Oferta y demanda en el mercado de valores por Ben Carlson

Un lector pregunta:

Recientemente citaron a Torsten Slok en dos episodios de podcast, mencionando que las compañías de capital privado con más de 100 millones de dólares en ingresos constituyen el 87% de esa categoría, en comparación con solo el 13% de las compañías que cotizan en bolsa en la categoría de 100 millones en ingresos, y ese número sigue aumentando.

Dicho esto, ¿es esta UNA de las razones por las que los precios de las acciones parecen aumentar continuamente? A medida que las compañías de capital privado continúan aumentando en número, hay menos compañías que cotizan en bolsa, por lo tanto, ¿hay más dinero persiguiendo el número cada vez menor de compañías públicas?

Aquí está esa estadística de Torsten Slok de Apollo:

The Atlantic compartió algunos datos sobre la disminución del número de acciones que cotizan en bolsa junto con el crecimiento correspondiente en las inversiones de capital privado:

Las empresas que cotizan en bolsa están desapareciendo. En 1996, había aproximadamente 8,000 empresas listadas en el mercado de valores de EE. UU. Desde entonces, la economía nacional ha crecido en casi 20 billones de dólares. La población ha aumentado en 70 millones de personas. Y, sin embargo, hoy en día, el número de empresas públicas estadounidenses es inferior a 4,000. ¿Cómo puede ser eso?

Una respuesta es que la industria del capital privado las está devorando.

En el año 2000, las firmas de capital privado gestionaban aproximadamente el 4 por ciento del capital corporativo total de EE. UU. Para 2021, ese número estaba más cerca del 20 por ciento. En otras palabras, el capital privado ha crecido casi cinco veces más rápido que la economía estadounidense en su conjunto.

El capital privado gestionaba menos de 1 mil millones de dólares a mediados de la década de 1970. Hoy en día, es más de 4 billones de dólares. Hay más de 2.5 billones de dólares en dry powder a nivel mundial:

El capital privado es ahora una parte importante de la economía de EE. UU. y mundial.

Echemos un vistazo al número decreciente de acciones públicas en los EE. UU. (Barron’s):

Hemos pasado de más de 7,000 acciones a mediados de la década de 1990 a más como 3,500 ahora. El número de empresas públicas se ha reducido a más de la mitad.

El Wilshire 5000 es más como el Wilshire 3500. El Russell 3000 actualmente tiene solo 2,668 acciones, mientras que el Russell 2000 tiene solo 1,665 acciones.

Hemos llegado al punto en que los índices parecen publicidad engañosa.

Desde una perspectiva puramente de oferta y demanda, tendría sentido que más dólares persiguiendo menos acciones aumentaran los precios.

Pero hay más en juego. También tienes que mirar los tipos de empresas que han desaparecido.

Ese aumento en nuevas corporaciones durante la década de 1990 fue algo así como una aberración de la burbuja de las puntocom. Eran principalmente pequeñas empresas de micro-capitalización.

Vanguard compartió los datos sobre esto con Institutional Investor hace unos años:

Rowley dice que la proporción de empresas de gran capitalización, mediana capitalización y pequeña capitalización que componen la capitalización total del mercado es muy consistente desde 1979. Dice que muchos analistas han tomado 1996, que tuvo un número récord de empresas públicas, como un punto de anclaje de facto. Sin embargo, los mercados de finales de la década de 1990 estaban en un punto alto, con muchas empresas ansiosas por salir a bolsa y aprovechar las valoraciones ricas.

“Si miras la tendencia general en la historia, hay un aumento en el número de empresas públicas hasta 1996, y ha habido una disminución desde ese punto”, dice Rowley. “Pero, de nuevo, es casi exclusivamente el dominio de las acciones de micro-capitalización”.

En 1979, había 2,044 empresas públicas de micro-capitalización. En 1997, había 4,193, y en 2014 había 1,549. Pero son una pequeña parte del universo de acciones que cotizan en bolsa. En 1979 y 1997, las micro-capitalizaciones representaban el 3 por ciento del mercado. En 2014, las micro-capitalizaciones representaban el 2 por ciento del mercado. Las micro-capitalizaciones cayeron al 1 por ciento en 2016.

La mayoría de esas empresas de micro-capitalización de la década de 1990 terminaron cerrando porque no tenían un modelo de negocio o fundamentos. Estaban buscando aprovechar la euforia en un momento en que no había tanto dinero de capital de riesgo o de capital privado flotando.

Y las empresas de micro-capitalización son una fracción del mercado de valores de EE. UU. desde una perspectiva de capitalización de mercado.

Tener diez billetes de un dólar no te pone en una mejor posición que la persona que tiene un solo billete de cien dólares.

Claro, hay algunas empresas más pequeñas que los inversores han perdido debido a más dinero de capital de riesgo, actividad de fusiones y adquisiciones y buyouts. Pero se podría argumentar que las empresas restantes son ahora de mayor calidad debido a esto.

Michael Mauboussin escribió un artículo sobre la disminución del número de acciones en 2017 haciendo exactamente este argumento. Esta fue la conclusión principal de ese informe:

Como resultado, las empresas que cotizan en bolsa hoy en día son, en promedio, más grandes, más antiguas y más rentables de lo que eran hace 20 años. Además, operan en industrias que generalmente están más concentradas. El tamaño general y la madurez de las empresas que cotizan en bolsa significa que es más probable que paguen efectivo a los accionistas en forma de dividendos y recompra de acciones que las empresas en el pasado.

Especulamos que la maduración de las empresas que cotizan en bolsa también ha contribuido a la eficiencia informativa en el mercado de valores. Ganar ventaja en negocios antiguos y bien establecidos es probablemente más difícil que en empresas jóvenes con perspectivas inciertas. A su vez, la mayor eficiencia puede ser uno de los catalizadores para el cambio que los inversores están haciendo de estrategias activas a estrategias indexadas o basadas en reglas.

Tiene sentido que esto haya creado un entorno donde ahora es más difícil superar al mercado.

Hay muchas razones por las que el mercado de valores ha ido subiendo con el tiempo.

El número de acciones listadas en la bolsa no es una de ellas.

Discutimos esta pregunta en la última edición de Ask the Compound:

Barry Ritholtz se unió en el programa de esta semana para responder preguntas sobre la tasa de inflación real, cómo funciona el deber fiduciario, preocupaciones sobre la deuda del gobierno de EE. UU. y si veremos una avalancha de viviendas en el mercado cuando los baby boomers comiencen a morir.

Introducción a la estrategia de trading en grid [Estudio] por Quantpedia

El trading en grid es una estrategia automatizada de trading de divisas en la que un inversor crea un «grid de precios» o cuadrícula. La idea básica de la estrategia es comprar repetidamente al precio preestablecido y luego esperar a que el precio suba por encima de ese nivel y luego vender la posición (y viceversa con operaciones en corto y cobertura). Exploraremos los conceptos básicos y mostraremos escenarios favorables y desfavorables en el primer artículo sobre este estilo de negociación. Los artículos posteriores profundizarán e investigarán cómo se relaciona el trading en Grid con otras estrategias de trading sistemáticas.

Introducción

En una operación de grid, un trader primero establece su precio de referencia inicial. Luego, se colocan varias órdenes de compra a la vez por debajo de este precio de referencia en varios niveles (generalmente pares) establecidos por la cuadrícula. Las órdenes de venta se emparejan con cada orden de compra y se establecen por encima de los precios en las órdenes de compra. Lo mismo se puede hacer (y generalmente se hace) con el lado corto, creando una cuadrícula de pedidos cortos y de cobertura.

Un inversor necesita establecer varios parámetros para automatizar el sistema. Estos parámetros incluyen el precio más alto, el precio más bajo, las propias cuadrículas, el tamaño de la posición y los stop loss.

El precio más alto y el precio más bajo del grid generalmente se establecen en función del rango de precios histórico reciente, es decir, entre los precios más altos y más bajos recientes del mercado en un período determinado. Por lo tanto, los parámetros se basan en gran medida en la volatilidad pasada del par de divisas.

A continuación, la cuadrícula nos dice cuántas órdenes pendientes se colocan dentro del rango de precios establecido. Al configurar la cuadrícula, debemos tener en cuenta las comisiones por ejecución. La cuadrícula no debe ser demasiado densa; de lo contrario, es posible que la ganancia no sea lo suficientemente alta para cubrir las comisiones. Por último, el tamaño de la posición es la cantidad de dinero o la fracción de cuenta que utiliza un operador para realizar operaciones en el grid.

Escenario favorable

La siguiente imagen muestra un escenario favorable de una estrategia de negociación en grid. Comenzamos en la línea gris, que representa nuestro precio inicial. Colocamos la primera orden de compra cuando la divisa negociada alcanza la primera línea roja (cuadrícula). Debido a que el precio del par de divisas disminuye, colocamos la segunda, tercera y cuarta orden de compra a medida que llegamos a la segunda, tercera y cuarta línea roja (cuadrícula). Debido a que superamos nuestro precio más bajo preestablecido, no colocamos más órdenes de compra, a pesar de que la moneda de negociación sigue disminuyendo. A medida que aumenta la moneda, comenzamos a realizar órdenes de venta. Realizamos una orden de venta cuando el precio aumenta a una longitud de cuadrícula y media desde el precio en el que colocamos la orden de compra.

Además, podemos realizar acciones inversas a medida que el valor de la divisa negociada aumenta y alcanza las líneas verdes. Por ejemplo, podemos abrir una posición corta cada vez que pasamos una línea verde y cerrarla cuando la divisa disminuya a una longitud de cuadrícula y media desde el precio donde abrimos la posición corta, como se ilustra en la siguiente imagen.

Como puede ver, este tipo de estrategia se basa en el supuesto de que los precios oscilarán durante el día. Por lo tanto, si el precio solo bajara (/ subiera), no podríamos cerrar la posición en ganancias y eventualmente perderíamos (cantidad ilimitada de) dinero.

Parámetros adicionales

Para evitar pérdidas ilimitadas como se mencionó anteriormente, se pueden agregar más parámetros (/ setups) al modelo. Uno de los más típicos es el “Stop Loss Price”. Este precio tiene que ser más bajo que el precio más bajo. Si el precio de la divisa de negociación cae al precio de Stop Loss, el sistema activará una operación de Stop Loss que vende todas las posiciones de compra abiertas en una cuenta. Esta operación evita mayores pérdidas provocadas por la caída de los precios de las divisas negociadas.

Otra opción incluye establecer también el precio de activación. Un interruptor, que permite que el trading se active solo cuando el precio de mercado de la divisa alcanza el precio de activación.

Además, hay dos tipos de cuadrícula: aritmética y geométrica. Al aplicar la cuadrícula aritmética, cada cuadrícula genera la misma ganancia, por ejemplo, $ 10. Por lo tanto, este tipo de cuadrícula es más adecuado para rangos de precios más pequeños. Por otro lado, la cuadrícula geométrica, que es más adecuada para rangos de precios más grandes, genera la misma tasa de retorno (por ejemplo, 1.0%) para cada cuadrícula.

Cuando funciona y cuando … no

El trading en grid es un ejemplo de manual de una estrategia de trading de martingala. Esto significa que la estrategia aumenta el riesgo y el apalancamiento con pérdidas crecientes (a menos que se haya alcanzado un stop-loss). Es de naturaleza similar al conocido ejemplo de la estrategia de apuestas de la ruleta: apueste siempre en un color y, si pierde, duplique su apuesta hasta que gane de nuevo (o hasta que se arruine).

Las técnicas modernas de dimensionamiento de posiciones y administración de dinero generalmente funcionan exactamente de manera opuesta, es decir, disminuyen el riesgo después de las pérdidas y aumentan el riesgo después de las ganancias. Dicho esto, esto no significa que el trading en grid sea malo o no rentable. Es arriesgado de otra manera.

Los entornos en los que las estrategias de grid prosperan literalmente son en los rangos de precios, las oscilaciones y los mercados laterales. El trading en grid es una estrategia ideal para esos períodos. Por otro lado, la estrategia de negociación del grid fácilmente deja de ser rentable si la tendencia de los mercados es persistente. En otras palabras, si el precio se mueve solo en una dirección y no gira.

Informes de rendimiento del trading en grid

Digamos que tenemos una estrategia de trading en grid de divisas intradía, que restablece la cuadrícula (y cierra todas las operaciones) todos los días. Hay dos formas de informar los resultados de esta estrategia. Puede informar el valor real de la cartera cada minuto: informe Mark To Market (MTM). O puede informar el valor de la cartera solo cuando se cierra una operación.

El «informe de operaciones cerradas» puede crear la ilusión de una estrategia muy rentable hasta el final del día, cuando todas las posiciones están cerradas. Esto se debe a la forma en que funcionan las estrategias de negociación del grid. Las únicas operaciones que se cierran durante el día son las ganadoras. Sin embargo, podemos esperar grandes saltos cuando todas las operaciones (incluidas las perdedoras) se cierran al final del día.

El siguiente cuadro muestra los dos métodos de presentación de informes antes mencionados. Como podemos ver, la primera forma de reportar (línea azul) muestra el valor de la cartera cada minuto, mientras que el segundo tipo (línea roja) tiene grandes saltos repentinos al final de los días.

¿Qué curva de equidad preferiría? Bueno, la roja duele menos, ¿verdad?

Análisis de la estrategia de trading en grid

Analizamos una estrategia de trading de grid simple en EUR / USD utilizando datos de un minuto. El punto de partida de nuestro conjunto de datos es 21.1.2021 23:00, y el punto final es 2.2.2021 7:40, lo que nos deja con 10926 puntos de datos (siete días de negociación).

Al final de cada día, cerramos todas las posiciones abiertas para «empezar de nuevo» al día siguiente. Se establece un precio de referencia al comienzo de cada día como el primer precio de apertura del nuevo día. Luego, la cuadrícula se crea de acuerdo con este precio en función de la volatilidad del día anterior. La volatilidad, en nuestro ejemplo, rondaba el 0,4%.

Para el primer ejemplo, decidimos usar diez niveles de cuadrícula para el lado largo y diez niveles de cuadrícula para el lado corto. La distancia entre el precio de referencia y las primeras líneas de la cuadrícula, así como la distancia entre las líneas de cuadrícula individuales, se calcula como el 10% de la volatilidad del día anterior.

Cada vez que llegamos a una línea de cuadrícula por debajo (/ por encima) del precio de referencia, abrimos una posición larga (/ corta). Luego, la posición se cierra cuando el precio de la divisa negociada aumenta (/ disminuye) a una longitud de cuadrícula y media desde el precio donde abrimos la posición larga (/ corta).

El segundo ejemplo muestra una estrategia similar, con una única diferencia. Esta vez usamos 20 niveles de cuadrícula. Esto significa que la distancia entre líneas de cuadrícula individuales se calcula como el 5% de la volatilidad de ayer. Esperamos que esta estrategia funcione de manera similar, pero también esperamos que la diferencia entre los informes MTM y los informes de operaciones cerradas sea mucho más significativa. La diferencia entre las dos formas de informar se debe al hecho de que 20 niveles de cuadrícula permiten ganancias más pequeñas. Sin embargo, cada vez que abrimos una nueva operación, todas las operaciones ya abiertas están perdiendo. Entonces, si la curva no cambia al final del día, la pérdida es mucho mayor.

El último ejemplo que presentamos es de la misma estrategia de negociación del grid que se mostró en el primer ejemplo. Sin embargo, en esta ocasión analizamos un período de tiempo en el que el precio no ha oscilado tanto durante el día y, por tanto, la estrategia no es rentable. El período de tiempo en este ejemplo es 7 días después, es decir, desde el 2.2.2021 a las 8:55 hasta el 11.2.2021 a las 20:25, lo que nos deja con 10926 puntos de datos (una vez más, 7 días de negociación).

Como puede ver, hay varios días perdidos seguidos. Esto se debe al hecho de que el precio no ha oscilado durante el día. En cambio, tendió en una dirección. Incluso si el precio aumenta durante un día y cae durante el siguiente, seguimos perdiendo dinero al aplicar esta estrategia, si el precio mostró una tendencia durante el día. Para tener una estrategia rentable de negociación en grid, que se reinicia al final de cada día, necesitamos que el precio oscile durante el día.

Lecciones de éxito que necesitamos aprender por Ray Barros

El modelo de éxito de Mark Douglas es uno de los mejores que he encontrado. Mark cree que hay tres lecciones independientes que un trader debe aprender:

• Debe aprender a pensar en probabilidades (un trader desarrolla un plan de trading con una ventaja junto con un enfoque efectivo de gestión del dinero. Aprende a ver cada operación como parte de un resultado general en lugar de una cuestión de vida o muerte).
• Debe aprender a ejecutar el plan de trading de manera relativamente impecable, una cuestión de psicología.
• Debe aprender a aceptar el dinero que te da el mercado, una cuestión de psicología, generalmente de autoestima.

Las «lecciones independientes» significan esto: el hecho de que un trader tenga un plan de trading ganador no significa que pueda ejecutarlo ni que pueda aceptar las recompensas de sus esfuerzos sin autosabotaje; Del mismo modo, el hecho de que pueda ejecutar su plan no significa que su plan tenga una ventaja, etc.

En este artículo, analizaré lo que creo que es el requisito previo tácito para operar con éxito. A este elemento lo llamo “percepción y aceptación de la realidad”.

En su primer libro, “Poder Ilimitado”, Tony Robbins describe la “Fórmula del Éxito Definitivo”:

• define tus metas
• tomar acción
• observar los resultados
• cambie su comportamiento si su acción no le está dando lo que quiere. El elemento para el éxito está implícito en esta fórmula.

Hyrum Smith lo establece más claramente como su séptima ley en «Las 10 leyes naturales de la gestión exitosa del tiempo y la vida»:

“Satisfaces necesidades cuando tus creencias están en consonancia con la realidad”.

La mayoría de los fracasos al hacer trading que he conocido han demostrado una capacidad increíble para no percibir la realidad o, si la ven, no actuar en consecuencia. Este fallo se demuestra de muchas maneras.

Uno de los más comunes es tener expectativas poco realistas sobre el rendimiento que puede generar el trading (dado que su objetivo declarado es ser un jugador de mercado a largo plazo); esto generalmente toma la forma:

“Quiero convertirme en profesional; ya sabes, renunciar a mi trabajo y ganar el 100%  al año, tal vez un 200%. Sí, he hecho un poco de trading y no he ganado nada de dinero, pero tengo fe en mi capacidad para conseguirlo (es decir, 100% de retorno anual, etc.)”.

¡Dáme un respiro! Si el trader fuera un jugador de tenis de fin de semana, no esperaría vencer a Rafa Nadal; sin embargo, con un historial comprobado de pérdidas al hacer trading, ¡él espera hacer un 100% o más sin un alto riesgo de ruina!

Otra forma que toma esto es simplemente negar la realidad. Robert Krausz solía contar una historia fabulosa sobre un trader que acudió a él en busca de ayuda porque «su esposa estaba robando» los estados de cuenta de su broker. ¡Bajo hipnosis, el trader le dijo que estaba escondiendo los estados de cuenta porque no podía soportar ver las pérdidas!

Piense en su trading y/o su estado actual como trader: ¿le «falta reconocer la realidad»? Soy más vulnerable cada vez que los resultados de mi drawdown se acercan a mi zona prohibida de una pérdida del 20% o más.

¿Qué hay del trader novato, cuál es la mejor manera de evitar esta trampa?

Nos atraen los mercados porque caemos en la exageración de que es una forma rápida y fácil de ganar dinero. La realidad es que no existe una fórmula mágica para obtener esas enormes ganancias; en cambio, hay principios que deben ser entendidos, aceptados y aplicados si queremos tener éxito.

Los principios pueden enunciarse sucintamente:

• “En última instancia, el trading requiere un cambio de comportamiento y eso requiere que salgamos de nuestras zonas de confort al desarrollar una idea de lo que necesitamos para tener éxito y luego actuar para cambiar.
• La mera comprensión del problema no es suficiente; en realidad, debe hacer algo para solucionarlo.
• Una gran definición de locura es “hacer lo mismo una y otra vez y esperar resultados diferentes. Si después de un tiempo, sus acciones no conducen al resultado deseado, cambie sus acciones”.

Demasiados traders se acercan al éxito con un ‘ deseo ‘ ( sí, por favor, pero no me pidan que trabaje en ello ) y no con un ‘ quiero ‘ (haré lo que sea necesario). Y, si logran un cambio, buscan el éxito instantáneo. Pero, este cambio no vendrá rápido y será el producto de un trabajo constante.

He visto los efectos de actuar fuera de estos principios en mi trabajo de “tutoría”.

Hace tiempo conocí a Amos. Quería convertirse en profesional, etc., etc. Había estado en los mercados durante más de 10 años y probablemente había asistido a todos los cursos impartidos sobre trading. Le pedí que desarrollara un plan de trading por escrito. Con un poco de ayuda, los traders novatos suelen tardar entre 3 y 6 meses. Pasaron más de 18 meses sin que Amos tuviera un plan.

Burke hace poco. Tiene un gran sentido del mercado y ha experimentado el éxito. Sin embargo, es consciente de que necesita cambiar, ya que parte de ese éxito se ha logrado negándose a asumir pérdidas. Hasta ahora ha funcionado, pero sabe que es solo cuestión de tiempo. Sin embargo, tiene miedo de implementar cambios, principalmente porque significará operar fuera de su zona de confort. A menos que cambie, se unirá al 80 o 90 % de los perdedores al hacer trading.

Y así continúa….

Esa es una cara de la moneda. La otra son las grandes historias de éxito de los traders que dedicaron muchas horas de trabajo para aprender las lecciones de Mark Douglas. Como:

• Colin, que estaba listo para dejar el trading cuando lo conocí por primera vez en Brisbane. Tres años más tarde, el éxito de Colin es un modelo para quienes luchan por el éxito.
• Y como Doug, que ahora dirige su propio fondo de cobertura.

Cada uno hace trading de manera diferente y utiliza diferentes herramientas. Cada uno ha logrado el éxito en sus propios términos trabajando ‘inteligentemente y duro’.

Para resumir: el éxito viene con el compromiso y la acción constante. Ambos son productos de lo que llamo “percepción y aceptación de la realidad”.

¿Cómo ser un genio del trading? por Van K Tharp

• ¿Cómo ser verdaderos genios al hacer trading? Van K. Tharp nos ayudó a reflexionar en algunos aspectos interesantes.
• Publicado en Hispatrading 55.

Uno de los ejercicios clave que aplico con mis Súper Traders es una revisión exhaustiva de toda su vida. El meollo de este ejercicio consiste en documentar la mayor cantidad de recuerdos posible para cada año de su existencia, ahondando en las creencias forjadas durante esos momentos. Al enfrentarse a esta tarea, la mayoría de las personas suele afirmar: «Bueno, no puedo recordar lo que hice o lo que sucedió en 1986». Sin embargo, debo admitir que no comparto la perspectiva de aquellos que se autodenominan «viejos» y aseguran no poder recordar nada. A mis 70 años, personalmente he logrado llevarlo a cabo sin dificultad.

Si bien existen algunas estrategias que pueden ayudar en la tarea de recordar los eventos y sus fechas correspondientes (no es el tema central de este artículo), una de mis recomendaciones fundamentales es registrar puntos de datos significativos para cada año. Estos pueden abarcar aspectos como el valor de los salarios, los precios de las viviendas, los automóviles y otros elementos relevantes a lo largo de cada etapa de la vida. Una excelente fuente de información para esto es el sitio web www.thepeoplehistory.com«.

Aunque ya he realizado una revisión de mi vida en el pasado, actualmente estoy repitiendo este ejercicio para evitar olvidar los detalles. Me está resultando sumamente revelador. Mientras trabajaba en la historia de mi vida, me intrigó analizar los precios de las cosas clasificados por décadas, por lo que he creado la tabla que puede ver en este artículo. La tabla abarca desde el año en que nací hasta el comienzo de cada década hasta el 2017. Si bien estoy seguro del precio de un sello postal y del nivel del S&P 500, no tengo tanta certeza respecto a los demás precios, pero creo que en general son precisos.

La tabla revela algunas conclusiones interesantes. En primer lugar, se puede observar el porcentaje del ingreso anual necesario para realizar compras importantes. El precio de una casa varía entre 2,4 y 4,7 veces el ingreso familiar medio. Los números más altos se han registrado en fechas más recientes, pero también hay que considerar que las casas han aumentado considerablemente su tamaño en comparación con décadas anteriores.

Además, el precio de un automóvil ha oscilado entre alrededor del 40% del ingreso anual promedio de una familia y hasta el 61% en años más recientes. Esto indica que adquirir un automóvil ha representado una proporción significativa del ingreso familiar en diferentes momentos históricos.

Estas observaciones destacan la evolución de los precios en relación con los ingresos familiares a lo largo del tiempo. Las casas y los automóviles han experimentado cambios significativos en términos de asequibilidad y proporción del ingreso requerido para adquirirlos.

Decidí examinar el aumento absoluto de los precios en los últimos 70 años y los resultados son reveladores. El ingreso familiar promedio ha experimentado un incremento del 2 331%. En contraste, el precio de la gasolina y el costo de un sello postal no han aumentado tanto, rondando alrededor del 1600%. Aunque personalmente considero que el precio de un sello postal en la actualidad resulta bastante elevado.

Los datos demuestran que los incrementos en los precios de la gasolina no han representado una carga económica relativa significativa para nosotros. Resulta interesante destacar el incremento en los precios de los automóviles, que han aumentado un poco más que los salarios. No obstante, este fenómeno puede estar relacionado con la disponibilidad de vehículos de lujo en el mercado actual. Por ejemplo, mi Tesla tiene un costo aproximadamente cuatro veces superior al precio promedio de un automóvil en 2017.

Ahora, centrémonos en dos aspectos que podrían considerarse como generadores de riqueza: la propiedad de vivienda y el mercado de valores. En primer lugar, el precio promedio de una casa ha experimentado un aumento superior al 4,000%. Este incremento ha superado ampliamente los aumentos salariales, a pesar de que hubo pocos cambios en los precios de las viviendas en las décadas de 1990 a 2000 y de 2010 a 2017. Imaginemos que adquiriste una casa en 1946 por $5,600 y pagaste, por ejemplo, el 20% ($1,020) como enganche. En tan solo cuatro años, habrías visto cómo el valor de tu casa aumentaba a $8,450, lo que se traduce en una ganancia de $2,850 sobre tu inversión inicial de $1,020. ¡No está nada mal! Si en cambio hubieras invertido en el S&P 500 durante ese mismo periodo, habrías perdido dinero.

Sin embargo, echemos un vistazo a los siguientes 10 años, cuando el precio de una casa aumentó un 50% y el S&P 500 creció un 244%. Es cierto que hubo algunas décadas difíciles para el S&P 500, como los años 2000 a 2010, pero en la mayoría de las décadas, este índice bursátil ha mostrado un crecimiento. En última instancia, el precio promedio de una casa se ha incrementado en 42 veces en los últimos 70 años, mientras que el valor del S&P 500 ha aumentado más de 132 veces durante el mismo período.

Estos datos destacan la importancia de considerar la inversión en vivienda y en el mercado de valores como posibles vías para generar riqueza a largo plazo.

En medio de mercados alcistas fuertes todos parecemos auténticos genios. Como resultado, aquí hay algunas creencias de Tharp Think que podrían convertirte en ese genio:

1. Antes de entrar en una operación, siempre conozca su punto de riesgo inicial que le indica cuándo está equivocado. Tenga una orden de stop loss sobre ese riesgo inicial (que yo llamo R para abreviar).
2. En un mercado alcista tranquilo, asuma que podría durar un tiempo y desea que sus recompensas, si es posible, sean varias veces el tamaño de su riesgo. Así que sea paciente y deje que la tendencia genere sus ganancias. En un mercado alcista no se puede saber hasta dónde llegará.
3. Compra lo que sube. Es bastante simple.
4. Si obtienes un promedio de, digamos, 2R por posición durante el próximo año, aumentará un 50%. Y eso probablemente superará a la mayoría de las personas.

Si el trading es realmente tan fácil, ¿por qué la mayoría de las personas no son precisamente unos genios en el mercado? Veamos dos creencias Tharp Think más para intentar sacar una explicación.

1. Un error al hacer trading es cuando no sigues tus reglas. Digamos que cometes 2 errores cada mes y que cada error te cuesta 2R. Si tiene una ganancia de 50R al final del año, pero comete 24 errores de 2R cada uno, entonces su resultado neto será solo de +2R al final del año. Habrá perdido el 96% de su beneficio potencial a causa de sus errores. Algunas personas repiten el mismo error una y otra vez. Lo llamo autosabotaje.
2. Finalmente, hay al menos seis tipos de mercado, cada uno de los cuales tiene un componente de dirección y un componente de volatilidad. Las direcciones del mercado son: hacia arriba, hacia los lados y hacia abajo, mientras que las condiciones de volatilidad son tranquilas o volátiles. Si aplica el conjunto completo de creencias de Tharp Think a cualquier tipo de mercado en particular, se vuelve bastante fácil diseñar un gran sistema de trading. Sin embargo, esperar que un sistema de trading funcione bien en todos los tipos de mercado es una locura. Por lo tanto, necesita una forma diferente de aplicar las creencias en el contexto de diferentes tipos de mercado.

Dicho esto, ¿cuál es el tipo de mercado más fácil para que alguien gane dinero invirtiendo? Obviamente, es un mercado alcista tranquilo. Ahí es donde entra en juego comprar y mantener. Y mi versión de comprar y mantener es 1) comprar lo que sube y 2) continuar con un stop de venta del 25 %. Luego, minimice su riesgo arriesgando solo alrededor del 1% en cada operación, lo que significa que puede invertir completamente con alrededor de 25 posiciones diferentes. Solo hay otra regla y es permanecer totalmente invertido hasta que el mercado vuelva a soportar al menos la volatilidad normal. Mire primero la volatilidad y luego, a medida que aumenta, tenga cuidado con el mercado bajista.

Entonces, ¿por qué estoy diciendo esto? Porque cuando tengamos un mercado alcista tranquilo, podría pensar que es un genio simplemente comprando lo que sube con un stop loss dinámico del 25%. Mantenga posiciones hasta que se alcance el stops loss o hasta que cambie el tipo de mercado. No arriesgue más del 1% por posición, lo que significa que tendrá hasta 25 posiciones diferentes.

Y con todo el dinero que comience a ganar, comience a invertir en usted mismo para estar listo cuando cambie el tipo de mercado, ya sea dentro de un mes o dentro de una década.

Esto no es una predicción. Encuentre 25 acciones diferentes que estén subiendo y quédese con las principales empresas sólidas en las que usted confíe.

Cartera dinamic inflation por Andrés García

• Todos hemos escuchado hablar de la relación entre la inflación y el mercado de acciones. ¿Se puede obtener una ventaja usándola como referencia? 
• Artículo publicado en Hispatrading 54.

Una de las investigaciones más intensas en las me involucré durante buena parte del 2022, fue el análisis del efecto de la inflación en distintos activos y sectores de la economía. Por aquellas fechas la inflación pasaba de los dos dígitos en muchos países de nuestro entorno, por lo que era del máximo interés encontrar activos invertibles resistentes a la inflación.  Me propuse como objetivo construir un porfolio rotacional que alternase entre estilos de inversión y clases de activos según el contexto de inflación dominante. En este artículo analizaremos paso a paso el proceso de construcción de una cartera de este tipo.

Los detalles sobre el efecto de los regímenes de alta y baja inflación en una amplia base de activos y sectores de la economía estadounidense los podéis encontrar en mi artículo; “Carteras dinámicas guiadas por la inflación” (www.tradingsis.org, Julio, 2022). Aquí resumimos los hallazgos más relevantes para la construcción del porfolio que ahora veremos:

1. La inflación no afecta por igual a todos los productos financieros y sectores de la economía. Sin embargo, no existe una relación lineal entre las variaciones a medio y largo plazo en las tasas de inflación y su efecto por sectores y activos. 
2. Una forma de cuantificar el impacto de la inflación sobre el retorno de los diferentes activos es mediante la beta de la inflación (BI). Los productos con BI > 1 tienen un comportamiento mejor cuando sube la inflación: Entre ellos están las commodities (BI ≈ 4) y el oro (BI ≈ 2,1). En el lado opuesto tenemos el S&P 500 (BI ≈ -0,7), los bonos corporativos (BI ≈ -0,8) y los bonos del Tesoro a 10 años (BI -1,1). Por ejemplo, una BI de 1,2, indica que por cada 1% que sube la inflación el valor del activo se incrementa un 1,2%.
3. Cuando agrupamos las empresas del Russell 3000 en función de los factores o estilos de inversión más empleados por la industria (crecimiento, baja volatilidad, momento, calidad, sentimiento y valor) observamos que su comportamiento difiere en escenarios de alta y baja inflación. Con alta inflación aguantan mejor las carteras basadas en activos de baja volatilidad mientras que con baja inflación obtienen mejor retorno las carteras que se centran en activos de sentimiento y valor. 
4. Si nos centramos en los grandes sectores de la economía, también observamos diferencias significativas en función del nivel de inflación. Para invertir en periodos prolongados de baja inflación los mejores sectores son el consumo discrecional, industria y materiales básicos y, para marcoépocas de moderada y alta inflación, destacan los sectores de productos básicos de consumo, servicios públicos, energía e inmobiliario. 
5. Analizando una muestra amplia de las empresas de EE.UU. incluidas en los subsectores del catálogo RBICS, encontramos que los subsectores con mejor comportamiento con inflación al alza son producción de alimentos y bebidas (FOODDRINKMFR), refinado, almacenamiento y transporte de energía (MIDSTREAMENERGY), servicios de soporte a la salud (HCARESUPPORT), biofarmacéuticas (BIOPHARMAOTHER), seguros (INSURANCE), servicios energéticos (ENERGYUTIL), venta al por menor de automóviles (AUTORETAIL), inversión inmobiliaria (REIT), atención al paciente (PATIENT CARE) y servicios de transporte de mercancías e infraestructuras (TRAINTRUCK). Mientras que en escenarios de baja inflación tienen mejor comportamiento las empresas ligadas a los subsectores de software (SOFTW), servicios médicos generales (MEDDEVICESGEN), otros productos médicos (MEDDEVICESOTHER), servicios de soporte a la salud (HCARESUPPORT), fabricación de maquinaria (MACHINE), productos químicos especiales y de alto rendimiento (CHEMSPECIAL), distribución y venta de energía (DOWNSTREAMENERGY), consumo minorista (RETAILOTHER).

Tomando como base esta información procedemos a construir una cartera dinámica guiada por las previsiones de inflación a medio y largo plazo. 

Componentes de la cartera Dinamic Inflation (DI)

Dado que el mecanismo rotacional se basa en las previsiones de inflación, lo primero que necesitamos es un indicador adelantado, fiable, de amplio seguimiento y con datos históricos de al menos los últimos 20 años. El indicador de expectativas de inflación de la Universidad de Michigan (MICH) satisface perfectamente estos requisitos.

Como muestra la Figura 1, el MICH es un estimador menos volátil que el índice de precios al consumo (CPI), si bien existe una elevada correlación entre ambos. Por lo que podemos utilizar esta serie de datos mensuales, que se remonta a 1978, para determinar los cambios de escenarios de alta y baja inflación en nuestro modelo de cartera.

Por otra parte, teniendo en cuenta la estadística descriptiva de esta serie, observamos que fluctúa entre un máximo del 10% y un mínimo del 0,4%. Por este motivo la inflación promedio sale algo elevada, 3,6%, mientras que la moda y la mediana se sitúan en el 3%. Tomaremos este último valor como referencia para alternar entre escenarios. 

En nuestro estudio empírico hemos determinado que para alta inflación el factor o estilo con mejor comportamiento es la baja volatilidad. Veamos cuanto alpha o exceso de retorno aporta en comparación con el Russell 3000, que utilizaremos como benchmark en este estudio:

Evaluamos la siguiente regla en un backtest de 22 años:

eval(close(0,##inflexp)>3,rating(«core: low volatility»)>98,$RUA)

Si la inflación está por encima del 3% invertimos en las empresas del Russell 3000 (RUA) que en el ranking de baja volatilidad se sitúen por encima del percentil 98. En caso contrario invertimos en el propio índice. 

El resultado se muestra en la Figura 2.

Estrategia AROR = 14,2% DD = -47,7% R. Sharpe = 0,88 Beta =0,70 Alpha =9,1% ——————- Benchmark AROR = 7,28% DD = -55,61% R. Sharpe = 0,43

Por tanto, esta primera regla mejora sustancialmente el comportamiento de la cartera.

Seguidamente evaluamos en el mismo backtest la regla:

eval(close(0,##inflexp)>3,$RUA,rating(«core: sentiment»)>=98)

Si la inflación está por encima del 3% invertimos en el índice (RUA) y en caso contrario seleccionamos empresas que, en el ranking de sentimiento, estén por encima del percentil 98.

Obtenemos el resultado mostrado en la Figura 3.

Estrategia AROR = 13,93% DD = -47,33% R. Sharpe = 0,73 Beta =0,92 Alpha =7,33% ——————- Benchmark AROR = 7,28% DD = -55,61% R. Sharpe = 0,43

Queda claro que esta regla también consigue generar alpha. Ahora solo nos queda evaluar el resultado conjunto de ambas.

Estrategia AROR = 16,30% DD = -41,82% R. Sharpe = 0,96 Beta =0,8 Alpha =10,71% ——————- Benchmark AROR = 7,28% DD = -55,61% R. Sharpe = 0,43

La conclusión que sacamos es que solo con alternar entre los estilos “sentimiento” y “baja volatilidad” en función del nivel de volatilidad y rebalancear el portfolio mensualmente obtenemos una mejora muy significativa respecto del índice de referencia. 

El siguiente paso es analizar cuánto aporta a la cartera una selección dinámica de subsectores en función de los umbrales de volatilidad. En este caso la regla a evaluar es:

Si las expectativas de inflación se sitúan por encima del 3% entonces compramos empresas de los subsectores “Mich > 3” y si caen por debajo de 3% de los subsectores “Mich ≤3”: 

  Con esta regla obtenemos los siguientes mostrados en la Figura 5.

Estrategia AROR = 18,96% DD = -45,75% R. Sharpe = 1,08 Beta = 0,75 Alpha =13,04 ——————- Benchmark AROR = 7,28% DD = -55,61% R. Sharpe = 0,43

Vemos que alternando entre los subsectores con mejor comportamiento en cada umbral de volatilidad se obtiene también un rendimiento muy superior al Russell 3000. Con un ratio de Sharpe por encima de 1 y un DD unos 10 puntos por debajo del índice, parece que este mecanismo dinámico está plenamente justificado. 

Nuestro siguiente paso es combinar estilos y subsectores para evaluar su comportamiento conjunto en este modelo de cartera, como se muestra en la Figura 6.

Estrategia AROR = 19,86% DD = -32,12% R. Sharpe = 1,16 Beta =0,74 Alpha =13,73 ——————- Benchmark AROR = 7,28% DD = -55,61% R. Sharpe = 0,43

A tenor de los resultados, queda claro que la combinación de estilos y subsectores funciona perfectamente en un portfolio dinámico de este tipo. El dato más significativo es que se reduce el DD a un 32,12% que, aun siendo alto según mi criterio, resulta mucho más manejable, sobre todo en términos psicológicos y de aversión al riesgo,  que el -55,61% del índice Russell 3000.

Reglas del sistema D.I.

Procedemos a construir la estrategia con la excelente herramienta Portfolio123, una de las más avanzadas plataformas que podemos encontrar en el mercado para el diseño, evaluación y gestión de carteras complejas.

1. Parámetros iniciales:

• Universo: Empresas del Russell 3000
• Núm. máx. de posiciones: 15
• Capital inicial: $100.000
• Rebalanceo: Mensual
• Método de asignación: Equiponderado
• Comisión por acción: 0,005
• Deslizamiento variable: 0,5

b) Reglas de compra:

Buy 1: Alternamos entre los rankings de “baja volatilidad” y “sentimiento” cuando la inflación estimada se sitúa por encima o por debajo del 3% 

Buy 2: Conjunto de subsectores del directorio BRICS entre los que se elegirán las empresas que formarán parte de la cartera para los escenarios de alta y baja inflación. 

Buy 3: Para evitar empresas poco líquidas o demasiado pequeñas, exigimos una capitalización mínima de $500 millones y un volumen medio diario de 5.000 títulos negociados.

3. Reglas de venta:

Ranking: Eliminamos en cada rebalanceo aquellas empresas que desciendan en el ranking por debajo del percentil 60.

Sell 2: Reducimos un 30% la ponderación de las empresas que en cada periodo alcancen un peso superior al 8% de la cartera. 

Sell 3: Aplicamos un profit target del 1% mensual. Esto nos permitirá aumentar más la rotación de activos en cada rebalanceo.

Por último, en esta primera versión de la cartera no contemplamos la inclusión de un Stop Loss para activos individuales ni de un modelo de cobertura. Si bien, veremos el efecto de una estrategia de cobertura básica pero bastante efectiva. 

4. Reglas Cobertura (optativas):

El objetivo de estas reglas es rotar a renta fija en escenarios de tendencia bajista prolongada. Como estimador de tendencia empleamos los cruces ascendentes y descendentes de una media móvil de 150 períodos con los precios. 

Regla CB: Cubrimos un 50% de la posición con bonos del Tesoro 7-10 años en los escenarios muy bajistas.

Otras variantes aún más conservadoras incluyen bonos del Tesoro de 1-3 años y 3-7 años, así como porcentajes de cobertura más altos. 

Resultados del sistema D.I. 

Procedemos a realizar un backtest en la ventana temporal más amplia que permite la plataforma. Los resultados son mucho mejores que los del benckmark, llegando el retorno anualizado hasta el 17,78% y con un DD muy contenido que se sitúa en el 28,7%. Excelente para este tipo de estrategias, sin cobertura y solo invertidas en acciones. El ratio de Sharpe asciende hasta el 1,17%.

En la imagen inferior mostramos el gráfico del beneficio acumulado de la cartera D.I. y del Russell 3000. También podemos ver el porcentaje de caja y la evolución del número de posiciones. Observamos que las posiciones en cartera descienden por debajo de 15 cuando no se encuentran empresas que satisfagan las reglas de entrada. Aun así, el número es bastante estable; pocas veces es inferior a 10 y solo en dos ocasiones desciende a un mínimo de 5 posiciones. 

En esta tabla mostramos las principales métricas de retorno y riesgo del modelo:

Por último, y con el propósito de comparar resultados, realizamos un backtest con el modelo de cobertura básica que ya hemos comentado. Las franjas verdes son los intervalos en los que se aplica la cobertura.

Estrategia AROR = 16,47% DD = -20% R. Sharpe = 1,29 Beta = 0,51 Alpha =11,84 ——————- Benchmark AROR = 7,28% DD = -55,61% R. Sharpe = 0,43

Vemos descender ligeramente el beneficio anualizado, pero compensa con creces: El DD cae hasta un bastante confortable 20%, la beta o volatilidad respecto al mercado baja al 0,51 y se obtiene un alpha o exceso de retorno del 11,84%. 

Conclusiones: 

1. Dado que la inflación no afecta por igual a todos los productos invertibles y sectores de la economía, es posible construir carteras dinámicas que utilicen los niveles de inflación como criterio para alternar entre productos. 
2. También constatamos que hay estilos de inversión que obtienen mejores resultados en marcoépocas de alta y baja inflación. En nuestro estudio observamos que, para largos periodos con inflación superior al 3%, es mejor emplear criterios de selección basados en rankings de empresas de baja volatilidad. Mientras que, para periodos de inflación baja y moderada, es mejor utilizar criterios basados en rankings de sentimiento. 
3. La estrategia D.I. alterna entre estilos y subsectores, rebalanceando el portfolio mensualmente. La frecuencia de rebalanceos es un factor crítico porque afecta al gasto total de la operativa. En este caso encontramos óptimos los períodos mensuales.
4. Los resultados obtenidos en la simulación baten claramente al mercado y consiguen mejorar todos los ratios de manera consistente en un período de 22 años. 

Viaje hacia el trading algorítmico por Kevin Davey

 

«El viaje, no el destino, es lo que importa…»
― T.S. Thomas Stearns Eliot

¿Cómo utilizar los pivots points? por John Devcic

• Cada día se crean multitud de indicadores. Muchos de ellos consisten en complejas fórmulas matemáticas, pero no consiguen permanecer en el tiempo. Sin embargo, hay otros que a pesar de su aparente sencillez llevan con nosotros décadas. Hoy le hablamos de uno de ellos ¿Conoce los pivots points? ¿Sabe cómo hacer trading con ellos? En este artículo, se lo mostramos. 
• Artículo publicado en Hispatrading 40.

Todos médicos, carpinteros, pizzeros o mecánicos, solo por nombrar algunos ejemplos, comparten algo en común: todos usan herramientas. Nosotros, los traders, utilizamos también herramientas, aunque las nuestras son virtuales y vienen en forma de medias móviles, líneas de tendencia, niveles de soporte y resistencia, así como niveles de Fibonacci, entre otros. ¿Para qué sirven? Para ayudarnos a entrar o salir de cualquier operación. De todas las herramientas que tenemos a nuestra disposición, como traders, hay una de la que me gustaría hablarle en este artículo. Los puntos de pivote o más conocidos como pivots points. 

¿Qué son los pivots points?

En pocas palabras, un punto de pivote es un nivel donde podemos esperar que el precio se mueva. En general, podrá ver estos niveles en cualquier gráfico, da igual del activo que sea, ya que funciona en todos. Solo piense en un pivot como un punto de inflexión. Este punto de inflexión debe analizarse cuidadosamente. Puede calcularlos usted mismo con bastante facilidad. Estos niveles cambian y pueden usarse a corto o largo plazo, lo que significa que puede calcularlos diariamente, semanalmente o incluso mensualmente si lo desea.

Cálculo de pivots points

Hay dos tipos diferentes de cálculos que generalmente puede utilizar. Revisaré ambos. Comencemos con el primero. Para hacer el cálculo necesitamos tres números para saber el primer punto de pivote. Esto se puede utilizar para cualquier mercado, por lo que no debe preocuparse de que solo funcione en acciones, Forex o materias primas.

Para calcular un pivot point de tres puntos, necesita los siguientes periodos: El máximo, mínimo y el precio de cierre. Tendrá que sumarlos todos y dividir el total entre tres.

PP = (H + L + C) / 3

Para calcular un pivot Point de cuatro puntos, necesitará estos 4 niveles: Apertura, máximo, mínimo y cierre. Esta es la información que da una vela o barra típica de cualquier periodo, por lo que generalmente es la que la mayoría de los operadores prefieren.

PP = (O + H + L + C) / 4

Estos son cálculos simples que los puede hacer fácilmente por su cuenta. Por supuesto, no hay necesidad de hacerlo usted mismo, hay una gran cantidad de calculadoras de pivots points disponibles por internet, solo tiene que hacer una sencilla búsqueda y encontrará calculadoras especialmente ajustadas para cualquier activo. Acciones, bonos, materias primas y divisas.

Por lo tanto, ya podemos saber cuál es el punto de pivote y sabemos cómo calcular estos números, ya sea si elegimos hacerlo nosotros mismos o si usamos una calculadora. Ahora la pregunta lógica es ¿cómo utilizamos estos pivots points para hacer trading?

¿Cómo hacer trading con los pivots points?

Si alguna vez ha utilizado algún tipo de nivel de soporte o resistencia le alegrará saber que los pivots points, en muchos sentidos, se utilizarán igual. Una vez que tenga el nivel, puede dibujar una línea en ese punto y observar cómo el mercado se comporta alrededor de esa zona. 

Por ejemplo, imagine que el precio llega a un nivel de pivot point pero no es capaz de superarlo al alza. Lo ha tocado varias veces, pero parece que le cuesta romperlo ya que cuando el precio intenta moverse por encima del nivel, rápidamente cae por debajo de nuevo. Si estuviéramos delante en esta situación hipotética podríamos entender que viendo como el precio ha tocado varias veces la zona, cuantas más mejor, y no ha conseguido romper marcando nuevos máximos, estamos ante un techo de mercado. ¿Qué podríamos esperar? Probablemente que el precio cambie de dirección y empiece a caer. 

Si usted estuviera esperando utilizar un pivot point, que está por debajo del precio actual, para comprar tendríamos que utilizar la situación inversa. 

La verdadera belleza de usar pivot points es que puede usarlos en cualquier período de tiempo. Los gráficos diarios o los gráficos de un minuto funcionan, por lo que esta herramienta le brinda una gran flexibilidad. Mencioné anteriormente que hay multitud de calculadoras e incluso también programas que calcularán los niveles de pivots automáticamente. De hecho, podrá integrarlos en cualquier gráfico con la misma apariencia que un soporte o una resistencia. Aun así creo que es práctico saber lo que hay detrás de unas simples lineas. Le muestro las matemáticas que hay tras estos niveles de soporte y resistencia. 

Nivel de soporte 1 = (2 x punto de pivote) – alto

Nivel de soporte 2 = punto de pivote – (alto – bajo)

Nivel de soporte 3 = bajo – 2 (alto – punto de pivote)

Nivel de resistencia 1 = (2 x punto de pivote) – Bajo

Nivel de resistencia 2 = punto de pivote + (alto – bajo)

Nivel de resistencia 3 = alto + 2 (punto de pivote – bajo) 

Agregué el tercer nivel de soporte y resistencia como un “extra”. Muchas versiones de software de gráficos no tienen estos niveles configurados automáticamente. Siempre puede resolverlo por su cuenta rápidamente y añadiendo otra línea.

Estas son herramientas visuales, por lo que es mejor mirar el pivot point en profundidad en un gráfico y ver cómo se ve.

Veamos varios ejemplos. El primero Boeing (BA). El pivot point está en 377.59. El precio se ha movido en rango sin dar más pistas desde mediados del mes de marzo. Después, superó el primer nivel de soporte y tocó el segundo nivel un par de veces. Ahora parece que había encontrado soporte. La pregunta es si esto daría como resultado un rebote o una tendencia a la baja. Si observa el gráfico a día de hoy, verá que el nivel aguantó bien generando un movimiento alcista hacia la parte superior del rango. 

El otro ejemplo es Tesla (TSLA). El punto de pivote estaba en 255.33. El precio ha estado en una tendencia bajista desde principios de año y ha continuado cayendo. Rompiendo el nivel de pivote y cayendo a través del primer nivel de soporte. En realidad pasó al siguiente nivel de soporte, pero cerró por encima de él después. Si observa el gráfico actualizado, verá cómo el nivel de nuevo aguantó bien.  

Puede hacer la prueba usted mismo. Analice por sí mismo si de verdad estos niveles funcionan y pruebe cómo se comportó el mercado en los diferentes niveles de pivots points. 

Recuerde que, como con todos los indicadores, querrá usarlos junto con otros. Ningún indicador es “Todopoderoso”, y eso también es válido para los pivots points.

Cómo Encontrar niveles clave de soporte y Resistencia en Forex por Chris Capre

• En este artículo Chris Capre nos contestará varias preguntas fundamentales al hacer trading ¿Cómo podemos encontrar niveles de soporte y resistencia clave?¿Cómo determinar lo fuerte que es un determinado soporte o resistencia? Veamos las explicaciones de uno de los traders de Forex con mayor prestigio.
• Artículo publicado en Hispatrading nº39.

Ser capaz de encontrar zonas de soporte y resistencia clave o los llamados niveles de “alta probabilidad” es una habilidad fundamental que necesitará desarrollar para convertirse en un operador rentable. No hay otro camino. Si tiene la intención de hacer trading con la acción del precio o price action, tendrá que aprender a identificar y utilizar estos niveles.

De hecho una de las preguntas que más me hacen  es “¿cómo puedo encontrar niveles de soporte y resistencia en el mercado Forex?”  En este artículo, responderemos a esta pregunta. Además veremos algunas variables fundamentales que hay que buscar.

El modo de pensar alrededor de los niveles de soporte y resistencia clave

En primer lugar, es importante entender algo. Usted necesita pensar de una forma muy específica al utilizar un soporte o una resistencia y por supuesto comprender lo que hay detrás de estos niveles. En primer lugar, debemos pensar en términos de probabilidad, no creer en ellos como si fueran verdades absolutas. No existe el blanco o negro en el trading. Por esto, no podemos decir que un determinado nivel aguantará o no.

El trading no funciona así ni, por supuesto, la acción del precio o los niveles de soporte o resistencia. Debemos pensar en probabilidades. ¡No hay otra forma de hacerlo!

Otro aspecto que debemos tener en cuenta es el siguiente. Es importante pensar en estos niveles como “zonas” y no como si fueran líneas fijas en la arena, inamovibles. Esto significa que no existe un precio específico a partir del cual podemos pensar que un soporte o resistencia se ha roto. Es por esto, que nunca podríamos decir “si el EURUSD rompe 1.1350 soy optimista, pero si rompe 1.1349, pienso que debería seguir cayendo”.

El flujo de órdenes no funciona de esta manera. Tampoco todos los grandes actores institucionales y hedge funds ponen sus órdenes de compra o venta en el mismo precio. A menudo posicionan sus órdenes alrededor de zonas de precios específicos. Es este pequeño rango de precios el que constituye la “zona” de soporte o resistencia que estamos buscando.

Por lo tanto tenemos que evitar caer en la trampa de pensar en un soporte o resistencia como un precio en concreto o una línea en la arena. Debemos pensar en ellos como “zonas” en las que produce un flujo de órdenes importante.

Cómo encontrar niveles clave de soporte y resistencia en Forex (y en cualquier mercado financiero)

Los niveles de soporte o resistencia más fuertes serán a menudo los que se formen a favor de la tendencia establecida. Le pongo un ejemplo. Si estamos en medio de una tendencia alcista, los niveles de pullback (el retroceso del precio, después de romper una resistencia, hacia el nivel convertido ahora en soporte) serán a menudo más fuertes que los niveles de resistencia que se vaya encontrando la tendencia. ¿Por qué? Esto es debido a que el flujo de órdenes subyacente en una tendencia alcista es más fuerte en el lado de la compra. Ver cómo se producen varios test, de un soporte en una tendencia alcista o de una resistencia en una tendencia bajista, es un buen indicador de que ese nivel tiene fuerza.

Hasta que la tendencia cambia, los hedge funds y los grandes actores institucionales estarán buscando comprar más que vender, por lo que el flujo de órdenes en esos niveles de pullback a menudo será más fuerte que los niveles de resistencia. Puede ver de lo que estamos hablando en la “Figura 1” y en la “Figura 2”.

En la “Figura 1” se puede ver un gráfico del par USDMXN (en gráfico diario). Los niveles de resistencia sólo aguantan unos toques antes de romperse, mientras que los niveles de soporte clave aguantan varios toques antes de realizar un nuevo tramo al alza. Esto nos indica dónde se encuentra el flujo de órdenes dominante (en este caso, en el lado alcista). Esto es así hasta que vea tanto la estructura como el flujo de órdenes cambiar. Por este motivo queremos operar a favor de la tendencia, siempre que sea posible. 

Otro ejemplo de un nivel de soporte probado en múltiples ocasiones, a favor de la tendencia establecida, lo tenemos en el gráfico de la “Figura 2”, en el que se muestra el par USDJPY en gráfico diario.

Observe cómo los niveles de soporte son testados en muchas ocasiones. La capacidad de soportar múltiples toques indica que el flujo de órdenes dominante está en el lado de los alcistas o bulls, ya que son capaces de aguantar múltiples test mientras se mantiene el nivel.

Observe también cómo el último nivel de soporte (105.38) fue tocado antes de producir un fuerte movimiento alcista. Este tipo de reacciones rápidas, que se llevan a cabo en máximos del swing anterior, a menudo denotan impulsividad y un fuerte flujo de órdenes. En este caso, se mantiene en el nivel durante 1 o 2 velas, antes de impulsarse como un cohete escalando 1500 pips. ¿Lección? Asegúrese de tener en cuenta estas variables, como la evidencia de que el precio muestre fortaleza en un nivel en particular:

# 1 – El nivel se mantiene después de múltiples toques. 

# 2 – Se producen fuertes reacciones a partir de un nivel clave de soporte o resistencia.  

# 3 – Tenga en cuenta que los niveles a favor de la tendencia serán a menudo más fuertes que los niveles en contra de la tendencia.

Ahora que conocemos algunas variables a tener en cuenta, asegúrese de desarrollar la habilidad de identificarlas.

¿Qué variables debo buscar en los niveles clave de soporte y resistencia?

Otra variable a tener en cuenta son las estructuras correctivas con múltiples toques en ambos lados del mercado.

Podemos ver otro ejemplo en la “Figura 3” con el par AUDJPY.

Mirando el gráfico de 4 horas, se puede ver cómo el precio ha dado varios toques en la parte superior e inferior de esta estructura correctiva. Esto nos avisa, desde una perspectiva de flujo de órdenes, que ambos lados del mercado están en un estado de equilibrio, por lo que ninguna de las zonas es dominante. 

Cuando se tienen estructuras correctivas de este tipo, es importante operar a ambos lados del mercado hasta que se rompa la estructura. Esto le dará una gran cantidad de oportunidades con stops muy ajustados (justo por encima o debajo de la resistencia o soporte) mientras buscamos como objetivo la zona contraria de la estructura.

En la mayoría de los casos, esta estructura habría ofrecido objetivos tres o cuatro veces superiores a la zona donde ubicamos el stop (3 o 4 R). Es algo que hablamos con nuestros miembros antes que sucediera, así que felicitaciones a los estudiantes que se beneficiaron de estas operaciones.

Se puede ver otro ejemplo de estas estructuras correctivas en el gráfico de 1 hora ASX 200, que se muestra en la “Figura 4”.

A pesar de que los niveles no son tan limpios como los del gráfico del AUDJPY, la estructura correctiva global existe, aunque con un poco más de “amortiguación”. De hecho, ha ofrecido múltiples oportunidades de trading. Aproximadamente con un ratio ganancia/ pérdida de 2R.

Por lo tanto, es importante aprender a identificar las estructuras correctivas con múltiples toques en ambos lados del mercado y operar tanto al alza como a la baja, hasta que la estructura se rompe.

En resumen

Hay muchas variables que necesitará entender para identificar la acción del precio en estas zonas. Así podrá encontrar niveles de soportes y resistencias clave. Tenga en cuenta que esta es una habilidad que toma tiempo aprenderla, así que no espere leer un artículo y convertirse en todo un profesional. Tendrá que desarrollar sus habilidades progresivamente durante un tiempo. Si usted hace esto bien, podrá identificar y operar estos niveles. 

3 consejos para un trading rentable AHORA MISMO 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

En cualquier momento dado en el mercado, ciertos patrones serán más populares que otros.He estado usando los mismos patrones durante más de 20 años, pero los patrones aparecen dentro de un marco más amplio.Dependiendo de la fortaleza general del mercado, ciertas partes del marco serán más fuertes que otras.Puedo beneficiarme en todos los mercados porque tengo suficiente experiencia para reconocer los patrones.Para mis estudiantes: les muestro qué acciones son las más populares durante cada mercado.En este momento, el mercado de 2024 está subiendo. ¡Es increíble! El impulso de un sector tecnológico en rally está fuera de control. Pero no me oirás quejarme.Hay más oportunidades en nuestro nicho cuando el mercado está caliente.Es por eso que tenemos que capitalizar las oportunidades AHORA. Nunca se sabe cuándo cambiará el impulso.Por ejemplo: En los últimos días, el mercado alcista descansó en previsión del informe de ganancias de la Corporación NVIDIA (NASDAQ: NVDA) el 21 de febrero.

Un mal informe de la NVDA podría haber sido el final.

Los datos de ganancias cayeron el 21 de febrero durante después de las horas de trabajo…

• Los ingresos totales aumentaron un 265 %.

Como resultado, el 22 de febrero, NVDA y el S&P 500 ETF Trust (NYSE: SPY) se dispararon a nuevos máximos históricos. A continuación mostramos un gráfico del mercado del SPY:

¡Ahora es el momento de operar!

Los mejores traders reaccionan al impulso en el mercado. Y ahora mismo, hay MUCHAS acciones subiendo.

No te quedes atascado en el lado equivocado de estos patrones. Hay 3 setups comunes que debes ver ahora mismo.

#1: Compras por caídas en pánico

En mi marco de Penny Stocks, este es un patrón #5 y #6.

Hay muchas acciones subiendo en este momento. Pero en nuestro nicho, la mayoría de los máximos son insostenibles. Los precios de las Penny stocks se desplomarán con el tiempo.

«¿Por qué operarías una acción que se va a desplomar?»

Porque estas acciones pueden subir un +1000% mientras seguimos nuestros patrones. Si somos listos con la acción del precio, podemos entrar y salir con un beneficio antes de que las cosas se pongan peor.

Uno de mis patrones favoritos en realidad consiste en operar en el camino bajista. Y no estoy hablando de ventas en corto.

Una compra de caída por pánico es una oportunidad que se manifiesta cuando una acción caliente comienza a caer de sus máximos.

Cuando el precio cae demasiado y demasiado rápido, puede haber un rebote momentáneo y sustancial. Utilizaremos una acción reciente, Intuitive Machines Inc. (NASDAQ: LUNR) como ejemplo.

Echa un vistazo al +230% de aumento de varios días y la posterior venta del 30% el 21 de febrero:

No operé la compra por la caída por pánico del 21 de febrero, pero algunos de mis estudiantes lo hicieron.

El siguiente Tweet muestra un ejemplo perfecto de este patrón de trading.

Esté atento a las acciones pena stocks que estén subiendo con fuerza durante varios días.

Tarde o temprano caerán, y ahí es donde esperamos las oportunidades.

#2: Los mejores Spikers del mercado

Esto es lo que busco cuando opero un acción alcista a medida que sube:

• Spikes rápidos.

• • Por lo general, estas acciones se disparan en el premercado. Estoy buscando cualquier cosa por encima de un movimiento intradía del 20 %. Si puede aumentar un 20 %, puede subir más.

• Acciones en flotación bajas.

• • El flotante es el suministro total de acciones disponibles para hacer trading. Una oferta de acciones restringida ayudará a que las acciones se disparen más cuando aumente la demanda. Queremos que el flotante sea de menos de 10 millones de acciones.

• Alto volumen de operaciones.

• • El volumen muestra cuántas acciones se negocian. Queremos que al menos 1 millón de acciones se negocien en el día. Eso asegura suficiente liquidez para que no nos quedemos atascados. Y cuanto mayor sea el volumen de negociación, más popular será la acción. Eso ayuda. Una rotación completa de las acciones en flotación es muy emocionante de ver.

• Un catalizador de noticias de moda.

• • Tiene que haber una razón para el spike.

He aquí un ejemplo:

Motus GI Holdings Inc. (NASDAQ: MOTS) anunció una nueva patente en una solicitud el 20 de febrero. Vea el sello de fecha a continuación:

Este es un ejemplo perfecto de acciones basura que se dispararon con noticias exageradas.

El flotante era de solo 551.000 acciones. Los precios subieron inicialmente un 160 % después de que saliera la noticia y la operé durante las horas previas al mercado.

¡Encuentra más acciones que se ajusten a los factores anteriores!

#3: Operaciones nocturnas

Esta es una opción atractiva para los traders que también trabajan durante el día.

Algunas de las acciones más populares de los mercados seguirán funcionando después del primer día. Las operaciones swing durante la noche nos ayudan a aprovechar ese impulso.

Teóricamente, encontramos una acción fuerte que empuja más arriba y construimos una posición por encima del soporte antes de que el mercado cierre. Luego, al día siguiente, vendemos nuestra posición cuando se abre el mercado.

Es más fácil decirlo que hacerlo. Pero no tienes que hacerlo solo.

Desde la llegada de la IA en 2023, trabajé para crear un bot de IA que pueda encontrar las mejores entradas de acciones que sigan mi proceso.

Se llama XGPT, y una de las victorias más recientes fue de Ventyx Biosciences Inc. (NASDAQ: VTYX).

XGPT alertó del spike un día antes:

El sistema de IA envía una alerta diaria a las 3:16 p.m. Si hay un posible swing trade para operar, obtendrás una alerta y un plan de operaciones.

Puedes entrar antes de que cierre el mercado o esperar la confirmación alcista de la mañana siguiente.

Y no es solo la alerta de 3:16… Si hay una acción matutina que quieres operar, introduce el símbolo del ticker en XGPT y obtendrás un resumen como si me lo hubieras preguntado directamente.

Los nuevos traders no saben lo que no saben.

Es mi trabajo enseñarles. Y XGPT es la herramienta de enseñanza más avanzada que tengo en este momento.

Saludos.

Hiperparámetros: Optimización y ajuste para el aprendizaje automático por Quantinsti

Los hiperparámetros no son más que los valores que el modelo utiliza para aprender los parámetros óptimos con el fin de asignar correctamente las características de entrada (variables independientes) a las etiquetas o objetivos (variable dependiente).

Por ejemplo, el parámetro son los pesos en una red neuronal artificial (ANN). Los hiperparámetros son los parámetros específicos que optimizan y controlan el proceso de entrenamiento.

Confundido, ¿verdad? No te preocupes.

¡Veremos todo, desde cuáles son los parámetros y los hiperparámetros hasta cómo se pueden utilizar los hiperparámetros para mejorar el rendimiento de su estrategia!

Por lo tanto, los hiperparámetros son un grupo de parámetros que ayudan a entrenar un modelo de aprendizaje automático para proporcionar los resultados necesarios en todo momento.

En este artículo, discutiremos todo sobre los parámetros, los hiperparámetros y el ajuste de hiperparámetros. Este artículo cubre:

• ¿Cuáles son los parámetros?
• ¿Qué es el ajuste de hiperparámetros e hiperparámetros?
• Ejemplos de hiperparámetros
• Importancia de los hiperparámetros
• Hiperparámetros frente a parámetros
• Categorización de hiperparámetros para el modelo de aprendizaje automático de entrenamiento
• Hiperparámetros para la optimización
• Hiperparámetros para modelos específicos
• ¿Cómo ajustar los hiperparámetros?

¿Cuáles son los parámetros?

Los parámetros son aprendidos por el modelo puramente a partir de los datos de entrenamiento durante el proceso de entrenamiento. El algoritmo de aprendizaje automático utilizado intenta aprender la asignación entre las características de entrada y los objetivos o la(s) salida(es) deseada(s).

El entrenamiento del modelo normalmente comienza con los parámetros que se establecen en valores aleatorios o en ceros. A medida que avanza el entrenamiento/aprendizaje, los valores iniciales se actualizan utilizando un algoritmo de optimización. Un ejemplo de un algoritmo de optimización es el descenso de gradiente.

Al final del proceso de aprendizaje, los parámetros del modelo conducen a la formación del modelo.

Ejemplos de parámetros

Algunos ejemplos de parámetros en el aprendizaje automático son los siguientes:

• Los pesos de los modelos de regresión lineal y logística.
• Los centroides del clúster en la agrupación

¿Qué es el ajuste de hiperparámetros e hiperparámetros?

Un hiperparámetro es un parámetro establecido antes de que comience el proceso de aprendizaje para un modelo de aprendizaje automático. Por lo tanto, el algoritmo utiliza hiperparámetros para aprender los parámetros.

Estos parámetros se pueden ajustar de acuerdo con los requisitos del usuario y, por lo tanto, afectan directamente a la forma en que se entrenan los modelos.

Al crear un modelo de aprendizaje automático, hay múltiples opciones de diseño sobre cómo definir la arquitectura del modelo. Por lo general, explorar una gama de posibilidades o probabilidades ayuda a decidir la arquitectura óptima del modelo. Para que un modelo de aprendizaje automático aprenda con forma adecuada, es mejor pedirle a la máquina que realice esta exploración y seleccione automáticamente la arquitectura óptima del modelo.

Los parámetros, que definen la arquitectura del modelo, se conocen como hiperparámetros. Por lo tanto, este proceso de búsqueda de la arquitectura del modelo ideal y, por lo tanto, el hiperparámetro, se conoce como «ajuste de hiperparámetros».

Por ejemplo, los pesos aprendidos mientras se entrena un modelo de regresión lineal son parámetros, pero la tasa de aprendizaje en el descenso de gradiente es un hiperparámetro.

El rendimiento de un modelo en un conjunto de datos depende significativamente del ajuste adecuado, es decir, de encontrar la mejor combinación de los hiperparámetros del modelo.

Ejemplos de hiperparámetros

Algunos ejemplos de hiperparámetros en el aprendizaje automático son los siguientes:

• La k en el algoritmo KNN o K-Nearest Neighbour
• Tasa de aprendizaje para entrenar una red neuronal
• Número de épocas. Una época equivale a un ciclo para entrenar un modelo de aprendizaje automático. El número de épocas sigue aumentando hasta que el error de validación se reduce.
• Ramas en el árbol de decisiones

Importancia de los hiperparámetros

El ajuste de hiperparámetros es bastante importante mientras se entrena un modelo de aprendizaje automático.

El ajuste de hiperparámetros aborda el diseño del modelo con preguntas como:

• ¿Qué grado de características polinómicas debo usar para mi modelo lineal?
• ¿Cuántos árboles debo incluir en mi bosque al azar?
• ¿Cuántas neuronas debería tener en mi capa de red neuronal?
• ¿Cuál debería ser la profundidad máxima permitida para mi árbol de decisiones?

Hiperparámetros frente a parámetros

Categorización de hiperparámetros para el modelo de aprendizaje automático de entrenamiento

En términos generales, los hiperparámetros se pueden dividir en dos categorías, que se indican a continuación:

1. Hiperparámetros para la optimización
2. Hiperparámetros para modelos específicos

Hiperparámetros para la optimización

El proceso de selección de los mejores hiperparámetros para usar se conoce como ajuste de hiperparámetros, y el proceso de ajuste también se conoce como optimización de hiperparámetros. Los parámetros de optimización se utilizan para optimizar el modelo.

Algunos de los parámetros de optimización populares se dan a continuación:

• Tasa de aprendizaje: La tasa de aprendizaje es el hiperparámetro en los algoritmos de optimización que controla cuánto necesita cambiar el modelo en respuesta al error estimado para cada vez que se actualizan los pesos del modelo. Es uno de los parámetros cruciales al construir una red neuronal, y también determina la frecuencia de la comprobación cruzada con los parámetros del modelo. Seleccionar la tasa de aprendizaje optimizada es una tarea difícil porque si la tasa de aprendizaje es mucho menor, entonces puede ralentizar el proceso de formación. Por otro lado, si la tasa de aprendizaje es demasiado alta, es posible que no optimice el modelo correctamente.
• Tamaño del lote: para mejorar la velocidad del proceso de aprendizaje, el conjunto de entrenamiento se divide en diferentes subconjuntos, conocidos como lote.
• Número de épocas: Una época se puede definir como el ciclo completo para entrenar el modelo de aprendizaje automático. Epoch representa un proceso de aprendizaje iterativo. El número de épocas varía de un modelo a otro, y se crean varios modelos con más de una época. Para determinar el número correcto de épocas, se tiene en cuenta un error de validación. El número de épocas aumenta hasta que hay una reducción en un error de validación. Si no hay ninguna mejora en el error de reducción para las épocas consecutivas, entonces indica que se debe dejar de aumentar el número de épocas.

Hiperparámetros para modelos específicos

Los hiperparámetros que están involucrados en la estructura del modelo se conocen como hiperparámetros para modelos específicos. Estos se dan a continuación:

• Una serie de unidades ocultas: las unidades ocultas forman parte de las redes neuronales, que se refieren a los componentes que comprenden las capas de procesadores entre las unidades de entrada y salida en una red neuronal.

Es importante especificar el número de unidades ocultas en el hiperparámetro de la red neuronal. Debe estar entre el tamaño de la capa de entrada y el tamaño de la capa de salida. Más específicamente, el número de unidades ocultas debe ser 2/3 del tamaño de la capa de entrada, más el tamaño de la capa de salida.

Para funciones complejas, es necesario especificar el número de unidades ocultas, pero no debe sobreencajar el modelo.

• Número de capas: una red neuronal se compone de componentes dispuestos verticalmente, que se llaman capas. Hay principalmente capas de entrada, capas ocultas y capas de salida. Una red neuronal de 3 capas ofrece un mejor rendimiento que una red de 2 capas. Para una red neuronal convolucional, un mayor número de capas, idealmente 5-7, hacen un mejor modelo.

¿Cómo ajustar los hiperparámetros?

Para entrenar adecuadamente el modelo de aprendizaje automático, se requiere ajustar los hiperparámetros. Los siguientes son los pasos para ajustar los hiperparámetros:

• Selecciona el tipo de modelo correcto
• Revisa la lista de parámetros del modelo y construye el espacio de hiperparámetros
• Encontrar los métodos para buscar en el espacio de hiperparámetros
• Aplicación del enfoque del esquema de validación cruzada
• Evaluar la puntuación del modelo para evaluar el modelo

Ahora, veamos las dos técnicas más utilizadas para el ajuste de hiperparámetros. Estas dos técnicas son:

• Búsqueda en cuadrícula
• Búsqueda aleatoria

Búsqueda en cuadrícula

La búsqueda en cuadrícula es la técnica de búsqueda exhaustiva a través de cada combinación de los valores de hiperparámetros especificados.

La búsqueda de cuadrícula es el algoritmo más simple para el ajuste de hiperparámetros. Básicamente, dividimos el dominio de los hiperparámetros en una cuadrícula discreta. Luego, probamos cada combinación de valores de esta cuadrícula, calculando algunas métricas de rendimiento utilizando la validación cruzada.

El punto de la cuadrícula que maximiza el valor promedio en la validación cruzada es la combinación óptima de los valores de los hiperparámetros.

La búsqueda de cuadrícula es un algoritmo exhaustivo que abarca todas las combinaciones, por lo que realmente puede encontrar el mejor punto en el dominio. Un inconveniente es que es muy lento. Comprobar cada combinación del espacio requiere mucho tiempo que, a veces, no está disponible.

Cada punto de la cuadrícula necesita una validación cruzada de k-fold, lo que requiere k pasos de entrenamiento. Por lo tanto, ajustar los hiperparámetros de un modelo de esta manera puede ser bastante complejo y costoso. Sin embargo, si buscamos la mejor combinación de valores de los hiperparámetros, la búsqueda de cuadrícula es una muy buena idea.

Búsqueda aleatoria

En caso de búsqueda aleatoria, a diferencia de la búsqueda en cuadrícula, no se prueban todos los valores de parámetros dados.

Por lo tanto, se muestrea un número fijo de ajustes de parámetros a partir de la distribución de valores especificada.

Para cada hiperparámetro, se puede especificar una distribución de valores posibles o una lista de valores discretos (que se muestrearán de manera uniforme).

El proceso de muestreo en una búsqueda aleatoria se puede especificar de antemano. Para cada hiperparámetro, se puede especificar una distribución sobre posibles valores o una lista de valores discretos (que se muestrearán de manera uniforme).

Cuanto más pequeño sea este subconjunto, más rápida pero menos precisa será la optimización. Cuanto más grande sea este conjunto de datos, más precisa será la optimización, pero más cerca de una búsqueda en cuadrícula.

La búsqueda aleatoria es una opción muy útil cuando tienes varios hiperparámetros con una cuadrícula de valores de grano fino.

Usando un subconjunto hecho por 5-100 puntos seleccionados al azar, podemos obtener un conjunto razonablemente bueno de valores de los hiperparámetros.

No es probable que sea el mejor punto, pero aún así puede ser un buen conjunto de valores que nos dé un buen modelo.

Conclusión

Los hiperparámetros y el ajuste de hiperparámetros son muy importantes para garantizar que el modelo de aprendizaje automático almacene la información correcta para mapear las entradas con las salidas correctas.

Con el conocimiento adecuado con respecto a los hiperparámetros, se puede entrenar el modelo de aprendizaje automático para las acciones requeridas.

Guía Completa del Trading Automatizado de Divisas: Desde la Configuración hasta la Optimización por Quantinsti

• Veamos cómo el trading automatizado de divisas puede transformar tu estrategia. Desde la configuración hasta la optimización, descubre las herramientas, beneficios y desafíos de implementar un sistema automatizado para maximizar tu rentabilidad y eficiencia en el mercado de divisas.

“El trading automatizado de divisas ofrece a los traders la oportunidad de ejecutar operaciones en el mercado de divisas utilizando programas informáticos.”

“Este enfoque elimina la necesidad de la ejecución manual de operaciones, permitiendo a los traders implementar sus estrategias de forma automática.”

El trading automatizado de divisas ofrece a los traders la oportunidad de ejecutar operaciones en el mercado de divisas utilizando programas informáticos. La programación se puede hacer con un lenguaje informático como Python. Este enfoque elimina la necesidad de la ejecución manual de operaciones, lo que permite a los traders implementar sus estrategias de forma automática. En esta guía completa, le guiaremos a través del proceso de configuración y uso de un sistema automatizado de trading de divisas paso a paso.

Hablaremos sobre las pruebas, optimización y la gestión de riesgos, que son los pasos cruciales para garantizar la eficacia y fiabilidad de su sistema de trading automatizado. Además, abordaremos los errores comunes para evitar y proporcionaremos consejos para el éxito del trading automatizado de divisas. Al final de esta guía, tendrá el conocimiento y las herramientas para configurar su propio sistema automatizado de trading de divisas y potencialmente mejorar su eficiencia y rentabilidad.

Este artículo hablará sobre:

•¿Qué es el trading de divisas?

•¿Qué es el trading automatizado de divisas?

•Tipos de estrategias de trading de divisas

•Funcionamiento del trading automatizado de divisas

•Beneficios del trading automatizado de divisas

•Errores comunes a evitar durante el trading automatizado de divisas

¿Qué es el trading de divisas?

El trading de divisas, también conocido como forex trading, implica la compra y venta de pares de divisas en el mercado de divisas con el objetivo de aumentar el valor de la cantidad negociada. Los traders especulan sobre los movimientos de precios de los pares de divisas, como EUR/USD o GBP/JPY, y se benefician de las fluctuaciones de los tipos de cambio.

El trading de divisas implica especular sobre los tipos de cambio utilizando varios pares de divisas. Los traders compran o venden derivados de divisas, como futuros USD/INR, basándose en su especulación. Además, los inversores utilizan el trading de divisas para protegerse contra el riesgo de cambio de divisas.

Por ejemplo, una empresa manufacturera india que espera un pago de 1 millón de dólares en 3 meses puede protegerse contra las fluctuaciones del tipo de cambio comprando contratos futuros. Estos contratos les permiten cambiar 1 millón de dólares por INR a la tasa actual, incluso si las tasas en ese momento son más bajas. Sin embargo, a menudo se cobra una prima en los contratos, dependiendo de la curva hacia adelante.

Ahora averigüemos sobre el trading automatizado de divisas.

¿Qué es el trading automatizado de divisas?

El trading automatizado de divisas implica el uso de programas informáticos, a menudo conocidos como robots de trading o asesores expertos (EA), para ejecutar automáticamente las operaciones en el mercado de divisas.

Estos programas están diseñados para seguir estrategias y criterios de trading de divisas predefinidos, como los niveles de precios y los indicadores técnicos, para entrar y salir de las operaciones sin necesidad de intervención manual.

El trading automatizado de divisas puede ayudar a los traders a ejecutar operaciones de manera más eficiente, sin verse afectados por las emociones, y puede operar las 24 horas del día, los 7 días de la semana, aprovechando las oportunidades de negociación incluso cuando el trader no está disponible.

Un ejemplo es un fondo de cobertura que utiliza sistemas de trading automatizados para ejecutar grandes volúmenes de operaciones de divisas de forma rápida y eficiente. Estos sistemas pueden analizar los datos del mercado y ejecutar operaciones a través de múltiples pares de divisas simultáneamente, aprovechando las oportunidades de arbitraje y las discrepancias de precios en diferentes mercados de divisas.

En el futuro, el siguiente vídeo te llevará a través de las complejidades de la automatización de una estrategia de trading.

Además, hay varios tipos de estrategias de trading de divisas que discutiremos a continuación.

Tipos de estrategias de trading de divisas

Las estrategias de trading de forex pueden ser de baja, media o alta frecuencia, basadas en los volúmenes, el capital y la infraestructura que uno tiene. En las estrategias de trading de alta frecuencia, una estrategia muy popular en instrumentos de divisas utiliza el arbitraje estadístico para identificar oportunidades de negociación basadas en las ineficiencias del mercado. Tales oportunidades no duran más de una fracción de segundo, pero los sistemas de alta velocidad a menudo pueden usarlas en grandes volúmenes para obtener ganancias.

Para los traders minoristas, las estrategias de trading de frecuencia media o baja son más populares y recomendables. Hay muchos indicadores técnicos que se utilizan para identificar oportunidades de trading. Algunos de estos indicadores son las medias móviles (EMA y SMA), el índice de fuerza relativa (RSI) y las bandas de Bollinger. Estas son las estrategias más populares y de las que se habla.

Además, el trading de divisas suele ser favorable entre muchos traders minoristas debido a las razones que se enumeran a continuación:

•Es un mercado menos volátil: las fluctuaciones diarias de la moneda son bastante pequeñas

•Mercado altamente apalancado: se puede esperar un apalancamiento de hasta 250:1 en sus inversiones. Eso significa que si ha invertido 100 USD, puede esperar un rendimiento de hasta 25,000 USD. Sin embargo, eso también hace que los mercados sean muy arriesgados.

•Liquidez extrema: Este mercado se negocia las 24 horas del día y es altamente líquido.

Hay otras estrategias neutrales en el mercado y que siguen las tendencias, como el trading de pares y los modelos de trading de tortugas, que pueden ser utilizados por los traders de frecuencia media. Los modelos de precios de futuros y derivados de divisas basados en griegos (trading de opciones avanzadas) se pueden utilizar para evaluar los riesgos e involucrarse en el trading de opciones de divisas.

Hay varias estrategias de trading de divisas que se pueden utilizar. Estas estrategias se mencionan en el siguiente vídeo.

Beneficios del trading automatizado de divisas

A continuación puede ver todos los beneficios del trading automatizado de divisas y por qué los traders lo prefieren.

•Trading sin emociones: los sistemas de trading automatizados ejecutan operaciones basadas en reglas predefinidas, eliminando la influencia de emociones como el miedo y la codicia.

•Trading 24/7: Los sistemas de trading automatizados pueden funcionar las 24 horas del día, 5 días a la semana, aprovechando las oportunidades de trading incluso cuando el trader no está disponible.

•Pruebas y optimización: Los sistemas de trading automatizados permiten a los traders realizar pruebas de sus estrategias utilizando datos históricos, lo que les permite optimizar sus estrategias para un mejor rendimiento.

•Ejecución de operaciones más rápida: los sistemas de trading automatizados pueden ejecutar operaciones al instante, sin ningún retraso, ayudando a los traders a capitalizar las oportunidades del mercado de manera más eficiente.

•Diversificación del trading: los sistemas de trading automatizados permiten a los traders operar con múltiples pares de divisas o estrategias simultáneamente, extendiendo el riesgo a través de diferentes mercados e instrumentos.

•Disciplina mejorada: los sistemas de trading automatizados obligan a los traders a atenerse a sus planes de trading y evitar decisiones impulsivas, lo que lleva a un comportamiento más consistente y disciplinado.

•Reducción del error humano: los sistemas de trading automatizados eliminan la posibilidad de error humano en la ejecución de operaciones.

Sin embargo, tenga en cuenta que, si bien los sistemas automatizados pueden reducir el error humano y ejecutar operaciones exactamente como se programa, no pueden eliminar el riesgo de deslizamientos. El monitoreo continuo a menudo es necesario para gestionar y mitigar estos sucesos, asegurando que las operaciones se ejecuten según lo planeado.

Obtenga más información sobre las estrategias de trading automatizado con el siguiente vídeo y mejore sus conocimientos sobre el trading automatizado.

Funcionamiento del trading automatizado de divisas

El trading automatizado de divisas permite a los traders ejecutar operaciones de manera más eficiente, sin verse afectados por las emociones. Además, el trading automatizado de divisas puede operar continuamente, aprovechando las oportunidades de trading incluso cuando el trader no está disponible.

A continuación se muestra una explicación paso a paso del funcionamiento del trading automatizado de divisas:

•Paso 1: Desarrollo de la estrategia: Los traders desarrollan una estrategia basada en varios criterios, como indicadores técnicos, acción de precios o análisis fundamental. Las reglas de entrada/salida se definen en función de la lógica de la estrategia.

•Paso 2: Programación de la estrategia: La estrategia de trading se programa entonces en un programa informático que utiliza una plataforma de trading que admite el trading automatizado.

•Paso 3: Monitoreo del mercado: El sistema de trading automatizado supervisa continuamente el mercado de divisas en busca de oportunidades basadas en la estrategia predef

inida.

•Paso 4: Ejecución de operaciones: Cuando el sistema de trading identifica una oportunidad que coincide con los criterios de la estrategia, ejecuta automáticamente órdenes de compra o venta sin necesidad de intervención manual.

•Paso 5: Gestión de riesgos: Los sistemas de trading automatizados a menudo incluyen funciones de gestión de riesgos, como órdenes de stop-loss y el tamaño de posiciones para ayudar a gestionar el riesgo. El trader debe establecer estas técnicas de gestión de riesgos en función de ciertos factores, como la tolerancia al riesgo y la estrategia de trading.

•Paso 6: Retrotests y optimización: Antes de implementar el sistema de trading automatizado en condiciones de mercado en vivo, los traders suelen volver a probar la estrategia utilizando datos históricos del mercado para evaluar su rendimiento y optimizarla para obtener mejores resultados.

•Paso 7: Trading en vivo: Una vez que el sistema de trading automatizado está optimizado y probado, se puede implementar para operar en vivo en el mercado de divisas. El sistema continuará ejecutando operaciones basadas en la estrategia predefinida, las 24 horas del día, cinco días a la semana, sin necesidad de intervención manual.

Errores comunes a evitar durante el trading automatizado de divisas

Evitar los errores comunes que se mencionan a continuación puede ayudarle a maximizar la eficacia de su sistema automatizado de trading de divisas y minimizar las pérdidas potenciales.

•Falta de pruebas de estrategia: Omitir la prueba posterior y la optimización de su estrategia puede conducir a un bajo rendimiento y pérdidas inesperadas.

•Sobreoptimización: La sobreoptimización de su estrategia de trading basada en datos históricos puede conducir a un sobreajuste, lo que resulta en un bajo rendimiento en las condiciones del mercado en vivo.

•Ignorar la gestión de riesgos: El descuido de implementar técnicas adecuadas de gestión de riesgos, como el establecimiento de órdenes de stop-loss y la gestión de los tamaños de las posiciones, puede resultar en pérdidas significativas.

•Falta de supervisión: Los sistemas de trading automatizados todavía requieren un monitoreo regular para garantizar que funcionen correctamente. Ignorar su sistema durante largos períodos puede provocar oportunidades perdidas o pérdidas inesperadas.

•Dependencia de los resultados de la prueba posterior: Confiar únicamente en los resultados de la prueba posterior sin tener en cuenta las condiciones del mercado real puede conducir a resultados inesperados. La dinámica del mercado cambia, y lo que funcionó en el pasado puede no funcionar en el futuro.

•No diversificar estrategias o activos: Poner todo su capital en una sola estrategia automatizada o par de divisas aumenta el riesgo de pérdidas significativas. Diversifique sus estrategias y activos para distribuir el riesgo.

•Ignorar las condiciones del mercado: No tener en cuenta las condiciones actuales del mercado y los eventos de noticias puede conducir a pérdidas comerciales. El sentimiento del mercado y los indicadores económicos pueden tener un impacto significativo en los precios de la moneda.

•Mala selección de corredores: Elegir un corredor poco confiable o no regulado puede provocar problemas de ejecución, deslizamiento o incluso fraude. Asegúrese de seleccionar un corredor de buena reputación con una ejecución confiable y diferenciales competitivos.

Otro breakout de Crecimiento por encina de las acciones de Valor por Sentimentrader

• Una relación del rendimiento total entre acciones de crecimiento y acciones de valor alcanzó un máximo de 3 años la semana pasada.
• Es lógico suponer que los breakouts deberían favorecer a los activos de riesgo de aquí en adelante.
• Esto no ha funcionado históricamente, con rendimientos relativamente pobres para las acciones de crecimiento y el mercado en general.

Otro Breakout de las Acciones Crecimiento

Las acciones de crecimiento disfrutaron de un nuevo impulso en mayo, para la envidia de los inversores en valor. Una relación del rendimiento total en las acciones de crecimiento del Russell 3000 en relación con las acciones de valor del Russell 3000 alcanzó un nuevo máximo de varios años la semana pasada.

Lo que nos dice el estudio

En las últimas semanas, hemos visto más movimientos preocupantes que los que habíamos visto desde octubre de 2022. La mayoría de lo que hemos hablado en ese año y medio aproximadamente sugería una mayor probabilidad de un buen comportamiento de las acciones. Eso ha comenzado a cambiar, con señales de peligro apareciendo por varias partes, especialmente en áreas “con más riesgo” como el crecimiento y la tecnología.

El último breakout de crecimiento sobre valor puede añadirse a esa lista. Incluso si estamos en un nuevo régimen permanente de acciones de crecimiento superando a las de valor, la tendencia ha tendido a tomarse un respiro de varias semanas después de nuevos breakouts como el que vimos la semana pasada.

¿El sentimiento de las noticias sigue añadiendo alfa? por Ernest P. Chan

• Hoy en día es casi imposible entrar en una conferencia de trading cuantitativo sin ser bombardeado con panfletos de proveedores de datos y mesas redondas sobre el sentimiento de las noticias. Nuestro equipo de QTS ha hecho un verdadero esfuerzo en el pasado tratando de extraer valor de dichos datos, con resultados muy pobres. Pero el dilema central de la prueba de datos alternativos pre-procesados es este: ¿la falta de resultados interesantes en este campo se debe a la falta de alfa en dichos datos, o es defectuoso el pre-procesamiento de datos por parte del proveedor? 
• Artículo publicado en Hispatrading 59.

Como muchos traders cuantitativos o quants, no tenemos tiempo para construir nosotros mismos un motor de procesamiento de lenguaje natural para convertir las noticias en puntuaciones de sentimiento y relevancia. Por eso, confiamos en un proveedor de datos para que haga el trabajo por nosotros. El hecho de que no hubiéramos podido extraer hasta entonces mucho alfa de los  proveedores usados hasta entonces no significa que el sentimiento de las noticias sea, en general, inútil.

Así que fue con cierta emoción que escuchamos hace unos años que Two Sigma, el fondo de cobertura de más de 42 mil millones de dólares, estaba patrocinando un competición de sentimiento de noticias en Kaggle, facilitando datos de sentimiento gratuitos de Thomson-Reuters para su prueba. Esos datos comenzaron a partir de 2007 y cubren alrededor de 2.000 acciones estadounidenses (aquellas con un volumen de trading diario en dólares de aproximadamente 1 millón de dólares o más), y se complementan con el precio y el volumen de esas acciones proporcionadas por Intrinio. Así, podremos buscar alfa de una fuente líder en la industria de datos de sentimiento de noticias.

El criterio de evaluación de la competencia es el ratio Sharpe de una cartera de posiciones en bolsa estilo market neutral o neutral de mercado construida por el usuario durante 10 días. (Por neutrales de mercado, nos referimos a beta cero. Aunque esa no es la forma en que lo dijo Two Sigma, se puede demostrar estadística y matemáticamente que su criterio es equivalente a esta idea.) Este es convenientemente el ratio Sharpe del «alfa», o exceso de rendimiento, de una estrategia de trading que utiliza el sentimiento de las noticias.

Puede parecer sencillo generar una estrategia de trading simple para probar el alfa con puntuaciones de sentimiento de noticias pre-procesadas, pero esta prueba fue inusualmente engorrosa, lo que hizo que llevara tiempo. Veamos algunas quejas comunes de los usuarios de Kaggle. Antes de nada, tenemos que decir que, efectivamente comprobamos que estas quejas son una realidad:

1. Como a nadie se le permite descargar los datos de noticias en sus propios ordenadores para su análisis, la investigación solo se puede realizar a través de Jupyter Notebook que se ejecuta en los servidores de Kaggle. Como cualquiera que haya probado Jupyter Notebook sabe, es una gran plataforma de colaboración y presentación en tiempo real, pero una plataforma de depuración muy difícil de manejar
2. Jupyter Notebook no solo es una herramienta que deja mucho que desear al realizar una investigación eficiente para el desarrollo de software, sino que solo se nos permite usar 4 CPU y una cantidad muy limitada de memoria para la investigación. El acceso a la GPU está bloqueado, así que buena suerte ejecutando tus modelos de Deep Learning o aprendizaje profundo. Incluso el simple pre-procesamiento de datos mató nuestros núcleos (debido a problemas de memoria) tantas veces que puso nuestra paciencia al límite.
3. Kaggle mata un núcleo si se deja inactivo durante unas horas. Buena suerte entrenando un modelo de aprendizaje automático de la noche a la mañana y no levantarse a las 3 a.m. para guardar los resultados justo a tiempo.
4. No se puede cargar ningún dato suplementario en el núcleo. Olvídate de usar tu índice de mercado favorito como entrada o de cubrir tu cartera con tu ETP favorito.
5. No hay una «base de datos maestra de valores» para especificar un identificador único para cada empresa y vincular los datos de noticias con los datos de precios.

El último punto requiere cierta elaboración. Los datos de precios utilizan dos identificadores para una empresa, assetCode y assetName, ninguno de los cuales se puede utilizar como su identificador único. Un nombre de activo, como Alphabet, puede asignarse a múltiples códigos de activos como GOOG.O y GOOGL.O. Necesitamos hacer un seguimiento de GOOG.O y GOOGL.O por separado porque tienen diferente historial de precios. Esto presenta dificultades que no están presentes en bases de datos como CRSP, y requiere que diseñemos nuestro propio algoritmo para crear un identificador único. Lo hicimos averiguando para cada nombre de activo si los historiales de sus múltiples códigos de activo se superpusieron en el tiempo. Si es así, tratamos cada código de activo como un identificador único diferente. Si no, entonces acabamos de usar el último código de activo conocido como identificador único. En este último caso, también comprobamos que «unir» los múltiples códigos de activos tenía sentido al comprobar que la brecha entre el final de uno y el comienzo del otro era pequeña, y que los precios tenían sentido. Con solo alrededor de 150 casos, todos estos podrían ser revisados externamente. Por otro lado, los datos de noticias solo tienen assetName como identificador único, ya que presumiblemente diferentes clases de acciones como GOOG.O y GOOGL.O se ven afectadas por las mismas noticias en Alphabet. Por lo tanto, cada noticia se asigna potencialmente a múltiples historiales de precios.

Los datos de precios también tienen bastante ruido, y los los usuarios de Kaggle pasaron mucho tiempo reemplazando los malos datos por otros buenos de fuentes externas. (Como se señaló anteriormente, esto no se puede hacer de forma algorítmica, ya que los datos no se pueden descargar ni cargar en el núcleo. El lento proceso manual de corrección de los datos incorrectos parecía diseñado para torturar a los participantes.) Es más difícil determinar si los datos de las noticias contenían datos malos, pero al menos, los gráficos de series temporales de las estadísticas de algunas de las características importantes del sentimiento de las noticias no revelaron interrupciones estructurales (a diferencia de las de otro proveedor que probamos anteriormente).

Para evitar el exceso de ajuste, primero probamos las dos características numéricas de noticias más obvias: Sentimiento y Relevancia. El primero varía de -1 a 1 y el segundo de 0 a 1 para cada noticia. La forma más sencilla y sensata de combinarlos en una sola característica es multiplicarlos juntos. Pero dado que puede haber muchas noticias para una acción por día, y solo estamos haciendo una predicción una vez al día, necesitamos alguna forma de añadir esta característica en uno o más días. Calculamos un promedio móvil simple de esta característica durante los últimos 5 días (5 es el único parámetro de este modelo, optimizado sobre los datos de entrenamiento de 20070101 a 20141231). Por último, el modelo predictivo también es tan simple como podemos imaginar: si la media móvil es positiva, compre la acción y hágalo en corto si es negativa. La asignación de capital en todas las señales de trading es uniforme. Como mencionamos anteriormente, el criterio de evaluación de esta competencia significa que tenemos que entrar en tales posiciones en el mercado abierto el día t+1 después de que todos los datos de sentimiento de las noticias para el día t se conocieran a medianoche (en la zona horaria UTC). La posición tiene que mantenerse durante 10 días de negociación, y salir en el mercado abierto el día t+11, y cualquier beta neta de la cartera tiene que estar cubierta con la cantidad adecuada del índice de mercado. El alfa en el conjunto de validación de 20150101 a 20161231 es de aproximadamente el 2,3 % anual, con una alentadora proporción de Sharpe de 1. El alfa en el conjunto de pruebas fuera de la muestra de 20170101 a 20180731 es un poco más bajo con un 1,8 % anual, con un ratio Sharpe de 0,75. Podrías pensar que esto es solo una pequeña disminución, hasta que eches un vistazo a sus respectivas curvas de capital:

Un cliché en la ciencia de datos confirmado: una imagen vale más que mil palabras. (¿Quizás hayas oído hablar del Cuarteto de Anscombe?) Con mucho gusto invertiríamos en una estrategia que se viera así en el conjunto de validación, pero de ninguna manera lo haríamos por eso en el conjunto de pruebas. ¿Qué tipo de sobreajuste hemos hecho para el conjunto de validación que causó tanta «varianza» (en el sentido de sesgo-varianza) en el conjunto de pruebas? La respuesta honesta es: Nada. Como comentamos anteriormente, la estrategia se especificó basándose solo en el conjunto de entrenamiento, y el único parámetro (5) también se optimizó exclusivamente en esos datos. El conjunto de validación es efectivamente un conjunto de pruebas fuera de la muestra, no es diferente del «conjunto de pruebas». Hicimos la distinción entre la validación y los conjuntos de pruebas en este caso en previsión de la optimización de hiperparámetros de aprendizaje automático, que en realidad no se utilizó para esta sencilla estrategia de noticias.

Comentaremos más sobre este deterioro en el rendimiento para el conjunto de pruebas más adelante. Por ahora, abordemos otra pregunta: ¿Pueden las características categóricas mejorar el rendimiento en el conjunto de validación? Comenzamos con 2 características categóricas que están más pobladas en todas las noticias y que son más intuitivamente importantes: headlineTag y audiencias.

La función headlineTag es un solo token (p. ej. «BUZZ»), y hay 163 fichas únicas. La función de audiencia es un conjunto de tokens (p. ej. {‘O’, ‘OIL’, ‘Z’}), y hay 191 tokens únicos. La forma más natural de lidiar con tales características categóricas es usar «codificación única»: cada uno de estos tokens obtendrá su propia columna en la matriz de características, y si una noticia contiene dicho token, la columna correspondiente obtendrá un valor «Verdadero» (de lo contrario, es «Fal»). La codificación directa también nos permite agregar estas características en múltiples noticias durante algún período de retrospectiva. Para hacer eso, decidimos usar el operador de quirófano para agregarlos durante el día de negociación más reciente (en lugar del retroceso de 5 días para las características numéricas). Es decir, siempre y cuando una noticia contenga un token dentro del día más reciente, estableceremos esa función diaria en True. Antes de intentar construir un modelo predictivo utilizando esta matriz de características, comparamos la importancia de sus características con otras características existentes utilizando un bosque aleatorio impulsado, como se implementa en LightGBM.

Estas características categóricas no se encuentran en ninguna parte de las 5 características principales en comparación con las características de precio (devoluciones). Pero lo que es más sorprendente, ¡LightGBM arrojó el código de activos como la característica más importante! Esa es una falacia común de usar los datos de entrenamiento para la clasificación de la importancia de las características (el problema es destacado por Larkin). Si un clasificador sabe que GOOG tenía un gran ratio Sharpe en la muestra, ¡por supuesto que va a predecir que GOOG tendrá un rendimiento residual positivo pase lo que pase! La forma correcta de calcular la importancia de la característica es aplicar la precisión de disminución media (MDA) utilizando datos de validación o con validación cruzada (consulte nuestro núcleo que demuestra que el código de activos ya no es una característica importante una vez que lo hacemos). Alternativamente, podemos excluir manualmente las características que permanecen constantes a lo largo del historial de una acción de la clasificación de importancia de las características. Una vez que lo hemos hecho, encontramos que las características más importantes son

En comparación con las características de precios, estas características de noticias categóricas son mucho menos importantes, y encontramos que agregarlas a la simple estrategia de noticias anterior no mejora el rendimiento.

Así que volvamos a la pregunta de por qué nuestra simple estrategia de noticias sufrió tal deterioro de rendimiento, desde la validación hasta el conjunto de pruebas. (Debemos tener en cuenta que no somos solo nosotros los que no pudimos extraer mucho valor de los datos de las noticias. La mayoría de los otros núcleos publicados por otros usuarios de Kaggle tampoco han mostrado ningún beneficio en la incorporación de características de noticias en la generación de alfa. Las características de precios complicadas con complicados algoritmos de aprendizaje automático son utilizadas por muchos de los principales concursantes que han publicado sus núcleos.) Ya hemos descartado el sobreajuste, ya que no hay información adicional extraída del conjunto de validación. Las otras posibilidades son la mala suerte, el cambio de régimen o la desintegración alfa. Comparando las dos curvas de rentabilidad, la mala suerte parece una explicación poco probable. Dado que la estrategia utiliza solo características de noticias, y no características macroeconómicas, de precios o de estructura de mercado, el cambio de régimen también parece poco probable. La desintegración alfa parece un probable culpable, con eso nos referimos a la desintegración de la alfa debido a la competencia de otros traders que utilizan las mismas características para generar señales. Un artículo académico publicado hace algunos años (Beckers, 2018) apoya esta idea. Basado en un metaestudio de la mayoría de las estrategias publicadas utilizando datos de sentimiento de noticias, el autor encontró que tales estrategias generaron un ratio de información de 0,76 de 2003 a 2007, pero solo 0,25 de 2008-2017, ¡una caída del 66 %!

¿Significa eso que deberíamos abandonar el sentimiento de las noticias como una característica para la generación de ideas de trading? No necesariamente. Nuestro horizonte predictivo está limitado a ser de 10 días. Ciertamente, uno debería probar otros horizontes si dichos datos están disponibles. Cuando dimos un resumen de nuestros descubrimientos en una conferencia, un miembro de la audiencia sugirió que el sentimiento de las noticias todavía puede ser útil si tenemos cuidado al elegir qué país (¿India?), o qué sector (¿acciones relacionadas con defensa?), o qué capitalización de mercado (¿penny stocks?) lo aplicamos. Solo hemos aplicado la investigación a las acciones de EE. UU. en las 2000 primeras según su capitalización de mercado, debido a las restricciones impuestas por Two Sigma, pero no hay razón por la que tenga que cumplir con esas restricciones en su propia investigación al estudiar el sentimiento generado por las noticias.

Estrategias de ahorro activas vs. pasivas por Quantpedia

El objetivo principal de este artículo es explorar la eficacia de las estrategias de gestión pasiva frente a las activas en el contexto del ahorro para objetivos financieros a largo plazo. Al analizar el rendimiento de nueve clases de activos distintos, incluidos los ETF de doble apalancamiento y una implementación de la estrategia de asignación pragmática de activos (PAA), en un horizonte de casi un siglo de duración, simulamos y comparamos los resultados de tres estrategias pasivas y tres activas. Este análisis comparativo se centra en su influencia en las características clave de la inversión, incluido el tamaño final de la cartera, máximo drawdown y pérdida máxima (calculada desde el punto inicial en el que comenzamos a invertir), para determinar su potencial en la mejora de los resultados de inversión a largo plazo.

Introducción

El concepto de ahorro es crucial en la planificación financiera, no solo para acumular riqueza, sino también para garantizar un futuro estable. El presente artículo analiza diferentes formas de ahorrar: los enfoques tradicionales y más pasivos, así como el enfoque dinámico y activo que sigue la lógica del ciclo de vida, una estrategia que aboga por una transición de activos de mayor riesgo a activos de menor riesgo a lo largo del tiempo.

Las estrategias de inversión pasiva implican seleccionar una cartera con una composición fija y mantenerla durante una cierta duración. Por el contrario, las estrategias activas ajustan el peso de los activos dentro de la cartera a lo largo del tiempo. Entre las estrategias activas, las estrategias del ciclo de vida pueden ser pasivas o activas. Un fondo pasivo típico de ciclo de vida es una colección de fondos que siguen asignaciones predeterminadas en clases de activos. Un fondo activo del ciclo de vida implica que el administrador de la cartera ajuste dinámicamente la combinación de activos a lo largo del tiempo. [1] Las estrategias activas se pueden integrar con otras estrategias, por ejemplo, como es el caso de este estudio, la estrategia de asignación de activos pragmáticos (PAA).

El debate sobre el ahorro a menudo se centra en si es mejor invertir siempre en acciones o usar una mezcla de acciones y bonos, comúnmente usando la regla de que su inversión en acciones debe ser «100 menos su edad».[2] Algunos han criticado la estrategia convencional basada en la edad para la asignación de activos, destacando la imprevisibilidad inherente del mercado. Paul A. Samuelson argumenta que si los movimientos del mercado de valores son en su mayor parte aleatorios, la transición sistemática de activos de alto riesgo a activos de bajo riesgo usando la edad puede no ser el enfoque más efectivo. Samuelson sugirió más tarde que tener una cantidad básica de dinero ahorrada para la jubilación en realidad podría ayudar a pasar gradualmente de inversiones más arriesgadas a otras más seguras a medida que envejeces. [3]

En este entorno, los fondos del ciclo de vida se destacan como una estrategia inteligente, que cambia automáticamente su inversión de acciones a bonos y efectivo a medida que su viaje de ahorro avanza hacia su horizonte. Este método sigue el concepto de ajustar las inversiones en función de la etapa de su período de ahorro, con el objetivo de maximizar el crecimiento en las fases iniciales y centrarse en proteger su capital a medida que se acerca el punto final de su objetivo de ahorro.

Mientras que algunos estudios académicos han criticado los fondos de fecha objetivo por no ser lo suficientemente agresivos (Schleef y Eisinger, 2007) [4], otros han mostrado preferencia por los fondos del ciclo de vida sobre los fondos pasivos genéricos (Pfau, 2010) [5]. Este estudio tiene como objetivo investigar y comparar estrategias de ahorro pasivo y activo, empleando simulaciones para ver la dinámica y los resultados de cada enfoque a lo largo de un horizonte de casi un siglo. Cada año, comenzamos un nuevo ciclo de ahorro de 100 dólares cada mes durante 20 años, lo que nos permite observar la evolución de la cantidad objetivo bajo estrategias de gestión tanto pasivas como activas. Además, examinaremos el impacto de los ETF de doble apalancamiento en la cantidad final de ahorro y determinaremos qué estrategia, pasiva o activa, ofrece resultados superiores. Al analizar las carteras pasivas (con una composición de activos fijos) y activas (con ponderaciones de activos cambiantes), nuestro objetivo es contribuir a la discusión sobre el enfoque más efectivo para ahorrar.

Datos y metodología

Para este estudio, recopilamos datos mensuales de rendimiento para nueve clases de activos distintos, clasificados por sus niveles de riesgo, utilizando el mismo conjunto de datos que en nuestra investigación anterior sobre el Modelo Pragmático de Asignación de Activos. Entre estos, incluimos un 200 % de acciones apalancadas, diseñadas para ofrecer el doble del rendimiento diario de sus puntos de referencia. Si bien los ETF con apalancamiento triple están disponibles, optamos por los ETF de apalancamiento doble principalmente por razones de seguridad y porque los consideramos lo suficientemente representativos para los objetivos de este estudio. Nuestro análisis también abarca las acciones de EE. UU., específicamente el ETF S&P 500, un indicador del rendimiento general del mercado de valores en los EE. UU. Además, examinamos el índice NASDAQ 100 que comprende 100 de las empresas más grandes de la Bolsa de Valores Nasdaq, predominantemente del sector tecnológico. Nuestro estudio se extiende al MSCI ACWI (All Country World Index) que comprende acciones de mercados desarrollados y emergentes a nivel mundial, y al MSCI EM (Emerging Markets), centrándose en las grandes y medianas empresas en los mercados emergentes. Las clases de activos también incluyen bonos del Tesoro de EE. UU. a 10 años, oro, reconocido como un activo de «refugio seguro», y materias primas, que abarcan bienes físicos como petróleo, gas natural, metales y productos agrícolas, junto con el efectivo. Además, la estrategia de asignación de activos pragmáticos (PAA), aunque tradicionalmente se ve más como una estrategia que como una clase de activos, se incorpora a nuestro estudio como un «activo» adicional. La estrategia de Asignación de Activos Pragmáticas (PAA) está diseñada para inversores que prefieren un enfoque equilibrado, ofreciendo una forma de participar en las oportunidades del mercado global con menos esfuerzo. Combina las ventajas de la asignación de activos tácticos globales (GTAA), como la inversión en mercados de alto rendimiento, pero con menos demandas de ajustes frecuentes de cartera. Esencialmente, la PAA permite a los inversores lograr resultados de inversión más inteligentes haciendo cambios estratégicos y ocasionales en lugar de un monitoreo y reequilibrio constantes.

Nuestro análisis comienza el 30 de noviembre de 1926 y simulamos una estrategia de ahorro en la que se ahorran e invierten 100 dólares mensualmente, durante un período de 20 años. Este proceso se inicia anualmente, lo que resulta en 96 vías de inversión separadas, cada una de las cuales representa un período de ahorro de 20 años.

Calculamos curvas de capital basadas en los datos de rendimiento mensuales para determinar el valor final del ahorro de 100 $ mensuales, el máximo drawdown y la pérdida máxima. También analizamos la distribución de la probabilidad de los rendimientos, los máximos drawdowns y las pérdidas al final del horizonte de inversión. Consideramos los resultados en los percentiles 5, 25, 50, 75 y 90. Prestamos especial atención al percentil 25 para adoptar una posición conservadora, asumiendo que el 75 % de los resultados futuros serían más favorables. Este enfoque refleja nuestra perspectiva más conservadora, dada la improbabilidad de ver altos rendimientos de forma constante a lo largo de 20 años.

Posteriormente, construimos y evaluamos varias estrategias de ahorro, distinguiendo entre enfoques de gestión de carteras pasivas y activas. Si bien la elaboración de estrategias pasivas fue relativamente sencilla, estableciendo las ponderaciones de los activos inicialmente y manteniéndolas en todo momento, las estrategias activas nos obligaban a ajustar periódicamente las ponderaciones de los activos.

Resultados

Idea 1: Estrategia pasiva: 100 % SPY (S&P500)

Una estrategia de ahorro pasivo implica mantener una asignación fija de clases de activos a lo largo del tiempo. En este contexto, exploramos una estrategia pasiva directa: invertir 100 dólares mensuales en acciones 100 % de EE. UU. durante un período de 20 años.

La tabla 1 proporciona una visión detallada del riesgo potencial y el rendimiento del ahorro completamente en las acciones de EE. UU., desglosada por varios percentiles. La columna de tamaño final representa el valor final de la cartera de inversiones, el máximo drawdown indica la pérdida porcentual máxima desde el máximo de la cartera hasta su parte inferior antes de que se alcance un nuevo máximo, la pérdida muestra la perdida real del valor acumulado más alto de la cartera durante todo el período de ahorro. Distinguimos entre el drawdown y la pérdida porque las pérdidas son de mayor preocupación para los inversores, ya que reflejan la disminución real del valor máximo de la cartera, lo que indica una pérdida real de la riqueza.

Como se mencionó, los resultados pueden variar ampliamente dependiendo del percentil considerado. El Percentil 5 está cerca del peor escenario, con solo el 5 % de los resultados siendo peores. El tamaño final de la cartera es de 37.696 dólares, con un drawdown y pérdida significativas de -81,5% y -74,7%, lo que indica un resultado de alto riesgo. El percentil 25 representa una perspectiva conservadora, donde se espera que el 75 % de los resultados sean mejores. El tamaño final es de 53.692 $, con un drawdown y pérdida de -45,0% y -36,6%, lo que muestra menos volatilidad y riesgo en comparación con los percentiles 5 y 10. Por último, el percentil 90 se encuentra entre los escenarios más favorables y muestra valores finales altos (131.194 dólares), con el menor drawdown (-22,5%) y pérdida (-9,1%) en la Tabla 1, lo que indica que solo el 10% de los resultados superan esto. Para una comparación visual, consulte la Figura 1 que ilustra el crecimiento de los ahorros en los percentiles 10, 25, 50 y 75 durante el período de ahorro de 20 años.

 

Idea 2: Estrategia pasiva: 100 % de cada una de las clases de activos

Análogamente, examinamos estrategias de inversión pasiva que implicaban una inversión mensual de 100 $ en varias clases de activos, incluidas las acciones apalancadas, las acciones de EE. UU., NASDAQ, MSCI ACWI, MSCI EM, bonos de EE. UU., oro, materias primas y efectivo durante un período de 20 años. La Tabla 2 muestra los perfiles de riesgo y rendimiento de estas clases de activos.

Este análisis destaca el principio fundamental del riesgo frente a la recompensa en el ahorro y la inversión. Las clases de activos con mayor riesgo, como las acciones estadounidenses apalancadas al 200 % y el NASDAQ, ofrecen el potencial de rendimientos significativos, pero vienen con un mayor riesgo. Por otro lado, las inversiones en efectivo, que inherentemente no tienen drawdown, representan la opción más segura, pero ofrecen el menor potencial de crecimiento.

Idea 3: Estrategia pasiva: 50 % de acciones apalancadas, 50 % de bonos

En un esfuerzo por explorar estrategias de inversión diversificadas, consideramos un enfoque pasivo que divide los ahorros entre las acciones apalancadas de EE. UU. y los bonos de EE. UU. Planteamos la hipótesis de que una cartera de este tipo podría superar las asignaciones tradicionales como el 100 % en SPY o una mezcla de bonos del 60% SPY – 40% en términos de las características generales de la cartera.

Sin embargo, como se ilustra en la Tabla 3, nuestros descubrimientos no apoyaron esta hipótesis. Se encontró que las métricas de rendimiento de la cartera mixta, que comprende el 50% de las acciones apalanadas de EE. UU. y el 50% de los bonos de EE. UU., en términos de tamaño final, drawdown y pérdida, eran similares a las de una cartera compuesta enteramente de acciones. Las características de la asignación del 100 % de las acciones de EE. UU. y la mezcla del 60 % de acciones de EE. UU. – 40 % de los bonos de EE. UU. se detallan en las Tablas 4 y 5.

Idea 4: Estrategia activa: Ciclo de vida pasivo

A diferencia de las estrategias pasivas estáticas, las estrategias activas implican una asignación dinámica de activos que cambia con el tiempo. Esto es lo que representa la inversión en el ciclo de vida. Comienza con una inversión en activos más volátiles (como las acciones) y se desplaza progresivamente hacia activos más seguros (como los bonos) a medida que se acerca el horizonte de inversión. En otras palabras, este método implica ajustar las ponderaciones de asignación de activos a lo largo del tiempo. Examinamos dos variaciones de la inversión en ciclo de vida:

1. Inversión clásica en el ciclo de vida: comienza con la asignación del 100 % en acciones de EE. UU. durante los primeros 15 años, luego cambia gradualmente al 100 % de bonos para el año 20.
2. Enfoque de ciclo de vida con inicio apalancado: Comienza con una asignación en acciones apalancadas al 200 %, haciendo la transición al 100 % de acciones de EE. UU. al final de los primeros 5 años, mantiene esta asignación durante los próximos 10 años, y luego cambia al 100 % de bonos en los últimos 5 años previos al año 20.

La Tabla 6 indica que las características de rendimiento de ambos enfoques son comparables, y no hay ninguna ventaja en el uso de acciones apalancadas de EE. UU. en las carteras de ciclo de vida diseñadas anteriormente mencionadas.

Idea 5: Estrategia activa: Asignación pragmática de activos (PAA)

El modelo de Asignación de Activos Pragmáticos (PAA) es una estrategia innovadora para inversores semiactivos, con el objetivo de combinar los beneficios de la Asignación de Activos Tácticos Globales (GTAA) con menos requisitos de reequilibrio. En este contexto, el PAA se trata como su propia clase de inversión en lugar de una estrategia. Como se demuestra en la Tabla 7, asignar 100 dólares mensuales a lo largo de 20 años a PAA ofrece un tamaño final similar al del Nasdaq, pero con drawdowns considerablemente más bajos, lo que indica una volatilidad reducida.

Idea 6: Estrategia activa: Ciclo de vida PAA.

Finalmente exploramos maximizar el potencial de la Asignación Pragmática de Activos (PAA) asumiendo inicialmente más riesgo. La estrategia comienza invirtiendo en un 200 % de acciones estadounidenses durante los dos primeros años. Luego, durante los siguientes tres años, hacemos la transición gradualmente a una mezcla de 65% de PAA y 35% de acciones apalancadas, manteniendo esta asignación hasta el año 10. A partir del año 10 en adelante, mantenemos el 65 % de PAA, disminuimos el 200 % de las acciones de EE. UU. gradualmente del 35 % al 15 %, mientras invertimos en bonos de EE. UU. hasta que en el año 20 tenemos un 65 % de PAA, un 15 % de acciones de EE. UU. apalancadas y un 20 % de bonos de EE. UU. Los resultados de esta estrategia se detallan en la Tabla 8.

En comparación con la primera cartera presentada en este documento, la estrategia pasiva de inversión en acciones del 100 %, este enfoque de PAA de ciclo de vida logra una volatilidad similar o incluso ligeramente más baja (41,1 % de drawdown frente al 45 % para las acciones), pero ofrece un rendimiento superior (el tamaño final del percentil 25 es de 75,017 $ frente a 53 63 $). Este patrón también es cierto cuando se compara con la estrategia del ciclo de vida tradicional, ofreciendo un rendimiento un 50 % más alto en el mismo nivel de riesgo.

Conclusión

Este estudio contribuye al debate en curso sobre las estrategias de ahorro pasivo frente a las activas que se centran en el logro de los objetivos financieros a largo plazo. A través de simulaciones basadas en datos que abarcan casi un siglo, este estudio evalúa el equilibrio entre el riesgo y el rendimiento en ambos enfoques. Enfoques pasivos tradicionales, con asignaciones de inversión fijas, y estrategias activas del ciclo de vida, que comienzan con inversiones en activos más arriesgados antes de hacer la transición a otros más seguros.

El análisis incluye una variedad de activos, incluidos los de mayor riesgo como los ETF de doble apalancamiento, e introduce la Asignación de Activos Pragmática (PAA) como un activo innovador.

Evaluamos seis estrategias distintas: tres pasivas (100% de acciones de EE. UU., 100 % de otros activos y una mezcla de 50% de acciones apalancadas y 50% de bonos); y tres estrategias activas de ciclo de vida, que incluyen un modelo tradicional de ciclo de vida, una estrategia de PAA y un enfoque combinado de ciclo de vida de PAA. Evaluamos estas estrategias basándonos en métricas clave: el tamaño final de la cartera, el drawdown máximo y la pérdida máxima, con un enfoque particular en el percentil conservador 25 como medida del riesgo.

Los descubrimientos indican que, si bien las estrategias pasivas ofrecen un enfoque estable y directo para los inversores que desean coherencia, las estrategias activas, en particular las que incorporan el modelo PAA, presentan una oportunidad más dinámica para lograr mayores rendimientos con niveles de riesgo similares o incluso reducidos.

Autor: Margaréta Pauchlyová, Analista de Quant, Quantpedia

¿Cómo empezar a invertir y trading? por The Trader Chick

El trading de acciones puede sonar complejo, especialmente para los estudiantes con poca experiencia en la gestión de sus finanzas. Sin embargo, empezar pronto a tomar decisiones de inversión inteligentes puede influir significativamente en su salud financiera. Veremos algunas ideas prácticas que cubren todos los aspectos del trading y la inversión que cualquier estudiante desearía saber.

Escribir una tesis de nuestra estrategia de inversión

Una tesis de inversión bien pensada es crucial para guiarnos. La tesis de inversión es una declaración que describe sus creencias sobre el mercado y cómo planea alcanzar sus objetivos financieros. Por ejemplo, si cree que la tecnología continuará impulsando el crecimiento económico, su tesis podría centrarse en invertir en acciones tecnológicas.

Para escribir su tesis de inversión, comience investigando las tendencias del mercado y comprendiendo los sectores que le interesan. Identifique qué es lo que hace que estos sectores sean prometedores y cómo espera que se desempeñen. Su tesis debe basarse en pruebas sólidas y en un razonamiento lógico. Este enfoque te ayudará a mantenerte concentrado y a evitar decisiones impulsivas motivadas por la exageración del mercado.

Comprender los conceptos básicos

Bueno, permítanme comenzar diciendo que antes de que alguien se aventure a invertir, debería comprender algunos fundamentos. Invertir significa comprar activos como acciones, bonos o fondos mutuos con la intención de obtener rendimientos a largo plazo. El trading es el acto de comprar y vender acciones con la intención de obtener ganancias dentro de un período a corto plazo, que es bastante diferente de invertir.

Otra regla importante de la inversión es la diversificación del riesgo. Esto significa diversificar sus inversiones para asegurarse de que pone su dinero en diferentes activos para minimizar el riesgo. Por ejemplo, en lugar de invertir en las acciones de una empresa en particular, uno podría invertir en acciones, bonos y posiblemente en bienes raíces o incluso materias primas. Los diversos activos reaccionarán de manera diferente a las diferentes condiciones económicas del mercado, beneficiando a su cartera.

Establecer objetivos financieros claros

Los objetivos financieros siempre son necesarios al invertir, ya que ayudan a determinar los pasos de inversión correctos que se deben tomar. Deberías preguntarte por qué quieres invertir. ¿Estás tratando de ahorrar para un propósito en particular, como un coche, una casa o para la universidad? ¿O estás planeando el futuro y buscas crearte un fondo para la jubilación? Los objetivos que establezca le ayudarán a determinar su tolerancia al riesgo y su plan de inversión.

Los objetivos a corto plazo pueden estar relacionados con el ahorro para una matrícula o unas vacaciones de verano, mientras que los objetivos a largo plazo pueden incluir el ahorro para la jubilación. Necesitan diferenciarse porque tienen diferentes requisitos de inversión. Los objetivos a corto plazo se pueden lograr a través de inversiones menos arriesgadas y más líquidas, como una cuenta de ahorros o un fondo del mercado monetario. Mientras tanto, los objetivos a largo plazo pueden aceptar un nivel de riesgo más alto para un nivel de rendimiento más alto.

Educarse a sí mismo

El conocimiento es sin duda la mejor arma cuando se trata de invertir. Hay muchos recursos gratuitos en línea que puedes usar para aprender sobre los diversos tipos de inversiones y formas de invertir. Algunos cursos de finanzas e inversión se ofrecen en muchas universidades, lo que puede ser útil. Además, hay numerosos artículos en línea, seminarios web y comunidades de las que se pueden obtener consejos beneficiosos de otros inversores.

Otras recomendaciones para inversores principiantes incluyen libros como The Intelligent Investor, Benjamin Graham, A Random Walk Down Wall Street y Burton Malkiel. Además, los sitios web o aplicaciones de noticias financieras permiten a las personas conocer las tendencias del mercado y los eventos relacionados con la inversión.

Empezando por lo pequeño

Incluso como estudiante con poco capital, empezar con poco no está mal en absoluto. Sin embargo, el concepto clave es comenzar de forma gradual y sistemática en este proceso. Esto significa que incluso un poco puede hacer mucho si se invierte regularmente, ya que el interés ganado después de la inversión inicial aumenta un cierto nivel de esa inversión. Por ejemplo, una pequeña inversión de 50 dólares al mes y una diversificación adecuada de la cartera de inversiones permitirán ganancias significativas en varios años.

Algunos de ellos pueden ser especiales para los más nuevos, como Robinhood, Acorns o Stash. Estas plataformas son generalmente asequibles y fáciles de usar, lo cual es una buena noticia para los inversores que usan apalancamiento. Algunas aplicaciones también tienen características que pueden ayudar a los usuarios a aprender mientras invierten.

Practicar la paciencia y la disciplina

La inversión no es un asunto que se aprende en un día, sino un proceso que requiere tiempo, esfuerzo y, a veces, suerte. Los mercados de valores cambiarán, los precios subirán y bajarán, y su cartera valdrá menos en algún momento. Uno de los factores críticos a tener en cuenta es que durante esos períodos, nadie debe apresurarse a vender. En su lugar, manténgalo bloqueado en su tesis de inversión y tenga en cuenta que se sabe que el mercado de acciones pasa por ciclos.

Esto es importante porque debes revisar constantemente la cartera y hacer cambios. Sin embargo, no deben cambiar a menudo en respuesta a las fluctuaciones a corto plazo en el mercado o las tendencias. En su lugar, debe revisar su plan de inversión al menos de vez en cuando para ver si sigue siendo apropiado para sus necesidades actuales y su capacidad para soportar riesgos.

Buscando asesoramiento profesional

Si te sientes intimidado por la inversión, podrías pensar en consultar a un planificador financiero. Algunos asesores proporcionan servicios especializados para inversores jóvenes o principiantes. Pueden guiarlo en la formulación de un plan de inversión que se adapte a usted en función de su objetivo financiero y su tolerancia al riesgo.

Conclusión

Todos deben aprender a invertir para que estén listos para ser financieramente independientes una vez que se conviertan en estudiantes. Algunos consejos para entenderlo incluyen dominar los fundamentos, tener estrategias financieras, escribir la tesis de inversión, aprender, empezar poco a poco y ser paciente. Manténgase alejado de errores innecesarios, utilice los mejores recursos y no dude en buscar ayuda profesional. Invertir desde una edad temprana es una buena manera de aprender y te permite aprovechar el interés compuesto para hacerte rico.