">

Vendedores en corto: Proveedores de liquidez informada por Quantpedia

La misión de Quantpedia es procesar la investigación académica financiera de una forma más fácil de usar, para ayudar a cualquiera que busque nuevas ideas de estrategias cuantitativas y algorítmicas. Nuestro equipo está formado por miembros experimentados con diferentes antecedentes: financieros, matemáticos y traders, combinados con miembros con un sólido conocimiento técnico y de TI.

Quantpedia / Quantpedia.com

Vendedores en corto: Proveedores de liquidez informada

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

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

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

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

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

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

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

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

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

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

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

Título: Stealthy Shorts: Informed Liquidity Supply

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

Resumen:

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

Como siempre, presentamos varias tablas y gráficos interesantes:

ssrn 4941397 page 0041 scaled e1727868845459 — **Figura 2: Alfa acumulativa de seis factores.** Esta figura muestra la alfa acumulativa de seis factores, expresada en términos porcentuales, para portafolios long-short basados en las proporciones de volumen de ventas en corto que suministran liquidez (Liquidity-Supplying, LSS) y las que demandan liquidez (Liquidity-Demanding, LDS). Las variables están definidas en el Apéndice A. Las regiones sombreadas representan los intervalos de confianza del 95% para las estimaciones de retorno ajustadas por riesgo. El periodo de la muestra es de 2014 a 2018.

ssrn 4941397 page 0042 scaled e1727868958939 — Figura 3: Componentes de LSS en torno a días de eventos noticiosos Esta figura muestra el cambio del componente residual y del componente que suministra liquidez de LSS en puntos porcentuales alrededor de eventos noticiosos específicos de empresas. Cada barra se basa en una regresión de panel con efectos fijos de acciones y días. La variable dependiente es uno de los componentes diarios de LSS y la variable independiente de interés es una variable indicadora que toma el valor de uno si ocurre una noticia y cero en caso contrario. En cada regresión variamos el tiempo de la variable dependiente en relación con el evento noticioso, para examinar los cambios en el volumen de ventas en corto alrededor de las noticias. Por ejemplo, 𝑡 = − 1 t=−1 indica que la variable dependiente se observa un día antes del evento noticioso. Para controlar la respuesta de los vendedores en corto a los retornos pasados, incluimos rezagos de cinco días de retornos diarios (donde los rezagos se relacionan con el momento de la variable dependiente). En los paneles A y B examinamos los cambios en los componentes de LSS alrededor de eventos noticiosos negativos y positivos, respectivamente. Definimos un evento noticioso como negativo (positivo) si el retorno del día del anuncio está en el quintil inferior (superior) de retornos de un día determinado, respectivamente. El periodo de la muestra es de 2014 a 2018.

ssrn 4941397 page 0044 scaled e1727868989720 — Tabla 2. Rendimientos de carteras ordenadas por flujo de venta corta Al final de cada día t-1, clasificamos las acciones en cinco carteras basadas en su Flujo de Venta Corta, LSS o LDS y mantenemos estas carteras desde el día t hasta el día t+20. Luego calculamos los rendimientos de período superpuesto de estas carteras e informamos los números de rendimiento en esta tabla. Las columnas etiquetadas como Bruto, CAPM y FF6 informan los rendimientos brutos promedio, las alfas CAPM y las alfas de seis factores Fama-French-Carhart, respectivamente. También informamos el rendimiento de las carteras 5-1 de compra-venta. La muestra contiene acciones comunes listadas en la NYSE, Amex y Nasdaq con un precio superior a $1 y una capitalización de mercado superior al décimo percentil del tamaño de la NYSE al final del día t-1. Las estadísticas t robustas de Newey y West (1987) se informan entre paréntesis. El período de muestra es de 2014 a 2018.

Citas notables del artículo académico:

[Los autores] arrojan más luz sobre la predictibilidad de los rendimientos y su vínculo con la ventaja informativa inherente a las ventas en corto que suministran liquidez. Primero, usamos un marco similar al de Engelberg, Reed y Ringgenberg (2012), y examinamos el poder predictivo del LSS (proporción de ventas en corto que suministran liquidez) para los rendimientos de acciones en días de anuncios específicos de las empresas. Si la capacidad predictiva de las ventas en corto que suministran liquidez se deriva de una ventaja informativa, entonces el LSS debería predecir los rendimientos, particularmente en esos días en que se publican noticias y la información se incorpora a los precios de las acciones. Consistente con esta hipótesis, encontramos que las ventas en corto que suministran liquidez son particularmente informativas sobre los rendimientos futuros en días de noticias comparado con días sin noticias. Además, al igual que con nuestro método de descomposición, demostramos que este poder predictivo aumentado está presente exclusivamente en el componente residual de LSS, lo que apoya aún más la noción de que las ventas en corto que suministran liquidez están, en promedio, informadas sobre los fundamentos de la empresa.

[Los autores] reportan alfas acumuladas de seis factores para portafolios distribuidos en función de LSS o LDS (proporción de ventas en corto que demandan liquidez) para horizontes futuros que varían de 1 a 21 días en la Figura 2. Consistente con la literatura previa (ver, por ejemplo, Boehmer, Jones y Zhang, 2008, y Engelberg, Reed, y Ringgenberg, 2012), encontramos que tanto LSS como LDS predicen de manera significativa y negativa el retorno del siguiente día, con alfas diarias de seis factores de alrededor del 0.10%. Aumentando el período de retención, encontramos que el poder predictivo de LDS se debilita, sin una predictibilidad estadísticamente significativa después de siete días. En contraste, encontramos que LSS es un fuerte predictor negativo de los rendimientos futuros de acciones en todos los períodos de retención, que van de 1 a 21 días. Para un período de retención de 21 días, el portafolio distribuido basado en LSS tiene un alfa acumulada de seis factores de casi 0.40%. Así, esta figura documenta un patrón empírico notable: las ventas en corto que suministran liquidez predicen negativamente los rendimientos futuros de acciones, mientras que las ventas en corto que demandan liquidez no lo hacen, al menos en horizontes mayores a una semana.

Presentamos rendimientos y alfas en portafolios por quintil y en el portafolio distribuido para un horizonte de 21 días en la Tabla 2. Los paneles A, B y C se distribuyen en función del flujo total de ventas en corto, LSS y LDS, respectivamente. El Panel A muestra que las acciones fuertemente vendidas en corto tienen un rendimiento inferior a las acciones con menos ventas en corto. Este hallazgo es robusto tanto si observamos los rendimientos brutos como si ajustamos por riesgo, y es estadísticamente significativo con estadísticas t que varían de −2.32 a −2.66. Consistente con la literatura previa (ver, por ejemplo, Boehmer, Jones y Zhang, 2008), encontramos que la diferencia en el desempeño entre los portafolios 1 y 5 se debe principalmente al sobre rendimiento del quintil 1 más que al bajo rendimiento del quintil 5.

[Los autores] encuentran que, con pocas excepciones, el coeficiente de LSS es negativo y estadísticamente significativo, mientras que el de LDS es insignificativamente diferente de cero. Los resultados son similares en dos submuestras, con diferentes filtros de acciones y en diferentes horizontes de retornos futuros. En particular, la predictibilidad se extiende a 40 días. Así, nuestros resultados no están impulsados por períodos específicos, muestras de acciones específicas o cálculos particulares de variables.

En general, los resultados de esta sección muestran una fuerte predictibilidad de los rendimientos futuros asociada con las ventas en corto que suministran liquidez, pero la ausencia de dicha predictibilidad asociada con las ventas en corto que demandan liquidez. Estos resultados sugieren que las ventas en corto que suministran liquidez pueden representar operaciones informadas de inversores con información relativamente duradera.

Los resultados indican que el poder predictivo de las ventas en corto para la sección cruzada de los rendimientos de acciones proviene de la provisión informada de liquidez por parte de los vendedores en corto. Además, la representación gráfica de la predictibilidad de los retornos para períodos de retención variables en la Figura 2 sugiere que estas ventas en corto operan con información que se incorpora lentamente a los precios de las acciones.

Comparte este articulo:

">

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

Conocido como el trader de las penny stocks. Después de ganar un millón de dólares en su primer año de Universidad comenzó su popularidad. En 2007 publicó su famoso libro “An American Hedge Fund: How I Made $2 Million as a Stock Operator & Created a Hedge Fund”. Además, es conocido por sus obras benéficas.

Timothy Sykes / timothysykes.com

Divergencia Estocástica: Cómo Identificarla y Operar con Ella

La divergencia estocástica es una herramienta poderosa en el análisis técnico que puede ofrecer a los traders valiosas ideas sobre posibles reversiones de tendencia y puntos de inflexión en el mercado. Al identificar diferencias entre el oscilador estocástico y los movimientos de precios, los traders pueden detectar momentos en los que el impulso de un activo se está debilitando, incluso si los precios continúan subiendo o bajando.

Lee este artículo para obtener ejemplos y estrategias de trading que incluyen la divergencia estocástica, ayudándote a anticipar reversiones del mercado y otros trucos con la línea de señal.

Responderé las siguientes preguntas:

¿Qué son los osciladores estocásticos?
¿Cómo se identifica la divergencia estocástica?
¿Qué es la divergencia alcista en el contexto del análisis estocástico?
¿Qué es la divergencia bajista y cómo puede señalar una reversión del mercado?
¿Cómo se puede operar utilizando la divergencia estocástica positiva?
¿Qué pasos se deben seguir para operar con divergencia estocástica negativa?
¿Cómo maximizar la efectividad de la divergencia estocástica en el trading?
¿Cuáles son los puntos clave para dominar la divergencia estocástica?

¡Comencemos a estudiar nuestros estocásticos!

¿Qué es un Oscilador Estocástico?

El oscilador estocástico es un indicador de impulso desarrollado por George Lane a finales de la década de 1950. Mide la posición del precio de cierre de un valor en relación con su rango de precios durante un período específico, generalmente 14 períodos, para determinar la fuerza del impulso.

El oscilador estocástico está compuesto por dos líneas: la línea %K, que sigue el precio de cierre en relación con el rango de precios, y la línea %D, que es un promedio móvil de la %K. Estas líneas ayudan a los traders a evaluar si un valor está sobrecomprado o sobrevendido, proporcionando señales que pueden influir en las decisiones de trading.

Los ajustes comunes para un oscilador estocástico incluyen 14-3-3, 5-3-3, y 21-9-9, aplicados según la volatilidad del mercado, la fuerza de la tendencia y la estrategia específica del trader.

Cómo Identificar la Divergencia Estocástica

La divergencia estocástica ocurre cuando el oscilador estocástico se mueve en dirección opuesta a la acción del precio, lo que indica una posible debilidad en la tendencia actual. Esta divergencia es una señal clave para los traders, indicando que una reversión de tendencia puede estar en el horizonte.

Para identificar la divergencia estocástica, busca instancias en las que el precio haga nuevos máximos o mínimos, pero el oscilador estocástico no los siga, mostrando en su lugar máximos más bajos o mínimos más altos. Esta diferencia entre la acción del precio y las lecturas del oscilador puede alertar a los traders sobre un debilitamiento del impulso antes de que el mercado en general reconozca el cambio.

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

Cómo Operar con Divergencia Estocástica

Operar con divergencia estocástica puede ser gratificante, pero también conlleva riesgos, especialmente si se utiliza de manera aislada. Las señales de divergencia estocástica son más efectivas cuando se confirman con otros indicadores como RSI, MACD o líneas de tendencia, que pueden proporcionar confirmación adicional de una posible reversión.

Antes de entrar en una operación, es esencial analizar las condiciones generales del mercado y considerar las tendencias recientes del precio del activo para evaluar la probabilidad de una operación exitosa. Combinar la divergencia estocástica con otras herramientas técnicas ayuda a filtrar señales falsas y aumenta las posibilidades de operaciones rentables.

Operación con Divergencia Positiva

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

La paciencia y la disciplina son fundamentales en el trading de divergencias estocásticas. Esperar las señales correctas y adherirse a tu plan de trading puede evitar decisiones impulsivas, que a menudo conducen a pérdidas innecesarias. Este enfoque disciplinado es algo que he enfatizado repetidamente en mis enseñanzas porque es un pilar del éxito en el trading.

Un método efectivo para mejorar tu estrategia de trading con divergencia estocástica es incorporar cruces estocásticos. Un cruce estocástico ocurre cuando la línea %K cruza la línea %D, proporcionando una señal que puede ayudar a confirmar la dirección del mercado. Al utilizar cruces estocásticos junto con señales de divergencia, los traders pueden mejorar el momento de sus entradas y salidas, reduciendo el riesgo de señales falsas. Este enfoque combinado permite decisiones de trading más precisas, especialmente en mercados volátiles.

Operación con Divergencia Negativa

La divergencia negativa ocurre cuando los precios continúan subiendo, haciendo máximos más altos mientras que el oscilador estocástico muestra máximos más bajos, lo que señala una posible reversión a la baja. Reconocer este patrón temprano puede ayudar a los traders a prepararse para una tendencia bajista, permitiéndoles capitalizar la inminente caída del precio.

Aquí te explico cómo hacerlo:

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

Maximiza la Efectividad de la Divergencia Estocástica en el Trading

Para maximizar la efectividad de la divergencia estocástica en tu estrategia de trading, es esencial utilizarla como parte de un enfoque más amplio que incluya la gestión de riesgos y el aprendizaje continuo. Confiar únicamente en la divergencia estocástica sin considerar el contexto general del mercado u otros indicadores puede llevar a malas decisiones de trading. En su lugar, utilízala en conjunto con otras herramientas de análisis técnico para confirmar señales y gestionar tus operaciones de manera más efectiva.

Necesitarás una estrategia personalizada para que este indicador funcione para ti. Puedes integrar el oscilador con medias móviles para confirmar señales o con niveles de soporte y resistencia para identificar posibles puntos de ruptura. Refinando tu enfoque con una estrategia bien definida puedes aumentar la precisión y efectividad de tus operaciones.

Recuerda, el trading no se trata de predecir el mercado, sino de gestionar riesgos y capitalizar configuraciones de alta probabilidad. Refinar continuamente tus estrategias y mantenerte informado sobre las tendencias del mercado te mantendrá un paso adelante.

Puntos Clave

La divergencia estocástica es una señal valiosa que puede indicar posibles reversiones de tendencia.
Combinar la divergencia estocástica con otros indicadores técnicos mejora su fiabilidad.
Tanto las divergencias positivas como las negativas ofrecen oportunidades de beneficio si se operan con disciplina.
Entender el contexto de las condiciones del mercado es crucial para interpretar las señales estocásticas.
La aplicación constante y la educación continua son clave para dominar la divergencia estocástica en el trading.

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

Comparte este articulo:

">

¿Por qué no puedo mejorar mi trading? por Brett N. Steenbarger, Ph.D.

Brett N. Steenbarger, Ph.D. es profesor de psiquiatría y ciencias del comportamiento en SUNY Upstate Medical University. Compagina su actividad docente con la de entrenador de gestores de hedge funds y traders profesionales. Brett es autor de varios libros sobre psicología enfocada en el trading: The Daily Trading Coach (2009), Trading Psychology 2.0 (2015) y Radical Renewal (2019), entre otros. Su experiencia en los mercados financieros comenzó a finales de la década de 1970.”.

Brett N. Steenbarger, Ph.D. / SUNY Upstate Medical University

¿Por qué no puedo mejorar mi trading?

brett3c — «No podemos convertirnos en lo que queremos ser si seguimos siendo lo que somos.» Max DePree

Piensa en cuántos cursos de trading existen. Considera cuántos libros sobre trading y psicología del trading se han escrito. Videos de trading, tweets, entrevistas, podcasts: la cantidad de contenido relacionado con el éxito en el trading es fenomenal. Y cada semana obtenemos más y más y más. Los traders con los que hablo leen libros, ven videos, toman cursos y se preguntan: ‘¿Por qué no puedo mejorar mi trading?’

Para abordar esta pregunta, ofreceré una analogía:

Podría escribir capítulos sobre cómo empacar, usar y desplegar un paracaídas. Podría producir videos sobre el mantenimiento y uso adecuado del paracaídas. Podría enseñar un curso de paracaidismo. Ahora supongamos que consumes todo el contenido que creé sobre cómo dominar el uso del paracaídas y luego saltas de un helicóptero con tu paracaídas.

¿Cómo te iría?

Por supuesto, en el ejército aprendes a empacar un paracaídas correctamente empacando paracaídas y recibiendo instrucción e inspección de primera mano. Aprendes a desplegar un paracaídas atado a una cuerda desde una altura y luego saltando: primero desde alturas relativamente bajas, luego desde alturas mayores. Despliegas el paracaídas una y otra vez durante saltos reales que son completamente seguros antes de enfrentar saltos más arriesgados.

La razón de esto es que el aprendizaje depende del estado. Es más probable que recordemos información y pongamos en práctica habilidades cuando estamos en el mismo estado en el que aprendimos. Si aprendemos habilidades de paracaidismo cuando estamos calmados y tranquilos en un aula, es poco probable que las usemos cuando estemos haciendo un salto y la adrenalina esté fluyendo.

Los traders suelen aprender técnicas de trading y reciben coaching psicológico cuando están muy lejos del calor de la batalla. Todo lo que aprenden se desvanece cuando los mercados se mueven y hay un riesgo y una recompensa reales en cada momento.

No podemos aprender a conducir autos de carrera viendo videos, leyendo libros o absorbiendo tweets.

No podemos aprender habilidades de combate en tiempos de guerra manteniéndonos seguros y tranquilos en un aula. No podemos dominar nuestras crisis de psicología del trading cuando estamos tranquilos y cómodos fuera de las horas del mercado.

La mejor educación de trading y psicología del trading se procesa en tiempo real, en el acto de operar. Aprendemos mejor adquiriendo y practicando habilidades cuando estamos en los estados mentales, emocionales y físicos del rendimiento real. Nuestro mejor maestro es una simulación realista y progresiva.

Para la psicología del trading, este es un conocimiento revolucionario.

Comparte este articulo:

">

Redes Neuronales en Python: Tipos, Estructura y Estrategias de Trading – Machine Learning (Parte 3) por Quantinsti

El objetivo de Quantinsti es formar a su alumnos en el trading algorítmico. Pertenece a iRageCapital Advisory, empresa conocida por sus servicios relacionados con la creación de mesas de trading algorítmico.

Quantinsti

Redes Neuronales en Python

Esta tercera parte de Redes Neuronales en Python incluye los siguientes tópicos:

Red Neuronal en el Trading
Estrategia de Redes Neuronales en Python
Paso 1: Importar Bibliotecas
Paso 2: Obtener datos de Yahoo Finance
Paso 3: Preparar el conjunto de datos
Paso 4: Definiendo las características de entrada del conjunto de datos
Paso 5: Estandarización del conjunto de datos (preprocesamiento de datos)
Paso 6: Construyendo el modelo de red neuronal artificial
Paso 7: Configurando los parámetros de predicción
Paso 8: Cálculo de los rendimientos de la estrategia y determinación de las posiciones de trading
Conclusión

Red Neuronal en el Trading

Las redes neuronales ayudan a desarrollar estrategias basadas en la estrategia general de inversión. Ya sea de alto riesgo y enfocada en el crecimiento (operaciones a corto plazo) o una estrategia conservadora para inversiones a largo plazo, depende del tipo de estrategia de trading.

Por ejemplo, si deseas encontrar algunas acciones con un rendimiento de crecimiento particular o una tendencia alcista en el precio durante un período de un año, la red neuronal puede identificar esas acciones para tu portafolio, facilitando tu trabajo.

Estrategia de Redes Neuronales en Python

A continuación, veamos la representación estratégica con redes neuronales en Python.

Paso 1: Importar Bibliotecas

Comenzaremos importando algunas bibliotecas. Las otras se importarán a medida que se necesiten en el programa. Por ahora, importamos las bibliotecas que nos ayudarán a importar y preparar el conjunto de datos para entrenar y probar el modelo.

«`python

import numpy as np

import pandas as pd

import talib

«`

`Numpy` es un paquete fundamental para la computación científica. Lo utilizaremos para realizar cálculos sobre nuestro conjunto de datos. La biblioteca se importa usando el alias `np`.

`Pandas` nos ayudará con el poderoso objeto de dataframe, que se usará durante todo el código para construir la red neuronal artificial en Python.

`Ta-lib` es una biblioteca de análisis técnico que se usará para calcular el RSI y Williams %R, que serán características utilizadas para entrenar nuestra red neuronal.

Paso 2: Obtener datos de Yahoo Finance

«`python

import random

random.seed(42)

«`

`Random` se usa para inicializar la semilla a un número fijo para que cada vez que ejecutemos el código, comencemos con la misma semilla.

«`python

price_AAPL = yf.download(‘AAPL’, start=’2017-11-06′, end=’2023-01-03′, auto_adjust=True)

«`

Tomamos los datos de Apple del 6 de noviembre de 2017 al 3 de enero de 2023.

Paso 3: Preparar el conjunto de datos

Construiremos nuestras características de entrada utilizando solo los valores OHLC. Este conjunto de datos nos ayudará a especificar las características para entrenar nuestra red neuronal en el siguiente paso.

price_AAPL[‘H-L’] = price_AAPL[‘High’] – price_AAPL[‘Low’]

price_AAPL[‘O-C’] = price_AAPL[‘Close’] – price_AAPL[‘Open’]

price_AAPL[‘3day MA’] = price_AAPL[‘Close’].shift(1).rolling(window=3).mean()

price_AAPL[’10day MA’] = price_AAPL[‘Close’].shift(1).rolling(window=10).mean()

price_AAPL[’30day MA’] = price_AAPL[‘Close’].shift(1).rolling(window=30).mean()

price_AAPL[‘Std_dev’] = price_AAPL[‘Close’].rolling(5).std()

price_AAPL[‘RSI’] = talib.RSI(price_AAPL[‘Close’].values, timeperiod=9)

price_AAPL[‘Williams %R’] = talib.WILLR(price_AAPL[‘High’].values, price_AAPL[‘Low’].values, price_AAPL[‘Close’].values, 7)

Paso 4: Definiendo las características de entrada del conjunto de datos

Luego preparamos las diversas características de entrada que utilizará la red neuronal artificial para realizar las predicciones. Definimos las siguientes características de entrada:

– Precio máximo menos precio mínimo

– Precio de cierre menos precio de apertura

– Media móvil de tres días

– Media móvil de diez días

– Media móvil de 30 días

– Desviación estándar de un período de 5 días

– Índice de Fuerza Relativa (RSI)

– Williams %R

Después, definimos el valor de salida como el incremento del precio, que es una variable binaria que almacena 1 cuando el precio de cierre de mañana es mayor que el de hoy.

«`python

price_AAPL[‘Price_Rise’] = np.where(price_AAPL[‘Close’].shift(-1) > price_AAPL[‘Close’], 1, 0)

«`

A continuación, eliminamos todas las filas que contienen valores NaN usando la función `dropna()`.

«`python

price_AAPL = price_AAPL.dropna()

«`

Luego creamos dos dataframes para almacenar las variables de entrada y salida. El dataframe ‘X’ almacena las características de entrada. Las columnas comienzan desde la quinta columna del conjunto de datos y continúan hasta la penúltima columna. La última columna se almacena en el dataframe ‘y’, que es el valor de predicción (incremento del precio).

«`python

X = price_AAPL.iloc[:, 4:-1]

y = price_AAPL.iloc[:, -1]

«`

En esta parte del código, dividiremos nuestras variables de entrada y salida para crear los conjuntos de datos de prueba y entrenamiento. Esto se hace creando una variable llamada `split`, que se define como el valor entero del 80% de la longitud del conjunto de datos.

Luego, dividimos las variables `X` y `y` en cuatro dataframes separados: `X_train`, `X_test`, `y_train` y `y_test`. Esta es una parte esencial de cualquier algoritmo de aprendizaje automático, ya que los datos de entrenamiento se utilizan para que el modelo ajuste los pesos.

«`python

Dividiendo el conjunto de datos

split = int(len(price_AAPL) * 0.8)

X_train, X_test, y_train, y_test = X[:split], X[split:], y[:split], y[split:]

«`

El conjunto de datos de prueba se utiliza para ver cómo se desempeñará el modelo con nuevos datos. Además, se compara el valor real con el valor predicho para evaluar la eficiencia del modelo.

Paso 5: Estandarización del conjunto de datos (preprocesamiento de datos)

Otro paso importante en el preprocesamiento es la estandarización del conjunto de datos, lo que hace que la media de todas las características de entrada sea igual a cero y la varianza sea 1. Esto evita que el modelo le dé mayor peso a las características con valores más grandes.

Este paso se implementa importando el método `StandardScaler` de la librería `sklearn.preprocessing`.

«`python

Escalado de características

from sklearn.preprocessing import StandardScaler

sc = StandardScaler()

X_train = sc.fit_transform(X_train)

X_test = sc.transform(X_test)

«`

Paso 6: Construyendo el modelo de red neuronal artificial

Luego, usamos la función `fit_transform` para aplicar estos cambios a los conjuntos `X_train` y `X_test`. Las variables `y_train` y `y_test` contienen valores binarios, por lo que no necesitan ser estandarizadas. Una vez que los conjuntos de datos están listos, podemos proceder a construir la red neuronal artificial utilizando la librería Keras.

Importamos las funciones necesarias para construir la red neuronal. Usamos el método `Sequential` de `keras.models` para construir las capas de la red.

«`python

from keras.models import Sequential

from keras.layers import Dense

from keras.layers import Dropout

«`

Instanciamos la función `Sequential()` en la variable `classifier`, que se utilizará para construir las capas de la red neuronal.

«`python

classifier = Sequential()

«`

Para agregar capas a nuestro clasificador, utilizamos la función `add()`. El argumento de la función `add` es la función `Dense()`, que a su vez tiene los siguientes argumentos:

– Units (Unidades): Esto define el número de nodos o neuronas en esa capa en particular. Hemos establecido este valor en 128, lo que significa que habrá 128 neuronas en nuestra capa oculta.

– Kernel_initializer: Esto define los valores iniciales para los pesos de las diferentes neuronas en la capa oculta. Lo hemos definido como ‘uniform’, lo que significa que los pesos se inicializarán con valores de una distribución uniforme.

– Activation (Activación): Esta es la función de activación para las neuronas en la capa oculta. Aquí definimos la función como la función lineal rectificada o ‘relu’.

– Input_dim: Esto define el número de entradas a la capa oculta; hemos definido este valor igual al número de columnas de nuestro dataframe de características de entrada. Este argumento no será necesario en las capas posteriores, ya que el modelo sabrá cuántas salidas produjo la capa anterior.

«`python

classifier.add(Dense(units=128, kernel_initializer=’uniform’, activation=’relu’, input_dim=X.shape[1]))

«`

Luego, agregamos una segunda capa, con 128 neuronas, un inicializador de kernel uniforme y ‘relu’ como su función de activación. Solo estamos construyendo dos capas ocultas en esta red neuronal.

«`python

classifier.add(Dense(units=128, kernel_initializer=’uniform’, activation=’relu’))

«`

La siguiente capa que construiremos será la capa de salida, de la cual requerimos una única salida. Por lo tanto, el valor de `units` será 1, y la función de activación elegida es la función Sigmoid, ya que queremos que la predicción sea una probabilidad de que el mercado suba.

«`python

classifier.add(Dense(units=1, kernel_initializer=’uniform’, activation=’sigmoid’))

«`

Finalmente, compilamos el clasificador pasando los siguientes argumentos:

– Optimizer (Optimizador): El optimizador elegido es ‘adam’, que es una extensión del descenso de gradiente estocástico.

– Loss (Pérdida): Esto define la función de pérdida a optimizar durante el entrenamiento. Definimos esta pérdida como el error cuadrático medio.

– Metrics (Métricas): Esto define la lista de métricas que serán evaluadas por el modelo durante la fase de prueba y entrenamiento. Hemos elegido la precisión como nuestra métrica de evaluación.

«`python

classifier.compile(optimizer=’adam’, loss=’mean_squared_error’, metrics=[‘accuracy’])

«`

Ahora necesitamos ajustar la red neuronal que hemos creado a nuestros conjuntos de datos de entrenamiento. Esto se hace pasando `X_train`, `y_train`, el tamaño de lote y el número de épocas en la función `fit()`.

El tamaño de lote se refiere al número de puntos de datos que el modelo usa para calcular el error antes de retropropagar los errores y hacer modificaciones a los pesos. El número de épocas representa cuántas veces se realizará el entrenamiento del modelo en el conjunto de datos de entrenamiento.

«`python

classifier.fit(X_train, y_train, batch_size=10, epochs=100)

«`

Paso 7: Configurando los parámetros de predicción

Con esto, nuestra red neuronal artificial en Python ha sido compilada y está lista para hacer predicciones.

Ahora que la red neuronal ha sido compilada, podemos usar el método `predict()` para realizar la predicción. Pasamos `X_test` como argumento y almacenamos el resultado en una variable llamada `y_pred`. Luego, convertimos `y_pred` para almacenar valores binarios utilizando la condición `y_pred > 0.5`. Ahora, la variable `y_pred` almacena valores `True` o `False` dependiendo de si el valor predicho fue mayor o menor a 0.5.

«`python

Prediciendo el movimiento del stock

y_pred = classifier.predict(X_test)

y_pred = (y_pred > 0.5)

«`

A continuación, creamos una nueva columna en el dataframe con el encabezado de columna ‘y_pred’ y almacenamos valores `NaN` en dicha columna. Luego, almacenamos los valores de `y_pred` en esta nueva columna, comenzando desde las filas del conjunto de datos de prueba.

Esto se hace dividiendo el dataframe utilizando el método `iloc`, como se muestra en el código anterior. Luego, eliminamos todos los valores `NaN` del conjunto de datos y los almacenamos en un nuevo dataframe llamado `trade_price_AAPL`.

«`python

price_AAPL[‘y_pred’] = np.NaN

price_AAPL.iloc[(len(price_AAPL) – len(y_pred)):, -1:] = y_pred

trade_price_AAPL = price_AAPL.dropna()

«`

Paso 8: Cálculo de los rendimientos de la estrategia y determinación de las posiciones de trading

Ahora que tenemos los valores predichos del movimiento de las acciones, podemos calcular los rendimientos de la estrategia. Tomaremos una posición larga cuando el valor predicho de y sea verdadero y tomaremos una posición corta cuando la señal predicha sea falsa.

Primero calculamos los rendimientos que la estrategia ganará si se toma una posición larga al final del día de hoy y se liquida al final del día siguiente. Comenzamos creando una nueva columna llamada «Rendimientos de Mañana» en el dataframe *trade_price_AAPL* y almacenamos en ella un valor de 0.

Usamos notación decimal para indicar que se almacenarán valores de punto flotante en esta nueva columna. A continuación, almacenamos en ella los rendimientos logarítmicos de hoy, es decir, el logaritmo del precio de cierre de hoy dividido por el precio de cierre de ayer. Luego, desplazamos estos valores hacia arriba por un elemento para que los rendimientos de mañana se almacenen contra los precios de hoy.

«`python

# Cálculo de los rendimientos de la estrategia

trade_price_AAPL[‘Rendimientos de Mañana’] = 0.

trade_price_AAPL[‘Rendimientos de Mañana’] = np.log(trade_price_AAPL[‘Close’]/trade_price_AAPL[‘Close’].shift(1))

trade_price_AAPL[‘Rendimientos de Mañana’] = trade_price_AAPL[‘Rendimientos de Mañana’].shift(-1)

«`

A continuación, calcularemos los rendimientos de la estrategia. Creamos una nueva columna bajo el encabezado «Rendimientos de Estrategia» e inicializamos con un valor de 0 para indicar el almacenamiento de valores de punto flotante.

Usando la función `np.where()`, almacenamos el valor en la columna «Rendimientos de Mañana» si el valor en la columna «y_pred» es verdadero (una posición larga); de lo contrario, almacenamos el valor negativo de la columna «Rendimientos de Mañana» (una posición corta) en la columna «Rendimientos de Estrategia».

«`python

trade_price_AAPL[‘Rendimientos de Estrategia’] = 0.

trade_price_AAPL[‘Rendimientos de Estrategia’] = np.where(trade_price_AAPL[‘y_pred’] == True, trade_price_AAPL[‘Rendimientos de Mañana’], – trade_price_AAPL[‘Rendimientos de Mañana’])

«`

Ahora calculamos los rendimientos acumulados tanto para el mercado como para la estrategia. Estos valores se calculan usando la función `cumsum()`. Usaremos la suma acumulativa para trazar el gráfico de los rendimientos del mercado y la estrategia en el último paso.

«`python

trade_price_AAPL[‘Rendimientos Acumulados del Mercado’] = np.cumsum(trade_price_AAPL[‘Rendimientos de Mañana’])

trade_price_AAPL[‘Rendimientos Acumulados de la Estrategia’] = np.cumsum(trade_price_AAPL[‘Rendimientos de Estrategia’])

«`

A continuación, trazaremos los rendimientos del mercado y los rendimientos de nuestra estrategia para visualizar cómo se está desempeñando nuestra estrategia frente al mercado. Para esto, importaremos `matplotlib.pyplot`.

Luego, usamos la función `plot()` para trazar los gráficos de los Rendimientos del Mercado y Rendimientos de la Estrategia usando los valores acumulados almacenados en el dataframe `trade_dataset`. Creamos la leyenda y mostramos el gráfico usando las funciones `legend()` y `show()` respectivamente.

«`python

# Graficar los rendimientos

import matplotlib.pyplot as plt

plt.figure(figsize=(10,5))

plt.plot(trade_price_AAPL[‘Rendimientos Acumulados del Mercado’], color=’r’, label=’Rendimientos del Mercado’)

plt.plot(trade_price_AAPL[‘Rendimientos Acumulados de la Estrategia’], color=’g’, label=’Rendimientos de la Estrategia’)

plt.title(‘Rendimientos del Mercado y de la Estrategia’, color=’purple’, size=15)

# Etiquetas de los ejes

plt.xlabel(‘Fechas’, {‘color’: ‘orange’, ‘fontsize’:15})

plt.ylabel(‘Rendimientos(%)’, {‘color’: ‘orange’, ‘fontsize’:15})

plt.legend()

plt.show()

«`

El gráfico mostrado es el resultado del código. La línea verde representa los rendimientos generados usando la estrategia y la línea roja representa los rendimientos del mercado.

Puedes observar en la salida anterior que los rendimientos de la estrategia alcanzaron su punto máximo en enero de 2023 después de fluctuar (hacia arriba y hacia abajo) durante los otros períodos de tiempo.

Los rendimientos de la estrategia superan ocasionalmente los rendimientos del mercado.

De manera similar, puedes modificar los parámetros de la estrategia según tu comprensión del mercado y expectativas.

Conclusión

Creemos que ahora puedes construir tu propia Red Neuronal Artificial en Python y comenzar a operar utilizando la potencia e inteligencia de tus máquinas.

Además de las Redes Neuronales, existen muchos otros modelos de aprendizaje automático que se pueden utilizar para operar. La Red Neuronal Artificial o cualquier otro modelo de Deep Learning será más efectivo cuando tengas más de 100,000 puntos de datos para entrenar el modelo.

Este modelo se desarrolló con precios diarios para hacerte entender cómo construir el modelo. Se recomienda usar datos por minuto o por tick para entrenar el modelo, lo que te dará suficientes datos para un entrenamiento efectivo.

Puedes inscribirte en el curso de redes neuronales de Quantra, donde puedes usar técnicas avanzadas de redes neuronales y los últimos modelos de investigación, como LSTM y RNN, para predecir mercados y encontrar oportunidades de trading. Keras, la biblioteca de Python relevante, es utilizada.

Bibliografía

Srinath R1, Sarvaesh Raam S2, May 2022

Comparte este articulo:

">

LIT está en auge… por Alex Barrow

Cofundador de Macro Ops, www.macro-ops.com. Global Macro fanático, ex francotirador profesional y miembro de la inteligencia de los EE. UU.

Alex Barrow / MACRO OPS

LIT está en auge…

La confianza es fundamental en el trading. Si no estás convencido de que puedes ganar, nunca deberías entrar al ring.

~ Marth Schwartz

En el Dirty Dozen [CHART PACK] de esta semana, cubrimos indicios crecientes de fragilidad a corto plazo, récords en la compra de opciones de compra en crudo, aumento de solicitudes de desempleo, y reiteramos el caso alcista para las mineras de litio, entre otros temas…

1. Somos optimistas sobre la tendencia principal del mercado, pero hemos estado señalando durante las últimas dos semanas cómo algunos indicadores, como nuestro indicador de Fragilidad de Tendencia y la Relación Call-Put de la CBOE, están sobreextendidos. Esto significa que hay un riesgo creciente de una corrección a corto plazo en los mercados pronto.

2. Nuestro Indicador de Sentimiento de MO para el SPX también ha subido al percentil 100, lo que en el pasado ha precedido a malos rendimientos a 1-3 meses.

3. El indicador Bull & Bear de BofA saltó a una lectura de 7 la semana pasada, su nivel más alto en bastante tiempo. Tal vez veamos una corrida parabólica en el mercado durante las próximas semanas que desencadene una señal de venta adecuada.

4. BofA sobre lo que impulsó el gran aumento en el indicador…

Indicador Bull & Bear de BofA: Se dispara a 7.0 desde 6.0 impulsado por entradas récord en acciones y deuda de mercados emergentes (EM), además de mejores condiciones crediticias técnicas. Se necesitan catalizadores para llevar el Indicador Bull & Bear de BofA a la señal de «venta» por encima de 8.0 en las próximas semanas… Los niveles de efectivo de BofA Global FMS caen por debajo del 3.8%, b. el porcentaje de índices bursátiles globales que cotizan en «sobrecompra» sube del 33% al >88%, c. entradas de más de 2 billones de dólares en fondos de deuda EM, mientras que las entradas en acciones de EM siguen siendo fuertes.

Sobre Posicionamiento: La Encuesta de Administradores de Fondos de BofA de octubre se publicará el próximo martes; la euforia de los inversores y, por tanto, señales de pausa/retracción… a. los niveles de efectivo caen del 4.2% a <4.0% (históricamente negativo para activos de riesgo), b. las expectativas de crecimiento global aumentan >30 puntos porcentuales desde la lectura neta de -42% en septiembre, y c. la asignación de acciones globales sube del 11% neto en septiembre a >25% de sobreponderación, es decir, por encima del promedio de 23 años.

5. «El interés abierto agregado para las opciones de compra de Brent —que se benefician cuando los precios suben— aumentó a un récord de 2,19 millones de contratos al jueves.» ~ BBG

6. La posición actual y el contexto de sentimiento para el crudo siguen siendo favorables.

7. El porcentaje de estados de EE. UU. con aumento en las solicitudes de desempleo ha vuelto a subir por encima del 20% interanual. Esto ha sido un buen indicador de recesión en el pasado, aunque claramente no es el caso ahora. Pero muestra que algo más que los huracanes está impactando el mercado laboral (gráfico de Simon White de BBG).

8. Hace poco más de dos semanas, señalé los flujos negativos profundamente en el fondo LIT y el elevado interés corto, combinado con la mejora del contexto técnico (enlace aquí). Varias de las participaciones de LIT han subido desde entonces, con algunos nombres subiendo más del 90% en el mes.

9. El gráfico semanal parece intentar romper su canal bajista. Los suelos suelen tardar en formarse, así que se espera volatilidad continua en este espacio.

10. BNEF escribe que «la demanda de litio se cuadruplicará entre 2023 y 2030 bajo el Escenario de Transición Económica, superando los 2 millones de toneladas métricas equivalentes de carbonato de litio (LCE). El crecimiento hasta 2040 y 2050 es aún más rápido, con un aumento de 10 y 11 veces desde los niveles de 2023, respectivamente. El exceso actual en el mercado de litio ha llevado a una desaceleración en las expansiones de capacidad y la puesta en marcha de proyectos, ya que los mineros revisan sus planes ante los bajos precios. El suministro primario no será suficiente para satisfacer la demanda a mediados de la década de 2030 bajo el Escenario de Transición Económica.»

Lithium+and+Nickel+Supply+101424

11. Usando la función «Holdings» de Koyfin, podemos ver quiénes son los principales ganadores en la cesta de LIT. Estos son los nombres en los que queremos centrarnos.

12. Nos gustan algunos de estos nombres, siendo uno de ellos SLI (el gráfico a continuación es semanal). Tiene un fuerte rendimiento relativo y mejorando sus indicadores técnicos. Brandon y yo compartiremos algunas investigaciones sobre este y otros nombres en los próximos días.

Comparte este articulo:

">

Secuencia de Rendimientos por Ben Carlson

Ben Carlson es gestor de carteras para instituciones e inversores en Ritholtz Wealth Management LL. Escribe habitualmente sobre gestión patrimonial, inversiones, mercados financieros y psicología del inversor.

Ben Carlson / Ritholtz Wealth Management LL

Secuencia de Rendimientos

Un lector pregunta:

Por favor, ayúdame a resolver una disputa que tengo con un amigo: Él dice que preferiría que el mercado de valores solo baje un poco y luego suba de manera constante cada año durante sus años laborales, porque recuperarse de una caída del 30% en tu cartera actual sería difícil. Yo preferiría comprar acciones en descuento. Preferiría que el mercado bajara un 30% durante los próximos 5 años, lo que me permitiría obtener acciones a precios bajos. Luego, cuando me jubile, que el mercado suba durante los próximos 10 años o más. ¿Podrías ayudarnos a probar matemáticamente cuál escenario tiene más sentido?

Me encanta que estos amigos estén debatiendo sobre el mercado de valores. Estas son mi clase de personas.

Esta es una buena pregunta para el entorno actual también.

Este año ha habido 46 nuevos máximos históricos en el S&P 500. El mercado sigue subiendo.

En 2022, solo hubo un nuevo máximo histórico el primer día de negociación del año. A partir de ahí, el mercado solo siguió cayendo.

Entonces, ¿cuál es el mejor escenario: invertir con caídas al inicio de tu carrera o un estado estable donde las cosas solo siguen subiendo?

Realmente depende de en qué etapa estés en tu ciclo de inversión.

El entorno actual del mercado es maravilloso si ya posees una buena cantidad de activos financieros. Los baby boomers deberían amar estos nuevos máximos históricos porque han estado invertidos durante tanto tiempo y están en o acercándose a la jubilación.

No quieres caídas al inicio de tus años de jubilación porque no querrás verte obligado a vender acciones cuando estén en baja. El riesgo de secuencia de rendimientos puede ser un problema si tienes mal timing o no suficiente diversificación para sobrellevar un mal comienzo en la fase de retiro.

Si eres joven y estarás haciendo contribuciones durante años, no deberías querer ver nuevos máximos históricos con regularidad. Deberías esperar más volatilidad para aprovechar los precios bajos. Deberías rogar por mercados bajistas para comprar acciones en descuento.

Veamos un ejemplo simple para poner algunos números. Aquí están los dos escenarios planteados en la pregunta:

Ambos escenarios, el de la caída y el estable, terminan con el mismo rendimiento anual del 9.1%, pero el camino para llegar allí es muy diferente.

Entonces, ¿cuál es mejor para un ahorrador?

Supongamos que pones $10,000 a trabajar al comienzo de cada año durante 10 años en cada escenario.

Después de 5 años, el escenario estable es obviamente mejor. Estar en baja un 15% durante 5 años seguidos conduciría a una caída de más del 55%. Pero mira dónde terminan las cosas después de 10 años de ahorro e inversión:

Ambos escenarios tienen la misma cantidad invertida ($100,000 en total) y el mismo retorno anualizado a 10 años (9.1%), pero casi duplicas tu dinero en el escenario de la caída temprana.

¿Cómo es esto posible?

Pasaste 5 años comprando acciones a precios más bajos y luego se recuperaron durante los siguientes 5 años. Ese es el sueño.

Por supuesto, es mucho más fácil soñar con esto que implementarlo. No todos tienen el estómago para invertir cuando las acciones están siendo golpeadas.

Además, no tienes control sobre la secuencia de rendimientos del mercado. Es más o menos aleatorio y depende de la suerte y el tiempo.

El punto aquí es que diferentes riesgos importan en diferentes momentos para diferentes inversores. No existe un entorno de mercado que sirva para todos.

Concéntrate en lo que puedes controlar, diversifica, toma buenas decisiones una y otra vez, aumenta la cantidad que ahorras cada año y haz lo mejor que puedas.

Pero no te equivoques: los mercados en baja son una ganancia para los jóvenes inversores que serán ahorradores netos durante años. Quieres que los mercados caigan para poder aprovechar grandes ofertas.

Solo no salgas corriendo de la tienda cuando todo esté en descuento.

Comparte este articulo:

">

La ampliamente temida recesión fantasma ha terminado por Dr. Ed Yardeni

El Dr. Ed Yardeni es una de las principales voces de LinkedIn en economía y finanzas. Colaborador habitual de los principales medios internacionales, actualmente dirige Yardeni Research una firma de consultoría que ofrece estrategias de inversión global, análisis y recomendaciones a clientes institucionales. Es autor de los libros «Predicting the Markets: A Professional Autobiography» y «Fed Watching for Fun & Profit”.

Dr. Ed Yardeni / Yardeni Research

La ampliamente temida recesión fantasma ha terminado

*Pagliacci* (Payasos, 1892) es una ópera en un prólogo y dos actos con música y libreto de Ruggero Leoncavallo. La obra cuenta la tragedia de un marido celoso y su esposa en una compañía de teatro de la *commedia dell’arte*. Al final, el marido mata a su esposa y a su amante. Entre lágrimas, declara las escalofriantes palabras “¡La commedia è finita!”, que en italiano significan “¡La comedia ha terminado!”.

Rudi Dornbusch, un reconocido macroeconomista alemán, una vez dijo: ‘Las expansiones no mueren de viejas. Me gusta decir que son asesinadas’. Eric y yo hemos observado que las expansiones económicas generalmente son asesinadas por la Reserva Federal cuando la política monetaria se ajusta para combatir la inflación, lo que provoca una crisis crediticia que rápidamente se convierte en una crisis crediticia a nivel económico y en una recesión. Hemos denominado este patrón repetitivo como el ‘Ciclo de Crisis Crediticia’.

Desde que la Reserva Federal (Fed) comenzó a subir la tasa de fondos federales (FFR) en marzo de 2022 (cuando comenzó el último ciclo de ajuste de política monetaria), la mayoría de los economistas predijeron que esto provocaría una recesión. Este consenso estaba respaldado por la inversión de la curva de rendimientos y el descenso del Índice de Indicadores Económicos Líderes. Nos opusimos a esta visión por varias razones que hemos discutido en numerosas ocasiones desde principios de 2022.

La Fed dejó de subir la FFR en julio de 2023, y los temores de una recesión comenzaron a disminuir. No obstante, a principios de 2024, los mercados financieros y la mayoría de los economistas creían que la Fed tendría que bajar significativamente la FFR entre cinco o seis veces en 25 puntos básicos (bps) cada vez para evitar una recesión en 2024 causada por los llamados ‘largos y variables retrasos’ de la política monetaria (Fig. 1). Eso no tenía sentido para nosotros, por lo que predijimos dos recortes, tres como máximo. No hubo recortes hasta el 18 de septiembre, cuando la FFR se redujo en 50 bps.

Aun así, al día siguiente el mercado de futuros de la FFR indicaba otros siete recortes de 25 bps en la FFR en los próximos 12 meses, incluyendo otros 50 bps de recortes de tasas para fin de año (Fig. 2). Nuevamente, eso no tenía sentido para nosotros, ya que creíamos que la debilidad económica del verano era solo un bache temporal y no requería una respuesta agresiva de relajación por parte de la Fed.

tc 20241007 2

Tras el sólido informe de empleo de septiembre del viernes, el mercado de futuros de la FFR predijo cinco o seis recortes de tasas en los próximos 12 meses, incluyendo uno para el resto de este año. Nosotros predecimos que no habrá más recortes este año, por las 12 razones que discutimos a continuación.

Mientras tanto, desde principios de este año, algunos defensores del aterrizaje forzoso han seguido convencidos de que una recesión aún era inminente. De hecho, un par de ellos afirmaban que la economía ya estaba en recesión.

El viernes, su dramático grito operático terminó abruptamente. El sólido informe de empleo de septiembre y las revisiones al alza de julio y agosto asesinaron el escenario del aterrizaje forzoso. Trágicamente, fue un aterrizaje muy duro para los defensores del aterrizaje forzoso. Que descansen en paz.

Los pocos defensores que quedan inmediatamente acudieron a las redes sociales para cuestionar la exactitud de los datos de empleo. Es una tradición entre los economistas afirmar, cuando los datos no respaldan sus predicciones, que algo debe estar mal con los datos. De hecho, nosotros utilizamos este argumento durante el verano, cuando la economía era más débil de lo que esperábamos: culpamos al clima. Así que ahora decimos que los últimos datos fuertes son buenos porque apoyan nuestra tesis de una economía resiliente.

Antes de ser demasiado arrogantes, debemos notar que no estamos descartando por completo la posibilidad de una recesión. Aún asignamos una probabilidad subjetiva del 20% a un aterrizaje forzoso provocado por un evento geopolítico al estilo de los años 70 (Fig. 3). Si los israelíes atacan las instalaciones petroleras, militares y nucleares de Irán con todo lo que tienen en los próximos días, el resultado podría ser un aumento dramático en el precio del petróleo, así como una escasez de este vital recurso si los iraníes bloquean el Estrecho de Ormuz (Fig. 4). La represalia de Israel podría ocurrir en cualquier momento, incluso hoy, que es el aniversario del ataque de Hamás a Israel. Esto podría llevar a una recesión global.

tc 20241007 4

En cualquier caso, la noción de que los efectos retardados del endurecimiento de la política monetaria causarán una recesión liderada por los consumidores está muerta, en nuestra opinión. La recesión provocada por la Fed que no se materializó seguirá sin materializarse, especialmente ahora que la Fed ha comenzado a bajar la FFR aunque no esté justificado por el desempeño de la economía.

Para los defensores del aterrizaje forzoso: ¡La commedia è finita!»

Comparte este articulo:

">

Cómo Mejorar el Momentum de los Sectores en ETFs por Quantpedia

La misión de Quantpedia es procesar la investigación académica financiera de una forma más fácil de usar, para ayudar a cualquiera que busque nuevas ideas de estrategias cuantitativas y algorítmicas. Nuestro equipo está formado por miembros experimentados con diferentes antecedentes: financieros, matemáticos y traders, combinados con miembros con un sólido conocimiento técnico y de TI.

Quantpedia / Quantpedia.com

Mejorar el Momentum de los Sectores en ETFs

En este artículo, exploramos el rendimiento histórico de las estrategias de momentum sectorial y examinamos cómo su alfa ha disminuido con el tiempo. Al analizar las causas subyacentes de esta caída, identificamos los factores clave que contribuyen al bajo rendimiento. Lo más importante es que presentamos un enfoque mejorado para el momentum sectorial, demostrando cómo esta solución mejora significativamente el rendimiento de una estrategia de momentum en ETFs, haciéndola nuevamente una herramienta efectiva para los inversores sistemáticos.

Introducción

El momentum sectorial es una estrategia de inversión que busca capitalizar el rendimiento continuo de sectores específicos del mercado, enfocándose en aquellos con retornos recientes fuertes, bajo la suposición de que este momentum continuará. En este artículo, exploramos el momentum sectorial específicamente en el contexto de los ETFs. Anteriormente hemos examinado estrategias similares en *Sector Momentum – Rotational System* y *Industry Momentum – Riding Industry Bubbles*, donde nos concentramos en estrategias *long-only*. Aunque la alfa de las estrategias de momentum sectorial fue interesante en el pasado, la alta correlación entre sectores y la mayor eficiencia del mercado con la introducción de los ETFs como vehículos de inversión redujeron el rendimiento del momentum sectorial tradicional *long-short*. Abordamos un desafío similar en *Robustness Testing of Country and Asset ETF Momentum Strategies*. Nuestro objetivo en este estudio es mejorar las estrategias de momentum sectorial, ya sea a través de enfoques *long-short* o *long-only*, buscando mejorar el rendimiento general a pesar de estas dificultades. También tratamos un problema similar de mejora de estrategias de momentum en el artículo *How to Improve Commodity Momentum Using Intra-Market Correlation*.

En este estudio, utilizamos un conjunto de datos que comprende los 9 sectores del índice S&P 500 (ETFs) para todos los análisis. Estos sectores incluyen XLB (materiales), XLE (energía), XLF (financieros), XLI (industriales), XLK (tecnología), XLP (productos de consumo básico), XLU (servicios públicos), XLV (salud) y XLY (consumo discrecional). Todos estos ETFs están ajustados por dividendos y splits, lo que significa que los precios históricos se han modificado para reflejar pagos de dividendos y desdoblamientos de acciones. Este ajuste proporciona una representación más precisa del rendimiento del ETF a lo largo del tiempo, teniendo en cuenta los rendimientos totales, incluidos los dividendos reinvertidos, y corrigiendo los cambios de precio debido a los desdoblamientos. El uso de estos precios ajustados es crucial para un análisis preciso del rendimiento histórico y la comparación de estrategias. Los datos se obtuvieron de Yahoo Finance y representan los precios de cierre ajustados diarios de los ETFs en cuestión, cubriendo el período del 22 de diciembre de 1998 al 5 de septiembre de 2024.

Además, es importante aclarar que en este estudio, la notación «S&P 500» se refiere al ETF SPY (SPDR S&P 500 ETF Trust), que también está ajustado por dividendos y splits. Este fondo cotizado en bolsa replica el rendimiento del índice S&P 500, mientras que los ajustes consideran dividendos y desdoblamientos de acciones. Utilizamos estos datos como referencia para la comparación.

En cada tabla, *perf* representa el rendimiento anual (retorno), *st dev* se refiere a la desviación estándar anual, *max dd* significa la pérdida máxima y el ratio de Sharpe se calcula como el retorno ajustado por la volatilidad, mientras que el ratio de Calmar es el retorno negativo ajustado por la pérdida máxima.

En esta investigación, calculamos el momentum de los ETFs basado en los precios ajustados mensuales de cada ETF individual. Cada mes, ordenamos los valores de momentum de los 9 ETFs de mayor a menor. Luego seleccionamos un número opcional de ETFs para ir en corto (aquellos con menor valor de momentum) y un número opcional para ir en largo (los de mayor valor de momentum).

Paso 1 – Benchmark (Referencia)

En el primer paso, nos centramos en dos benchmarks para nuestra investigación, con el fin de comparar la efectividad de las estrategias probadas a continuación. Para este propósito, creamos un benchmark de peso igualitario (EW) que incluye los 9 ETFs, reequilibrado mensualmente, y luego lo comparamos con el índice S&P 500.

Snimka obrazovky 2024 09 29 194456 — Figura 1: Gráfico que ilustra el rendimiento de los benchmarks en el período de 1999 a 2023.

Snimka obrazovky 2024 09 29 194555 — Tabla 1: Características básicas del rendimiento de los benchmarks.

El gráfico en la Figura 1 muestra claramente que el benchmark de peso igualitario (EW) supera al índice S&P 500 en el período de 1999 a 2023. La efectividad del benchmark EW también se apoya en los ratios de Sharpe y Calmar presentados en la Tabla 1.

Paso 2 – Estrategia de momentum long/short

En segundo lugar, queríamos evaluar la efectividad de las estrategias de momentum long/short en los sectores del S&P 500. Seleccionamos los 3 peores ETFs para ir en corto y los 3 mejores para ir en largo, basándonos en su momentum. Para este análisis, consideramos un período de clasificación de momentum de 12 meses y un período de mantenimiento de 1 mes.

Snimka obrazovky 2024 10 08 141614 — Figura 2: Gráfico que ilustra el rendimiento de la estrategia de momentum 3 long/3 short.

Snimka obrazovky 2024 10 03 105053 — Tabla 2: Características básicas de la estrategia de momentum 3 long/3 short.

La estrategia de momentum 3 long/3 short ha mostrado un rendimiento pobre, caracterizado por retornos negativos y pérdidas máximas elevadas, lo que resulta en ratios desfavorables. La curva del gráfico muestra una evolución inestable con una tendencia decreciente, lo que refleja ineficiencia. El único aspecto positivo de esta estrategia es su rendimiento positivo durante crisis de mercado, lo que indica algunas propiedades de cobertura.

Además, ajustamos gradualmente el período de clasificación, que varió de 1 a 12 meses, y variamos el número de activos en los lados long/short (4v4, 3v3, 2v2, 1v1). Desafortunadamente, estos cambios no arrojaron resultados beneficiosos.

Paso 3 – Separación de las patas de momentum long/short

A continuación, decidimos separar el momentum long/short en una estrategia de momentum *long-only* y otra de *short-only*.

Estrategia de momentum long-only

Cuando nos enfocamos en la estrategia *long-only*, decidimos establecer un período de clasificación de 12 meses para el momentum (y un período de mantenimiento/reequilibrio de 1 mes), ya que es un período ampliamente utilizado en la mayoría de los estudios académicos. Aplicamos este período de clasificación en cada caso de estrategia, seleccionando 1 sector con el mejor momentum mensual (1 Long), 2 sectores con el mejor momentum (2 Long) y continuamos este proceso hasta seleccionar 6 sectores con el mejor momentum (6 Long).

Snimka obrazovky 2024 10 01 145229 — Tabla 3: Características básicas de rendimiento de las estrategias de momentum long-only.

Considerando principalmente los resultados del ratio de Sharpe, la estrategia de momentum *long-only* muestra un potencial prometedor, especialmente cuando se seleccionan 4 o más sectores para ir en largo.

Estrategia de momentum short-only

Similar a la estrategia *long-only*, también establecimos un período de clasificación de 12 meses y seleccionamos 1 (1 Short), 2 (2 Short), hasta 6 (6 Short) sectores para ir en corto, basándonos en el peor momentum mensual, y luego calculamos sus características de rendimiento.

Snimka obrazovky 2024 10 01 145259 — Tabla 4: Características básicas de rendimiento de las estrategias de momentum short-only.

Basado en los resultados del rendimiento de cada estrategia, podemos concluir que la estrategia que involucra el sector con el peor momentum arroja los mejores resultados, aunque todavía son negativos. Sin embargo, lo sorprendente es que la estrategia de momentum *short-only* que selecciona un ETF no tiene un rendimiento tan negativo como otras variantes, ya que un rendimiento de -7% es significativamente mejor que uno de -10%.

Luego, tuvimos una inspiración: ¿qué pasaría si usáramos una estrategia de momentum *long-short* asimétrica que seleccionara diferentes cantidades de activos en la pata larga en comparación con la pata corta? ¿Y si la pata corta (pata de cobertura) no tuviera el mismo peso que la pata larga? No necesitamos cubrir el 100% de la pata de momentum largo con la pata de momentum corto; puede ser suficiente ir en corto con una porción pequeña y aumentar el rendimiento del momentum *long-short* general al reducir la exposición beta de la pata larga, cubriendo con una pata corta (relativamente) más económica.

Por lo tanto, la conclusión es que la estrategia de momentum *long-only* es más efectiva cuando incluye 4, 5 o 6 sectores, mientras que la estrategia de momentum *short-only* obtiene los mejores resultados utilizando solo 1 sector. Además, analizaremos estrategias que no cubran el mismo porcentaje de la cartera que la posición larga.

Paso 4 – Combinación de la estrategia de momentum y short

Considerando los resultados de las estrategias de momentum *long-only* y *short-only* (introducidas en el Paso 3), decidimos combinar la estrategia *long-only* con una cobertura selectiva, donde la estrategia corta no se establece con un peso del 100%, sino solo entre el 5% y el 30%. Al trabajar con esta estrategia, es necesario tener en cuenta los costos de las posiciones cortas. Asumimos que están aproximadamente al nivel de la tasa de interés a 3 meses.

Decidimos implementar una estrategia de momentum + *short*, utilizando 4, 5 o 6 sectores en la estrategia de momentum largo mientras se va en corto en 1 sector. Para este activo, inicialmente establecimos un peso del 5%, luego lo aumentamos al 10%, seguido del 15%, y continuamos hasta alcanzar el 30%. A lo largo de este análisis, mantuvimos un período de clasificación de 12 meses (y un período de reequilibrio de 1 mes).

Snimka obrazovky 2024 10 01 171721 — Tabla 5: Características básicas del rendimiento de la estrategia de momentum de 4 sectores combinada con una estrategia corta con pesos de 5%, 10%, hasta el 30%.

Snimka obrazovky 2024 10 01 171746 1 — Tabla 6: Características básicas del rendimiento de la estrategia de momentum de 5 sectores combinada con una estrategia corta con pesos de 5%, 10%, hasta el 30%.

Snimka obrazovky 2024 10 01 171829 — Tabla 7: Características básicas del rendimiento de la estrategia de momentum de 6 sectores combinada con una estrategia corta con pesos de 5%, 10%, hasta el 30%.

Al comparar los resultados de las Tablas 5, 6 y 7 con los de la Tabla 1 presentados en el Paso 1, podemos concluir que las estrategias de momentum + *short* son más efectivas que el índice S&P 500 o el benchmark de ponderación igualitaria. Por lo tanto, su aplicación es beneficiosa para los inversores, especialmente la estrategia de momentum de 5 sectores.

Sin embargo, surge una pregunta: ¿puede esta estrategia mejorarse aún más?

Paso 5 – Venta selectiva en corto

En este paso, ajustamos el aspecto de venta en corto de la estrategia, enfocándonos en la venta corta selectiva. Mantener una posición corta durante todo el período de inversión no es necesario. En cambio, apuntamos a mantener la posición corta solo cuando el benchmark de ponderación igualitaria (introducido en el Paso 1) estuviera en una tendencia negativa, es decir, por debajo del promedio móvil de 12 meses.

Al igual que en el paso anterior, seleccionamos 4, 5 y 6 sectores con el mejor momentum mensual para la parte de momentum largo. Para la parte de momentum corto, utilizamos 1 sector con el peor momentum mensual, aplicando configuraciones de peso variables del 5% al 30% en incrementos del 5%, pero solo cuando el benchmark de ponderación igualitaria mostró una tendencia negativa. El período de clasificación de 12 meses se mantiene sin cambios.

Snimka obrazovky 2024 10 02 133906 — Tabla 8: Características básicas de rendimiento de la estrategia de momentum de 4 sectores combinada con una estrategia de venta corta selectiva con pesos de 5%, 10%, hasta el 30%.

Snimka obrazovky 2024 10 02 133951 — Tabla 9: Características básicas de rendimiento de la estrategia de momentum de 5 sectores combinada con una estrategia de venta corta selectiva con pesos de 5%, 10%, hasta el 30%.

Snimka obrazovky 2024 10 02 134018 — Tabla 10: Características básicas de rendimiento de la estrategia de momentum de 6 sectores combinada con una estrategia de venta corta selectiva con pesos de 5%, 10%, hasta el 30%.

Hemos concluido que aplicar la estrategia corta solo cuando el benchmark de ponderación igualitaria cae por debajo del promedio móvil de 12 meses arroja resultados favorables, con valores del ratio de Sharpe entre 0.60 y 0.70, lo que es aún más efectivo que la estrategia de momentum + *short* por sí misma.

Similar al Paso 4, los mejores resultados se obtienen utilizando una estrategia de momentum de 5 sectores, como se muestra en la Tabla 9. Basándonos en esto, decidimos comparar esta estrategia con el índice S&P 500 para evaluar su efectividad. Para este análisis, la posición corta incluye 1 sector, con un peso del 25%.

Snimka obrazovky 2024 10 10 151701 — Figura 3: Gráfico que ilustra el rendimiento de la estrategia de momentum corto selectiva utilizando 5 sectores para momentum largo y 1 sector para corto con un peso del 25%, en comparación con el rendimiento del S&P 500 desde 1999 hasta 2023.

A primera vista, es evidente que nuestra estrategia de momentum largo-corto y el índice S&P 500 exhiben comportamientos muy similares en el mercado, aunque con intensidades de crecimiento diferentes. Nuestra estrategia ha generado valores notablemente más altos, mostrando una tendencia a crecer y superar al benchmark desde 2001 hasta el final del período observado.

Conclusión

La estrategia de momentum sectorial *long-short* en ETFs por sí sola no tiene un buen desempeño, lo que la hace poco rentable. Afortunadamente, hay enfoques que pueden mejorar esta estrategia. Aunque la separación en momentum largo y corto no es muy beneficiosa de forma independiente, los ajustes correctos en las patas largas y cortas pueden generar resultados eficientes. Descubrimos que combinar 4, 5 o 6 sectores con los mejores valores de momentum mensual para posiciones largas, junto con 1 sector con el peor valor de momentum mensual para posiciones cortas (aplicado con un peso que no exceda el 30%), aumenta significativamente el rendimiento de la estrategia. Este enfoque puede mejorarse aún más si se va en corto solo cuando el valor del benchmark de ponderación igualitaria está por debajo del promedio móvil de 12 meses. Con esta estrategia refinada, el ratio de Sharpe alcanza valores excelentes, que oscilan entre 0.60 y 0.72, y también supera al índice S&P 500 en más de 20 años, reflejando su efectividad.

Comparte este articulo:

">

Por qué un apalancamiento excesivo puede sabotear tu trading por Kevin Davey

Kevin Davey es un conocido trader de futuros, divisas y materias primas. Ha estado operando durante más de 25 años. Durante tres años consecutivos, Kevin logró más del 100 % de rendimiento anual en un campeonato de trading con dinero real. Es autor del libro de trading algorítmico «Building Algorithmic Trading Systems: A Trader’s Journey From Data Mining to Monte Carlo Simulation to Live Trading» (Wiley 2014).

Kevin Davey / kjtradingsystems.com

un apalancamiento excesivo puede sabotear tu trading

Estoy seguro de que has visto anuncios de brokers de forex o futuros promocionando el increíble apalancamiento que puedes tener al operar. Si bien es cierto que el apalancamiento es genial cuando una operación se mueve a tu favor, también puede arruinar tu cuenta en un instante cuando va en tu contra.

Por ejemplo, muchos brokers de forex ofrecen un apalancamiento de 100:1 en operaciones de forex. Algunos incluso ofrecen 400:1, pero como 100:1 ya es bastante extremo, nos quedaremos con ese para este ejemplo.

Supongamos que compras 1 lote estándar de forex en el par Euro-Dólar estadounidense (EURUSD). Esperas que el precio suba para vender con ganancia. Un lote estándar tiene un valor de $100,000, y solo necesitas $1,000 de margen para realizar esa operación. Cada pip que se mueva la operación significará una ganancia o pérdida de $10. (Si necesitas ayuda para calcular el valor de los pips, ve a mi página de Calculadoras, donde tengo una «Calculadora de Pips en Forex«).

En este punto, podrías pensar: «Bueno, $10 por pip es solo el 1% de mi cuenta, así que es un número bastante pequeño. Mi riesgo no es tan alto.» Pero, en un día promedio, el rango (la diferencia entre el precio más alto y el más bajo) del par EURUSD es de unos 100 pips, o $1,000. Y durante la crisis financiera de 2008, el rango diario llegó a ser de hasta 480 pips, o $4,800.

Por lo tanto, en un día cualquiera, podrías fácilmente ganar o perder miles de dólares. Si bien la idea de ganar $1,000 con un depósito de margen de $1,000 es sin duda atractiva, piensa en la otra cara de la moneda. Podrías perder fácilmente TODO tu margen (o incluso más) en un solo día. Eso ya no suena tan atractivo, ¿verdad?

¿Qué deberías hacer para evitar esta espada de doble filo que es el apalancamiento?

Simple: si crees que tienes algún tipo de ventaja operativa, opera al principio con un apalancamiento muy pequeño, por ejemplo, de 2 a 1. En el ejemplo del forex, eso significaría que necesitarías $50,000 para abrir una posición estándar, lo cual obviamente no es muy atractivo para quienes tienen cuentas pequeñas. Pero el punto es que si tu sistema no funciona, las operaciones con un alto apalancamiento solo te arruinarán más rápido. ¿Por qué tirar tu dinero hasta que sepas que tienes algo que funciona?

Recuerda, te estás uniendo a un juego donde el 90% de las personas pierden. Tu mejor oportunidad de éxito es operar en pequeño hasta que sepas que tienes una ventaja, y luego, cuando te sientas cómodo, puedes aumentar el apalancamiento que utilizas. Usar un alto apalancamiento desde el principio es una forma rápida de, eventualmente, y casi inevitablemente, acabar con tu cuenta.

Comparte este articulo:

">

Redes Neuronales en Python: Tipos, Estructura y Estrategias de Trading – Machine Learning (Parte 2) por Quantinsti

El objetivo de Quantinsti es formar a su alumnos en el trading algorítmico. Pertenece a iRageCapital Advisory, empresa conocida por sus servicios relacionados con la creación de mesas de trading algorítmico.

Quantinsti

Redes Neuronales en Python

Esta segunda parte de Redes Neuronales en Python incluye los siguientes tópicos:

¿Cómo entrenar una red neuronal?
Función de costo
Descenso del Gradiente
Tipos de Descenso del Gradiente
Retropropagación

¿Cómo entrenar una red neuronal?

Para simplificar las cosas en el tutorial de redes neuronales, podemos decir que existen dos formas de programar para realizar una tarea específica:

1. Todas las reglas del programa se definen, y se le dan las entradas para que compute el resultado.

2. Desarrollar un marco sobre el cual el código aprenderá a realizar la tarea específica entrenándose en un conjunto de datos y ajustando el resultado que calcula para que esté lo más cerca posible de los resultados reales observados.

Este segundo proceso se llama entrenar el modelo, que es en lo que nos vamos a enfocar. Veamos cómo nuestra red neuronal se entrenará para predecir los precios de las acciones.

La red neuronal recibirá el conjunto de datos, que consiste en los datos OHLCV (apertura, máximo, mínimo, cierre y volumen) como entrada. Como salida, también le daremos al modelo el precio de cierre del día siguiente, que es el valor que queremos que el modelo aprenda a predecir. El valor real de la salida será representado por ‘y’, y el valor predicho será representado por y^ (y sombrero).

El entrenamiento del modelo implica ajustar los pesos de las variables para todas las diferentes neuronas presentes en la red neuronal. Esto se realiza minimizando la Función de Costo. La función de costo, como su nombre lo indica, es el costo de hacer una predicción usando la red neuronal. Es una medida de cuán alejado está el valor predicho, y^, del valor real u observado, y.

Existen muchas funciones de costo utilizadas en la práctica, pero la más popular se calcula como la mitad de la suma de las diferencias al cuadrado entre los valores reales y los predichos para el conjunto de entrenamiento:

C = $\sum \frac{1}{2} (y^ – y)^2 $

Primero, la red neuronal se entrena calculando la función de costo para el conjunto de entrenamiento. Es importante destacar que el conjunto de entrenamiento tiene un conjunto inicial de pesos para las neuronas. Después, la red intenta mejorar ajustando esos pesos.

Luego, la red neuronal recalcula la función de costo con los nuevos pesos. Este proceso completo de corrección de errores y ajuste de pesos después de las correcciones se llama retropropagación.

El objetivo es minimizar la función de costo, y la retropropagación se repite hasta que se minimiza. Durante este proceso, también se ajustan los pesos.

Una manera de hacerlo sería mediante fuerza bruta. Supongamos que hay 1000 valores posibles para los pesos. Ahora, evaluaremos la función de costo con estos 1000 valores.

El gráfico de la función de costo se vería como el siguiente:

Función de costo

Este enfoque podría funcionar para una red neuronal con un solo peso que debe optimizarse. Sin embargo, a medida que aumenta el número de pesos y el número de capas ocultas, el número de cálculos necesarios también aumenta drásticamente.

El tiempo necesario para entrenar un modelo así sería extremadamente largo, incluso en la supercomputadora más rápida del mundo. Por esta razón, es fundamental desarrollar una metodología más rápida y eficiente para calcular los pesos de la red neuronal. Este proceso se llama Descenso de Gradiente.

Descenso del Gradiente

El descenso del gradiente analiza la función de costo y muestra, a través de la pendiente de la curva (como se ve en la imagen a continuación), cómo ajustar los pesos. Esto ayuda a minimizar la función de costo.

La visualización del descenso del gradiente se muestra en los diagramas siguientes. El primer gráfico es bidimensional. La imagen muestra un círculo rojo que se mueve en un patrón de zigzag hasta alcanzar finalmente la función de costo mínima.

En la segunda imagen, es necesario ajustar dos pesos para minimizar la función de costo.

Por lo tanto, se puede ver como un contorno en la imagen, donde la dirección es hacia la pendiente más pronunciada y se busca llegar al mínimo en el menor tiempo posible. Este enfoque no requiere muchos procesos computacionales y tampoco es extremadamente largo. Se puede decir que entrenar el modelo es una tarea factible.

Tipos de Descenso del Gradiente

El descenso de gradiente se puede realizar de tres maneras posibles:

1. Descenso del Gradiente por Lotes

En este tipo, la función de costo se calcula sumando todas las funciones de costo individuales en el conjunto de entrenamiento. Después de este paso, se calcula la pendiente ajustando los pesos del conjunto de datos de entrenamiento.

2. Descenso del Gradiente Estocástico

En este tipo de descenso del gradiente, cada entrada de datos es seguida por la creación de la pendiente de la función de costo y el ajuste de los pesos en el conjunto de datos de entrenamiento. Esto ayuda a evitar los mínimos locales si la curva de la función de costo no es convexa.

Además, cada vez que se ejecuta el proceso de descenso del gradiente estocástico, el camino hacia el mínimo puede ser diferente.

3. Descenso del Gradiente en Mini Lotes

El tercer tipo es el descenso del gradiente en mini lotes, que es una combinación de los métodos por lotes y estocástico. Aquí se crean diferentes lotes agrupando varias entradas de datos en un solo lote. Esto resulta en la implementación del descenso del gradiente estocástico sobre lotes más grandes de entradas en el conjunto de entrenamiento.

Retropropagación

La retropropagación es un algoritmo avanzado que nos permite actualizar todos los pesos en la red neuronal de manera simultánea. Esto reduce drásticamente la complejidad del proceso de ajuste de pesos. Si no usáramos este algoritmo, tendríamos que ajustar cada peso individualmente, determinando el impacto que ese peso tiene en el error de la predicción.

Pasos del Entrenamiento con Descenso de Gradiente Estocástico:

1. Inicializar los pesos a valores pequeños, muy cercanos a 0 (pero no 0).

2. Propagación hacia adelante: Las neuronas se activan de izquierda a derecha usando la primera entrada de datos de nuestro conjunto de entrenamiento hasta llegar al resultado predicho, y.

3. Cálculo del error: Se mide el error generado.

4. Retropropagación: El error generado se retropropaga de derecha a izquierda, ajustando los pesos según la tasa de aprendizaje.

5. Repetir los pasos de propagación hacia adelante, cálculo del error y retropropagación en todo el conjunto de entrenamiento.

6. Fin de la primera época: Las épocas sucesivas comenzarán con los valores de los pesos de la época anterior. Este proceso se puede detener cuando la función de costo alcanza un límite aceptable.

Comparte este articulo:

">

¿Debería unirme a una firma de trading propietario o a una comunidad de traders? por Brett N. Steenbarger, Ph.D.

Brett N. Steenbarger, Ph.D. es profesor de psiquiatría y ciencias del comportamiento en SUNY Upstate Medical University. Compagina su actividad docente con la de entrenador de gestores de hedge funds y traders profesionales. Brett es autor de varios libros sobre psicología enfocada en el trading: The Daily Trading Coach (2009), Trading Psychology 2.0 (2015) y Radical Renewal (2019), entre otros. Su experiencia en los mercados financieros comenzó a finales de la década de 1970.”.

Brett N. Steenbarger, Ph.D. / SUNY Upstate Medical University

una firma de trading propietario o a una comunidad de traders

En las últimas semanas, varios traders me han preguntado sobre si deberían unirse a firmas de trading propietario (prop trading) o a comunidades de trading. Aquí está el resumen de mi respuesta:

Hay valor en aprender y desarrollar habilidades de trading al aprovechar las experiencias de otros. Las mejores firmas de trading con las que trabajo operan con estructuras de equipo, donde hay un compromiso mutuo de ayudarse y aprender entre sí. Tener compañeros de trading puede aumentar nuestra responsabilidad y proporcionarnos múltiples modelos a seguir. Simplemente estar en línea con otros traders no es lo mismo que operar en equipo. Únete a lugares donde los traders se comprometan unos con otros.

Las mejores organizaciones de trading solo tienen éxito y ganan dinero si sus traders también tienen éxito y ganan dinero. Cuando comencé a trabajar en Chicago, las mejores firmas de trading propietario cubrían los gastos básicos con tarifas de escritorio y ofrecían a los traders tarifas de comisión más bajas. Estas firmas compartían las ganancias con traders exitosos y solo prosperaban si sus traders eran rentables. Invertían en la mejor tecnología de trading porque eso hacía que los traders—y la firma—tuvieran éxito.

Se te debe incentivar a ganar dinero, no solo a hacer trading. Otras firmas en Chicago operaban como «arcades», donde los traders usaban su propio capital, mantenían la mayoría de sus ganancias y pagaban por acceso a tecnología. Algunas cobraban comisiones elevadas y ganaban principalmente incentivando a los traders a hacer muchas operaciones. Esto se volvía problemático cuando los traders reducían el riesgo debido a la incertidumbre, ya que los intereses de la firma y los traders no siempre estaban alineados.

Ten cuidado con las firmas que venden esperanza como su producto principal. Algunas firmas de trading no son realmente de trading propietario, ya que prometen acceso a capital basado en pruebas pagadas por los traders. Las condiciones de estas pruebas son difíciles y no es raro que los traders aspirantes deban realizar varias intentos. En muchos casos, el interés de estas firmas radica en vender las pruebas, no en financiar y hacer crecer traders exitosos. ¿Hay un entrenamiento real, retroalimentación de rendimiento auténtica y trabajo en equipo entre los participantes? ¿El éxito de la firma depende del éxito de quienes pasan las pruebas?

Busca interactividad. Las comunidades de trading en línea suelen ofrecer educación, coaching y compartir entre miembros. Esto puede ampliar el aprendizaje de los traders en desarrollo. La pregunta clave para evaluar estas comunidades es hasta qué punto los miembros realmente forman equipos virtuales y hacen del trabajo en equipo una parte diaria de su proceso de trading. Si las comunidades prosperan principalmente vendiendo membresías y servicios, no pueden fomentar el aprendizaje mutuo y el desarrollo esencial para nuestras curvas de aprendizaje.

Un breve anécdota: Mañana estaré con Jeff Holden de SMB Capital para ayudar a los traders a utilizar una nueva tecnología que rastrea el valor esperado de las operaciones en tiempo real. Esto puede ser muy valioso para dimensionar posiciones adecuadamente y ayudar a los traders a asumir riesgos de manera responsable. SMB está entrenando a sus traders para que tomen mejores operaciones con riesgo/recompensa y están invirtiendo en tecnología para que la firma tenga éxito a medida que los traders se vuelvan más exitosos.

Sé selectivo: Las firmas y comunidades correctas te tratan como una inversión, no como un negocio a corto plazo.

Comparte este articulo:

">

Cómo encontrar Mercados Sobrecomprados o Sobrevendidos Por Alexander Elder

Dr. en psiquiatría y trader, autor de grandes éxitos como «El nuevo vivir del trading”, “Come into my trading room” y “Entries and exits” entre otros. Desde hace varios años se dedica a dar formación y conferencias por todo el mundo desde EEUU, China, Hoanda, Brasil, etc. Ofrece también formación online en: www.elder.com.

Alexander Elder / Elder.com

Cómo encontrar Mercados Sobrecomprados o Sobrevendidos

«Comprar bajo, vender alto» es un antiguo refrán que se repite una y otra vez en Wall Street. Los mercados son como una persona con trastorno bipolar. De hecho, este es mi diagnóstico como psiquiatra.

Por esto, uso varias herramientas para identificar los episodios maníacos (sobrecomprados) y depresivos (sobrevendidos) del mercado. En este artículo, compartiré una de mis herramientas favoritas contigo.

La mayoría de nosotros no empezamos como traders. Llegamos al trading desde otras profesiones y traemos con nosotros nuestras experiencias previas. Como muchos de mis lectores saben, estudié medicina. Practiqué la psiquiatría, y mi transición de ella al trading a tiempo completo me llevó muchos años.

El Average True Range (ATR) es una herramienta incluida en la mayoría de los programas de trading. Identifica el rango promedio diario de cualquier valor en un período de tiempo seleccionado, generalmente un mes.

La primera función de un ATR es ayudarte a decidir dónde colocar tus stops. Dado que el rango diario promedio representa el nivel normal de ruido diario, es lógico colocar tu stop a más de un ATR de tu entrada.

CANALES ATR: UNA GRAN HERRAMIENTA PARA IDENTIFICAR OPORTUNIDADES DE COMPRA Y VENTA

Tu plataforma de trading puede dibujar canales ATR alrededor de una media móvil, a una distancia de más y menos uno, dos y tres ATRs.

Coloca esos canales en cualquier gráfico y verás que es muy raro que cualquier mercado toque sus líneas de canal a una distancia de 3 ATRs. El gráfico que se muestra aquí es de EWP, un ETF de la bolsa española que se negocia en Estados Unidos, pero puedes aplicar esta herramienta a cualquier valor.

Cuando una acción cae a su –3 ATR, digo: «el paciente está deprimido». La mayoría del mercado es muy pesimista en ese punto, pero empiezo a buscar oportunidades de compra porque los pacientes no permanecen deprimidos para siempre.

Cuando una acción sube a su línea de +3 ATR, digo: «el paciente está en estado maníaco». La manía puede durar más que la depresión, pero también termina, y empiezo a buscar oportunidades de venta en corto.

USO PRÁCTICO DEL ATR PARA APROVECHAR LOS EXTREMOS DEL MERCADO

Los canales ATR ayudan a identificar oportunidades de compra y venta en corto, así como zonas para la toma de beneficios: cubre posiciones cortas cerca de –3 ATR y busca cerrar posiciones largas cerca de +3 ATR. Por supuesto, el juego del mercado no se gana utilizando solo una técnica.

Los canales ATR son una herramienta poderosa, pero sus señales deben ser respaldadas por otros métodos. En este gráfico puedes ver varios indicadores que utilizo. Quizás hablemos de ellos en otra ocasión.

Comparte este articulo:

">

Odiando al Dólar… por Alex Barrow

Alex Barrow / MACRO OPS

Cofundador de Macro Ops, www.macro-ops.com. Global Macro fanático, ex francotirador profesional y miembro de la inteligencia de los EE. UU.
[/testimonial

Odiando al Dólar

Una vez más para la última fila:

Estamos intentando controlar la inflación. No estamos intentando detener el crecimiento.

Mark Dow

En el «Dirty Dozen [CHART PACK]» de esta semana, cubrimos una gran finalización de patrón en el SPX, revisamos nuestros indicadores internos, analizamos los datos macro recientes, hablamos del estímulo chino y proponemos una operación larga con el DXY, entre otros temas…

1. El SPX ha completado una gran figura de taza con asa. Está operando firmemente en un régimen de mercado alcista y tranquilo (recuerden, los mercados tienden a alcanzar su pico en situaciones volátiles, no en mercados tranquilos…). Este sigue siendo un mercado para comprar.

2. Nuestro indicador favorito de análisis interno del mercado mide el rendimiento relativo del crédito (LQD/IEF). Lideró la divergencia hacia abajo antes de la venta de julio, y ahora está liderando la recuperación, cerrando la semana en nuevos máximos para este ciclo. Esperamos que las divergencias negativas en los semiconductores y las acciones de alta vs. baja beta alcancen pronto. Si continúan rezagadas, es poco probable que esta etapa alcista tenga mucho poder de permanencia.

3. La semana pasada señalamos una lectura elevada (97% percentil) en nuestro indicador de fragilidad de tendencia, lo que sugiere que deberíamos esperar sacudidas a corto plazo. Pero el indicador Bull & Bear de BofA sigue siendo neutral y apoya la tendencia alcista.

4. El BLS emitirá su informe del IPC el jueves. BBG Economics escribe: “Esperamos un IPC general moderado en septiembre, aunque una lectura más robusta del núcleo. Traducido al índice PCE —la medida preferida de la Fed— es probable que la inflación subyacente haya crecido a un ritmo consistente con el objetivo del 2%. En general, no creemos que el informe haga mucho para cambiar la confianza de la FOMC en que la inflación está en una tendencia a la baja duradera.”

Concuerdo.

5. El indicador MO de inflación (línea naranja) sigue marcando una trayectoria a la baja, por debajo del objetivo de la Fed.

6. Los números de empleo sorprendieron al alza la semana pasada. El informe fue en general una buena noticia y una señal de que los pesimistas de la recesión se precipitaron nuevamente con sus pronósticos.

@IrvingSwisher, Director Ejecutivo de Employ America, dio un buen desglose del informe en X, escribiendo:

“Las revisiones complican las cosas en el Día de Empleo. Es mejor comparar lo que vemos hoy en tiempo real con lo que vimos tras el informe del mes pasado.

«En una base trimestral, el crecimiento de empleo en tiempo real aumentó a 162k/mes, +27k en comparación con el crecimiento en tiempo real en agosto.”

Señal alentadora.

7. A pesar de los sólidos números de empleo, el informe mostró una disminución continua en el crecimiento real de los salarios. Así, Skanda concluye que “incluso con un fuerte crecimiento del empleo este mes, el crecimiento agregado de los salarios en tiempo real sigue enfriándose para los trabajadores comunes.”

“Crecimiento anualizado de ingresos laborales en tiempo real:

1er Trimestre: 5.04% (+.02% vs agosto)

2do Trimestre: 4.94% (-.28% vs agosto)

“Aún respetable, pero otra señal de normalización.”

8. Los rendimientos en EE. UU. están subiendo con la sorpresa positiva, pero el índice de discurso de la Fed de BBG (un modelo NLP de comentarios de los miembros de la FOMC con cero o menos indicando una postura dovish) volvió a entrar en territorio dovish la semana pasada por primera vez desde 2021.

Fedspeak+Index+vs+US+2 Year+Bond+Yield+100724

9. Uno de los eventos más importantes esta semana es la conferencia de prensa de China el martes, donde altos funcionarios de la NDRC proporcionarán una actualización sobre sus planes fiscales. Pero una de las comentaristas más agudas sobre China, Lingling Wei, corresponsal en jefe del WSJ para China, informó la semana pasada que una fuente le dijo que no esperemos un estímulo masivo, como muchos esperaban.

10. Egoístamente, espero que China lance todo su arsenal fiscal sobre su economía, porque sería genial para nuestro portafolio, que está lleno de mineros de metales y futuros de crudo.

Simon White de BBG señala la relación entre el crecimiento de M1 en China y las importaciones de petróleo, con el crecimiento real de M1 adelantando aproximadamente seis meses.

11. El sentimiento especulativo en el DXY tocó su 0% percentil recientemente. Históricamente, esto establece una condición para un repunte bastante duradero.

12. El DXY está en un régimen de compresión importante. Está revirtiendo desde su banda inferior en un soporte a largo plazo. Mantén un ojo en este gráfico. Sugiere que pronto se avecina un GRAN movimiento.

Gracias por leer.

Comparte este articulo:

">

Definiendo los mercados alcistas y bajistas por Ben Carlson

Ben Carlson es gestor de carteras para instituciones e inversores en Ritholtz Wealth Management LL. Escribe habitualmente sobre gestión patrimonial, inversiones, mercados financieros y psicología del inversor.

Ben Carlson / Ritholtz Wealth Management LL

Definiendo los mercados alcistas y bajistas

Un lector pregunta:

He escuchado a Ben mencionar varias veces recientemente que estamos en el año 15 de un mercado alcista. Obviamente, se refiere al final de la Gran Crisis Financiera (GFC) en 2009 como el inicio del ciclo actual del mercado. ¿Acaso no tuvimos dos mercados bajistas en 2020 y 2022 (definidos como una caída del 20% desde el máximo)? Cuando tuviste a Tom Lee el año pasado (TCAF), él dijo que 2024 sería el año 2 de un mercado alcista, por lo que tiene una definición diferente. ¿Podrías explicar qué usan las personas en la comunidad financiera para definir el fin/comienzo de los ciclos de mercado?

Aquí está el gráfico en cuestión de una publicación reciente en el blog:

¿Se reinició el mercado alcista de 2009 en 2020 o 2022? ¿O debemos continuar como lo hicimos con la caída de 1987 durante ese mercado alcista?

El problema es que estas cosas no son exactamente científicas.

Hay algunas definiciones vagamente aceptadas, pero existen mercados alcistas y bajistas seculares, así como mercados alcistas y bajistas cíclicos. Las cosas pueden volverse confusas, ya que diferentes inversores tienen diferentes reglas cuando se trata de «reiniciar» y empezar de nuevo.

Una definición estándar es que una pérdida del 20% o más marca el comienzo de un mercado bajista y el fin de un mercado alcista, al menos en términos cíclicos.

Yardeni Research publica unas útiles tablas históricas de mercados alcistas y bajistas que se remontan a la década de 1920. Aquí está la tabla de mercados alcistas:

Y la de mercados bajistas:

Puedes ver que hay muchos mercados alcistas y bajistas.

Aquí hay un gráfico que creamos para visualizar estos ciclos:

Es importante reconocer que usar esta definición del 20% coloca a muchos de estos mercados en la etapa cíclica.

El problema es que muchos de ellos fueron solo repuntes o caídas contrarias a la tendencia dentro de una tendencia a largo plazo más amplia, ya sea al alza o a la baja.

Por ejemplo, hubo un mercado alcista cíclico desde finales de 1929 hasta principios de 1930 cuando las acciones subieron un 50%. La caída de la Gran Depresión técnicamente no tocó fondo hasta 1932. Nadie mira hacia atrás a ese repunte temporal como un mercado alcista. Fue una breve pausa durante una gran recesión.

La caída de 1987 fue lo contrario. Nadie piensa realmente que el mercado alcista de la década de 1980 terminó en 1987. Fue una caída contraria a la tendencia, pero el mercado alcista continuó durante muchos años después de eso.

La caída del Covid fue nuestro momento de 1987. Y el mercado bajista de 2022 fue algo común, no una gran crisis financiera que alterara la tendencia alcista secular.

Mira mi versión de los mercados alcistas y bajistas seculares:

Así que, aunque ha habido más de 20 mercados alcistas y bajistas cíclicos en los últimos 100 años o más, realmente solo ha habido seis períodos seculares a largo plazo.

El prolongado mercado alcista secular de 1942 a 1965 es un buen ejemplo de por qué no se puede dar por terminado un mercado alcista a largo plazo solo porque las acciones estuvieron en un mercado bajista técnico. En este período, el S&P 500 subió casi un 13% ajustado por inflación, pero hubo retrocesos en el camino.

Cuento cuatro mercados bajistas:

1946 -26.6%

1948-1949 -20.6%

1957 -20.7%

1961-1962 -28.0%

Hay una diferencia entre un mercado bajista y un colapso.

También ha habido un puñado de correcciones de alrededor del 19%. Cuento cuatro desde mediados de la década de 1970: en 1976-1978 (-19.4%), 1990 (-19.9%), 2011 (-19.4%) y 2018 (-19.8%). Si somos generosos, podríamos redondearlas. No es como si una pérdida del 20% se sintiera peor que una del 19%.

La gran diferencia entre el ciclo actual y versiones anteriores es que este mercado alcista secular comenzó en el fondo de un mercado bajista devastador, lo que no fue el caso en ciclos anteriores.

El mercado tocó fondo en 1932, pero el mercado alcista no comenzó hasta 1942.

El mercado tocó fondo en 1974, pero el mercado alcista no comenzó hasta 1982.

Esta vez, el mercado tocó fondo en 2009 y el mercado alcista comenzó de inmediato. No hubo un movimiento lateral tras la Gran Crisis Financiera, solo una gran recuperación en forma de V.

¿Qué cambió?

Básicamente, ahora tenemos bazucas disparadas por el gobierno y la Fed. La política monetaria y fiscal se utiliza durante las crisis financieras a una escala nunca vista. Durante la Gran Depresión, la Fed y el gobierno empeoraron la situación al restringir el gasto y la política monetaria.

Hemos aprendido de nuestros errores pasados.

No estoy diciendo que no podamos tener mercados bajistas prolongados. Podemos y los tendremos.

Pero la inclusión de estímulos fiscales y monetarios durante las peores recesiones significa que las recuperaciones probablemente vendrán más rápido que en el pasado (suponiendo que esos estímulos no desaparezcan).

¿Es toda esta conversación un poco semántica?

Sí.

Pero la mayoría de las conversaciones históricas sobre el mercado de valores lo son porque los mercados no operan como la física. La mayoría de las veces no podemos definir estas cosas hasta después de los hechos.

Y eso es lo que los hace interesantes para debatir.

No existen relaciones científicas en los mercados, por lo que tenemos que inventar cosas sobre la marcha.

Vendedores en corto: Proveedores de liquidez informada por Quantpedia

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

Título: *Stealthy Shorts: Informed Liquidity Supply*

Resumen:

Citas notables del artículo académico:

Comparte este articulo:

Vendedores en corto: Proveedores de liquidez informada por Quantpedia

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

Divergencia Estocástica: Cómo Identificarla y Operar con Ella

¿Qué son los osciladores estocásticos?

¿Cómo se identifica la divergencia estocástica?

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

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

¿Cómo se puede operar utilizando la divergencia estocástica positiva?

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

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

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

¿Qué es un Oscilador Estocástico?

Cómo Identificar la Divergencia Estocástica

Cómo Operar con Divergencia Estocástica

Operación con Divergencia Positiva

Operación con Divergencia Negativa

Maximiza la Efectividad de la Divergencia Estocástica en el Trading

Puntos Clave

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

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

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

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

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

Comparte este articulo:

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

¿Por qué no puedo mejorar mi trading? por Brett N. Steenbarger, Ph.D.

¿Por qué no puedo mejorar mi trading?

Para abordar esta pregunta, ofreceré una analogía:

¿Cómo te iría?

Comparte este articulo:

¿Por qué no puedo mejorar mi trading? por Brett N. Steenbarger, Ph.D.

Redes Neuronales en Python: Tipos, Estructura y Estrategias de Trading – Machine Learning (Parte 3) por Quantinsti

Red Neuronal en el Trading

Estrategia de Redes Neuronales en Python

Paso 1: Importar Bibliotecas

Paso 2: Obtener datos de Yahoo Finance

Paso 3: Preparar el conjunto de datos

Paso 4: Definiendo las características de entrada del conjunto de datos

Paso 5: Estandarización del conjunto de datos (preprocesamiento de datos)

Paso 6: Construyendo el modelo de red neuronal artificial

Paso 7: Configurando los parámetros de predicción

Paso 8: Cálculo de los rendimientos de la estrategia y determinación de las posiciones de trading

Conclusión

Bibliografía

Comparte este articulo:

Redes Neuronales en Python: Tipos, Estructura y Estrategias de Trading – Machine Learning (Parte 3) por Quantinsti

LIT está en auge… por Alex Barrow

La confianza es fundamental en el trading. Si no estás convencido de que puedes ganar, nunca deberías entrar al ring.

~ Marth Schwartz

Comparte este articulo:

LIT está en auge… por Alex Barrow

Secuencia de Rendimientos por Ben Carlson

Comparte este articulo:

Secuencia de Rendimientos por Ben Carlson

Varios indicadores de amplitud de mercado con un historial impecable acaban de activar una señal de compra por Sentimentrader

Se ha activado un impulso alcista en el mome

Puntos clave:

Lo que nos dice la investigación…

Comparte este articulo:

Varios indicadores de amplitud de mercado con un historial impecable acaban de activar una señal de compra por Sentimentrader

La ampliamente temida recesión fantasma ha terminado por Dr. Ed Yardeni

La ampliamente temida recesión fantasma ha terminado

Comparte este articulo:

La ampliamente temida recesión fantasma ha terminado por Dr. Ed Yardeni

Cómo Mejorar el Momentum de los Sectores en ETFs por Quantpedia

Introducción

Paso 1 – Benchmark (Referencia)

Paso 2 – Estrategia de momentum long/short

Paso 3 – Separación de las patas de momentum long/short

Estrategia de momentum long-only

Estrategia de momentum short-only

Paso 4 – Combinación de la estrategia de momentum y *short*

Paso 5 – Venta selectiva en corto

Conclusión

Título: Stealthy Shorts: Informed Liquidity Supply

Paso 4 – Combinación de la estrategia de momentum y short