Un giro histórico en el sector financiero por Sentimentrader

Pauta interesante en el mercado por Jay Kaeppel

Mis dos mejores herramientas para convertirme en un trader de éxito por Alexander Elder

• Aprende las dos herramientas clave para ser un trader rentable: mantener un diario visual detallado de tus operaciones y ajustar el tamaño de tus posiciones son clave.
• Artículo publicado en Hispatrading Magazine 61.

En mi libro El Nuevo Vivir del Trading, escribí que el trading rentable se basa en tres pilares: Mente (psicología del trading), Método (análisis y sistemas de trading) y Dinero (control del riesgo). En este artículo me gustaría añadir dos pasos prácticos que considero fundamentales.

Primero: La herramienta más importante para convertirse en un trader rentable es llevar buenos registros. 

Esa es la clave para aprender de tu desempeño y evitar repetir errores. Un simple archivo en una hoja de cálculo no es suficiente: necesitas mantener un diario visual de todas tus operaciones, lo cual hago en tres pasos:

• Diario de entrada: Tan pronto como entres en una operación, toma una captura de pantalla de tu gráfica junto con los indicadores que uses. Marca los patrones de precios e indicadores que te llevaron a tomar esa decisión y añade un breve comentario explicando el porqué de la entrada. Guarda esta gráfica con tus comentarios en un archivo nuevo. Este será tu diario de entrada.
• Diario de salida: Al salir de la operación, toma otra captura de pantalla, marca cualquier patrón o señal que te llevó a salir y escribe una nota breve sobre la operación recién cerrada. Agrega esta gráfica comentada a tu archivo de entrada. Pero esto no termina aquí. El siguiente paso es crucial.
• Revisión posterior: Dos o tres semanas después, revisa la gráfica actualizada de la operación cerrada. Coloca dos flechas que marquen tu entrada y salida, y añade un comentario sobre lo que hiciste bien o mal. Agrega esta gráfica a tu archivo. Este es el momento para reflexionar, analizar y aprender.

Tomamos nuestras decisiones en el extremo derecho de la gráfica, siempre rodeados de incertidumbre. Pero este tercer análisis muestra tu operación en el centro de la gráfica, junto con lo que ocurrió después. Así puedes evaluar claramente qué hiciste bien o mal. Esta revisión te recordará qué hacer y qué evitar en el futuro. Revisar tus operaciones cerradas es la mejor herramienta para aprender de tus experiencias.

Segundo: Usa los resultados de tus operaciones para determinar cómo recompensarte o castigarte.

• Recompensa: Aumenta el tamaño de tus operaciones.
• Castigo: Reduce el tamaño de tus operaciones.
• Comenzar con un nivel de riesgo muy bajo te motivará a enfocarte en la calidad de tus operaciones. Solo aumentarás el tamaño de tus operaciones como recompensa por un buen resultado, en lugar de arriesgar dinero en apuestas que no tienen sentido.

¿Y los castigos? Si pierdes dinero por violar tus reglas, reduce tu nivel de riesgo al anterior y comienza a ganarte el derecho de aumentar el tamaño de tus operaciones nuevamente. Nada de decisiones impulsivas. Tus propios resultados te indicarán cuándo recompensarte o castigarte.

Comparto este método contigo y espero que te sirva, como me ha ayudado a mí. El trading rentable me ha dado libertad: puedo vivir y trabajar en cualquier parte del mundo. Seguir estos pasos te convertirá en un trader disciplinado y con éxito.

Nota: Una versión ampliada de este artículo fue publicada originalmente en alemán en DER AKTIONÄR Edition 2025.

Mejorando la estrategia de momentum o impulso por Quantpedia

El estudio de hoy introduce una estrategia mejorada de impulso en ETFs al combinar un filtro de correlación con algunas posiciones cortas puntuales. Mientras que las estrategias tradicionales de impulso long-short generalmente producen resultados por debajo del mercado, la pata larga demuestra ser efectiva por sí sola, y el filtro de correlación demuestra un valor significativo para mejorar el tiempo y el rendimiento de la pata corta. Proponemos la estrategia de ir en largo en 4 ETF de mejor rendimiento mientras se vende selectivamente 1 ETF con un peso del 30%. Nuestros descubrimientos demuestran que esta estrategia combinada de cobertura selectiva a long-short o en largo-corto supera significativamente las estrategias de impulso independientes y su benchmark, ofreciendo rendimientos superiores ajustados al riesgo y una cobertura efectiva durante condiciones de mercado desfavorables.

Introducción

El impulso es sin duda una de las anomalías del mercado más reconocidas. Opera con la premisa de que los ganadores tienden a seguir superando mientras que los perdedores tienen un rendimiento inferior. Sin embargo, sus rendimientos han disminuido en las últimas décadas, particularmente en mercados homogéneos con altas correlaciones de activos. Como se muestra en «Robustness Testing of Country and Asset ETF Momentum Strategies», los ETF de países altamente correlacionados no logran ofrecer alfa significativo. Por el contrario, la diversidad y la baja correlación de los ETF de activos presentan un entorno más favorable para las estrategias de impulso.

Inspirados por estos hallazgos, queríamos explorar métodos para abordar la disminución del rendimiento de las estrategias de impulso en mercados homogéneos, particularmente los ETF de materias primas. Buscamos responder a la pregunta «Cómo mejorar el impulso de las materias primas utilizando la correlación intramercado». Calculamos la relación entre la correlación de 20 días y la de 250 días e investigamos su uso para identificar períodos en los que es probable que las estrategias de impulso tengan éxito. Los hallazgos demuestran que cuando la correlación a corto plazo supera la correlación a largo plazo, una estrategia de impulso, que se realiza en largo en los ETF de mejor rendimiento y vende los de bajo rendimiento, produce resultados óptimos. Por el contrario, cuando la correlación a corto plazo es menor, una estrategia de reversión es más efectiva.

Del mismo modo, «Cómo mejorar el impulso del sector ETF» destacó el potencial de combinar el impulso solo en largo con algunas posiciones cortas. Aunque la estrategia de impulso del sector ETF long-short por sí sola no funciona bien, la configuración independiente correcta de las posiciones largas y cortas puede producir resultados eficientes. Al reducir el peso de la posición corta al 5%-30% y aplicarlo solo durante las tendencias negativas del mercado, la estrategia logró un rendimiento significativamente mejor.

El objetivo principal de este artículo es aprovechar las ideas antes mencionadas para mejorar las estrategias de impulso de los activos de ETF. Proponemos combinar el impulso con un filtro de correlación para cubrir selectivamente el uso de posiciones cortas cuando sea apropiado. Primero probamos una estrategia de impulso simple. A continuación, desarrollamos el filtro de correlación como predictor. Luego exploramos cuántos activos se deben comprar y vender y nos centramos en encontrar el punto óptimo: el equilibrio perfecto entre posiciones largas y cortas y sus pesos. La novedad de nuestro artículo radica en crear una forma más inteligente de usar estrategias de impulso: combinar ideas como el cortocircuito selectivo y las tendencias de correlación para hacer que la estrategia funcione mejor y reducir los riesgos.

Datos y metodología

Nuestro análisis se basa en los precios de cierre ajustados de 13 ETF, obtenidos de Yahoo Finance. Se eligieron los precios de cierre ajustados, ya que tienen en cuenta los dividendos, las divisiones de acciones y otros eventos que influyen en el valor de los ETF. El conjunto de datos abarca desde el 10 de abril de 2006 hasta el 28 de febrero de 2023. Nuestro universo de inversión consta de 13 ETF que representan varias clases de activos. Estos incluyen 6 ETF de acciones, 3 ETF de bonos, 3 ETF de materias primas y 1 ETF de divisas.

Para los ETF de acciones elegimos SPDR S&P 500 ETF Trust (SPY), iShares Russell 2000 ETF (IWM), iShares MSCI EAFE ETF (EFA), iShares MSCI Emerging Markets ETF (EEM), iShares U.S. ETF inmobiliario (IYR), Invesco QQQ Trust (QQQ). Para los ETF de bonos, elegimos iShares iBoxx $ Investment Grade Corporate Bond ETF (LQD), iShares 7-10 Year Treasury Bond ETF (IEF), iShares TIPS Bond ETF (TIP). Para los ETF de materias primas, elegimos SPDR Gold Shares (GLD), United States Oil Fund, LP (USO), Invesco DB Commodity Index Tracking Fund (DBC). Por último, incluimos Invesco CurrencyShares Euro Currency Trust (FXE) como ETF de divisas.

El punto de referencia para nuestro análisis es una cartera igualmente ponderada de los 13 ETF seleccionados.

El análisis se divide en 4 pasos principales.

Primero, la estrategia de impulso simple. Usando los datos de precios, calculamos el impulso de 1 a 12 meses para cada ETF cada mes y los clasificamos en función de su rendimiento. Esta clasificación proporciona las señales de qué ETF se compra y cuáles se venden. Probamos esta estrategia con los mismos pesos en toda la cartera, reequilibrando mensualmente y contabilizando los costos de corto.

Segundo, el filtro de correlación. Calculamos las correlaciones a corto plazo (20 días) y a largo plazo (250 días) entre los ETF. La proporción de estas correlaciones sirve como filtro para identificar condiciones favorables para las estrategias de impulso. Si la correlación a corto plazo supera la correlación a largo plazo, se aplica una estrategia de impulso. Si la correlación a corto plazo es menor, no se ingresa ninguna posición.

Tercero, el número óptimo de activos. Exploramos el número ideal de ETF para incluir en la cartera tanto para posiciones largas como cortas durante un período fijo (usando un promedio de los períodos de impulso de 3, 6, 9 y 12 meses).

Finalmente, el esquema de ponderación óptima. Planteamos la hipótesis de que una pata corta con peso reducido puede cubrir eficazmente la pata larga sin riesgo excesivo. Probamos varios esquemas de peso para determinar el más adecuado.

Resultados

Impulso de activos

El primer paso en nuestro análisis fue probar una estrategia de impulso simple. Encontramos que, a pesar de la variación en el período de clasificación y el número de activos, el rendimiento de la estrategia de impulso largo-corto no es bueno en la mayoría de los casos. La figura 1 ilustra el rendimiento acumulativo de la estrategia de impulso simple, así como el punto de referencia, mientras que la Tabla 1 proporciona métricas de rendimiento promedio para carteras con 4 ETF mantenidos a largo y 4 ETF cortos. La estrategia de impulso largo-corto se comportó por debajo del punto de referencia en todos los períodos de clasificación, como lo demuestran las relaciones más bajas de Sharpe y Calmar en la Tabla 1. El menor rendimiento y la mayor volatilidad en comparación con el punto de referencia resaltan la necesidad de refinar esta estrategia.

Figura 1 estrategia de impulso simple largo-corto

Para una comprensión más profunda de las dinámicas subyacentes, decidimos mirar el rendimiento durante el período de 1-12 meses para la pata larga y la pata corta por separado. Como se muestra en la Figura 2 y la Tabla 2, la pata larga superó constantemente al punto de referencia, independientemente del período de clasificación. Por el contrario, la Figura 3 y la Tabla 3 revelan que la pata corta consistentemente redujo un rendimiento inferior al punto de referencia. Esto indica que reducir el peso de las posiciones cortas puede mejorar el rendimiento general de la estrategia, como se demuestra en la literatura.

Filtro de correlación

Como en nuestros artículos anteriores, utilizamos el filtro de correlación como predictor para identificar cuándo es favorable aplicar una estrategia de impulso. La idea principal es que si la correlación promedio a corto plazo (20 días) excede la correlación promedio a largo plazo (250 días), indica que los ETF están tendiendo en una dirección, lo que hace que las estrategias de impulso sean más efectivas para distinguir entre ganadores y perdedores. Este análisis se realizó por separado para la pata larga y la pata corta.

Primero aplicamos el filtro de correlación a la pata larga, analizando situaciones en las que la correlación a corto plazo supera la correlación a largo plazo y donde la correlación a corto plazo es menor que la correlación a largo plazo. Cuando la correlación a corto plazo supera la correlación a largo plazo, el rendimiento de la pata larga mejora en comparación con el punto de referencia, como se refleja en las relaciones más altas de Sharpe y Calmar (ver Figura 4 y Tabla 4). Incluso cuando la correlación a corto plazo es menor que la correlación a largo plazo, el rendimiento de la pata larga sigue siendo aceptable, como se muestra en la Figura 5 y la Tabla 5.

Concluimos que el filtro de correlación tiene un impacto limitado en la pata larga. El impulso por sí solo es suficiente para impulsar los rendimientos de los ETF de mejor rendimiento, y el filtro no mejora ni disminuye significativamente los resultados en este caso.

Luego aplicamos el filtro de correlación a la pata corta para identificar períodos en los que las posiciones cortas serían más efectivas. El filtro parece separar de manera confiable los períodos de fuerte bajo rendimiento (figura 7, tabla 7) y un rendimiento no tan abimal (Figura 6, Tablas 6). Esta característica hace que un filtro de correlación sea útil para la cobertura selectiva al elegir los momentos adecuados para abrir posiciones cortas baratas (como sugiere la línea verde en la Figura 6).

El filtro de correlación + impulso son los más útiles para mejorar el tiempo y la selección de posiciones cortas. Esto hace que sea efectivo para su uso para la cobertura selectiva, ya que ayuda a evitar la falta de cortocircuito durante condiciones desfavorables y a capitalizar las favorables. El impulso por sí solo es el impulsor clave para la pata larga, que requiere un filtrado mínimo.

Los análisis anteriores probaron períodos de clasificación de 1 a 12 meses, pero buscamos reducir los plazos de impulso. Para las siguientes etapas, decidimos utilizar el estándar de la industria y el rendimiento promedio en cuatro marcos de tiempo específicos: 3, 6, 9 y 12 meses.

Número de activos en un período fijo

Esta parte del análisis se centra en determinar el número óptimo de ETF que se incluirán en la cartera tanto para patas largas como cortas.

Primero, probamos carteras con 1 a 6 ETF en la etapa larga, utilizando el rendimiento promedio durante períodos de impulso de 3, 6, 9 y 12 meses. Los resultados muestran que las carteras con 3 a 6 ETF proporcionan el rendimiento más estable, como se ve en la Figura 8 y la Tabla 8. Creemos que mantener 4 activos (el tercil superior del universo de inversión) es óptimo.

Para la etapa corta, seguimos el mismo proceso y descubrimos que el rendimiento de la etapa corta es mejor cuando incluye menos (1-3) ETF, como se muestra en la Figura 9 y la Tabla 9. Consideramos que la corta de un solo ETF es óptima.

Cobertura selectiva a largo y corto plazo

Basándonos en nuestros hallazgos anteriores y literatura relacionada, desarrollamos nuestra estrategia final combinando la pata larga con la pata corta ponderada y aplicada de forma selectiva. Luego comparamos su rendimiento con el de la estrategia de impulso a largo plazo y el punto de referencia.

La posición larga utiliza la estrategia de impulso puro, invirtiendo en los 4 ETF de mejor rendimiento basados en el promedio de clasificaciones de impulso de 3, 6, 9 y 12 meses. Como se estableció anteriormente, esta posición proporcionó un rendimiento estable sin requerir un filtrado adicional.

Para la posición corta, optamos por con un solo ETF y probamos pesos que oscilan entre el 5 % y el 50 %. Creemos que un peso del 30 % ofrece el mejor equilibrio, ya que minimiza el riesgo mientras se cubre eficazmente durante condiciones desfavorables del mercado. La tabla 10 proporciona una visión general de las métricas de rendimiento en diferentes pesos. Además, el peso del 30 % se alinea con los descubrimientos previos y la literatura que destaca los beneficios de la reducción de la exposición a corto plazo.

En conclusión, la estrategia selectiva final de largo y corto supera a la estrategia de impulso de solo largo y al punto de referencia, como se muestra en la Figura 10 y la Tabla 10. Las relaciones de Sharpe y Calmar son significativamente más altas para la estrategia selectiva de largo-corto plazo, lo que indica mejores rendimientos ajustados al riesgo.

Conclusión

Después de nuestros esfuerzos por mejorar las estrategias de impulso de los ETF de materias primas y sectores, aplicamos el conocimiento para mejorar el impulso de los activos de los ETF. Al combinar el filtro de correlación, calculado como la relación de correlaciones de 20 a 250 días entre los ETF, con el corto plazo selectivo, desarrollamos una sólida estrategia de largo-corto. La estrategia final de ir largo en los 4 ETF mejor clasificados y acortar selectivamente 1 ETF con un peso del 30 %, mejora significativamente el rendimiento y supera al punto de referencia. Además, esta estrategia supera el impulso a largo plazo al proporcionar una cobertura efectiva durante condiciones adversas.

Estos descubrimientos clave de nuestro análisis son: Las estrategias tradicionales de impulso largo-corto tienen un rendimiento inferior. Después de separar las pata largas y cortas, encontramos que la pata solo larga era efectiva, pero la pata corta requería ajustes para mejorar el rendimiento. El filtro de correlación tuvo un impacto mínimo en la pata larga, pero demostró ser muy efectivo para la pata corta, identificando de manera confiable los períodos para la cobertura selectiva. La estrategia de cobertura selectiva de largo y corto combina una pata larga con una pata corta ponderada del 30%, utilizando un filtro de correlación. La estrategia logra un rendimiento superior y una relación retorno-riesgo.

Autor: Margaréta Pauchlyová, Analista de Quant, Quantpedia

Masacre en el mercado de bonos: ¿podría el aumento de las tasas poner fin al mercado alcista en las acciones? por Logan Kane

¿Mega-capitalización o diversificación? por Alejandro de Luis

Las novedades del sector por Hispatrading Magazine

• 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 61.

Guerra de Titanes

Esto es algo que sabíamos que antes o después pasaría: MetaQuotes, el desarrollador de MetaTrader, está restringiendo a los brokers la integración de TradingView con el soporte de MT4 y MT5 en el backend. En particular, las nuevas cláusulas introducidas por MetaQuotes señalan que “cualquier aplicación de trading que no se base en la API de MetaQuotes no puede conectarse a MetaTrader. Tales conexiones de terceros supondrían una violación del contrato”.

En MetaQuotes está claro que no quieren que los actuales usuarios se acostumbren a otras interfaces que pueden resultar más atractivas. Además la compañía está ahora mismo en un momento clave, por cuanto están a punto de hacer realidad un viejo sueño: que MetaTrader 5 reemplace a MetaTrader 4, algo que parece estar cerca de producirse por cuanto los volúmenes negociados en la versión 5 están a punto de superar a los de la versión 4.

Bitcoin To The Moon: Supera los 100.000 Dólares

Después de haber sido matado múltiples veces, ser repudiado por los bancos centrales de medio mundo, y haber superado varias crisis como la Mt. Gox o FTX,  Bitcoin logra lo que nadie hubiera esperado hace 15 años: superar la marca de los 100.000 dólares, alcanzando una capitalización bursátil de 2 billones de dólares. Para que los lectores se hagan una idea de lo que esto significa, debemos pensar que la capitalización de algunas de las grandes tecnológicas como Nvidia o Apple rondan los 3,5 billones de dólares. 

El principal catalizador de este hito es sin duda la victoria de Donald Trump en las elecciones presidenciales de Estados Unidos. A lo largo de su campaña, Trump ha manifestado un claro apoyo a las criptomonedas y se ha autodenominado el “Primer Presidente Bitcoin”, señalando incluso que podría crear una reserva estratégica nacional de Bitcoin. Además a nivel regulatorio las cosas también van a cambiar de forma significativa: Gary Gensler, actual presidente de la SEC, conocido por su posición contraria a las criptomonedas, ya ha anunciado que deja su cargo; asimismo, la administración Trump está considerando asignar a la Commodity Futures Trading Commission (CFTC) la responsabilidad de supervisar todo el mercado de criptomonedas, incorporando dentro de este organismo a perfiles pro-cripto. 

En este clima tan favorable, se han sumado además multitud de noticias positivas, tales como la realización de grandes compras de Bitcoin por parte de múltiples compañías estadounidenses como MicroStrategy, Marathon Digital o Riot Platforms; la posible creación de reservas estratégicas nacionales de la principal criptomoneda por parte de Brasil o Rusia, siguiendo los pasos de Trump; o la fuerte entrada de dinero en los ETFs de Bitcoin y Ethereum.

Más allá de Bitcoin, muchas altcoins también han experimentado importantes ganancias en las últimas semanas. Por ejemplo, tras la victoria de Trump, Ripple (XRP) ha multiplicado casi por 4 su valor al calor de que el proceso judicial que se sigue contra Ripple Labs se resolviese positivamente, mientras que Cardano (ADA) doblaba su valor al conocerse que Trump fichaba como asesor cripto a Charles Hoskinson, creador de esta criptomoneda.

Desde luego, adivinar qué sucederá en el futuro con la cotización de Bitcoin es algo difícil dada su gran volatilidad, pero el hito alcanzado en estas últimas semanas, rompiendo al alza una marca tan significativa pone de manifiesto que las criptomonedas están aquí para quedarse, que ya son un asset class más para los inversores institucionales, y que su naturaleza global hace que sean una clara alternativa al dinero fiat como depósito de valor y cobertura frente a la incertidumbre macroeconómica. 

La Volatilidad Está de Moda

El pasado mes de octubre el Chicago Board Options Exchange (Cboe) lanzaba un nuevo contrato de opciones sobre futuros del VIX. Cotizando con el ticker UX, estas nuevas opciones proporcionan a los inversores una herramienta adicional para ayudarles a gestionar la volatilidad del mercado de renta variable estadounidense.

El lanzamiento de estas nuevas opciones sobre futuros VIX se suman al lanzamiento en septiembre de los futuros Cboe S&P 500 Variance (VA), diseñados para ofrecer un enfoque simplificado de la negociación del diferencial entre la volatilidad implícita y la volatilidad realizada.

Y lo cierto es que estos nuevos derivados no podrían llegar en mejor momento: las opciones ya existentes sobre el índice VIX del Cboe han registrado volúmenes de negociación récord, negociándose 851.000 contratos de media al día, lo que supone un incremento cercano al 60% con respecto a hace dos años, mostrando que existe una gran demanda de este tipo de productos.

Adicionalmente a estos nuevos productos, el Cboe ha lanzado en diciembre los contratos de opciones Cboe Bitcoin U.S. ETF Index y Cboe Mini Bitcoin U.S. ETF Index. Se trata de contratos basadas en el Cboe Bitcoin U.S. ETF Index, un índice ponderado por capitalización bursátil modificado que está diseñado para seguir la rentabilidad de una cesta de ETFs de Bitcoin al contado cotizados en las Bolsas estadounidenses. 

Con estos movimientos, el Cboe continúa consolidándose como todo un referente innovador en el desarrollo de productos financieros avanzados, anticipándose a las necesidades de los inversores y redefiniendo la manera en que se gestiona el riesgo y las oportunidades en los mercados modernos actuales.

¿Qué sucede cuando la curva de Rendimiento se desinvierte? por Dean Christians

Rendimientos históricos de acciones, bonos, efectivo, bienes raíces y oro por Ben Carlson

Uno de mis conjuntos de datos de mercado favoritos acaba de recibir su actualización anual.

Aswath Damodaran de la Universidad de Nueva York publica una actualización anual de los rendimientos de las acciones (S&P 500), bonos del Tesoro a 10 años), efectivo (renta fija a 3 meses), bienes raíces, oro e inflación que se remontan a 1928.

Estos son los rendimientos a largo plazo para cada clase de activos de 1928 a 2024:

• Acciones +9,94 %
• Pequeña capitalización +11,74%
• Bonos +4,50 %
• Efectivo +3,31%
• Bienes raíces +4,23 %
• Oro +5,12%

La inflación promedió alrededor del 3% anual durante los últimos 97 años.

Aquí están los rendimientos anuales para cada uno ordenado por década a partir de la década de 1930 hasta finales de 2024:

Una cosa que destaca es la falta «rojo» en esta tabla. Hay unas cuantas décadas perdidas en las diversas clases de activos, pero son raras.

Los datos de las acciones de pequeña capitalización son interesantes porque superan a las acciones de gran capitalización por un amplio margen a largo plazo, pero estos datos requieren algo de contexto.

De 1940 a 1969, el S&P 500 subió más del 2,700 % en total, lo suficientemente bueno como para rendimientos anuales de casi el 12 % durante ese período de 30 años. Bastante bien. Pero las acciones de pequeña capitalización aumentaron un 22.000 % en total o alrededor del 20 % anual durante la misma ventana de 30 años.

El problema es que muchas de las acciones de ese grupo eran pequeñas microcaps que eran ilíquidas y caras de negociar en ese entonces. Desde 1970, las pequeñas capitalización han subido más del 10% por año, lo que está más o menos en línea con el S&P 500. Los datos son los datos, pero esta es una advertencia importante cuando se piensa en algo como la prima de pequeña capitalización.

No creo que inviertas en acciones de pequeña capitalización porque esperas una prima sobre las las acciones de gran capitalización.

Todo este conjunto de datos es una valla publicitaria para la diversificación. Los líderes y rezagados cambian de una década a otra. No hay constantes de un período al siguiente.

Estos ciclos nunca se ven iguales porque los mercados son impredecibles.

Solo mira mi gráfico de dispersión actualizado de los rendimientos anuales del mercado de valores:

Las rentabilidades están por todo el mapa.

Ahora, los números de rendimiento en años desde 2019 han sido relativamente similares, pero esa no es la norma. La norma es la aleatoriedad.

Lo interesante de estudiar la historia del mercado es que deja claro lo difícil que es predecir el futuro.

Un punto de Inflexión significativo por Alex Barrow

1. El Nasdaq están bailando en el límite inferior de su rango mensual y parece que puede romperse.

2. Durante las últimas semanas, hemos señalado las medidas débiles de amplitud, lo que indica un riesgo creciente para la tendencia alcista. Una forma en que nos gusta ver la amplitud es su divergencia con el precio. A continuación se muestra el índice McClellan Summation Divergence. Se ha reducido a niveles que tienden a preceder a ventas más importantes o a marcar suelos significativos. Útil, lo sé… pero el punto es que el mercado se encuentra en un punto de inflexión técnica significativo en el que es probable que se esté preparando un movimiento más amplio.

3. El catalizador clave detrás de la debilidad de las acciones es el endurecimiento de la liquidez, principalmente por el aumento de los rendimientos. El siguiente gráfico muestra que el zscore del rendimiento a 10 años acaba de cruzar el nivel +2std. Si los rendimientos no se revierten fuertemente pronto, entonces espere que la caída y el volumen en las acciones continúen.

4. Para agregar a la creciente lista de señales divergentes, aquí hay una para los toros que muestran que nuestro agregador de internos se acerca a una señal de compra importante. Recuerde que la semana pasada, compartí que nuestro indicador N&N también acaba de desencadenar una señal de compra significativa. ¿Tal vez veamos una caída violenta que ponga el suelo en los bonos, lo que lleve a una caída de la renta variable? Razón de más para que seamos rápidos y esperemos a que el peso de la evidencia se incline en una dirección u otra.

5. BofA sobre cuando el SPX ha subido > 20% en los últimos dos años…

6. Mi sentimiento actual es: Sentimiento a largo plazo y posicionamiento alcista extremo (aunque el margen de la Bolsa de Nueva York todavía tiene espacio para aumentar antes de que entre un máximo cíclico). Medio plazo, es neutral a bajista, como se muestra aquí en la configuración de Bull & Bear de BofA. Y a corto plazo todavía está lleno en el lado de los alcistas, lo que significa que la fragilidad de la tendencia es alta hasta que veamos más de un lavado.

7. Aquí hay algo que esperar. La amplitud se está acercando a lo tan malo, que es bueno con el porcentaje de acciones que cotizan por encima de sus medias móviles de 50 días ahora por debajo del 20%. Por debajo del 10 % tiende a marcar suelos significativos.

8. Las acciones francesas suben, el cobre sube, el crudo sube… ¿Está el mercado oliendo algún estímulo fiscal chino que se anunciará pronto?

9. Hemos estado largos de dólares estadounidenses a través del DXY y también en el USDCAD durante los últimos meses. Cerramos la mitad de las ganancias la semana pasada, pero recargaremos y aumentaremos los stops en una ruptura alcista de su rango actual.

10. El movimiento del CAD está siendo impulsado por el impulso bajista del margen de rendimiento de CADUSD.

11. Simon White de BBG escribió un buen artículo la otra semana sobre el oro y el «Global Fiscal Put».

12. Hemos sido alcistas en el oro durante los últimos dos años y seguimos teniendo una posición larga considerable. Creemos que el verdadero mercado alcista ni siquiera ha comenzado todavía. Este ciclo es anómalo, impulsado principalmente por la compra del banco central extranjero. Los inversores retail o minoritarios aún no están participando de una manera significativa. El movimiento alcista real del oro comenzará después de que las acciones estadounidenses entren en un mercado bajista cíclico y el dólar estadounidense alcance sus máximos.

¿Qué ocurre con curva de rendimiento? por Jay Kaeppel

¿De qué nos está avisando el Smart Money? por Sentimentrader

Riesgos y recompensas en 2025 por Dr. Ed Yardeni

Estrategia I: Lo Que Podría Ir Bien. Estamos influenciados por el sesgo alcista del mercado de valores. Tendemos a ser permanentemente alcistas porque los mercados bajistas son poco frecuentes y suelen ser relativamente cortos en comparación con los mercados alcistas, que tienden a durar algún tiempo. Desde enero de 1978, el S&P 500 ha subido 66,6 veces (Fig. 3). En todo ese período de 47 años, solo hubo seis mercados bajistas que duraron solo un poco más de un año en promedio. Los mercados bajistas tienden a ser causados por recesiones. Solo ha habido seis de ellos desde 1978, durando solo 14 meses en promedio (Fig. 4).

Como hemos señalado anteriormente, seguimos regularmente los gruñidos de los permabears como una forma eficiente de evaluar lo que podría salir mal para la economía y el mercado de valores. Muy rara vez encontramos que se han perdido todas las cosas que podrían salir mal, mientras que con frecuencia encontramos que en su mayoría han ignorado lo que podría salir bien.

El S&P 500 alcanzó un máximo histórico de 6090,27 el 6 de diciembre. Terminó 2024 en 5881,63. El índice terminó la primera semana del nuevo año en 5942,47, justo por debajo de su media móvil de 50 días (Fig. 5). El Nasdaq alcanzó su punto máximo el año pasado en un récord de 20.173,89 el 16 de diciembre y rebotó en su media móvil de 50 días la semana pasada para cerrar en 19.621,7 (Fig. 6).

A fin de cuentas, esperamos que las próximas semanas puedan ser agitadas para el mercado de valores antes de que el S&P 500 y el Nasdaq reanuden subiendo a nuevos máximos históricos durante la primavera.

Aquí hay una lista de lo que podría ir bien a principios de 2025, seguida de una revisión de lo que podría ir mal:

(1) La temporada de informes de ganancias del cuarto trimestre durante las próximas semanas podría ser mejor de lo esperado. Suelen serlo cuando la economía se está expandiendo. La estimación de consenso de los analistas para el crecimiento de las ganancias del cuarto trimestre es del 8,2 % (Fig. 7). Hubo sorpresas típicas de ganancias al alza durante las tres temporadas de ganancias anteriores. Debería haber otro durante la temporada de ganancias del cuarto trimestre. Los bancos, los semiconductores, la computación en la nube, los minoristas y los restaurantes deberían liderar el camino.

(2) CES 2025 es esta semana. Esta feria comercial cuenta con los mayores actores tecnológicos de todo el mundo mostrando su última tecnología de consumo con lanzamientos diarios de productos, conferencias magistrales, activaciones y demostraciones. Sin duda, todo se tratará de IA. De hecho, el fundador y CEO de Nvidia, Jensen Huang, pronunció el discurso de apertura. Nvidia produce los chips GPU que impulsan la IA.

El precio de las acciones de Nvidia ha subido un 12,1 % desde un mínimo reciente de 128,91 dólares el 18 de diciembre hasta 144,47 dólares el viernes, en parte por las expectativas de que los comentarios de Huang serán alcistas. Deberían serlo. El pasado viernes 3 de enero, Microsoft anunció planes de gastar 80 mil millones de dólares este año fiscal construyendo centros de datos, subrayando los intensos requisitos de capital de la inteligencia artificial. Eso es más que los 50 mil millones de dólares del año pasado. El viernes, el S&P 500 subió un 1,3 %, liderado por un salto del 4,5 % en Nvidia, según las noticias de Microsoft.

Gran parte del gasto en centros de datos por parte de los proveedores de infraestructura en la nube se destina a chips de alta potencia de empresas como Nvidia Corp. y proveedores de infraestructura como Dell Technologies Inc. Las enormes granjas de servidores habilitadas para IA requieren mucha energía, lo que llevó a Microsoft a llegar a un acuerdo para reabrir un reactor en la central nuclear de Three Mile Island en Pensilvania, el sitio de una notoria fusión parcial en 1979. Amazon y Google también han firmado acuerdos de energía nuclear.

(3) PIB. El PIB del cuarto trimestre se informará el 30 de enero. En el camino, es probable que el modelo de seguimiento GDPNow de la Reserva Federal de Atlanta muestre una tasa de crecimiento de alrededor del 2,5 % al 3,0 % (saar). La estimación de GDPNow del 3 de enero se revisó al 2,4 % desde el 2,6 % tras la publicación del índice nacional de gerentes de compras manufactureras (M-PMI) de diciembre. Pero el gasto real de los consumidores sigue en un sólido 3,0 %. La debilidad estaba en el gasto de capital en equipos, un 5,3 % más bajo. Sin embargo, la propiedad intelectual, que incluye software, sigue siendo fuerte con un 5,2 %.

Los datos del M-PMI de diciembre mostraron que el índice general subió a 49,3 el mes pasado desde 48,4 en noviembre. Así que se mantuvo por debajo de 50,0 durante el noveno mes consecutivo y 25 de los últimos 26 meses (Fig. 8). Sin embargo, tanto los nuevos pedidos (52,5) como la producción (50,3) se elevaron por encima de este nivel. El empleo cayó (de 48,1 a 45,3). Creemos que esto podría mostrar que la productividad está aumentando en la fabricación.

(4) Consumidores. A pesar de la debilidad en el empleo manufacturero, las solicitudes iniciales de desempleo se mantuvieron bajas en 211.000 durante la semana del 27 de diciembre, y el desempleo continuo cayó en 66.000 a 1,844 millones durante la semana anterior (Fig. 9). Es tan alentador que la serie de empleos en abundencia en la encuesta del índice de confianza del consumidor se elevó al 37,0% durante diciembre desde un mínimo reciente del 31,3 % durante septiembre (Fig. 10).

Los consumidores siguen gastando. La serie de ventas minoristas de Redbook muestra un sólido aumento del 5,5 % interanual durante la semana del 27 de diciembre de 2024 (Fig. 11). Tiene una buena correlación con la tasa de crecimiento comparable para las ventas minoristas mensuales, excluyendo los servicios de alimentos. Los consumidores también respondieron a los descuentos de los concesionarios de automóviles. La tasa anualizada ajustada estacionalmente para las ventas totales de vehículos nuevos aumentó a un estimado de 17,2 millones de unidades en diciembre, en frente de los 16,6 millones de noviembre (Fig. 12).

Por otro lado, el gasto en construcción puede estar empezando a perder su fuerza. Se ha estado moviendo lateralmente a niveles récord durante los últimos ocho meses hasta noviembre, lo que refleja un desarrollo similar en la construcción de estructuras de fabricación, que se ha disparado durante los últimos dos años (Fig. 13 y Fig. 14).

Estrategia II: Lo que podría salir. Las perspectivas para la economía y las ganancias en el nuevo año son buenas, pero los múltiplos de valoración se han incrementado mucho. Deben estar descartando las expectativas de que la expansión económica actual durará bastante tiempo, lo que creemos que es una posibilidad realista dado nuestro escenario de caso base de la década de 2020.

Si comparamos el actual mercado alcista secular en el S&P 500 desde 2010 con el que comenzó a principios de la década de 1980, encontramos que el primero está siguiendo de cerca al segundo (Fig. 15). Esto sugiere que el mercado de valores tiene mucha ventaja durante el resto de esta década, como lo hizo durante la segunda mitad de la década de 1990, si continúa rastreando de cerca la anterior. El único problema es que las valoraciones son mucho más altas esta vez: el P/E futuro del S&P 500 a finales de 2024 era de 21,6, muy por encima de alrededor de 13,0 en 1994 (Fig. 16). El Buffett Ratio está actualmente alrededor de 3,0, muy por encima de alrededor de 2,0 en el máximo de la burbuja de las tecnológicas de 1999 que fue seguida por el desastre tecnológico a principios de la década de 2000 (Fig. 17).

Una vez más, con un poco de ayuda de los permanentemente bajistas, aquí hay una lista de lo que podría salir mal a principios de 2025, arrojando dudas sobre las perspectivas de una larga expansión y haciendo que los múltiplos de valoración se reduzcan:

(1) Trump 2.0 tiene demasiadas incógnitas actualmente. El mercado de valores está anticipando que las nuevas políticas de la administración entrante probablemente serán optimistas. Estamos de acuerdo con esa evaluación, pero puede llevar algún tiempo saberlo. Habrá muchas iniciativas políticas nuevas introducidas y tal vez implementadas por órdenes ejecutivas una vez que el presidente Donald Trump tome posesión el 20 de enero.

Es difícil saber cómo afectarán colectivamente a la economía y si podrían producir consecuencias negativas no deseadas. Los aranceles estadounidenses más elevados podrían aumentar la inflación y desencadenar medidas de represalia por parte de los socios comerciales. La deportación masiva de inmigrantes ilegales podría interrumpir las reservas de mano de obra de algunas industrias y ejercer presión al alza sobre los salarios. La extensión de los recortes de la tasa del impuesto sobre la renta para los consumidores debería reforzar la actividad económica, pero podría ser inflacionario. La desregulación y una tasa impositiva corporativa más baja también deberían ser estimulantes y podrían alimentar la desinflación. También es probable que las políticas energéticas de Trump sean desinflacionarias.

El escenario más ampliamente aceptado es que Trump 2.0 causará estanflación. Ese sería un escenario bajista para las acciones, sin duda. Lo incluimos en nuestro cubo de riesgos bajistas a los que asignamos una probabilidad subjetiva del 20%.

(2) Las tasas de interés podrían subir. Tal vez la mayor incógnita conocida es cómo la Reserva Federal y el mercado de bonos responderán a Trump 2.0. En su conferencia de prensa del 18 de diciembre, el presidente de la Fed, Jerome Powell, dijo que la Reserva Federal no sabe qué políticas incluirá Trump 2.0 o cuánto impactarán en la economía y los mercados financieros. También sugirió que la Reserva Federal podría detenerse a reducir la tasa de los fondos federales en parte debido a esta incertidumbre.

Mientras tanto, los Vigilantes de los Bonos han estado desafiando a los tres monos de la Fed sobre la economía, la inflación y Trump 2.0. Desde que el FOMC comenzó a recortar la tasa de los fondos federales el 18 de septiembre, reduciéndola en un total de 100 pb hasta el 18 de diciembre, el rendimiento de los bonos a 10 años ha aumentado tanto (Fig. 18). Los Vigilantes de los Bonos están protestando porque la Reserva Federal está estimulando una economía que no necesita ser estimulada, que la inflación se mantiene por encima del objetivo del 2,0 % de la Reserva Federal y que Trump 2.0 podría reactivar las presiones inflacionarias e impulsar el déficit federal.

El riesgo para las acciones es que los Vigilantes de los Bonos tendrán razón, enviando el rendimiento de nuevo al 5%, que fue el máximo del año pasado. En este escenario, la Reserva Federal podría verse obligada a aumentar la tasa de fondos federales, reavivando los temores de una recesión. Los múltiplos de valoración seguramente caerán rápidamente en ese caso. Una vez más, ponemos este escenario en el cubo de riesgo del 20%.

Estrategia para el S&P500 basada en el efecto TOM por Andrés A. García

• En este artículo analizaremos el uso de una de las pautas de calendario más conocidas. El Efecto “cambio de mes” y algunas variantes, como elemento clave en la construcción de estrategias cuantitativas de base diaria e intradiaria para el futuro del S&P500.
• Artículo publicado en Hispatrading 42.

El efecto Turn of the Month (TOM) es una de las anomalías más estudiadas por el mundo académico. Este efecto puede definirse como la tendencia, de numerosos activos y grandes índices, a exhibir retornos positivos muy superiores a la media durante los días inmediatamente anteriores y posteriores al cambio de mes.  

Ariel (1987) fue el primero en documentar esta pauta en los mercados estadounidenses. Posteriormente Lakonishok y Smidt (1988) fijaron un periodo óptimo para el TOM desde el último día de mes hasta el tercero del mes siguiente (-1 / +3). Este período varía según  mercados y épocas. En las últimas décadas se ha ido adelantando algunos días (Dzhabarov y Ziemba, 2010) siendo en la actualidad -4/+1 la mejor ventana TOM para los índices USA. 

Se han propuesto diversas explicaciones de esta anomalía. Algunos autores (Ogden, 1990) sugieren que la causa está en la regularidad de los pagos (salarios, dividendos, intereses) que incrementan la liquidez de los inversores. Si bien para que esta hipótesis fuese cierta debería constatarse un incremento paralelo del volumen, hecho que no se ha verificado en todos los mercados. Otros investigadores señalan como causas probables el proceso de rebalanceo de carteras en los grandes fondos (Maher y Parikh, 2013) o la difusión de noticias macroeconómicas y corporativas (Ritter y Chopra, 1989) que también suelen realizarse en fecha fija. 

Por otra parte se han sugerido diferentes formas de aprovechar esta anomalía. Hensel y Ziemba (1996) propusieron una estrategia rotacional, basada en el posicionamiento en activos del  S&P 500, aprovechando la ventana TOM y en productos de renta fija el resto del mes. Liu (2013) aborda una estrategia que combina el efecto de reversión del SPY con el TOM. Sugiere ponerse largo en este ETF los días -6 o -5, cuando los precios se sitúan estadísticamente en su nivel más bajo del mes, y mantener la posición hasta el día +2.

DATOS EMPLEADOS Y METODOLOGÍA

En nuestro estudio utilizaremos dos tipos de datos: Para los análisis estadísticos y validación de la pauta emplearemos los retornos logarítmicos diarios del índice SPX en una ventana temporal muy amplia (1980-2019) y, para la construcción de la estrategia, las series del E-mini S&P500 (ES) en base diaria y en time frame de 60 min. El período de análisis será de 18 años (2001-2019). Cabe señalar que ambas series utilizan plantillas horarias distintas: RTH (Regular Trading Hours) para los datos diarios y ETH (Extended Trading Hours) para los datos intradiarios. En lo referente a metodología seguiremos estos pasos:

1.- Determinación de la pauta TOM  y acotamiento de intervalos.

2.- Validación estadística de la pauta mediante análisis de regresión.

3.- Determinación y cuantificación del efecto de reversión a corto plazo. 

4.- Construcción de una estrategia basada en reglas que combine ambas anomalías.

5.- Evaluación de la estrategia.

DETERMINACIÓN Y VALIDACIÓN DE LA PAUTA TOM

Para poder visualizar adecuadamente la pauta ordenamos por días del mes el retorno del SPX en el intervalo -10/+10 y calculamos la media geométrica de cada día. El resultado se muestra en el gráfico 1:

Como vemos aparecen tres zonas bien diferenciadas y a las que llamaremos:

– TOM: Pauta del cambio de mes: -4/+3 en el periodo 1980-2019 y -4/+1 en 2001-2019.

– exTOM: Días no-TOM con rentabilidad media residual o negativa.

– MOM: Días próximos a la primera quincena. Pequeña pauta con sesgo positivo.

Al proyectar sobre un gráfico el beneficio acumulado por el SPX en los períodos TOM y exTOM vemos la enorme diferencia entre ambos:

Esta es la estadística descriptiva de las pautas TOM y MOM:

Gráfico 3.

Seguidamente pasamos a validar la significancia estadística de ambas pautas mediante un modelo de regresión. En general el modelado de series financieras mediante una regresión por mínimos cuadrados ordinarios (MCO) es problemático debido a que la volatilidad presenta variaciones en el tiempo y suele ser asimétrica, con mayor amplitud en las rachas bajistas que en las alcistas. En otras palabras, las series de los retornos tienen un  carácter heterocedástico que requiere el uso de modelos tipo GARCH y EGRARCH.

Estos modelos vienen definidos por dos ecuaciones; una para la media y otra para la varianza. En nuestro caso la ecuación del retorno sería:

Donde:

es el retorno medio logarítmico,  los coeficientes a estimar, y son variables dicotómicas que toman el valor 1 para los días del mes TOM/MOM y 0 para los días exTOM/exMOM ,  es el término de error y la función de distribución de probabilidad para , que puede ser normal, de Student o de error generalizado (GED). 

En el modelo GARCH la varianza condicional se expresa como:

Y en el EGARCH viene determinada por:

Ambos modelos son útiles en series en las que la volatilidad se presenta en clusters. Si bien el EGARCH es más preciso ya que permite modelar el efecto de apalancamiento.  En el gráfico 4 mostramos los resultados obtenidos con ambos modelos:

Gráfico 4.

Los valores críticos de Z son: 1,645 (0,1) para un nivel de confianza (NC) del 90%, 1,96 (0,05) para un NC del 95% y 2,576 (0,01) para un NC del 99%.

Las estimaciones del GARCH y EGARCH son similares y, como cabía esperar, los coeficientes son mayores y más significativos en el TOM (NC>95%) que en el MOM (NC>0,90%). Si bien en ambos casos consideraremos validada la pauta. 

DETERMINACIÓN Y CUANTIFICACIÓN DEL EFECTO DE REVERSIÓN

En los mercados maduros y muy líquidos suele apreciarse un sesgo de reversión a la media. Tal es el caso de los principales índices estadounidenses y, en particular, del S&P 500.  Una forma de comprobarlo es graficando el retorno acumulado en las sesiones persistentes (en las que los beneficios y las pérdidas se suceden) y antipersistentes (alternancia de beneficios y pérdidas):

El gráfico superior se ha creado simulando ambos escenarios en el ES mediante estas dos sencillas reglas:

1. Reversión: Si Cierre[0] < Cierre[1] nos posicionamos largos en la apertura con una orden a mercado y mantenemos la posición hasta el cierre de sesión.

2. Tendencia: Si Cierre [0] > Cierre[1] nos posicionamos largos en la apertura con una orden a mercado y mantenemos la posición hasta el cierre de sesión.

Como podemos ver el ES muestra un claro sesgo de reversión en todo el periodo, excepto quizá en el año 2018 debido a la fuerte tendencia alcista de este mercado.  

Para investigar movimientos persistentes y antipersistentes, en series de precios, se pueden emplear diferentes métodos. Si lo único que queremos es detectar una autocorrelación de primer orden, entonces el estadístico Durbin-Watson nos puede servir. Sin embargo, si existen correlaciones retardadas de orden 2, 3,…, n, es preciso utilizar otras técnicas como los correlogramas, el exponente de Hurst (H) o la diferenciación fraccional (d) en los modelos ARFIMA(p,d,q). El exponente H se puede calcular por varios procedimientos, como el rango de reescalado (R/S), el análisis dispersional  o los wavelets (AWC). Además se puede calcular a partir de d según la relación:

En función del valor de H podemos encontrar tres escenarios:

1. H ≈ 0,5. La serie tiene un comportamiento aleatorio.
2. H < 0,5  La serie es antipersistente y de memoria corta.
3. H > 0,5  La serie es persistente y con memoria larga.

Hemos estimado el valor de H para los retornos diarios del ES en el período 2001-2019 y obtenemos los siguientes resultados: R/S = 0,47, AWC=0,48 y d=0,04H=0,46. Lo que nos permite concluir que existe un movimiento antitendencial de fondo que puede ser aprovechado.

Podríamos proseguir este estudio aplicando algunos otros estadísticos como el test Breusch-Godfrey o analizando un correlograma de los residuos al cuadrado, pero no lo vamos a hacer aquí. Bástenos con especificar dos mecanismos para capturar el movimiento de reversión:

1. Filtro Close[0] < Close[1] para la reversión a corto plazo.
2. EMA(x)[0] > Close[0] para la reversión retardada de orden 2…n.

El valor de la media exponencial (EMA) no debe ser muy grande. Con 4-6 días (o su equivalente en barras intradiarias) debería bastar, dado que los procesos de reversión son de memoria corta.

ESTRATEGIA 1: TOM/MOM+REVERSE EN BARRAS DIARIAS

Aviso para navegantes: 

Conviene comenzar aclarando que lo que vamos a ver a continuación no son sistemas completos sino pruebas de concepto. Para que un sistema sea plenamente funcional se requieren más cosas: Subsistemas de entrada y salida, estructura de gastos, filtros y, sobre todo, un riguroso proceso de evaluación. Ni que decir tiene que los resultados son hipotéticos con todas las salvedades que ello implica.

Reglas (en metacódigo):

Si se verifica que:

Close[0] < Close[1]

Y EMA(5)[0] > Close[0]

Y Día del mes = -5 (TOM) O día del mes= -8 (MOM)

Entrar largos a mercado en la apertura del día siguiente.

Cerrar la posición si día = +2 (TOM) O día > 10 (MOM)

Con estas simples reglas obtenemos los resultados mostrados en el gráfico 6:

Gráfico 7.

Los resultados de esta estrategia son prometedores y consiguen generar alfa batiendo con claridad al benchmark de referencia (SPX), tanto en retorno absoluto como en rentabilidad ajustado por riesgo. Sin embargo, esta configuración tiene algunos riesgos inherentes que consideramos deben ser mejorados:

1.- Las pérdidas no están acotadas: No hay stop de acompañamiento.

2.- Efecto Cisne Negro: Quedan posiciones abiertas en overnight y durante el fin de semana.

3.- El sistema es poco granular: Pocas operaciones y de gran tamaño. 

4.- La máxima pérdida por operación (-$6.087) es muy elevada en relación al capital inicial.

5.- El Drawdown máximo (-$14.062) es también excesivo y debe reducirse.  

Todos esos motivos nos llevan a plantear una versión para intradía de esta estrategia.  

ESTRATEGIA 2: TOM/MOM+REVERSE INTRADIARIO

Para esta estrategia utilizamos time frame de 60 min. y una plantilla horaria 24/7 que recoja todo el horario de negociación (ETH) del ES.

Reglas (en metacódigo):

Entradas:

Si se verifica que:

Apertura de Ayer > Cierre de Ayer 

Y EMA(180)[0] > Close [0]

Y Día del mes = -5 (TOM) O -8 (MOM)

Entramos largos a mercado en la primera barra de la sesión.

Salidas:

• Si estamos largos cerramos la posición en la última barra de la sesión.
• Colocamos un stop de acompañamiento al 1% del precio de entrada.

Estos son los resultados que obtenemos:

Gráfico 9.

El beneficio acumulado es algo inferior al del sistema de base diaria debido a la fricción de hacer más operaciones y no quedar operaciones abiertas, durante el fin de semana. Sin embargo, pensamos que un mayor control del tamaño de las pérdidas con el MMStop, y una reducción apreciable del DrawDown máximo compensan sobradamente la merma del beneficio.

CONCLUSIONES

Todavía existen pautas temporales aprovechables en los mercados y el TOM es una de ellas. En todo caso, antes de incluir cualquier pauta, en estrategias de trading, éstas deben ser validadas utilizando metodologías estadísticas que permitan determinar con objetividad su amplitud, persistencia temporal y, en última instancia, su potencial para generar alfa. 

Es posible combinar pautas de orden mayor (diarias, semanales, mensuales, anuales) con otros movimientos específicos de los precios, como el efecto de reversión, o con anomalías horarias. Eso sí, siempre habrá una pauta dominante o primaria que se deber potenciar al diseñar la estrategia. A veces el solapamiento de anomalías es excluyente o no aporta nada.

Una pauta puede servir como base para desarrollar estrategias -como las que hemos presentado en este artículo- o como setup, que refuerce el funcionamiento de otras aproximaciones lógicas basadas en reglas de negociación. En todo caso debemos tener claro que las pautas raramente son capaces de salvar por sí solas el peso de los gastos de operativa. Por tanto deben utilizarse en conjunción con otras reglas, filtros y subsistemas eficientes de posicionamiento.

Para terminar, quisiera agradecer a José Luis Gil la programación del indicador TOM que ha permitido la evaluación en plataforma de trading de ambas estrategias.

REFERENCIAS:

• Ariel R. A. (1987) “A Monthly Effect in Stock Returns”, Journal of Financial Economics, 18, 161-174.
• Dzhabarov, C. y Ziemba, W.T. (2010) “Do Seasonal Anomalies Still Work?”, Journal of Portfolio Management, 36(3) 93-104.
• Hensel C.R. y Ziemba, W.T. (1996) ”Investment Results from Exploiting Turn-of-the-Month Effects: Should You Pay Attention to the Turn of the Month?”, Journal of Portfolio Management, 22(3) 17-23. 
• Lakonishok, J. y Smidt, S. (1988) “Are Seasonal Anomalies Real? A Ninety-Year perspective”, Review of Financial Studies, 1(4) 403-425. 
• Liu, L.  (2013) “The Turn-of-the-Month Effect in the S&P 500 (2001-2011)”, Journal of Business & Economics Research, 11(6) 269.
• Maher D. y Parikh A. (2013) “The turn of the month effect in India: A case of large institutional trading pattern as a source of higher liquidity”, International Review of Financial Analysis, 2013, 28 (issue C) 57-69.
• Ogden, J. P. (1990) “Turn-of-The-Month and January Effects”, Journal of Finance, 45(4) 1259-1272.
• Ritter, J. R. y Chopra, N. (1989) «Portfolio Rebalancing and the Turn of the Year Effect.» The Journal of Finance 44(1).

¿Cómo operar el dato de nóminas no agrícolas? por Ray Barros

En este artículo, me gustaría mostrar el proceso mediante el cual me preparo para operar un dato económico importante como el Non Farm Payrrolls o dato de nóminas no agrícolas en los Estados Unidos, el dato más importante del mes, que se lanza el primer viernes de cada mes. Las noches previas a estos datos importantes han sido mi perdición. Es el momento en que mi ‘cerebro de rata’ (usando la etiqueta de la Dra. Janice Dorn) es más probable que ejerza influencia. Para contrarrestar esto, paso mucho tiempo preparando mis respuestas a los datos que finalmente se publiquen; además, me comprometo a adherirme a mi plan. En resumen, es una de las pocas ocasiones en las que no le doy mucha cabida a mi intuición; al menos no hasta que hayan pasado al menos tres horas o más después de liberarse el dato.

Lo primero que hago es un análisis normal, como si no salieran las cifras al día siguiente.

Mientras tanto, utilizo una variación de la Regla de 3, cierro 1/3 de mis posiciones abiertas, llevo el stop al punto de equilibrio en 1/3, y para el 1/3 restante, tengo mis stop en su posición inicial. Las ganancias que tomé cubrirán la pérdida en el stop inicial de 1/3, por lo que estoy en una situación de «free trade» o trade sin riesgo de perder capital de mi cuenta.

Después del análisis habitual, preparo mis respuestas a las cifras. Uso un árbol de decisiones que me muestra las probabilidades tal y como yo las veo y muestran diversos  escenarios.

Los eventos que siempre tengo en cuenta:

1. El dato de empleo ADP tiene un historial francamente malo para pronosticar las cifras de nóminas no agrícolas, pero si están fuertemente sesgados al alza o la baja es posible que el dato de nóminas no agrícolas vaya en la misma dirección.
2. Los análisis macroeconómicos que se hacen en la jornada anterior.

Cuando sale una desviación fuerte, es el momento de actuar.

Normalmente, la señal que me gusta buscar es un ‘gap’ en la apertura, seguido de un fallo al intentar cerrarse al completar solo el 50% del gap en los primeros 60 minutos. El cierre en la primera hora debería estar al menos alrededor del 50% del rango horario y preferiblemente en o por debajo del 33% inferior. Entonces buscaría una ruptura del rango horario.