oro perdió poder adquisitivo durante 40 años.

Incluso en el peor periodo de 40 años del S&P 500 (desde 1928), el rendimiento anual más bajo fue del 8,5 %.

Podrías decir que estoy seleccionando datos favorables. Si incluyes los años 70, el retorno del oro mejora, alcanzando más o menos un 8,5 % anual desde 1970. Pero aun así, no tengo el estómago para un activo que puede tener tres décadas perdidas de cada cuatro.

Sería genial tener oro cuando se dispara como en 2025, pero debes aceptar que no siempre tendrás el activo más rentable del año.

Me gusta diversificar, pero eso no significa que tengas que poseer todo.

Entiendo por qué muchos inversores sí tienen oro. Actúa como seguro. Tiene baja correlación con otros activos. Es volátil, lo que lo hace útil para rebalancear carteras. La lógica está clara.

Incluso entiendo por qué algunos creen que ahora tiene más sentido que nunca: los gobiernos están gastando y endeudándose como nunca, sin señales de frenar.

Justo. Cada inversor debe estar cómodo con lo que posee… y también con lo que decide no poseer.

A veces hay que ver cómo otros ganan un 60 % en un año, y estar tranquilo sabiendo que tú no participaste. Evitar el FOMO no es fácil, pero es parte del trabajo del inversor.

A cada cual, lo suyo.