Política fiscal en Estados Unidos: un billón aquí, un billón allá por Ed Yardeni

Llevamos más de 40 años en Wall Street como economistas y estrategas. Durante todo ese período, los doomsters han estado garabateando, escribiendo muchos artículos y libros sobre el déficit y la deuda federal de los EE. UU. La única pausa en su pesimismo fue a fines de la década de 1990 y principios de la de 2000, cuando el gobierno federal tuvo un superávit por un breve periodo de tiempo. Sin embargo, mientras que los déficits federales anuales ahora se miden en trillones en lugar de miles de millones, el día del juicio final aún está por venir (Fig. 3).

Por supuesto, como resultado de la pandemia, el déficit presupuestario de EE. UU. se disparó a niveles récord a medida que los desembolsos del gobierno se dispararon, mientras que los ingresos se redujeron (Gráfico 4). Sobre una base de 12 meses, el déficit alcanzó un récord de $ 4,1 billones durante marzo de 2021. Cayó brevemente por debajo de $ 1,0 billones durante julio de 2022. En marzo de este año, volvió a $ 1,8 billones, ya que los desembolsos han superado los ingresos.

Ha habido una consecuencia adversa obvia de tener déficits tan grandes. Sin duda, el repunte de la inflación desde fines de 2021 se debió a las tres rondas de miles de millones de dólares en cheques para aliviar los efectos de la pandemia enviados por el gobierno a millones de estadounidenses en 2020 y 2021. Un concepto discutido por el economista Milton Friedman y el expresidente de la Fed, Ben Bernanke. Esa caída de dinero desencadenó un atracón de compras, principalmente de bienes, ya que muchos proveedores de servicios se vieron obstaculizados por las restricciones de distanciamiento social. El shock de demanda resultante saturó las cadenas de suministro globales y disparó la inflación.

Pero hasta ahora, las consecuencias de los déficits masivos no han sido el fin del mundo por naturaleza. Sin embargo, es difícil ver cómo esto no termina mal eventualmente. Hay un mecanismo del fin del mundo integrado en la deuda cada vez mayor del gobierno. El interés neto pagado por el gobierno continúa creciendo rápidamente, especialmente ahora que las tasas de interés a corto plazo se han disparado en 500 pb durante el último año. Este desembolso ascendió a un récord de $564,900 millones durante los 12 meses hasta marzo (Fig. 5). Justo antes de la pandemia, era de $383.7 mil millones. Sin embargo, los desembolsos de intereses netos del gobierno impulsan los ingresos de los inversores que compran valores del gobierno a tasas de interés más altas.

A medida que las emisiones del Tesoro venzan y deban ser refinanciadas a tasas de interés más altas, los desembolsos del gobierno en intereses netos pagados seguirán aumentando. Estimamos que el tipo de interés medio que paga el Tesoro por su deuda pública se sitúa actualmente en torno al 2,20% (Gráfico 6). Al 3,00%, el gasto de interés neto anual sería de $740 mil millones actualmente.

Entonces, ¿por qué el déficit no está provocando que las tasas de interés se disparen? Considera lo siguiente:

(1) Las tenencias de valores del Tesoro, de agencias y respaldados por hipotecas de la Reserva Federal alcanzaron un máximo histórico de 8,5 billones de dólares durante el 18 de mayo de 2022. Como resultado del programa de ajuste cuantitativo de la Reserva Federal, las tenencias de estos valores de la Reserva Federal se redujeron en 633 800 millones de dólares a $ 7,9 billones al 19 de abril (Fig. 7).

Los valores comparables en poder de los bancos comerciales alcanzaron un máximo de $ 4,7 billones el 23 de febrero de 2022. Han bajado $ 570,7 mil millones desde entonces hasta el 12 de abril.

(2) Por otro lado, los depositantes bancarios han estado moviendo su dinero a fondos mutuos del mercado monetario (MMMF), que han estado comprando muchos bonos del Tesoro. Los activos de MMMF aumentaron $739.7 mil millones a/a hasta el 19 de abril (Fig. 8).

(3) Los principales compradores de bonos estadounidenses durante el último año han sido extranjeros. Durante los últimos 12 meses hasta enero, compraron un récord de $1,1 billones en los mercados de bonos de EE. UU., liderados por $878,100 millones en notas y bonos del Tesoro (Fig. 9 y Fig. 10).

(4) Durante mucho tiempo hemos creído que la inflación real y esperada y la reacción de la Fed a la inflación son más importantes para impulsar las tasas de interés y la curva de rendimiento que los fundamentos de la oferta y la demanda. Los dos últimos sugieren que los inversores esperan que la inflación se modere y que la Fed pronto deje de aplicar medidas restrictivas.

(5) La razón principal por la que los crecientes déficits y deudas gubernamentales no han tenido grandes consecuencias adversas hasta ahora es que representan una enorme transferencia intergeneracional de riqueza de nuestros hijos a los Baby Boomers. Les estamos dejando un enorme legado de deuda. Por otro lado, también heredarán mucha riqueza de sus padres, incluidos muchos bonos del gobierno.

Operando con el indicador ADX por Eduardo Faus

• Artículo publicado en Hispatrading 17.
• Expondremos una interesante estrategia con el indicador de movimiento direccional, fijándonos en sus componentes DI+ y DI- en sus parámetros estándar de 14 unidades.

Al margen de las interpretaciones convencionales del indicador técnico, representando la fuerza que ha experimentado un movimiento con respecto a su rango verdadero, es posible extraer otra serie de conclusiones, e incluso elaborar estrategias sencillas con el mismo. 

Hablamos del caso en que dicho indicador técnico nos informa sobre la probabilidad de un movimiento brusco cercano en el tiempo. Y es que cuando las líneas DI+ y DI- se mueven durante cierto tiempo en un proceso lateral con cierta estrechez, podemos afirmar con bastante seguridad que un movimiento acusado va a producirse. Por ejemplo:

Como hemos podido apreciar en el gráfico, cuando en el indicador se da un movimiento lateral con un rango de fluctuación estrecho, un movimiento acusado va a tener lugar. La siguiente cuestión lógica que se plantea es la dirección de ese movimiento. Será entonces cuando nos fijemos en los niveles clave del movimiento previo (soportes, resistencias y directrices alcistas/bajistas; siempre en escala logarítmica) para esperar a una superación o pérdida en cierres y determinar así la probable dirección de ese moviendo acusado:

Partiendo de una información fractal del mercado, podremos ajustar la estrategia a nuestra operativa, de esta forma aplicaremos escalas lentas (semanales, bisemanales, mensuales, etc) para dirimir los movimientos acusados en el medio plazo, y del mismo modo podríamos utilizar escalas más cortas (diarias, horarias o de algunos minutos) para los movimientos de más corto plazo.

La psicología de la toma de decisiones II por Ray Barros

En mi último artículo, hable sobre el proceso para llegar a convertirse en un experto. En este, quiero hablare del proceso para una excelente toma de decisiones. Estoy en deuda con la Sra. Ana Wang por el libro electrónico gratuito, en inglés, «Psicología del análisis de inteligencia» de Richards J Heuer.

También está disponible en Amazon (http://www.amazon.com/Psychology-Intelligence-Analysis-Richards-Heuer/dp/0160590353)

Es, con diferencia, el mejor libro que he leído sobre el tema. Fue encargado por la CIA y recientemente desclasificado. No es mi intención reseñar el libro aquí. Lo que quiero hacer es examinar su aplicación al trading.

El campo de Behavioral Finance ha revelado las barreras a las que nos enfrentamos para tener un pensamiento claro. Lo que no ha hecho es decirnos cómo superar el problema. De hecho, algunos de los defensores han señalado que el mero conocimiento del problema no evita por sí mismo los errores.

Estoy de acuerdo. Pero ciertamente la conciencia al menos reducirá la incidencia de los errores, si adoptamos un proceso de toma de decisiones en sintonía con el funcionamiento de nuestra mente. Heuer proporciona el mejor proceso que he visto hasta la fecha. Para entender el proceso, necesitamos entender cómo funciona nuestra mente.

La teoría que creo que es correcta es cómo funcionan nuestras mentes ‘Racionalidad limitada’ sugerida por primera vez por Herbert Simon (http://en.wikipedia.org/wiki/Bounded_rationality): nuestras mentes no pueden hacer frente a la información sensorial de un mundo complejo. Para evitar abrumarnos, nuestra mente construye modelos mentales relativamente simples para tomar decisiones. Los modelos determinan qué tomamos como importante, cómo organizamos el material y cómo lo procesamos. A su vez el modelo depende de nuestro sistema de creencias, valores, experiencias, educación, etc.

Los modelos son útiles porque nos ayudan a dar sentido al mundo. Pero tienen un gran inconveniente: pueden provocar miopía si no actualizamos el modelo. A medida que ingresa información nueva y conflictiva, podemos actualizar el modelo o forzar la información en nuestro modelo actual. Si adoptamos el último curso, nuestro modelo se aparta demasiado de la realidad y, en última instancia, no proporciona los resultados que buscamos.

Entonces, la pregunta es, ¿cómo evitamos una mentalidad bloqueada, es decir, cómo creamos un entorno que nos permita actualizar el modelo a pesar de la incomodidad que podamos sentir?

El primer paso es aceptar el malestar. Cuando la realidad nos golpea solo tenemos tres opciones: podemos aceptarla, cambiarla o alejarnos de ella. En el caso del modelo, aceptamos el modelo, revisamos la información y cambiamos el modelo, no la información.

Déjame darte un ejemplo de lo que quiero decir.

Digamos que su resultado es convertirse en un trader de éxito y, hasta ahora, los resultados de fin de año muestran que aún tiene que obtener ganancias. Tienes un par de opciones obvias. Puedes negar los resultados, racionalizarlos o aceptar que algo que estás haciendo está causando los resultados. Para tener éxito necesitas identificar la acción causal y cambiarla.

Esto me lleva a la fuerza del libro de Heuer. Sugiere un enfoque interesante y herramientas únicas que utilizan tanto el cerebro izquierdo como el derecho.

Para el cerebro izquierdo, una herramienta que sugiere es una matriz de decisión. Esta llamada a identificar los aspectos esenciales de la pregunta que busca la respuesta, por ejemplo, ¿cuál es la dirección de uno a tres días del ES? y después de identificar la información relevante para la pregunta. En un contexto de mercado, Heuer argumentaría que solo se necesitan dos tipos de información:

• Información sobre la probabilidad atribuida a los aspectos incluidos en el análisis y
• Información sobre qué aspectos son los más importantes y cómo se relacionan entre sí.

Lo que los traders no necesitan es:

• Más información sobre los aspectos incluidos en el análisis. Por ejemplo, si está utilizando el RSI como un indicador de sobrecompra y sobreventa, no necesita que el estocástico y la tasa de cambio le digan lo mismo.
• Variables adicionales sin tener en cuenta la importancia de las variables: más información no conduce a resultados más precisos.

Si reflexiona sobre estas ideas, puede encontrar una gran cantidad de información.

Otra herramienta que sugirió fue utilizar los conceptos de «probado», «no probado» y «refutado».

Primero necesitamos definir por nosotros mismos lo que queremos decir con los términos. Por ejemplo, en lugar de decir/pensar que un patrón de impulso alcista a menudo conduce a un cambio de tendencia (consulte mi libro), podemos usar las palabras “ES mostró un cambio ascendente en el patrón de tendencia. (No probado). Luego debe definir lo que necesita ver para hacer que el patrón sea ‘Probado’ o ‘Rechazado’.

¿Por qué deberíamos hacer ésto? Porque una vez que hemos etiquetado un dato, nos resultará difícil cambiar su significado dentro de nuestro modelo mental. Al dejar abierto el significado, nos resultará más fácil aceptar nueva información que vaya en conflicto con la evaluación inicial.

Le recomiendo que estudie el libro y aplique sus lecciones. Personalmente me ha llevado a nuevos conocimientos. El principal de ellos: cambié mi enfoque analítico y cambié mi matriz. Utilizo la matriz para asegurarme de operar con lo que veo, en lugar de lo que espero ver o quiero ver.

Cambiar el enfoque y pensar cómo y qué cambiar en la matriz requirió esfuerzo. Pero valió la pena.

Hará lo mismo por ti.

Modelo BERT y el trading cuantitativo por Quantpedia

A fines de 2018, los investigadores de Google AI Language lograron un avance significativo en la comunidad de aprendizaje profundo Depp Learning. La nueva técnica para el Procesamiento del lenguaje natural (NLP) llamada BERT (Representaciones de codificador bidireccional de transformadores) era de código abierto. El rendimiento increíble del algoritmo BERT es impresionante. BERT probablemente estará presente por mucho tiempo. Por lo tanto, es útil repasar los conceptos básicos de esta notable parte de la familia de algoritmos de aprendizaje profundo. [ 1 ]

En 2018, Jacob Devlin, Ming-Wei Chang, Kenton Lee y Kristina Toutanova publicaron el modelo de lenguaje enmascarado: Representaciones de codificador bidireccional de transformadores (BERT). El artículo se llama simplemente: “BERT: Pre-entrenamiento de Transformadores Bidireccionales Profundos para la Comprensión del Lenguaje” . A la fecha, esta publicación cuenta con más de 60.000 citas. En 2021, se publicó una encuesta que demostró que BERT se ha convertido en una base compleja en los experimentos de procesamiento de lenguaje natural (NPL). [2]

Transformador (modelo de aprendizaje automático)

Los modelos basados ​​en transformadores han mejorado significativamente las etapas más recientes en el desarrollo de múltiples áreas de la PNL. Sin embargo, la comprensión de lo que está detrás del éxito y la funcionalidad de NPL aún es limitada. [2] El transformador se define como “un modelo de aprendizaje profundo que adopta el mecanismo de autoatención, ponderando diferencialmente el significado de cada parte de los datos de entrada”. Se utiliza ampliamente en las disciplinas de visión por computadora (CV) y procesamiento de lenguaje natural (NLP). [ 3 ]

PNL – Procesamiento del Lenguaje Natural

El método automatizado de análisis de texto de enfoque computarizado, conocido como procesamiento del lenguaje natural (NLP), se basa en varias teorías y tecnologías. Es un área muy activa de investigación y desarrollo, por lo que no existe una sola definición acordada que satisfaga a todos. Hay ciertos aspectos, que serían parte de la definición. La definición: “El procesamiento del lenguaje natural es una gama de técnicas computacionales teóricamente motivadas para analizar y representar textos de origen natural en uno o más niveles de análisis lingüístico con el propósito de lograr un procesamiento del lenguaje similar al humano para una variedad de tareas o aplicaciones” . [4]

Definición de BERT

BERT es un marco para el aprendizaje automático que utiliza transformadores. El transformador es donde cada elemento de salida se vincula con cada componente de entrada y se asignan pesos para establecer sus respectivas relaciones. Esto se conoce como atención. BERT aprovecha la idea de entrenar previamente el modelo en un conjunto de datos más grande a través del modelado de lenguaje no supervisado. Al entrenar previamente en un gran conjunto de datos, el modelo puede comprender el contexto del texto de entrada. Posteriormente, al ajustar el modelo en datos supervisados ​​específicos de la tarea, BERT puede lograr resultados prometedores.

En esta etapa, se pueden aplicar dos estrategias: ajuste fino y basado en funciones. ELMo (Incrustaciones de modelos de lenguaje, consulte Referencias relacionadas) utiliza el enfoque basado en características, donde la arquitectura del modelo es específica de la tarea. Esto significa que para cada tarea se utilizarán diferentes modelos y representaciones de lenguaje pre-entrenadas. Esto significa que para cada tarea se utilizarán diferentes modelos y representaciones de lenguaje pre-entrenadas.

El modelo BERT emplea codificadores transformadores bidireccionales y de ajuste fino para comprender el lenguaje, lo que le valió su nombre. Es crucial tener en cuenta que BERT es capaz de comprender el contexto completo de una palabra. BERT analiza las palabras que preceden y suceden a un término y determina su correlación.

A diferencia de otros modelos de lenguaje como Glove2Vec y Word2Vec, que crean incrustaciones de palabras sin contexto, BERT proporciona contexto mediante el uso de transformadores bidireccionales.

B = bidireccional.

A diferencia de los modelos anteriores, que eran unidireccionales y solo podían mover la ventana de contexto en una dirección, BERT utiliza un modelo de lenguaje bidireccional. Esto significa que BERT puede analizar la oración completa y moverse en cualquier dirección para comprender el contexto.

ER = Representaciones del codificador.

Cuando se ingresa un texto en un modelo de lenguaje, se codifica antes de ser procesado, y el resultado final también está en un formato cifrado que requiere descifrado. Este mecanismo de entrada y salida implica codificar la entrada y decodificar la salida, lo que permite que el modelo de lenguaje procese y analice de manera efectiva los datos de texto.

T = Transformadores

BERT utiliza transformadores y modelado de lenguaje enmascarado para el procesamiento de texto. Un desafío clave es identificar el contexto de una palabra en una posición particular, particularmente con pronombres. Para abordar esto, los transformadores prestan mucha atención a los pronombres y a la oración completa para comprender mejor el contexto. El modelado de lenguaje enmascarado también entra en juego, donde una palabra objetivo se enmascara para evitar la desviación del significado. Al enmascarar la palabra, BERT puede adivinar la palabra que falta con un ajuste fino.

Arquitectura modelo

La arquitectura modelo del BERT es fundamentalmente un codificador de transformador bidireccional multicapa basado en la implementación original descrita en Vaswani et al. (2017). [5]

La arquitectura del transformador consta de un codificador y un decodificador en un modelo de secuencia. El codificador se usa para incrustar la entrada, y el decodificador se usa para decodificar la salida incrustada nuevamente en una cadena. Este proceso es similar a los algoritmos de codificación y decodificación.

Sin embargo, la arquitectura BERT difiere de los transformadores tradicionales. El modelo apila codificadores uno encima del otro, según el caso de uso específico. Además, las incrustaciones de entrada se modifican y pasan a un clasificador específico de la tarea para su posterior procesamiento.

Figura 2 Diagrama de principio del modelo BERT para parámetros 110M y parámetros 340M. [ 6 ]

Los tokens en BERT se utilizan para representar palabras y subpalabras en el texto de entrada. A cada token se le asigna una representación o incrustación de vector de dimensión fija. Estas incrustaciones se utilizan para capturar la relación contextual entre las palabras en el texto de entrada. Mediante el uso de tokens, BERT puede procesar texto de una manera que captura el significado y el contexto de palabras y frases, en lugar de solo sus representaciones aisladas. Esto permite a BERT realizar una amplia gama de tareas de procesamiento de lenguaje natural con gran precisión. [ 12 ]

Aquí hay algunos tokens utilizados en la arquitectura del modelo BERT NLP :

[ CLS ]: el token representa el comienzo de la oración y se usa para representar la secuencia de entrada completa para las tareas de clasificación.

[ SEP ]: el token se usa para separar dos oraciones o para separar la pregunta y la respuesta en tareas de preguntas y respuestas.

[ MAS K]: el token se usa para enmascarar una palabra durante el entrenamiento previo. También se utiliza durante el ajuste fino para predecir la palabra enmascarada.

[ UNK ] – token representa una palabra desconocida que no está presente en el vocabulario.

[ PAD ]: el token se usa como relleno para hacer que todas las secuencias de entrada tengan la misma longitud.

Aquí están los componentes y palabras relacionadas con BERT y sus definiciones [ 7 ]:

Parámetros : número de variables legibles o valores que están disponibles en el modelo.

Tamaño oculto : el tamaño oculto son las capas de funciones matemáticas entre la entrada y la salida. Asignará peso para producir el resultado deseado.

Capas de transformadores : número de bloques de transformadores. Un bloque transformador transformará una secuencia de representaciones de palabras en un texto contextualizado o una representación numérica.

Procesamiento : el tipo de unidad de procesamiento que se utiliza para entrenar el modelo.

Atención Jefes : el tamaño del bloque del transformador.

Duración del entrenamiento : tiempo que lleva entrenar el modelo.

Las partes principales de BERT y sus definiciones [ 12 ]:

El mecanismo de trabajo de BERT

Los siguientes pasos describen cómo funciona BERT.

1. Datos de entrenamiento en grandes cantidades

BERT está diseñado para manejar una gran cantidad de palabras, lo que le permite aprovechar grandes conjuntos de datos para obtener un conocimiento completo del inglés y otros idiomas. Sin embargo, entrenar BERT en conjuntos de datos extensos puede llevar mucho tiempo. La arquitectura del transformador facilita el entrenamiento BERT y las unidades de procesamiento de tensores pueden acelerarlo. [ 7 ] [ 12 ]

2. Modelo de lenguaje enmascarado

El aprendizaje bidireccional del texto es posible gracias a la técnica del Modelo de lenguaje enmascarado (MLM). Esto implica ocultar una palabra en una oración y pedirle a BERT que use las palabras en ambos lados de la palabra oculta de manera bidireccional para predecirla. En esencia, MLM le permite a BERT comprender el contexto de una palabra al considerar las palabras vecinas. [ 7 ] [ 12 ]

Figura 3 Oración BERT-Original «¿cómo estás hoy?». [9]

Al considerar la palabra contextualmente tanto antes como después del texto oculto, puede predecir con precisión la palabra que falta. El enfoque bidireccional utilizado en este proceso da como resultado el más alto nivel de precisión. Durante el entrenamiento, el 15% de las palabras tokenizadas se enmascaran aleatoriamente y el objetivo de BERT es predecir las palabras enmascaradas. [ 12 ]

Figura 4 Técnica del modelo de lenguaje enmascarado (MLM). [ 8 ]

3. Predicción de la siguiente oración

La predicción de la siguiente oración (NSP) es una técnica utilizada por BERT para comprender la relación entre las oraciones. Predice si una oración dada sigue a la anterior, aprendiendo así sobre el contexto del texto. Durante el entrenamiento, a BERT se le presenta una combinación de 50 % de pares de oraciones correctas y 50 % de oraciones emparejadas aleatoriamente para mejorar su precisión. [ 7 ] [ 12 ]

Figura 5 Técnica de predicción de la siguiente oración (NSP) [10]

4. Transformadores

La arquitectura del transformador usa la atención , que paraleliza de manera eficiente el entrenamiento de aprendizaje automático y hace que sea factible entrenar BERT en datos de gran tamaño rápidamente. La atención es un algoritmo robusto de aprendizaje profundo que se vio por primera vez en los modelos de visión por computadora. Los transformadores crean pesos diferenciales enviando señales a las palabras críticas de una oración, evitando el desperdicio de recursos computacionales en información irrelevante.

Los transformadores aprovechan las capas de codificador y decodificador para procesar la entrada y predecir la salida, respectivamente. Estas capas se apilan una encima de la otra en una arquitectura de transformador. Los transformadores son particularmente adecuados para tareas de aprendizaje no supervisadas, ya que pueden procesar grandes cantidades de datos de manera eficiente.

Figura 6 La estructura codificador-decodificador de la arquitectura Transformer [ 14 ]

Algunas aplicaciones de BERT en PNL

Algunas de las aplicaciones del modelo de lenguaje BERT en NLP incluyen:

• Análisis de los sentimientos
• Traducción de idiomas
• Respuesta a preguntas
• Búsqueda de Google
• Resumen de texto
• Coincidencia y recuperación de texto
• Resaltado de párrafos.

Modelo BERT y su uso en el trading cuantitativo

En esta última sección del artículo, se ofrece una descripción general de algunos estudios recientes sobre el tema del modelo BERT en el análisis cuantitativo. Los documentos de lectura adicional siempre están vinculados debajo del título.

Giro del mercado de la noche a la mañana y la reacción asimétrica a las noticias

Enlace: https://papers.ssrn.com/sol3/papers.cfm?abstract_id=4307675

En este estudio, los autores se centraron en la información contenida en las noticias financieras y su impacto en el mercado de valores de EE. UU. Estudios anteriores mostraron una respuesta rápida a las noticias en la apertura del mercado (Boudoukh et al. (2019); Greene y Watts (1996); y otros). Se entrenó y utilizó un modelo moderno de lenguaje natural basado en BERT en la base de datos de noticias financieras de Thomson Reuters. Esto permitió analizar la reacción del mercado al sentimiento de las noticias.

Hay tres contribuciones principales de este estudio.

1. Los autores documentaron el impacto del sentimiento de las noticias de la noche a la mañana en el precio de apertura del mercado e informan de una fijación errónea de precios que conduce a una reversión predecible de la rentabilidad. La reacción al sentimiento de las noticias es aparentemente asimétrica, dependiendo de la dirección del retorno del día anterior en relación con el sentimiento de las noticias. En ausencia de noticias nocturnas específicas de la empresa, es muy difícil predecir los rendimientos del día siguiente.
2. La reinvestigación del efecto de atención informado por Barber y Odean (2008) y Berkman et al. (2012). Esos estudios afirman que una mayor atención de los inversores (indicada por grandes rendimientos absolutos del día anterior) conduce a precios elevados en la apertura del mercado, seguidos de una reversión durante el día de negociación. Se detectó este efecto incondicional sobre los comunicados de prensa, pero en ausencia de noticias nocturnas, es mucho menos significativo que el efecto del sentimiento de las noticias sobre los precios de los activos.
3. Se presentó la estrategia comercial simple que explota la reversión nocturna al tomar una posición larga (corta) en la subasta de apertura de acciones que experimentaron rendimientos idiosincrásicos excepcionalmente negativos (positivos) en el día de negociación anterior solo si observamos noticias nocturnas.

En particular, los autores documentan una reversión de rendimiento predecible de los rendimientos del día anterior en días con noticias nocturnas relevantes para la empresa. Cuando no hay noticias de la noche a la mañana, la previsibilidad es sólo marginal. Este patrón resulta de las respuestas asimétricas de los inversionistas al sentimiento de las noticias.

Sentimiento de noticias y rentabilidad de las acciones: modelo BERT ML

Enlace: https://papers.ssrn.com/sol3/papers.cfm?abstract_id=3971880

La idea principal del artículo es investigar el impacto de las noticias financieras en los rendimientos de las acciones e introducir un modelo no paramétrico. Este modelo se utiliza para generar una señal de sentimiento, que posteriormente se utiliza como predictor de pronósticos de rendimiento de acciones de acciones individuales a corto plazo. Los autores toman el modelo BERT de Google y lo entrenan secuencialmente con las noticias financieras de Thomson Reuters (período de tiempo de 1996 a 2020). Se realizó una investigación de la capacidad de un modelo de lenguaje basado en BERT para generar una puntuación de sentimiento a partir de artículos de noticias financieras para predecir rendimientos de acciones a corto plazo. El modelo BERT se modificó para los propósitos específicos de este estudio y se encontró que este modelo es capaz de extraer señales sentimentales de las noticias financieras. Esta señal tiene una correlación positiva con la rentabilidad de los activos. Se encontró que las noticias tienden a inducir rendimientos anormales más fuertes en el día t que las noticias recientes, mientras que la información de las noticias financieras se incorpora a los precios de las acciones dentro de un día. La categorización de artículos de noticias en temas puede proporcionar información, que se puede utilizar como características adicionales y esto puede ayudar a hacer modelos más precisos y mejorar la capacidad del modelo para predecir futuros rendimientos de activos. Si solo se consideran los datos del tema «Previsión del analista», se producen las previsiones más precisas de los rendimientos futuros de los activos. Los autores de este artículo se concentran en las empresas S&P 500 con grandes capitalizaciones de mercado. Se descubrió que las noticias financieras se incorporan rápidamente a los precios de los activos. A pesar del tamaño más pequeño del modelo creado por los autores, en comparación con FinBERT (Araci, 2019) y el modelo BERT de tamaño completo, muestra un desempeño superior fuera de la muestra (Tabla 9). Los autores creen que la alta calidad del modelo está condicionada por la combinación del entrenamiento previo específico del dominio y su clasificador de redes neuronales profundas entrenado con pérdida de entropía cruzada simétrica en un gran conjunto de datos de noticias financieras anotadas.

Referencias:

[1] https://medium.com/@samia.khalid/bert-explained-a-complete-guide-with-theory-and-tutorial-3ac9ebc8fa7c

[2] Rogers, A., Kovaleva, O. y Rumshisky, A. (2021). Introducción a BERTology: lo que sabemos sobre cómo funciona BERT. Transacciones de la Asociación de Lingüística Computacional 8 , 842-866.

[3] https://towardsdatascience.com/transformer-in-cv-bbdb58bf335e

[4] Liddy, ED (2001). Procesamiento natural del lenguaje.

[5] Devlin, J., Chang, MW y Toutanova, K. (2018). Bert: Pre-entrenamiento de transformadores bidireccionales profundos para la comprensión del lenguaje. preimpresión de arXiv arXiv:1810.04805

[6] https://huggingface.co/blog/bert-101

[7] https://www.turing.com/kb/how-bert-nlp-optimization-model-works – what-is-bert?

[8] https://www.geeksforgeeks.org/understanding-bert-nlp/

[9] Jain, A., Ruohe, A., Grönroos, SA y Kurimo, M. (2020). Modelado del idioma finlandés con modelos de transformadores profundos. preimpresión de arXiv arXiv:2003.11562.

[11] https://devopedia.org/bert-language-model

[12] http://jalammar.github.io/illustrated-bert/

[13] https://d35fo82fjcw0y8.cloudfront.net/2019/05/27153113/what-is-natural-language-processing.jpg

[14] https://machinelearningmastery.com/wp-content/uploads/2021/08/attention_research_1.png

Referencias relacionadas:

ELMo

https://www.analyticsvidhya.com/blog/2019/03/learn-to-use-elmo-to-extract-features-from-text/ – :~:text=Embeddings%20from%20Language%20Models%20( ELMo)&text=In%20this%20article%2C%20we%20will,on%20a%20real%2Dworld%20dataset.

https://allenai.org/allennlp/software/elmo

Conceptos básicos del modelo BERT

https://en.wikipedia.org/wiki/BERT_(language_model)

https://towardsdatascience.com/bert-explained-state-of-the-art-language-model-for-nlp-f8b21a9b6270

https://huggingface.co/blog/bert-101

Autor:
Lukas Zelieska, analista cuantitativo

Hablemos del índice de confianza del Dinero inteligente / Dinero tonto por Sentimentrader

Los índices Smart Money Confidence y Dumb Money Confidence son una innovación única que permite a nuestros suscriptores ver, de un vistazo, lo que los «buenos» market timers están haciendo con su dinero en comparación con lo que los «malos» market timers están haciendo.

Nuestros índices de confianza utilizan principalmente indicadores de dinero real; hay poco de subjetivo en este aspecto. En general, queremos seguir a los traders del dinero inteligente o Smart Money cuando llegan a un extremo: queremos apostar por un repunte del mercado cuando confían en el aumento de los precios y queremos estar cortos (o en efectivo) cuando esperan una caída del mercado. Cuanto mayor sea la confíanza, más agresivamente deberíamos estar buscando precios más altos.

Los ejemplos de algunos indicadores de Smart Money incluyen las relaciones de interés abierto y de OEX, las posiciones de cobertura en los futuros del índice de acciones y la relación actual entre acciones y bonos.

A diferencia de Smart Money, queremos hacer lo contrario de lo que hace el Dumb Money o el dinero tonto cuando están en un extremo. Estos traders han demostrado a lo largo de la historia que son malos en el momento del mercado. Se vuelven muy alcistas después de un repunte del mercado y bajistas después de una caída del mercado. Cuando la mayoría de ellos se da cuenta de una tendencia, ya es demasiado tarde: la tendencia está a punto de girarse. Nos dice qué tan confiados debemos estar para vender en el mercado.

Los ejemplos de algunos indicadores de Dumb Money incluyen la relación put/call solo de acciones, el flujo de entrada y salida de la serie Rydex de fondos mutuos indexados y pequeños especuladores en contratos de futuros sobre índices de acciones. También trazamos el diferencial entre Smart Money y Dumb Money. Esto nos da una vista rápida de la diferencia entre los dos grupos de traders. Debido a que el «dinero tonto» sigue las tendencias, y el «dinero inteligente» generalmente va en contra de las tendencias, el «dinero tonto» suele estar en lo correcto durante el desarrollo de la tendencia. Entonces, cuando la confianza del dinero tonto es más alta que la confianza del dinero inteligente, eso significa que el sentimiento es positivo.

Sin embargo, cuando se vuelve demasiado positivo, entonces el sentimiento ha llegado a un extremo y las acciones a menudo tienen problemas. Esto suele suceder porque el Dumb Money sube por encima del 60% y el Smart Money cae por debajo del 40%. Esa es una señal de peligro para las acciones.

Cuando el Dumb Money está por debajo del Smart Money, el sentimiento es negativo y las acciones suelen tener problemas. Es mejor estar a la defensiva en momentos como este. Sin embargo, cuando el sentimiento se vuelve demasiado negativo, las acciones a menudo están a punto de recuperarse durante los próximos 1 a 3 meses. Esto suele ocurrir porque el Dumb Money ha caído por debajo del 40% y el Smart Money ha subido por encima del 60%.

Lo que se considera «inteligente» se basa simplemente en el registro histórico de un indicador en los extremos. Si un indicador suele mostrar un pesimismo excesivo cerca de un máximo de mercado y un optimismo excesivo cerca de un suelo de mercado, ese indicador se incluirá en nuestro cálculo de Smart Money. Y si constantemente muestra demasiado pesimismo cerca de un punto bajo y demasiado optimismo cerca de un punto alto, se considerará dinero tonto.

Los índices de confianza se presentan en una escala de 0% a 100%. Cuando la Confianza del Smart Money está al 100%, significa que aquellos que están en lo cierto en cuanto a la dirección del mercado tienen un 100% de confianza en un mercado al alza y queremos estar junto a ellos. Cuando está al 0 %, significa que estos buenos cronometradores del mercado tienen un 0 % de confianza en un repunte, y queremos estar en efectivo o incluso en corto cuando la confianza es muy baja.

Podemos usar el Dumb Money Confidence de manera similar, pero de forma opuesta. Por ejemplo, si la confianza del dinero tonto está al 100%, eso significa que estos malos cronometradores del mercado tienen una confianza suprema en un repunte del mercado. Y la historia sugiere que cuando estos traders tienen confianza, deberíamos estar muy, muy preocupados de que el mercado esté a punto de caer. Cuando la confianza del dinero tonto está en 0%, entonces, desde una perspectiva contrarian, deberíamos concentrarnos en el lado largo, esperando que estos operadores se equivoquen nuevamente y que el mercado se recupere.

En la práctica, nuestros Índices de Confianza rara vez bajan del 30% o superan el 70%.

Concentración en el mercado de valores por Ben Carlson

Las finanzas son como la moda.

Espera lo suficiente y estaremos hablando de las mismas cosas.

Tenemos las mismas peleas sobre temas financieros cada pocos años.

Gestión Activa vs. pasiva.

La muerte de la cartera 60/40.

¿Estamos en una burbuja?

¿Estamos en un techo o un suelo?

Otro que ha vuelto a aparecer este año es ¿están las ganancias del mercado demasiado concentradas?

Aquí hay un vistazo al enorme impacto de las acciones de tecnología de megacapitalizo en el primer trimestre, cortesía de JP Morgan:

Las 10 acciones más grandes fueron responsables de más del 70 % de las ganancias durante los primeros tres meses del año.

¿Debería preocuparte esto como inversor?

¿Las ganancias de este año son un castillo de naipes?

¿Es esto normal?

Todas las preguntas legítimas.

El S&P 500 se ha vuelto más concentrado a lo largo de los años.

Aquí están las 10 principales acciones por capitalización de mercado cada 5 años a partir de 1980, incluyendo una actualización con las ponderaciones actuales:

Vale la pena señalar cuánta rotación ha habido a lo largo del tiempo. Hay unas pocas acciones selectas que se mantienen en la cima de la tabla de clasificación durante varias décadas (GE, Microsoft, Exxon, Wal-Mart), pero el cambio es la única constante.

El hecho de que Apple represente más del 7 % del índice con una capitalización de mercado también destaca.

El libro anual de DFA Matrix echa un vistazo a las capitalizaciones de mercado de los mercados de valores nacionales de todo el mundo:

Para poner el tamaño de Apple en perspectiva, la capitalización de mercado de 2,6 billones de dólares de la compañía es del mismo tamaño que todo el mercado de valores del Reino Unido, que se compone de 595 empresas. Apple tiene una capitalización bursátil más grande que el mercado de valores de Alemania y es el 65 % de la capitalización bursátil de Japón.

Microsoft, con 2,3 billones de dólares, no se queda muy atrás.

El mercado está más concentrado ahora de lo que ha estado en algún tiempo, pero no es algo fuera de lo común que las empresas más grandes dominen el mercado de valores a veces.

Jason Zweig compartió una vez que AT&T compartía el 13 % del mercado de valores de EE. UU. a principios de la década de 1930. General Motors era el 8% del mercado en 1928 e IBM tenía una ponderación del 7% en 1970 (estaba cerca de eso de nuevo en 1985).

Así que esto sucede.

Mucho de esto depende de cómo veas el riesgo.

¿Es realmente arriesgado tener algunas de las mejores y más grandes empresas del mundo en el mercado de valores?

¿Prefieres que las empresas más pequeñas lideren el camino?

También es cierto que el resto del mercado de valores sigue aguantando a pesar del hecho de que a las acciones más grandes les está yendo muy bien.

Esta es una mirada al S&P 500 ponderado por igual frente al S&P ponderado por capitalización de mercado durante el último año:

Las acciones más grandes están ayudando al S&P 500, pero no supone una gran diferencia.

Los rendimientos de los últimos 10 años son un poco más pronunciados, pero aún no atroces:

Pero desde mediados de la década de 2000, la versión igual ponderada en realidad lo ha hecho mejor:

Este es un buen recordatorio de que puedes ganar casi cualquier discusión sobre los mercados cambiando tus fechas de inicio o final, pero el punto es que a veces las acciones más grandes lideran el día y a veces no.

Hay una gran diferencia entre un índice ponderado por capitalización de mercado como el S&P 500, que siempre será un poco pesado y una cartera concentrada real.

Gunjan Banerji en el Wall Street Journal hizo un perfil de un puñado de inversores individuales para recoger algunas lecciones que la gente ha aprendido de este mercado bajista.

Este es el que más me llamó la atención:

Do Kim, un contable de 46 años en el condado de Bucks, Pensilvania, estaba de todo en acciones como Nvidia Corp. y Tesla, construyendo una posición combinada en las dos empresas de más de 2 millones de dólares, dice. Disfrutó rastreando a las empresas y se aferraba a todo lo que dijeron Elon Musk y el director ejecutivo de Nvidia, Jensen Huang. Se sumergió en otras acciones, incluidas las de la aseguradora Lemonade Inc. y Palantir Technologies Inc., mientras negociaba opciones en un intento por obtener sus rendimientos.

Vio cómo su cartera se disparaba, es decir, hasta 2022. A lo largo del año, dice que tuvo varias llamadas de su firma de corretaje para añadir más dinero en efectivo para cubrir las operaciones que había hecho con dinero prestado, o las operaciones de opciones que habían empeorado.

El Sr. Kim dice que terminó perdiendo todo el dinero que ganó desde el comienzo de la pandemia, acumulando pérdidas de más de 1 millón de dólares en su cuenta de corretaje que incluso se comieron a su inversión inicial. Las pérdidas fueron estresantes. A veces, se saltaba las vacaciones con la familia para pasar tiempo haciendo trading y vigilando su cartera.

«Siento que he perdido muchos años de mi vida», dice el Sr. Kim. «Tuve tantas noches sin dormir».

Este es el tipo de cosas que no puedes obtener de una cita de Warren Buffett o Charlie Munger.

Ir all-in en un par de acciones suena maravilloso hasta que te ves obligado a vivir con la volatilidad inherente a la concentración.

Claro, una postura de inversión concentrada te da una mejor oportunidad de parecer diferente al índice, pero eso funciona en ambas direcciones.

No estoy seguro de haber oído hablar de alguien que se salte las vacaciones familiares debido a las inversiones en fondos indexados.

El S&P 500 todavía tiene más del 70 % de sus acciones fuera de las 10 principales participaciones.

Y la buena noticia es que nunca ha sido más fácil diversificar más allá del S&P 500 si te preocupa que Apple y Microsoft comtribuyen casi el 14 % del índice.

Michael y yo hablamos sobre posiciones concentradas y mucho más en el vídeo de Animal Spirits de esta semana:

Suscríbete a The Compound para que nunca te pierdas un episodio.

Entrevista a Van K. Tharp por Hispatrading Magazine

• Publicado en Hispatrading 15.

Hispatrading Magazine se complace en tener en este número como invitado al Dr. Van K. Tharp, uno de los más prestigiosos entrenadores de traders desde 1982, a través del Van Tharp Institute. Autor de la obra traducida al español “Tener éxito en trading” y recientemente de Trading Beyond the Matrix: The Red Pill for Traders and Investors.

Hispatrading: Buenos días Sr. Tharp.

VT: Buenos días

H: Para empezar esta entrevista, como es habitual, nos gustaría que nos hablara un poco sobre su trayectoria en el mundo del trading. ¿Cuál fue su motivación inicial, la que le llevó a acercarse al trading?

VT: En 1974, mientras estaba en la universidad, perdí unos 20.000 dólares operando en el mercado. Y en 1982, lo hice de nuevo. Tenía un Doctorado en psicología, por lo que al menos era lo suficientemente inteligente como para darme cuenta de que la razón de las pérdidas era yo. Como resultado de ello, inicié una exploración sobre lo que estaba mal en mí, así que desarrollé un test para inversores / traders con el fin de determinar sus posibilidades de éxito y luego escribí un curso dividido en cinco volúmenes con el que obtener un rendimiento óptimo. Mi libro, que en español se llama “Tener éxito en trading”, cuyo título es ligeramente diferente en español con respecto al original en inglés, trataba realmente acerca de cómo desarrollar un sistema de trading que se adapte a uno mismo.

Ahora mismo la razón por la que escribo mis libros y hago lo que hago es porque me siento obligado a ayudar a las personas a transformarse. Estoy muy motivado cuando la gente me dice «Dr. Tharp, realmente ha ayudado a transformar mi vida «.

H: Durante su vida en la industria, ¿cuál diría que ha sido su mejor y su peor experiencia?

VT: La peor experiencia es cuando uno de los traders que había estado entrenando y recomendando a otros clientes resultó estar ejecutando un esquema Ponzi. Eso me ha costado más dinero que cualquier pérdida en el trading (y, por supuesto, yo también tenía dinero con él también).

Mejor experiencia: ocurre todos los días cuando veo lo mucho que cambiamos la vida de las personas.

H: ¿Qué consejo le daría a las personas que comienzan en los mercados para poder convertirse en traders profesionales?

VT: Si el trading / inversión fuera fácil, las manos fuertes harían que fuera imposible operar. Sin embargo, el trading es difícil, por lo que las manos fuertes (que ganan dinero con casi todo lo que el inversor medio hace) facilitan mucho que Vd. abra una cuenta y opere. El trading, sin embargo, es una profesión como cualquier otra. La mayoría de la gente pasa años recibiendo la formación necesaria para hacer su trabajo, pero no dedican tiempo entrenando para convertirse en un trader / inversor.

Imagine que acaba de entrar en un hospital y ha decidido que quiere probar con la neurocirugía hoy. Probablemente sería bastante desastroso para el paciente. Pero Vd. puede visitar un bróker y abrir una cuenta. Y eso por lo general significa un desastre para su cuenta. Así que mi primer consejo para las personas que quieren cambiar es obtener la educación necesaria para operar como un profesional a pesar de que puede ser muy difícil de hacer / encontrar.

H: Y ¿Cuál cree que es la actitud más peligrosa para un trader?

VT: Pensar que simplemente podemos ir a una firma de inversión, depositar nuestro dinero, y ganar mucho sin tener ningún tipo de formación o idea de lo que se está haciendo.

Sin embargo, puede darse una situación que es peor – operar por la excitación, como un jugador. Vd. puede obtener tanta emoción con la operativa como si fuera al casino y si ese es el motivo por el que lo hace, el resultado será mismo que tirar su dinero.

H: En España y en los países de habla hispana, nos gustaría saber acerca de su libro «Tener Éxito en Trading». ¿Qué nos puede decir acerca de este libro? ¿Cuál diría que es la esencia más importante de su obra?

VT: Este libro realmente explica mi enfoque con respecto al desarrollo de sistemas. Pero permítame resumir algunos de los puntos clave.
1) Vd. no opera los mercados, sino sus creencias acerca de los mercados.
2) El trading / inversión no consiste en encontrar la acción que subirá. Se trata de encontrar oportunidades de bajo riesgo en las que la relación beneficio-riesgo es al menos 2:1.
3) Nunca entre a una posición sin tener una salida predeterminada. Eso va a determinar su riesgo inicial (lo que yo llamo 1R para abreviar).
4) Corte rápido las pérdidas (que sean -1R o menos) y deje correr los beneficios (con suerte muchas veces 1R).
5) Sus salidas determinan si ganará dinero o no con el trading.
6) Usted debe pasar el 50% del tiempo que dedique a desarrollar el sistema a pensar en sus objetivos.
7) El tamaño de la posición nos indica cuánto arriesgará a lo largo de la operación. 

8) Vd. alcanzará sus objetivos a través de su estrategia para determinar el tamaño de la posición. De hecho, el 90% de su rendimiento se debe al tamaño de la posición. Por lo que debe pasar más tiempo planificando su estrategia de tamaño de la posición que cualquier otro aspecto de su sistema.

H: ¿Tiene actualmente algún proyecto en mente para el próximo año?
VT: Estamos tratando de desarrollar 5-10 cursos online y videos con seminarios porque somos conscientes de que muchas más personas puedan beneficiarse al acceder a nuestro material online. Ahora mismo tengo el programa Super Trader, con 50 personas inscritas de todas partes del mundo. Más de la mitad, de hecho, vive en el extranjero. Realizamos unos dos seminarios cada mes para que los que viajan desde el extranjero pueden asistir a más de un seminario por viaje. Pero creo que una gran cantidad de cursos online les ayudaría aún más.

H: ¿Tiene algo más que quiera añadir?
VT: Me gustaría añadir algo sobre la psicología del trading, ya que creo que la psicología es, con mucho, el aspecto más importante del trading. Nuestra misión en el Instituto Van Tharp es ayudar a transformar a las personas a través de una metáfora sobre el trading. Y creemos que hay tres niveles de transformación:
1) El conjunto de creencias que hemos desarrollado a partir de los mejores traders denominado Tharp Think. Muchas de esas creencias se encuentran en el libro sobre el que hemos estado hablando.
2) Ser capaz de cambiarte a ti mismo y tus creencias para que puedas adoptar las creencias del Tharp Think.
3) Realizar suficientes cambios individuales para que Vd. aumente su nivel de conciencia. Por ejemplo, mucha gente opera con miedo y codicia, lo que refleja un muy bajo nivel de conciencia y por lo general conduce a pérdidas. Pero qué pasa si pasamos a un nivel mucho más elevado de conciencia como el de la aceptación… donde podemos aceptar lo que es el resultado de nuestro trading – ganancia o pérdida. Cuando usted puede hacer eso, es mucho más fácil dejar correr los beneficios y cortar rápido las pérdidas.

Antes de despedirme de sus lectores y del público hispano hablante, como ha comentado en la presentación, Mi último libro, Trading Beyond the Matrix: The Red Pill for Traders and Investors acaba de ser publicado en inglés por Wiley. Me gustaría verlo alguna vez traducido en su lengua, el español. Buenos días.

H: Muchas gracias Dr. Tharp por su tiempo y sus consejos. Seguro que los lectores de Hispatrading Magazine disfrutarán mucho de las palabras que nos ha dedicado. Esperamos que siga ayudando a los traders por todo el mundo y cumpla sus objetivos. 

¿Cómo anticiparnos a los giros del mercado? por Brett N. Steenbarger, Ph.D.

En 2014, escribí sobre la Curva de impulso y cómo es útil para visualizar la amplitud del mercado y la fortaleza/debilidad en diferentes marcos de tiempo. Han pasado casi nueve años y he mantenido la base de datos la Momentum Curve o Curva de impulso. El conjunto de datos se remonta a 2006 y recoge el porcentaje de acciones en el universo SPX que están por encima de sus medias móviles de 3, 5, 10, 20, 50, 100 y 200 días. Luego miro lo que hizo el mercado en el futuro, de 1 a 50 días, siguiendo varias configuraciones de la curva.
En junio, estaré participando en mi primer seminario web en bastante tiempo, como parte de la conferencia TraderLion. La sesión será una sesión de coaching grupal, en la que los asistentes pueden aportar sus preguntas y desafíos y yo responderé con las mejores prácticas en psicología basada en evidencia y entre gestores de cartera de éxito. Antes de la sesión de coaching, revisaré la Curva de impulso y su aplicación al mercado actual. Esto ofrecerá una buena idea de cómo los análisis cuantitativos pueden ser de gran ayuda para nuestro análisis  discrecional.

Da la casualidad de que recientemente (el jueves) llegamos a un punto en el que menos del 40% de las acciones cotizaban por encima de sus medias de 3, 5, 10 y 20 días. De más de 4200 días en la base de datos, esto ha ocurrido 621 veces. En cada período de tiempo, en un plazo de 1 a 20 días, el mercado, en promedio, ha mostrado rendimientos superiores. Por ejemplo, el rendimiento promedio de los siguientes veinte días después de los eventos de sobreventa ha sido de +1.42% frente a +.55% para el resto de la muestra. De hecho, vimos un buen día de tendencia alcista el viernes.

Como indica el artículo que escribí entonces, estos análisis proporcionan hipótesis, no conclusiones firmes. Si observamos una fuerte tendencia histórica para un movimiento y luego el comportamiento actual del mercado sigue esa tendencia, tenemos la posibilidad de operar con un fuerte viento a favor. Daré otros ejemplos y aplicaciones en el seminario web; ¡Le espero!

6 datos de su operativa que debería conocer por Chris Capre

• Para tener buenos resultados haciendo trading en Forex o divisas (o en cualquier otro mercado), necesitará tener bajo control algunas estadísticas. Cuando se trata de mejorar nuestra rentabilidad siempre debería elegir en base a los datos en vez de apoyarse solo en simples opiniones. En este artículo Chris Capre nos muestra las claves para hacer un trading rentable.
• Artículo publicado en Hispatrading Magazine 41.

He entrenado a miles de traders y he visto muchas veces, como la diferencia entre ganar y perder se redujo a un solo dato o estadística. Como máximo dos o tres.

En este artículo, compartiré con ustedes 6 datos que todos los traders de Forex (y todos los operadores) deberían conocer.

Dato 1: es mejor que tenga esto en cuenta

Como le hablé en el artículo pasado, en un estudio muy esclarecedor de FXCM, se hizo un análisis de los operadores que tenían una relación riesgo recompensa negativa. Es decir, aquellos que arriesgaban más de lo que terminaban ganando. A estos se les comparó a otros operadores con una relación de riesgo recompensa 1: 1 o superior. Es decir, aquellos que en cada operación esperaban ganar más de lo que esperaban perder.

Para aquellos de ustedes que no saben lo que significa la relación riesgo recompensa (riesgo: recompensa), esta básicamente mide el dinero que se arriesga en una determinada operación frente a la recompensa potencial. Por dar algunos ejemplos:

1) Si arriesgo 1.000 USD, en mi próxima operación, y mi ganancia es de 1.000 USD, puedo decir que tengo un riesgo : recompensa de 1: 1.

2) Si arriesgo 1.000 USD, en mi próxima operación, y mi ganancia es menor a 1.000 USD, entonces tengo una relación de riesgo : recompensa negativa, lo que significa que arriesgo más de lo que espero ganar o de mi ganancia potencial.

3) En contraste con eso, si estoy arriesgando 1.000 USD y mi ganancia es de 2.000 USD, entonces tengo una relación de riesgo : recompensa de 1: 2.

Volviendo al estudio de FXCM, encontraron que las estrategias con una relación negativa riesgo: recompensa (es decir, <1: 1) solo tenían un 17% de probabilidades de ganar dinero.

Por otro lado, si una estrategia tenía una relación riesgo : recompensa de 1: 1 o superior, la probabilidad de obtener ganancias era de un 53% (ver figura 1).

En otras palabras, si su estrategia tiene una relación riesgo : recompensa negativa, tendrá más probabilidad de perder dinero frente a un trader que tenga, en su estrategia, una relación riesgo : recompensa positiva o por lo menos de 1:1.

Es por esto, que debería darse cuenta de dos cosas importantes, cuando se trata de establecer objetivos de ganancias y construir una estrategia de trading:

1: Asegúrese de tener, por lo menos, una relación de riesgo: recompensa 1: 1 en cada operación.
2: No sacrifique la relación de riesgo : recompensa solo para aumentar el porcentaje de aciertos.

Dato 2: riesgo de ruina

Originalmente diseñado para juegos de azar, en el casino, el riesgo de ruina (risk of ruin o RoR) es una de las estadísticas más importantes que necesita saber. En pocas palabras, el RoR le dirá matemáticamente, en una estadística, si va a ganar dinero o dejar su cuenta a 0.

La estadística de riesgo de ruina básicamente analiza su situación general (o Promedio + R por operación), su porcentaje de precisión y su porcentaje de riesgo por operación. En un número suficiente de operaciones (100 o más), puede determinar su riesgo de ruina y saber, en función de su estrategia actual, si ganará dinero o hará estallar su cuenta por los aires.

En la figura 2, se muestra una tabla con las estadísticas de riesgo de ruina utilizando la regla de no arriesgar más del 1%, de la cuenta, por operación. Además se miden los ratios de ganancia esperada y porcentajes de precisión.

Si el cuadro es rojo, tiene un 100% de probabilidad de descapitalizar su cuenta. Es decir, dejarla a 0. Si está en zona verde, ganará dinero haciendo trading. Así de sencillo. El número, que se indica dentro de cada casilla, indicará el porcentaje de probabilidad de que explote su cuenta.

Lo que está buscando en su RoR es 0, lo que significa que tiene un 0% de probabilidades de volar su cuenta. Por lo tanto, si desea ganar dinero haciendo trading, deberá conocer su riesgo de ruina.

Dato 3: esperanza de vida de la estrategia

La esperanza de vida de su estrategia es un dato crítico. Esto se debe a que los mercados siempre están en constante cambio, lo que también significa su porcentaje de acierto y, por lo tanto, su rendimiento estará en constante cambio.

Las estrategias más rentables operan dentro de un rango. Entonces, si su estrategia de negociación tiene un 60% de acierto (en promedio), debido a las rachas ganadoras y perdedoras, es probable que su estrategia de negociación fluctúe en términos de precisión entre el 50% y 70% de precisión.

Por lo tanto, es importante tener una estrategia que pueda tener un rendimiento inferior y, a la vez, tener un margen de error suficiente para hacer negocios con dinero.

Ahora, usando la tabla de riesgo de ruina, ¿nota algún patrón cuando se trata de rentabilidad? Cuanto más a la derecha en el eje superior / horizontal aumentará su relación de ganancia (o Promedio + R por operación). Como ve, la variedad de formas en que puede hacer estallar su cuenta disminuirá, mientras que la probabilidad de hacer dinero aumenta.

Otra forma de decir esto es:

Tendrá más formas de perder dinero con ratios de ganancia más bajos y significativamente menos formas de ganar dinero al hacer trading.

La lección es clara, en la situación inversa:

Cuanto mayor sea su ratio de ganancia por operación, más formas tendrá de ganar dinero y, por lo tanto, dará menos opciones a las pérdidas. En resumen: intente construir una estrategia con una relación de ganancia mayor de 1: 1. Le resultará mucho más fácil manejar los malas rachas y recuperarse más rápido cuando vuelva a la pista. Esto significa, tener más probabilidades de seguir vivo más tiempo. 

Dato 4: la mayoría de los traders principiantes son malos estudiantes

Después de haber pasado más de 10.000 estudiantes por nuestros cursos de trading, hemos podido recopilar muchas estadísticas sobre nuestros estudiantes. Particularmente en cuanto al rendimiento de su operativa.

Al decidir llevar a cabo un estudio interno sobre cómo nuestros estudiantes se entrenan y aprenden, en nuestros cursos de trading por internet, encontramos docenas de estadísticas fascinantes. Pero un patrón que notamos es que la mayoría de los operadores principiantes son malos estudiantes y tienen malos hábitos de aprendizaje.

¿Por qué digo esto?

Cuando los estudiantes compran uno de nuestros cursos, una de las primeras cosas que reciben es un correo electrónico de bienvenida. En este correo electrónico de bienvenida, les pedimos explícitamente que vean el video. En primer lugar porque contiene información clave sobre cómo funciona el curso, qué modelos de capacitación encontramos mejor y cómo utilizar mejor nuestros métodos de trading.

¿Cuántos estudiantes visualizan el video de bienvenida? Menos del 20%. ¿Y cuántos estudiantes estudian las lecciones en orden? El 27%.

A partir de esto, creo que podemos llegar a la conclusión de que la mayoría de los operadores principiantes son estudiantes deficientes.

Ahora pregúntese esto: ¿normalmente lee libros sin seguir el orden de los capítulos? ¿Hace los mismo cuando entrena en artes marciales o aprende a tocar un instrumento? No, entonces ¿por qué hace esto cuando se trata de aprender a hacer trading?

Hay muchas razones, pero la lección debe ser clara: no sacrifique su proceso de aprendizaje dejando que su impaciencia le venza. Si lo hace, disminuirá las probabilidades de ganar dinero haciendo trading.

Dato 5: gestión adecuada al riesgo

Los miembros de mi curso de price action, obtienen una sesión de análisis por skype gratuita conmigo en la que analizo su rendimiento comercial en varias operaciones y les ayudo a encontrar formas de ganar más dinero.

Muchas veces, después de una o dos sesiones, el estudiante se vuelve rentable. Compartí un ejemplo de esto en mi cuenta de Twitter con la cuenta de estudiante obteniendo un 11% de rentabilidad en 2 meses.

Ahora, de los miles de cuentas de trading que he analizado de mis alumnos, ¿cuántos de ellos estaban usando una gestión de riesgos constante cuando hablamos por primera vez? Menos del 30%. Cuando hablo de «gestión de riesgos constante» me refiero a arriesgar el mismo porcentaje del capital por operación.

En pocas palabras: si usted no corre el mismo riesgo en cada operación, entonces podría estar arriesgando más cuando pierde (y por lo tanto la perder más), que cuando gana (y por lo tanto ganará menos).

Eso es completamente masoquista. Si quiere encontrar una forma perfecta de explotar su cuenta, cambie constantemente el porcentaje de riesgo en cada operación y simplemente haga lo que quiera. Sin embargo, si desea evitar este dolor y sufrimiento, asegúrese de tener un sistema de gestión de riesgos consistente y arriesgar un porcentaje fijo por operación.

Dato 6: cómo fallar totalmente haciendo trading

En los últimos 12 años, he podido revisar miles y miles de cuentas, estadísticas y rendimientos de mis alumnos. He enseñado a muchos estudiantes a ganar dinero haciendo trading y convertirse en traders consistentes .

¿Cuántos de mis estudiantes pudieron hacer operaciones con dinero real sin una gestión monetaria y de riesgos adecuada? ¡CERO! No necesita más detalles.

Por lo tanto, si quiere fracasar haciendo trading, simplemente arriesgue lo que quiera sin ningún dato o estadística que respalde su decisión.

Para concluir

Si desea ganar dinero haciendo trading, necesitará conocer sus estadísticas y comprender lo que los datos le están diciendo. Hay muchas formas de obtener datos y estadísticas suficientes sobre su rendimiento al hacer trading. Dos servicios gratuitos que puede usar son myfxbook y fxblue.

Le sugiero que conecte su cuenta a uno de estos servicios y revise sus datos para ver dónde se encuentra. Esto le ayudará a darle una hoja de ruta parcial para convertirse en un trader rentable.

Pero más allá de obtener estadísticas, lo más probable es que necesite tener cerca a un trader experimentado y un mentor para evaluar su desempeño. Solo así podrán ofrecerle buenos consejos para mejorar su trading. Esos consejos y orientación que podrán darle, para corregir sus errores, a menudo será la diferencia entre ganar dinero y perderlo.

El gap de apertura como elemento equilibrador de los mercados por Raúl Gómez Sánchez

• ¿Por qué se generan los gaps de apertura? ¿Hay alguna forma de operarlos? Hablemos de ello.
• Artículo publicado en Hispatrading 54.

Si buscamos en la literatura financiera por qué se generan los gaps de apertura, nos encontraremos con que estos son generados por el desfase entre a oferta y demanda durante la apertura de mercado, y donde el escaso nivel de liquidez en esos momentos produce los gaps de apertura. Aunque correcta, una mejor explicación a los mismos no es esta, sino la proporcionada en el artículo Information Flows Around the Globe: Predicting Opening Gaps from Overnight Foreign Stock Price Patterns (De Gooijer, JG, Diks, CG y Gatarek, LT. 2009). 

En el cual se sostiene que el inversor que opera en apertura, solo dispone de la información de la evolución del mercado pasados para tomar sus decisiones de inversión, concluyendo que, aun existiendo diferencias por clúster o regiones, la evolución de los mercados pasados, sí son unos buenos predictores de los gaps de apertura que se generaran en los mercados siguientes. 

En este estudio vamos a mostrar por qué se producen esas diferencias en los resultados por clúster o regiones, a la par que estableceremos las relaciones que producen entre esas diferencias. En primer lugar, y para comprobar si los mercados pasados son uno buenos predictores de los gaps de apertura futuros, partiremos de una muestra más simple y utilizaremos solo los índices de bolsa más representativos de esas 3 regiones del mundo. De Asia seleccionamos el Nikkei225, de Europa el DAX40, y de EEUU el S&P500, todos ellos medidos en datos diarios desde el 2009 hasta el 2023, tanto para el mercado de contado, como del mercado de futuros. Se han obtenido dichos datos de la web financiera Investing.com. También resaltamos que no se utilizan futuros continuos, por lo que hay 56 gaps de 3500 que no son reales, sino que estos son producidos por el roll over del futuro, destacando que en conjunto no afectan a más del 5% de la muestra en todo el periodo analizado. 

Una vez trazada y acumulada su rentabilidad total diaria, descomponemos esta en sus dos componentes básicos, el valor que aporta el gap y el valor que aporta el market (evolución del mercado tras el Gap de apertura), medidos ambos en rentabilidad logarítmica.

En la Figura 1, mostramos tanto de manera gráfica como numérica la relación entre los tres índices futuros, y donde observamos cómo la explicación de ese artículo es coherente en la generación de los gaps europeos, pero no los de Norte América o Asia.

El gap como equilibrio entre el mercado de contado y futuro

Si ahora hacemos lo mismo para el mercado al contado de esos mismos índices, observamos cómo se invierten los componentes gap y market en la mayoría de los activos, lo cual hace que también se inviertan los clúster o regiones que antes si eran los generadores de los gaps de apertura, y los cuales ahora no lo son. En el caso del contado, el mercado asiático no es el generador de los gaps de Europa, y el mercado americano sí genera los gaps de Asia.

Existiendo dos grandes mercados, el de contado y el de los derivados (futuros) con precios de cierre casi idénticos, es lógico pensar que existe una relación entre ambos, un elemento que cohesiona a los mismos, y que no puede ser otro que los gaps de apertura de ambos tipos de activos. Estos dos tipos de activos tienen muchas diferencias entre sí, pero el horario de cotización es uno de los más importantes, y de manera lógica guarda una relación fundamental con los gaps de apertura como elemento equilibrador entre ellos. 

Si analizamos el caso de Asia y el Nikkei225, una vez que cierra el contado a las 06:35 de la mañana, el futuro aún permanecerá cotizando hasta las 00:00, por lo que el componente market alcista del futuro de Asia generará un gap alcista en el contado, y un mercado bajista para poder cubrir el gap generado, motivo por el cual componente gap y Market se invierten en el caso del contado respecto al futuro.
 
Siguiendo esta misma lógica, tras el cierre del contado de EEUU, el futuro del S&P500 aun seguirá cotizando hasta las 00:00, y por tanto el componente Market alcista del futuro de EEUU, se traducirá en gaps de apertura alcistas en el mercado del contado americano, el cual dispondrá ahora de un componente Market más reducido, el cual le permita cubrir sus gaps de apertura.

Finalmente, y si analizamos el caso de Europa y del DAX40, observamos como el cambio en el componente gap y market del contado y futuro ya no es tan drástico como en las otras regiones. Ello es debido a que futuro solo comienza a cotizar 1 hora antes de la apertura del contado, y solo hay 4,5 horas donde el futuro cotiza tras cerrar el contado.

La anterior explicación se puede entender matemáticamente como una ecuación de equilibrio entre el mercado de contado y de futuro, en base a los dos componentes básicos de rentabilidad de un activo, gap y market.  

Esta simple fórmula, no representa más que la rentabilidad total o precio de cierre de esos activos, el cual recordemos es casi idéntico.  Pero nos permite tener ahora en cuenta el gap de apertura y todas las relaciones inversas anteriormente vistas entre activos y regiones, y de este modo dar una mejor explicación a la generación de los gaps de cualquier mercado.

La apreciación o devaluación de la divisa

La evolución de las divisas de referencia de los índices o regiones, medidas estas por un índice de divisas, también tiene influencia en la evolución del mercado en esas regiones, y por tanto también nos pueden a ayudar a explicar la generación de gaps en los mercados futuros. Gráficamente volvemos a ver comportamientos inversos entre los componentes de la rentabilidad de las tres divisas o regiones analizadas.

Si ahora tenemos en cuenta el efecto de los gaps del contado y la divisa para determinar la generación de los gaps. Podemos establecer las siguientes formulaciones, las cuales respetan los términos de la ecuación de equilibrio de mercado, y los signos del coeficiente de correlación en cada uno de los componentes de la rentabilidad acumulada de los índices de divisas. 

Resultados Finales

Comprobamos como tras incorporar el efecto de las divisas, y la relación entre contado y futuro mediante sus gaps de apertura, tanto gráfica como estadísticamente los nuevos mercados generados con las anteriores formulaciones, sí que son los verdaderos responsables de la generación de los Gaps de apertura en los mercados posteriores. Estos resultados son sostenibles solo a largo plazo pero no a corto, debido ello a los bajos niveles de los coeficientes de correlación en la rentabilidad diaria, y altos en la rentabildiad diaria acumulada. 

Curiosidades sobre estas fórmulas: El PIB

Todas las formulaciones que anteriormente hemos planteado, van mucho más allá de la mera explicación de por qué se generan los gaps de apertura en los mercados de futuro y contado. Ello es debido a que correctamente empleadas, estas fórmulas son capaces de hasta determinar la evolución del PIB y no solo su tendencia (cosa que se ve claramente si usamos un gráfico entre el PIB y el mercado de valores con 2 escalas). Siendo lo más curiosos de todo ello, que solo hemos empleado los gaps de apertura del contado y futuro, así como sus divisas de referencia para establecer este análisis. Resaltar finalmente que, para llegar a estos resultados, hemos tenido en cuenta también la evolución del tipo de interés, el cual, por comodidad de cálculo se aplicó al PIB en lugar de al mercado de esas regiones. A continuación presentamos las formulaciones empleadas para llegar a los resultados que a continuación se mostramos.

Conclusiones

Concluimos que los mercados pasados sí que son unos buenos predictores de la generación de gaps de apertura a largo plazo en los mercados siguientes, pero solo si tenemos en cuenta el efecto que los gaps de apertura tienen sobre los mercados contados y futuros, y el efecto que la evolución de su divisa de referencia tiene sobre los mismos.

Esta conclusión final en los que gaps de apertura se refiere, nos lleva a pensar dos cosas sobre los mismos. En primer lugar, que los gaps de aperturas no son una anomalía de mercado, sino más bien un elemento equilibrador de los mismos, y los cuales permiten a los mercados de futuro y de contado equiparase en precio, aunque dispongan de diferentes horarios de cotización. Y en segundo lugar, que al no ser estos una anomalía de precios, no puede desaparecer como si de otras anomalías se tratasen, dado que es un elemento intrínseco al mercado de valores moderno, a la existencia de un mercado al contado y un mercado derivado del mismo, y el cual puede reduciré a una simple fórmula de equilibrio entre sus componentes gap y market. 

Finalizamos resaltando que de forma más que curiosa, comprobamos como con solo empleando los gaps de apertura de estos tres activos, más la evolución de las divisas asociadas a esas regiones, se puede replicar ya no solo la tendencia, si no un valor más que aproximado a la evolución del PIB. Hecho que nos vuelve a remarcar la importancia que los gaps de apertura tienen en un mercado financiero, y que nos lleva a generar nuevos estudios futuros al respecto.

Agradecimientos

Un agradecimiento especial a la abuela, a MG, a VL, a Nikita, a mi estanquera, también a la del mechero, a mi cubana, a mis panaderos, a los chicos del café, y también al equipo de la biblioteca pública de Santiago de Compostela. Hacía falta la rigidez de Mures, la libertad de Kike y la realidad de Borja. 

Las tres mejores maneras de cambiar los hábitos por Brett N. Steenbarger

Cuando mis colegas y yo revisamos la literatura de investigación sobre los procesos del cambio psicológico, salió a la luz un descubrimiento interesante: es relativamente fácil hacer cambios y relativamente difícil mantener esos cambios. Esto se aprecia mejor en el campo de la psicología de las adicciones, donde la recaída se considera una parte intrínseca del proceso de cambio. Mucho de lo que está escrito en el área de la psicología del trading se enfoca en hacer cambios, con menos énfasis en las formas de hacer que esos cambios se mantengan. Con demasiada frecuencia, nuestros esfuerzos por cambiar son como nuestras resoluciones el día de Año Nuevo: bien intencionadas, pero fugaces. Afortunadamente, la investigación en psicología señala el camino para hacer que los cambios duren. En este artículo le traigo las tres mejores prácticas que pueden ayudarnos a cambiar los patrones negativos, construir patrones nuevos y saludables, y hacer que esos cambios sean duraderos en nuestras vidas:

1) Asocie sus cambios deseados con estados distintivos de la mente y el cuerpo: quizás el hallazgo más importante de la revisión mencionada anteriormente fue que es mucho más probable que el cambio dure si va acompañado de cambios en la experiencia emocional. En el asesoramiento y la terapia, por ejemplo, es más probable que las personas cambien y se aferren a sus cambios si se sienten frustrados por sus viejos patrones y se involucran con entusiasmo en el proceso de cambio. La simple conversación con un entrenador o consejero, en sí misma, no es suficiente. Es cuando sentimos agudamente la necesidad de un cambio y nos involucramos con entusiasmo en hacer cambios que es más probable que interioricemos nuevas formas de hacer y ver. Hace poco hablé con mi nieto, Ed, quien se ha comprometido diariamente a ir al gimnasio y realizar ejercicios rigurosos. Curiosamente, a medida que su cuerpo se ha desarrollado, también lo ha hecho su forma de pensar. Interioriza un nuevo sentido de sí mismo, y eso se traslada a muchas áreas de su vida. Del mismo modo, los traders con los que he trabajado se han acercado a sus compañeros de equipo y compañeros para hacer de un nuevo proceso una experiencia compartida, creando una nueva fuente de motivación social/interactiva. Energizados por la experiencia del descubrimiento mutuo, esos operadores se encuentran más enfocados y con más fuerza para sus operaciones.

2) Integre los cambios deseados en su rutina diaria: en última instancia, queremos convertir nuestros cambios en patrones de hábitos positivos, de modo que no tengamos que depender de la motivación para hacer las cosas correctas. Lo que he encontrado más útil es hacer que las acciones que deseo realizar formen parte de mi rutina matutina, para que cada día comience como una experiencia de cambio. Supongamos, por ejemplo, que quisiéramos desarrollarnos espiritualmente. Simplemente pensar cosas espirituales o leer textos espirituales no necesariamente nos ayudará a interiorizar nuestra propia espiritualidad. Participar en la oración activa o la meditación cada mañana, por otro lado, nos brinda una experiencia diaria, positiva y llena del alma. Del mismo modo, si queremos convertirnos en un miembro de la familia más afectuoso, debemos ir más allá de las buenas intenciones y los pensamientos, y reservar activamente un tiempo todos los días para pasar tiempo de calidad con nuestros seres queridos. Sí, me levanto temprano en la mañana y les doy comida, agua y abrazos a mis gatos porque los amo, pero es igualmente cierto que los amo porque paso tiempo comprometido con ellos todos los días. Nos convertimos en lo que hacemos. Una gran manera de hacer grandes cambios es hacer pequeños cambios consistentemente y construir sobre ellos.

3) Continúe haciendo cosas nuevas: la rutina es necesaria para desarrollar patrones de hábitos positivos, pero la vida se vuelve obsoleta cuando está dominada por la rutina. Sí, tenemos procesos de trading confiables y consistentes, y los necesitamos, pero crecemos cuando abordamos nuevas formas de operar, nuevos mercados y diferentes estrategias. Por supuesto, nos involucramos en esos nuevos esfuerzos con un tamaño pequeño inicialmente para que podamos sobrevivir a nuestras curvas de aprendizaje, pero la alegría del descubrimiento y el aprendizaje paga dividendos significativos que energizan todo nuestro trabajo. Cuando hacemos de la innovación parte de nuestra vida personal y profesional, entramos en un proceso evolutivo, donde cada cosa nueva que hacemos es una “mutación”. Muchas de estas novedades no tendrán valor adaptativo (de ahí la sabiduría de «fallar rápido»), pero las pocas que prosperen sostendrán nuestro desarrollo y se convertirán en trampolines para más innovaciones. Imagine abordar una innovación cada semana. Si solo el 10% de esos esfuerzos resultan útiles a largo plazo, habremos obtenido cinco hábitos rentables a nuestro operativa. Hay otros beneficios también. Psicológicamente, la emoción del descubrimiento nos brinda el combustible para sostener un nuevo aprendizaje y, con el tiempo, nos permite internalizar un sentido de creatividad y productividad.

Hay mucho más para cambiar nuestras vidas, y nuestro operativa, que escribir en un diario y añadir elementos a nuestras listas de «cosas por hacer». Expandir nuestra rutina nos mantiene encerrados en la rutina. El cambio proviene de las experiencias nuevas: es una función de hacer cosas nuevas de maneras nuevas y remodelar regularmente nuestras rutinas. Para construir sobre la perspectiva anterior, para cambiar a menudo y encontrar la perfección, debemos vivir la vida de manera creativa.

Atención a la volatilidad por Sentimentrader

Puntos clave:

• Las expectativas de más cambios en la volatilidad alcanzaron recientemente un máximo de 3 semanas, mientras que la volatilidad en sí misma se ha desplomado.
• Esto ha creado una divergencia histórica entre las dos medidas.
• Después de un comportamiento similar, las acciones mostraron un modesto sesgo negativo, mientras que el VIX tendió ha subir con fuerza al alza.

Los traders están valorando más volatilidad… por volatilidad

Entre las muchas preocupaciones que asaltan a los inversores en las últimas semanas está la idea de que la volatilidad es demasiado baja y que, por tanto, los inversores están en una fase de complacencia. Vimos la semana pasada por qué eso podría ser una preocupación legítima a corto plazo.

Ahora la preocupación es que la volatilidad en sí misma es demasiado volátil. El «indicador del miedo» ha estado cayendo, pero los traders están valorando movimientos más grandes en las próximas semanas. Un índice llamado VVIX rastrea este fenómeno, y ha estado saltando a máximos de varias semanas incluso cuando el propio VIX se desploma.

Como siempre, nos resulta muy útil observar el comportamiento histórico para ver si podemos usar los datos para respaldar si la preocupación que hay ahora mismo en el mercado es legítima. Para esto he analizado los rendimientos del S&P 500 después de cualquier fecha en la que el VVIX alcanzó un máximo de 3 semanas mientras que el VIX cerró en un mínimo de 3 semanas.

Después de estas señales, los rendimientos del S&P fueron bastante bajos hasta tres meses después. Sin embargo, eso se debe casi en su totalidad a un par de señales en 2008 y la última de agosto del año pasado.

¿Podemos hacer un backtest de una estrategia de asignación de activos en ChatGPT? por Quantpedia

Siempre es divertido traspasar los límites de la tecnología y ver lo que puede hacer. Los chatbots de IA son el tema candente en la blogosfera cuántica. Así que hemos decidido probar las capacidades de ChatGPT de OpenAI. ¿Lo persuadiremos para que se convierta en un analista de datos para nosotros? Si bien es posible que aún no lo consigamos, está claro que los modelos de lenguaje de IA como ChatGPT pronto pueden revolucionar la forma en que abordamos las finanzas y el análisis de datos.

Introducción

Somos analistas de datos, no expertos en inteligencia artificial. Realmente no tenemos una opinión sólida sobre si los principales chatbots de IA actuales como ChatGPT de OpenAI en el nivel real (o el nivel que pronto se alcanzará) son una posible amenaza o no. Pero hemos pasado unas horas charlando con el modelo GPT-4 de OpenAI, y debemos decir que estamos realmente impresionados.

El nivel de comprensión de las instrucciones escritas es notable. La conversación con la IA es como si habláramos con un bibliotecario culto que puede dar buenas recomendaciones y mover los límites de su conocimiento muy rápido (es como leer Wikipedia pero con una guía invisible que lo ayuda a elegir lo que es importante). Además, la contraparte de la IA muestra una gran capacidad de deducción y razonamiento (al menos, para un no humano). También es sorprendentemente creativo. Haremos un breve desvío y le mostraremos un intercambio en el que intentamos probar la IA al pedir algunos acertijos:

Y aquí viene una parte interesante. La IA nos dio un acertijo, y fue realmente bueno y creativo. Nos gustó mucho. Colocaré aquí el enigma; puedes pensar en ello.

La respuesta está al final del artículo.🙂

Una vez que sospechamos que estos chatbots de IA ofrecen indicios de creatividad, nos enganchamos. Así que decidimos explorar ChatGPT y comprobar cómo funciona como motor de backtesting.

Análisis y exploración

Primero, algo de información rápida. ChatGPT, como le gusta enfatizar, es realmente un modelo de lenguaje de IA, no una herramienta de backtesting. No podemos  ingresar datos fácilmente en él . Podemos usar una interfaz de chat y enviarle algunos datos, pero estamos realmente limitados:

O bien, podemos usar datos que se almacenan dentro de ChatGPT. Resulta que hay algunos datos ocultos en su red neuronal:

Sí, es una buena aproximación, ya que, a finales de agosto de 2017, el precio del ETF de SPY era de 247,49.

Etc. etc. Así que tenemos algunos datos… Ahora, hagamos un análisis…

1. Por supuesto, sería genial si pudiéramos conectarnos directamente desde ChatGPT a alguna otra fuente de datos y dejar que el chatbot manipule datos de una fuente de datos externa y nos informe los hallazgos directamente en la misma interfaz a través de la cual nos comunicamos. OpenAI está lanzando complementos gradualmente y estamos deseando que llegue.
2. Otra idea sería usar la API del modelo ChatGPT para traducir las instrucciones del lenguaje humano a código y ejecutarlo directamente en otras plataformas. Algunas personas ya han comenzado a ir en esta dirección, pero ese no es un camino que nos gustaría explorar hoy (para aquellos que estén interesados, vean un enlace ).
3. Por último, podemos pedirle a ChatGPT que escriba un código para nosotros, y podemos copiarlo/pegarlo manualmente en el entorno de python. Pero eso no es algo que nos interese en este momento.

Hoy, nos gustaría quedarnos  dentro  del entorno de ChatGPT y probar su creatividad en el análisis y manipulación de datos.

Entonces, verificamos si ChatGPT tiene datos para GLD ETF, y los tiene. Así que ahora puede comenzar la diversión. En primer lugar, dejamos que calcule el rendimiento mensual de los ETF de SPY y GLD.

Etc. etc. Genial. Ahora construimos una estrategia de asignación de activos de referencia cuando asignamos un peso del 50 % a cada ETF y calculamos las estadísticas.

Genial, pero ahora viene el trabajo real. Omitiremos un año (agosto de 2017 a agosto de 2018) y calcularemos nuevas estadísticas. La razón de esto es que intentaremos usar los primeros 12 meses de datos SPY y GLD (y/o cualquier otro dato que ChatGPT pueda tener) como predictores, y luego, intentaremos construir un mejor método de asignación de activos (que ETF de igual ponderación).

Buenas sugerencias. Así que intentamos obligar a ChatGPT a hacer un análisis por nosotros. Desafortunadamente, nos encontramos con un bache en el camino🙂

Intentamos simplificar la tarea usando solo el método de ponderación de volatilidad inversa. Pero todavía sin éxito; el ChatGPT nos saboteó.

Parece que todavía tenemos algo de resistencia.🙂

Intentamos simplificar la tarea para ChatGPT simplemente mostrando las volatilidades de 12 meses para el GLD ETF. Pero parece que tocamos el techo de lo que ChatGPT puede calcular dentro de su interfaz de chatbot.

… etcétera etcétera. …

Entonces, parece que no podremos avanzar más. Tendríamos que esperar hasta que ChatGPT esté conectado a algún entorno real de análisis de datos o backtesting.

Pero volvamos a las sugerencias de ChatGPT. Nos sugirió cinco métodos de asignación de activos: paridad de riesgo, basado en impulso, variación media, volatilidad inversa y basado en fundamental. Podemos intentar que nos diga más sugerencias:

Es una buena lista. Daremos una indicación más; podemos pedirle que nos proporcione una lista de predictores si deseamos crear una asignación de activos basada en fundamentales.

Bien, tenemos algunas buenas ideas, por supuesto; ahora tenemos el único problema de encontrar el tiempo y explorarlos y compararlos eficientemente. Pero ese es un problema diferente.

Creemos que podemos terminar nuestra exploración aquí. Y es probable que sea hora de sacar algunas conclusiones…

Conclusión

1. Como ya mencionamos al comienzo del artículo, ChatGPT es realmente una gran herramienta para aprender. No es tan profundo como los trabajos de investigación académicos individuales, pero es excelente cuando queremos aprender rápidamente sobre una nueva área de investigación, ya que ChatGPT puede guiarnos en nuestro camino de aprendizaje.
2. Echamos de menos referencias (enlaces a páginas web) en las respuestas de ChatGPT. Bing de Microsoft hace eso, y es una buena característica.
3. Esperamos tener interfaces que conecten ChatGPT con marcos de análisis de datos y backtesting. Sí, es bueno que ChatGPT pueda darnos una sugerencia de código python que podemos copiar, pegar e implementar. O que puede depurar un código. Pero -> sería aún más rápido si ChatGPT pudiera ejecutar directamente el código y mostrar los resultados en lugar de solo darnos sugerencias. Pero estamos 100% seguros de que la industria se moverá rápidamente en esta dirección.
4. Una vez que las interfaces entre ChatGPT, las herramientas de análisis de datos y los proveedores de datos están abiertas, entonces realmente queremos el reconocimiento de voz. 🙂Sí, es una buena característica si podemos escribir instrucciones en lenguaje natural en lugar de usar secuencias de comandos de Python. Pero nosotros (como humanos) generalmente podemos hablar de 3 a 5 veces más rápido de lo que escribimos. Por lo tanto, sería un verdadero aumento de la productividad si solo conversáramos con la IA y nos mostraría los resultados (y de vez en cuando, cambiamos/editamos/modificamos el código o algo que la IA mostraría). ¿Llegaremos allí? Hasta hace unos días, considerábamos esta idea (una interfaz de voz a IA real y práctica) una ciencia ficción que está al menos dentro de 10-20 años. Ahora, creemos que está mucho más cerca.
5. Evitamos deliberadamente el tema de  la inteligencia general artificial  en este artículo. Pero la sensación que tenemos es que está más cerca de lo que realmente esperábamos.

PD: Aquí está la respuesta al acertijo.🙂

Una racha alcista de victorias para el S&P 500 por Sentimentrader

Puntos clave:

• El S&P 500 cerró por encima de su media de 10 días durante 21 días hábiles consecutivos.
• Rachas de victorias similares en los últimos 95 años precedieron a sólidos rendimientos.
• Las señales que se dieron después de un mínimo de 252 días mostraron resultados ligeramente más favorables.

Las rachas ganadoras suelen presagiar un cambio de tendencia bajista a alcista

Cuando los índices bursátiles están en una tendencia bajista o en las primeras etapas de formación de un suelo, la acción del precio es volátil y los índices rara vez se mantienen por encima de una media móvil a corto plazo durante un período prolongado. Sin embargo, cuando un índice puede mantenerse por encima de su media durante una cantidad significativa de días después de un período prolongado por debajo, lo más probable es que el mercado esté cambiando a una tendencia alcista.

Para capturar este patrón de giro de una media móvil bajista a una alcista, creé una señal de trading, que es miembro del modelo de confirmación compuesto TCTM.

El modelo de giro de la media móvil tiene un excelente historial de evitar señales en los mercados bajistas. La señal en 2022 fue rara. Aún así, cuando se da una señal falsa, es más probable que el mercado corrija a través del tiempo, no del precio.

Lo que nos dice el estudio…

El S&P 500 cerró por encima de su media de 10 días durante 21 días hábiles consecutivos, lo que provocó la segunda señal de compra para un componente del Modelo de confirmación compuesto TCTM en siete meses. Después de alertas de tendencias de precios similares, los rendimientos, las tasas de ganancia y las puntuaciones z para el S&P 500 fueron excelentes en horizontes de medio y largo plazo, especialmente si se produjo una señal después de un mínimo de 1 año. Si la alerta más reciente no marca el comienzo de un nuevo mercado alcista, parece más probable que experimentemos un rango de cotización similar al del mercado bajista de 1946-49.

¿Qué sucede después de un mal año en el mercado de valores? por Ben Carlson

El año pasado, el Nasdaq Composite cayó más del 32%.

Este año el Nasdaq ha subido casi un 16%.

El año pasado, el S&P 500 bajó un 18%.

Este año el S&P 500 ha subido más del 8%.

El año pasado, el Nasdaq experimentó 46 días de caídas del 2 % o más, incluidos 18 días de negociación con caídas del 3 % o más. También hubo 40 días con rendimientos positivos del 2 % o más, incluidos 16 días con ganancias diarias del 3 % o más.

Este año, el Nasdaq ha visto solo 2 días de caída del 2% o más y ningún día de caídas del 3%. Ha habido 7 días con ganancias del 2% o más, y solo uno de esos días el mercado subió un 3% o más en 2023.

El año pasado, el S&P 500 experimentó 23 días de caídas del 2 % o más, incluidoss 8 días con pérdidas del 3 % o más. También hubo 23 días con subidas del 2 % o más, incluidos 4 días con subidas del 3 % o más.

Este año, el S&P 500 ha visto solo una pérdida diaria del 2% o más y ningún día de caídas del 3%. Solo ha habido un día de subidas del 2% y ningún aumento del 3% en un día este año.

El año aún está empezando, por supuesto, pero hay una divergencia obvia en la acción del precio entre 2022 y 2023.

Este es un buen recordatorio de lo que generalmente suele suceder en diferentes entornos de mercado.

La volatilidad se agrupa en una tendencia bajista, por lo que se obtienen tanto días de grandes caídas como de grandes subidas, incluso cuando la dirección general del mercado es a la baja.

En los mercados con tendencia alcista, no se ven tantos movimientos importantes en ninguna dirección.

Subes las escaleras a paso lento y bajas los ascensores a toda prisa.

También vale la pena señalar que los años terribles en el mercado de valores a menudo son seguidos por rendimientos maravillosos.

Aquí hay un vistazo al Nasdaq después de cada año con caídas de dos dígitos desde su inicio a principios de la década de 1970:

Hay muy pocas reglas estrictas en lo que respecta a los patrones del mercado de valores, por lo que no está garantizado que veamos ganancias solo porque el año anterior fue un fracaso.

El S&P 500 tiene un perfil similar con muchos aciertos pero también algunos fallos después de un año a la baja de dos dígitos:

Después de un año realmente malo en el mercado de valores, básicamente puede esperar que suceda una de dos cosas:

(1) Muy buenos rendimientos ya que los mercados bajistas no duran para siempre y las recesiones generan maravillosas oportunidades de compra.

(2) Una continuación de los malos rendimientos si las cosas se convierten en una situación de crisis en toda regla.

La buena noticia sobre el entorno actual es que parece que el mercado de valores está valorando el final de los días de la crisis inflacionaria de 2022.

La mala noticia sería si el final de los días de la crisis inflacionaria de 2022 se convierte en una desagradable recesión por una economía en desaceleración.

Esto es lo que hace que invertir en el mercado de valores sea tan confuso a corto plazo: siempre puedes convencerte de que el vaso está medio lleno o medio vacío sin importar la dirección del mercado.

También es por eso que vale la pena ser un inversor a largo plazo cuando se trata de acciones.

Las cosas malas pueden suceder y sucederán a corto plazo y nada está garantizado para los inversores en activos de riesgo.

Pero las cosas buenas tienden a suceder cuando tienes una mentalidad a largo plazo en el mercado de valores, siempre y cuando estés dispuesto a soportar algo de dolor mientras tanto.