La naturaleza de los rendimientos por Ray Barros

A través de los años he buscado mejorar mis rendimientos. Al principio busqué conocer mejor el mercado; luego me concentré en la autoconciencia y el conocimiento de mí mismo; especialmente busqué formas de mejorar mis habilidades para tomar decisiones. Hoy en día, me enfoco en mejorar mis rendimientos netos profundizando en los matices del rendimiento esperado y el índice de expectativa.

Hay bastantes variaciones de ambas fórmulas por ahí. Para el retorno de expectativa utilizo:

(Avg$ Win x Win Rate) – (Avg$Loss x Loss Rate) = Retorno esperado en $.

Dónde:

• Avg$Win = Rentabilidad en dólares/operaciones ganadoras totales
• Tasa de ganancias = número total de operaciones ganadoras/operaciones totales
• Avg$ Loss = Pérdida en dólares/Operaciones perdedoras
• Tasa de pérdida = número total de operaciones perdedoras/operaciones totales

Ya expliqué que prefiero normalizar mis resultados utilizando un porcentaje del precio que inició la operación. Pero para este artículo. usemos la idea con la que la mayoría se siente cómoda: $ Return.

Tenga en cuenta también que la fórmula anterior se puede resumir en (Total-Losing$)/Total Trades; pero aunque los resultados serían los mismos, la primera versión separa dos componentes importantes:

1. Avg$Win y Avg$Loss: estos son el resultado de nuestra entrada y salida y están totalmente bajo nuestro control. Y,
2. WinRate y LossRate: estos son más un factor de la interacción del Flujo y Flujo de nuestro plan y el Mercado.

Si entendemos lo importante que es (1) para que seamos rentables, adaptaremos nuestra gestión y el tamaño de la posición de acuerdo con su historial estadístico.

La mayoría de las veces gestionamos las operaciones basándonos en nuestra percepción de la imagen técnica y/o fundamental. La Ray Wave, por ejemplo, proporciona una ventaja objetivamente definible para identificar dónde puede terminar una estructura. Pero la maximización de nuestras ganancias radica menos en las complejidades de Ray Wave que en la comprensión de nuestro perfil de ganancias/pérdidas.

Por ejemplo, si tenemos una tasa de aciertos del 40 %; y un Avg$Win de $75,00 con una Avg$Loss de $50, no tenemos ninguna ventaja, es decir, con un tamaño de muestra grande, no ganaremos ni perderemos dinero. Pero si podemos aumentar el Avg$win a $100, podemos esperar ganar $10,00 por operación.

Podemos tomar el rendimiento esperado y convertirlo en un ratio:

(Ave$ganancia x Tasa de ganancia)/(Promedio$Pérdida x Tasa de pérdida) = Relación de expectativa

Ahora tomando esa información reconciliamos los modismos:

1. Nunca permita que una operación ganadora se convierta en una pérdida. Y,
2. Deje correr sus ganancias

Una vez que conocemos la relación mínima, debemos proporcionar una ventaja de ‘x’, no tendremos una operación ganadora hasta que se alcance la relación mínima. Por ejemplo, si nuestra relación mínima para una ventaja es 1,5 y hemos arriesgado $100 en esta operación, necesitamos ver al menos $150,00 en ganancias abiertas antes de que podamos decir que tenemos una operación ganadora. Una vez que se alcanza ese objetivo, implementamos nuestras estrategias defensivas para dejar correr nuestras ganancias. Las estrategias pueden implicar salidas parciales (como mi Regla de 3) o llevar el stop móvil al punto de equilibrio, etc.

Esto no quiere decir que, en ocasiones, no saldremos de una posición antes de alcanzar nuestro índice mínimo; habrá ocasiones en las que percibamos que las condiciones del mercado han cambiado y necesitamos salir. Las palabras clave son, ‘en ocasiones’. Si tomamos ganancias de manera consistente antes de alcanzar nuestra proporción histórica mínima, entonces, a largo plazo, no podremos ser rentables.

¿Cuánto mueve el Bitcoin las noticias? por Quantpedia

El tema principal de estos días en el mundo de las criptomonedas es inequívocamente claro: el caos relacionado con el colapso del imperio FTX, las insolvencias de varios prestamistas y las preguntas sobre las tenencias subyacentes en GBTC OTC ETF y las reservas de los mercados y el Tether (u otras monedas estables también). Con nueva información, nada pinta una imagen brillante de esta industria en el mundo financiero ahora y en el futuro cercano. Los llamados para que finalmente las regulaciones funcionen son cada vez más fuertes, mientras que los políticos (y los banqueros centrales) todavía están activos en las propuestas de Monedas Digitales del Banco Central (CBDC). Si bien Bitcoin sobrevivió a varios inviernos cripto, los inversores a largo plazo continúan con su DCA y «escondiendo Satoshis». ¿Están a salvo? ¿Prestan atención a las noticias que les rodean? En nuestra breve investigación sobre criptomonedas, nos centraremos en la cuestión de cómo las noticias impactan en los retornos de Bitcoin, siendo la criptomoneda más famosa y la de mayor capitalización de mercado.

Un artículo novedoso de Bashchenko (2022) de la serie de artículos de investigación del Swiss Finance Institute propone utilizar las noticias como un proxy de la información fundamental que impulsa el precio de Bitcoin mediante el procesamiento del lenguaje natural (NLP) utilizando la metodología de la red Approach Sentence-BERT (SBERT) para obtener una clasificación comprensible y fácil de entender de los artículos en un conjunto de temas de interés predefinidos que analizan más a fondo sus efectos como vehículos en la acción del precio. Una observación bastante interesante es que la atención disminuye junto con la caída del precio de Bitcoin, pero la popularidad no vuelve a los niveles máximos anteriores incluso cuando el precio de Bitcoin alcanzó un máximo histórico en la primavera de 2021. Otro punto es que la distribución de las puntuaciones de sentimiento exhibe un sesgo moderado: el sentimiento promedio en la muestra es positivo, disminuyendo hacia el final de la muestra, pero incluso durante la gran avalancha de 2018, sigue siendo positivo.

Una base de datos de noticias (que va desde 2013 hasta 2021) recopilada de un sitio web especializado se clasifica de manera supervisada y muestra que el sentimiento de las noticias es consistente con la teoría de la información del tono de los medios y, por lo tanto, contiene información sobre los fundamentos de las monedas. Y de estos, el 16% de la variación de retorno de Bitcoin se explica por las noticias fundamentales, rechazando así la idea de que el precio de Bitcoin se forma puramente por especulación.

La adopción más amplia de las criptomonedas y la tecnología blockchain se destaca como el impulsor más importante de los rendimientos de Bitcoin, mientras que, al mismo tiempo, los inversores valoran más la propiedad de reserva de valor que los exchanges (se puede ver en la figura presentada). Supongamos que interpolamos los resultados en una gama más amplia de criptomonedas, entonces parece que los creyentes en estos instrumentos de inversión todavía están ahí para quedarse y no se irán a ninguna parte pronto.

• Autor: Oksana Bashchenko
• Título: Factores de precio de Bitcoin: enfoque de procesamiento de lenguaje natural
• Enlace : https://papers.ssrn.com/sol3/papers.cfm?abstract_id=4079091

Resumen:

Propongo una nueva metodología para construir factores de precios interpretables y basados ​​en fundamentales a partir de noticias para explicar los rendimientos de Bitcoin. Cada artículo de noticias de un sitio web especializado en criptomonedas se clasifica de manera supervisada en uno de los pocos temas predefinidos. Los sentimientos de los temas se convierten en factores que contribuyen a la variación del precio. Utilizo un algoritmo NLP de última generación (red SBERT) para incrustar datos lingüísticos en un espacio vectorial, lo que permite la aplicación de una regla de clasificación intuitiva. Este enfoque permite excluir del análisis las noticias que describen los movimientos de precios per se, mitigando así las preocupaciones de endogeneidad. Muestro que las noticias no endógenas contienen información fundamental sobre Bitcoin. Por lo tanto, rechazo el concepto de que el precio de Bitcoin se base en pura especulación y muestro que los rendimientos de Bitcoin se explican parcialmente por temas fundamentales. Entre ellos, la adopción de las criptomonedas y la tecnología blockchain es el aspecto más importante. Además de eso, estudio la actitud expresada por los medios hacia el Bitcoin desde la perspectiva de las funciones del dinero. Muestro que los inversionistas consideran a Bitcoin como la reserva de valor en lugar del medio de intercambio.

Como siempre presentamos varias figuras interesantes:

Citas notables del trabajo de investigación académica:

“En este documento, propongo utilizar las noticias como un indicador de la información fundamental que impulsa el precio de Bitcoin. Utilizo la red Sentence-BERT (SBERT) para obtener una clasificación comprensible y fácil de entender de los artículos en un conjunto de temas de interés predefinidos. Mi primera contribución es una separación eficiente del grupo de noticias endógenas (que simplemente describen los movimientos de precios pasados) de las noticias fundamentales. Por ejemplo, es probable que un artículo de noticias que informe sobre un reciente hackeo de Exchange de criptomonedas influya en las creencias de los inversores sobre el futuro de Bitcoin y, por lo tanto, considero que esta noticia es fundamental. Al mismo tiempo, un artículo de noticias que informa sobre el desempeño de las criptomonedas durante la semana anterior es un ejemplo de noticias endógenas (descriptivas). A diferencia del punto de referencia actualmente adoptado, mi solución alivia la preocupación por la endogeneidad al confiar únicamente en el contenido de las noticias, en lugar del tiempo publicado. Esto permite, en primer lugar, trabajar con noticias para los mercados de Bitcoin que nunca cierran, así como mantener las noticias no endógenas que llegan durante las horas de negociación. Por supuesto, este enfoque no se limita al análisis de criptomonedas. Abre amplias posibilidades para mitigar la preocupación por la endogeneidad y producir conocimientos económicos significativos cuando se trabaja con datos narrativos en cualquier área económica. En segundo lugar, concluyo que la explicabilidad del precio de Bitcoin con noticias es al menos comparable con la explicabilidad de los activos financieros tradicionales. Alcanzo casi un 38% de explicabilidad considerando el corpus completo de noticias. Además, cuidando la endogeneidad, Todavía puedo explicar más del 16% de la variación mensual de retorno de Bitcoin con noticias fundamentales. El acertijo de Roll (Roll, 1988) formula la propiedad infame de los mercados de valores clásicos de siglos de antigüedad: la variación del precio de los activos es difícil de explicar (incluso ex post) con cualquier otra cosa que no sean otros precios. En este sentido, mi resultado, obtenido para el mercado joven y más salvaje sin utilizar ninguna serie temporal de precios, es bastante satisfactorio. Muestro que las noticias fundamentales tienen un impacto causal en los rendimientos futuros, lo que confirma el papel fundamental de la información en la formación del precio de las criptomonedas.»

«Presento un algoritmo para realizar una clasificación semi-supervisada de noticias. La red SBERT permite transformar cada texto en un vector de incrustación de 768 dimensiones y, por lo tanto, se le podrían aplicar las operaciones algebraicas habituales. En particular, uno puede encontrar la distancia entre las incrustaciones de un artículo de noticias dado y un texto preespecificado, lo que conduce a una regla de clasificación natural. (…) El conjunto de datos de noticias se extrae del sitio web cointelegraph.com . Este sitio web se clasifica constantemente entre los 3 principales sitios web de noticias sobre criptomonedas y actualmente está clasificado como el sitio web número 1 que cubre blockchain y criptoactivos. A partir de marzo de 2022, este sitio web tiene un promedio de 17 millones de visitas por mes, mientras que su competidor cercano, coindesk.com, alcanza alrededor de 13 millones. ^4″

«El conjunto de datos de precios consta de 77 observaciones mensuales. Bitcoin entró en febrero de 2015 con un precio ligeramente por encima de los 220 USD/BTC, y subió lentamente hasta alcanzar el nivel de 1000 USD/BTC a principios de 2017. Entonces ocurrió el primer auge de Bitcoin: la criptomoneda se multiplicó por 19 en un año y alcanzó un máximo de 19 783 USD/BTC el 17 de diciembre de 2017. Después de una rápida caída en el invierno de 2018, siguió un período de relativo olvido y estancamiento. En 2020, Bitcoin volvió a la luz del escenario y alcanzó un nivel de precio de 40 000 USD/BTC a principios de enero de 2021. Alcanzó un máximo histórico de 64 000 USD/BTC en abril de 2021 y luego se desplomó rápidamente. El rendimiento mensual de Bitcoin durante el período de interés promedia el 6,5 % mensual, con una desviación estándar de alrededor del 21 %. Los rendimientos exhiben un sesgo ligeramente negativo y un exceso de curtosis ligeramente negativo.»

«Si bien algunas investigaciones siguen la Hipótesis de los Mercados Adaptativos (Lo, 2004) y muestran que el mercado de Bitcoin se vuelve más eficiente con el tiempo (López-Martín et al., 2021), el consenso afirma que este mercado aún es bastante ineficiente. (…) ¿HAY UNA VARIACIÓN FUNDAMENTAL? (…) Alrededor del 16,5% de la serie temporal de retorno se explica por los factores fundamentales a nivel mensual. Las noticias exógenas tienen un poder causal en los rendimientos de Bitcoin, ya que este tipo de noticias revela información sobre los fundamentos de la moneda. (…) ¿TODAS LAS NOTICIAS SE CREAN IGUALES? (…) El tema con mayor poder explicativo causal es la Adopción. Este tema es seguido de cerca por Situación macroeconómica.»

«Me doy cuenta de que la función de reserva de valor recibe constantemente más atención de los inversores que el medio de intercambio. Curiosamente, los patrones son bastante diferentes para la primera y la segunda recuperación de Bitcoin: mientras que a fines de 2017 ambas funciones recibieron una atención bastante similar, la recuperación de 2020-2021 demuestra el claro dominio de la función de reserva de valor, tal como se presentó. en la figura 4.2. Este resultado está en línea con la idea de que los inversionistas están preocupados por la inflación y los gastos del gobierno alimentados por la pandemia de COVID-19. (…) La reserva de valor es una función dominante del dinero para los inversores de Bitcoin”.

El V-Trade : Cinco reglas básicas de trading por Sylvain Vervoort

• Análisis técnico, gestión del dinero y reglas de trading: estos son los tres componentes básicos de un sistema de trading basado en patrones técnicos. Pero incluso si tiene estos tres componentes, aún debe mantenerse tener otros elementos en cuenta.
• Artículo publicado en Hispatrading 52.

Durante muchos años he estado utilizando el análisis técnico para encontrar la forma más segura de tener ganancias en el mercado de valores con el mínimo riesgo. No ha sido un viaje fácil. Comencé a operar con acciones como lo hacía la mayoría de la gente, abriendo una cuenta, comprando un programa de análisis técnico y conectándome con un proveedor de datos en tiempo real. Y, por supuesto, tenía un PC, y como la mayoría de las personas de mi edad, tenía una conexión muy lenta con la World Wide Web que entonces apenas existía. Recuerdo cómo comprar y vender acciones con solo $ 1.000 en ahorros y tener que pagar comisiones altísimas por cada operación no era una forma fácil de obtener ganancias. Luego, por supuesto, comencé a cometer los errores que casi todo el mundo comete cuando comienza a hacer trading.

El camino MÁS COMÚN

Inicialmente, me basé en uno o más indicadores técnicos para tomar mis decisiones de compra y venta, que se basaban en colocar un stop loss a la menor distancia posible, y un take-profit lo más grande posible, o comprar bajo y vender alto. Bueno, ¡eso no funcionó! Estar en lo cierto solo el 50% del tiempo no era lo suficientemente bueno como para obtener ganancias, especialmente dado que la reacción humana más habitual es principalmente tomar ganancias demasiado pronto y tomar pérdidas demasiado tarde. Para mejorar la tasa de aciertos del 50%, probé casi cualquier indicador y combinación de indicadores que pude, pero todo sin un éxito consistente. También quedó claro que la aplicación de la optimización de indicadores no mejoró mis resultados en tiempo real. Puedes imaginar cómo mis pequeños ahorros iniciales más el capital adicional que puse después empezaban a desaparecer poco a poco.

Mi siguiente paso fue centrarme en la gestión del dinero y la configuración del stop-loss. Después de ver el movimiento de precios en muchos gráficos diarios, hice una prueba exhaustiva para averiguar qué porcentaje de stop-loss daría el mejor resultado durante un período de tiempo más largo, utilizando una gran cantidad de acciones. El resultado final, un stop-loss del 25%. Desde luego fue una sorpresa. Eso significaba que tenía que estar preparado para perder hasta un 25% antes de cerrar una operación perdedora. Así me quedó claro que necesitaría mucho más capital para poder usar un stop-loss del 25%. Además, operar en un gráfico diario creó largos períodos de incertidumbre. 

Mi consejo es que si negocia acciones individuales, es una buena idea hacer esta prueba para acciones específicas. De esa manera, puede filtrar las acciones que dan buenos resultados y usar un porcentaje de stop-loss más bajo en ellas. Es probable que encuentre que un stop entre el 10% y el 15% en un gráfico diario ofrece las operaciones más rentables durante un largo período de tiempo. 

Mirando las opciones disponibles, propongo hacer la prueba con un índice bursátil, incluso si negocia acciones individuales. De esa manera, los movimientos de precios se suavizan como resultado del número y el peso de las acciones en ese índice. También puede operar estos índices en efectivo. Los índices de efectivo permiten operar con apalancamiento y permiten operar con una cuenta pequeña. Pero para usar un stop-loss grande con una cuenta limitada, debe ajustar el riesgo adaptando el tamaño del lote y utilizando marcos de tiempo más pequeños.

Descubriendo el Stop-Loss

Permítanme ilustrar el beneficio de usar un stop-loss lo suficientemente grande como para evitar una serie de operaciones perdedoras. Utilizo el índice de efectivo USA500 basado en los futuros del S&P 500. Mi broker actual me permite usar un tamaño de lote tan pequeño como 0.01, lo que representa $ 0.10 por punto de índice. Como ejemplo, utilizo el histograma MACD estándar (12/26-verde) que cruza por encima de la línea de señal (9-rojo) para crear una señal de compra de entrada en largo. 

En la Figura 1, mi primer ejemplo, abrí una operación larga en 2082 después del primer cruce (flecha verde cerca del comienzo del gráfico). Al principio, la operación obtuvo una ganancia en papel, pero después de 10 días, un retroceso más grande devolvió el índice a mi precio de entrada. Después de caer el índice reanudó su tendencia alcista. En ese momento, probablemente asumí que el índice completó una onda de Elliott 1 y 2. En otras palabras, ahora esperaba un gran movimiento alcista para la onda 3. 

Si bien todo parecía perfecto, el S&P 500 hizo una gran corrección y se movió por debajo de los mínimos anteriores. 

Un stop ceñido o técnico por debajo del mínimo al comienzo del gráfico (línea horizontal roja) cerraría la operación con una pérdida. El índice bajó a 1981 al día siguiente. Para no cerrar la operación en este punto, necesitamos un stop mayor que 2082-1981 = 101 puntos o 101/2082 = 4.9% por debajo del nivel de compra. El uso de un stop inicial justo por encima del 5% lo mantiene en la operación. El movimiento de 200 puntos hacia arriba, que vino después, hizo una diferencia del 10%, una ganancia del 5% en lugar de una pérdida del 5%. 

En mi segundo ejemplo que se muestra en la Figura 2, el movimiento sorpresa llegó rápidamente. Asumí que el precio se giraría desde un mínimo con un gap de continuación. Así que abrí ansiosamente una operación al precio de cierre un día después y felizmente me quedé dormido, soñando con ganar mucho dinero.

La Figura 3, el tercer ejemplo, es un movimiento típico de precios dentro de un patrón de consolidación más amplio. El MACD y la señal de activación sugirieron una compra larga con el índice moviéndose por encima del máximo anterior. Con un stop-loss inicial del 5%, la operación se cerrará con una pérdida. Sin embargo, usar un stop-loss del 6% para cubrir el movimiento a la baja 2079-1970 = 109 puntos o 109/2079 = 5.3% me habría mantenido en la operación y habría cerrado con una pequeña ganancia. 

En la Figura 4, mi último ejemplo usando un gráfico diario, es un caso típico de una corrección de onda 2 de Elliott. Una corrección de onda 2 generalmente pasa el 50% de retroceso más común. 

Una corrección de la ola 2 superará un retroceso del 50% y el 61,8%, y en algunos casos subirá a casi un retroceso del 100%. 

En la Figura 4 hay una señal de compra después de una vela grande al alza. Cuando esto se confirmó con otra vela grande, abrí una posición larga. Los precios de cierre se mantuvieron por encima de la señal de compra durante aproximadamente seis semanas hasta una gran vela roja, alcanzando el precio más bajo que se ve en el gráfico dos días después. La pérdida es 1605-1546 = 59 o 59/1605 = 3,7%. Un stop inicial del 4% habría sido suficiente para mantenerme en el mercado. 

Estos cuatro ejemplos muestran que al operar con el USA500 en un marco de tiempo diario, debe usar un stop-loss inicial de aproximadamente el 6%. Debe quedar claro que un stop-loss lo suficientemente grande es una forma posible de convertir las operaciones perdedoras en operaciones ganadoras. Si está operando con el gráfico diario y usando un tamaño de lote de 0.1 o $ 1 por punto de índice, sugiero un capital mínimo de $ 1.000. Con una pérdida promedio en el peor de los casos de unos $ 100 (-5% del índice) por operación perdedora, tengo una fuerte posibilidad de obtener ganancias y sobrevivir a 10 operaciones perdedoras seguidas.

Stop-loss para posiciones apalancadas 

Dado que prefiero operar con el USA500 con apalancamiento, tengo que adaptar el marco de tiempo y el tamaño del lote para asegurarme de que con mi capital disponible, pueda permitirme el stop-loss que necesito usar. Permítanme darles un ejemplo (Figura 5). Después de un movimiento bajista más grande en el gráfico de 30 minutos y creyendo que el índice posiblemente hizo su último mínimo, entré en una operación larga en 2362 con un stop-loss inicial del 1% utilizando el MACD. Sin embargo, este no fue el final del movimiento bajista. Otro mínimo se hizo en 2346. Esto todavía estaba bien con mi stop inicial del 1% porque 2362-2346 = 16 o 16/2362 = 0.67%. 

Parece que con el stop-loss del 1%, es posible atrapar la mayoría de los retrocesos en un movimiento al alza en el USA500. Operar a $ 1 por punto de índice significa, en el peor de los casos, una pérdida de alrededor de $ 25. El apalancamiento no es relevante si limita el riesgo utilizando un tamaño de lote definido y utiliza una configuración para limitar su pérdida inicial máxima por operación. En este caso, sugiero un capital mínimo de $ 250 que cubra 10 operaciones de pérdida máxima seguidas. Con aproximadamente 20 puntos de ganancia en este ejemplo, podría obtener $ 20, o un 8% de ganancia, en dos días.

Gráficos de V-trade

Con el paso del tiempo, quedó claro que una compra larga o corta basada en uno o dos indicadores no daba mejores resultados que una relación de ganancias/pérdidas de 50/50. 

Para obtener mejores resultados con mayores ratios de ganancias, siempre debe mirar más indicaciones. Así fue como surgió el V-Trade y lo he perfeccionado durante los últimos años. 

Para abrir una operación, utilizo cuatro gráficos. Tres de ellos son gráficos de barras renko modificados para los plazos de corto, mediano y largo plazo. Los gráficos a corto plazo serían de minutos a horas, los de mediano plazo serían de horas a unos pocos días, y los gráficos a largo plazo tendrían semanas de duración. 

El cuarto gráfico es un gráfico de velas estándar con un marco de tiempo conmutable que va de uno a cinco, 15 o 30 minutos; de una a cuatro horas; y de diario, a semanal, a mensual.Plantilla Renko

En la Figura 6 se ve la plantilla de gráfico V-Trade que uso con gráficos renko modificados. 

La plantilla de barras renko consta de:

• 1 = Ladrillos renko modificados. Un cierre de ladrillo en el lado superior es verde, y el precio de apertura es el lado inferior del ladrillo. Un cierre de ladrillo en la parte inferior es rojo, y el precio de apertura está en la parte superior del ladrillo. Una mecha muestra el precio más bajo o más alto de la sesión.
• 2 = La media móvil ponderada lineal típica del precio a corto plazo (20) (azul). Se utiliza para identificar la tendencia de los precios a corto plazo.
• 3 = La media móvil simple de 100 ladrillos (verde). Se utiliza para detectar un primer nivel de soporte dinámico o resistencia.
• 4 = La media móvil simple de 200 ladrillos (naranja). Se utiliza para detectar un segundo nivel de soporte activo o resistencia.
• 5 = Lado superior/inferior de una banda de volatilidad de precios. Dentro de esta banda de volatilidad, el precio toca fondo y toca fondo.

• 6 = Indicador en zigzag de inversión máximos/mínimos basado en los ticks de precios para contar ondas.
• 7 = Indicador RSI estocástico. Este indicador se utiliza principalmente para mostrar convergencias y divergencias normales y ocultas entre los indicadores y el precio.

• 8 = Oscilador estocástico de precio.

• 9 = El indicador digital de recuento de renko. Se puede utilizar para hacer trading automatizado basado en la reversión de una serie de ladrillos consecutivos al alza o a la baja.

• 10 = El sistema experto, que le permite utilizar el trading manual, la apertura y el cierre de operaciones basadas en saltos de línea de soporte / resistencia, diferentes sistemas de negociación automatizados, un trailing stop y más.

Plantilla de gráfico de velas relacionada con el tiempo fijo

La Figura 7 muestra la plantilla de gráfico de velas V-Trade para gráficos relacionados con el tiempo fijo.

La plantilla relacionada con el tiempo consta de:

• 11 = Lado superior/inferior de la banda de volatilidad. Esta banda utiliza bandas de Bollinger con una banda media ponderada linealmente. Dentro de esta banda, el precio hace que los fondos y las partes superiores, mostrando una compresión de la banda durante las fases de consolidación.

• 12 = La media móvil ponderada lineal típica a corto plazo (20) del precio (azul). Esto se utiliza para identificar la tendencia de los precios a corto plazo.

• 13 = Puntos de pivote calculados sobre el rango de precios del día anterior. Los niveles calculados son PP; el precio medio (azul); Los niveles de soporte S1, S2 y S3 y los niveles de resistencia R1, R2 y R3. Los pivotes se utilizan como objetivo, soporte o nivel de resistencia. El inicio de un nuevo día de negociación es a las 00:00 (CET), hora de Europa Central, igual a GMT / UTC + 1.

• 14 = La media móvil simple de 100 velas (verde). Se utiliza para detectar un primer nivel de soporte dinámico o resistencia.

• 15 = La media móvil simple de 200 velas (naranja). Se utiliza para detectar un segundo nivel de soporte activo o resistencia.

• 16 = Indicador estocástico RSI utilizado principalmente para mostrar convergencias y divergencias normales u ocultas entre los indicadores y el precio.

• 17 = Oscilador estocástico de precio.

• 18 =  El indicador digital típico de cruce de precios/heikin-ashi. Se puede utilizar para el trading acoplado automático para abrir o cerrar operaciones.
• 19 = El sistema experto, que le permite utilizar el trading manual, la apertura y el cierre de operaciones basadas en saltos de línea de soporte / resistencia, diferentes sistemas de trading acoplados automáticos, un trailing stop y más.

Un punto importante a tener siempre en cuenta es que nunca debe operar con dinero que no pueda permitirse perder. Esta afirmación es incuestionablemente cierta si opera con los altos apalancamientos que están disponibles en el mercado de divisas, incluso hasta 1000: 1. Piénselo: este tipo de apalancamiento significa que con $ 100 puede operar hasta $ 100.000.

Otra regla al hacer trading es no operar en exceso. Además, siempre vigile el margen requerido.

Reglas de Trading

Solo estoy utilizando un número muy limitado de reglas para confirmar una reversión de precios al alza o a la baja, un retroceso largo o corto o una continuación de precios en largo o en corto. Puede sonar simple, pero no lo es. Debe tener una sólida comprensión del análisis técnico para aplicar estas reglas. Comenzando con la parte 2, explicaré lo que debe aprender sobre el análisis técnico para utilizar con éxito el método V-Trade. Comenzaré con los tipos de gráficos, el soporte pasivo y la resistencia, y los patrones falsos de gráficos de ruptura.Las reglas básicas de trading

Tenga en cuenta que los dibujos de ondas a continuación utilizan un recuento básico. En realidad, este recuento será en su mayoría más complejo con posibles extensiones en cualquiera de las ondas básicas. Asegúrese de usar el gráfico de velas en busca de patrones de precios de continuación de bandera y banderín.

Tendencia bajista a reversión de tendencia alcista

Retroceso de tendencia alcista

Continuación de la tendencia alcista

Reversión de tendencia alcista a tendencia bajista

Retroceso de tendencia bajista

Continuación de la tendencia bajista

Gráficos cortesía de MetaQuotes Software Corp.

MetaTrader4 es Copyright, MetaQuotes Software Corp.

El S&P 500 no es la economía por Ben Carlson

Las acciones tecnológicas representan casi el 24% del S&P 500.

Y ese número probablemente esté subestimando las cosas, ya que muchas de las empresas más grandes no están técnicamente en el sector tecnológico.

Amazon y Tesla son dos de las mayores participaciones en el sector de consumo discrecional.

Facebook, Google y Netflix están en el sector de las comunicaciones.

Muchas de estas empresas son ahora una parte tan importante de nuestras vidas que es difícil clasificarlas en un solo sector, pero se podría argumentar que las acciones tecnológicas en realidad representan más de un tercio del S&P 500.

Ahora estamos viendo despidos masivos en estas empresas que están tan arraigadas en nuestra vida diaria y que son una parte tan importante del mercado de valores:

Esto parece que tiene que ser preocupante para el resto de la economía… ¿verdad?

Supongo que podríamos estar viendo un canario en medio de una mina de carbón donde este es el primero en caer, pero la industria tecnológica no es tan importante para la economía en general como lo es para el mercado de valores.

Carl Quintanilla señaló una nota de investigación de Goldman Sachs esta semana que puso en perspectiva los despidos tecnológicos.

Goldman señala que incluso en el escenario improbable en el que todos los trabajadores de Internet, la radiodifusión y la búsqueda web fueran despedidos de inmediato, la tasa de desempleo aumentaría menos del 0,3%.

De hecho, la tecnología solo representa aproximadamente el 2% de toda la fuerza laboral de los EE. UU .

Parte de esto se debe a que las empresas de tecnología son más eficientes. No necesitan tantos empleados como una acería.

Pero este desajuste también se deriva del hecho de que el mercado de valores es diferente de la economía en muchos aspectos.

Sam Ro compartió un gran gráfico la semana pasada en su Substack que muestra la diferencia en la composición entre el S&P 500 y la economía de EE. UU. en forma de ganancias y crecimiento económico:

Sam señala: “El S&P 500 se trata más de la fabricación y venta de bienes. El PIB de EE. UU. tiene más que ver con la prestación de servicios”.

El mercado de valores es principalmente corporaciones que fabrican y venden cosas.

La economía es principalmente lo que hacemos con esas cosas.

La mayor parte del tiempo, el mercado de valores y la economía se mueven en la misma dirección, pero también divergen en ocasiones.

El S&P 500 también recibe aproximadamente el 40% de los ingresos del exterior. Para las acciones de tecnología, ese número está más cerca del 60%.

Las ganancias para la economía en general continúan alcanzando máximos históricos:

Lo mismo es cierto para el mercado de valores este año:

Desafortunadamente, los inversores no están dispuestos a pagar tanto por esas ganancias este año porque la inflación y las tasas de interés son más altas.

A veces, los inversores pagan un múltiplo alto de las ganancias corporativas y, a veces, pagan un múltiplo bajo.

Lo mismo ocurre con el crecimiento económico.

Eche un vistazo a los rendimientos anuales ajustados por inflación del mercado de valores de EE. UU. en comparación con el crecimiento del PIB real por década:

El crecimiento económico fue mayor en la década de 1940, pero los rendimientos del mercado de valores fueron mayores en la década de 1950.

El crecimiento del PIB real fue básicamente la misma tasa en las décadas de 1970, 1980 y 1990. Sin embargo, el mercado de valores fue pésimo en la década de 1970 y excelente en las décadas de 1980 y 1990.

El crecimiento ha sido moderado en cada una de las dos primeras décadas de este siglo. Una de esas décadas experimentó un rendimiento bursátil fenomenal, mientras que la otra fue terrible.

A veces, el mercado de valores se inspira en la economía.

A veces, el mercado de valores decide hacer lo que quiere.

No sé qué va a pasar con la economía en 2023. No me sorprendería un crecimiento continuo o una recesión.

Pero incluso si tuviera una bola de cristal que predijera cuál de esos escenarios se avecinaba en el nuevo año, probablemente no le ayudaría a predecir lo que le sucederá al mercado de valores.

Michael y yo hablamos sobre la diferencia entre el mercado de valores y la economía y más en Animal Spirits de esta semana:

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

El trading consciente por Brett N. Steenbarger, Ph.D.

Nota: El siguiente artículo es de un ensayo que escribí hace un par de décadas, descubierto recientemente entre un montón de documentos antiguos.

La terapia para el bienestar mental comienza con la comprensión de que el cambio es imposible mientras permanecemos en nuestros estados habituales de conciencia. Hablar de nuestros problemas o trabajar en el cambio de comportamiento mientras permanecemos en nuestros estados característicos es como tratar de mejorar la recepción en un televisor cambiando de canal. «¿Qué se puede hacer en el sueño?» Ouspensky pregunta a sus alumnos. «Uno solo puede tener diferentes sueños, malos sueños, buenos sueños, pero en la misma cama. Los sueños pueden ser diferentes, pero la cama es la misma».

Tal es el estado de la mayor parte del entrenamiento, el asesoramiento y la terapia. Cambia el contenido de nuestros pensamientos, pero permanecemos en la misma «cama». El verdadero cambio requiere que despertemos y nos levantemos de nuestra cama. Porque cuando podemos acceder a diferentes estados de conciencia, somos capaces de procesar información relevante para nosotros de maneras cualitativamente diferentes, creativas y constructivas.

Hace varios días me encontré llegando tarde a una reunión matutina. En un frenesí, traté de ganarle al reloj vistiéndome, revisando rápidamente la sesión nocturna en los mercados financieros y preparando a mis hijos para la escuela. Fui al armario a buscar mi chaqueta, pero no estaba por ningún lado. Escaneé dos veces el perchero y no pude encontrar la chaqueta. Mientras tanto, el reloj avanzaba y yo estaba cada vez más frustrado por mi creciente retraso. De repente, sin premeditación, cerré los ojos y evoqué una pieza musical que he llegado a equiparar con un estado mental claro y tranquilo. Regresé tranquilamente al armario y comencé a buscar la chaqueta entre las prendas colgadas. Efectivamente, se había caído de la percha y estaba atrapada entre otras dos prendas de vestir.

Lo importante de todo esto es que, en mi estado ordinario de conciencia, era incapaz de ver entre las prendas. La chaqueta se perdió mientras permanecí en mi modo normal. Solo una vez que cambié a otro estado pude ver. ¿Cuánto más se pierde «entre las prendas», invisible, mientras nos agitamos y echamos humo por los estantes de la vida?

Ouspensky tenía razón: Mientras creamos que somos conscientes, no damos los pasos para vivir y hacer trading de forma consciente.

Por qué el mercado en México está Listo para despegar [Dirty Dozen] por Alex Barrow

En el Dirty Dozen [PACK DE GRÁFICOS] de esta semana, analizamos los flujos de entrada, la modificación de los aspectos internos del mercado y el debilitamiento de la amplitud, discutimos la caída de las tasas de depósito y lo que significa para la inflación, antes de adentramos en el mercado de acciones global con mejor rendimiento hasta la fecha, junto con algunas formas de operarlo…

1. El último resumen de BofA Flow Show con lo más destacado de mí.

2. En octubre, señalé la divergencia positiva entre Cyc vs. Def y el SPX, lo que sugiere que deberíamos estar abiertos a un repunte del mercado bajista que comience pronto. Eso ha nacido, pero ahora esta ventaja se está dando vuelta. Así que esto es algo que debemos rastrear.

Si sigue operando a la baja, entonces aumenta las probabilidades de que este rebote se esté quedando sin gasolina. Otro signo preocupante es la falta de confirmación de Discretionary/Staples. Para volvernos decididamente alcistas, necesitaríamos ver aparecer esta ventaja.

3. El SPX se está acercando a su media móvil de 200 días con pendiente descendente. Un nivel que actuó como resistencia durante el rally de verano. Espero que este nivel, combinado con las condiciones de sobrecompra a corto plazo del mercado (cerca de la 2stdev por encima de los promedios móviles de 20 y 50 días), genere cierta reversión a la baja al comienzo de esta semana.

4. Por último, los indicadores de amplitud a corto plazo se están debilitando. Esto no es suficiente para llamar techo a este repunte del mercado bajista. Pero es algo a tener en cuenta. Y la razón para subir se detiene.

5. BBG informó durante el fin de semana que “los depósitos bancarios en los bancos comerciales de EE. UU. están comenzando a disminuir. Esta es una señal de alerta temprana de un debilitamiento de la economía estadounidense… El siguiente gráfico muestra que el principal impulsor de la caída es una disminución en los depósitos de ahorro de los hogares. Parte de esta caída puede reflejarse en el aumento de los depósitos a la vista de los hogares, ya que las personas transfieren dinero de su cuenta de ahorros a su cuenta corriente, pero en general la caída de los depósitos de ahorro es mayor que el aumento de los depósitos a la vista”.

6. Esto es importante para la inflación durante los próximos 12 meses porque, como señala BBG, “Esta es una señal de una economía que se debilita, no de una que está a punto de enfrentar un impulso inflacionario inminente y renovado. De hecho, la caída del crecimiento de los depósitos es empíricamente una señal de una inflación decreciente. Esto es contrario a la intuición a primera vista, pero los bancos crean depósitos cuando crean préstamos, por lo que, en el margen, el crecimiento de los depósitos está impulsado por el crecimiento de los préstamos”.

7. ¿Sabías que el índice de acciones de países con mejor desempeño este año es México? Es uno de los pocos mercados que es positivo en el año (línea roja en negrita debajo / gráfico de Koyfin ).

8. El gráfico a largo plazo de México también es constructivo. Después de un mercado bajista brutal de 7 años, el índice parece estar cerca de completar un suelo H&S invertido de 7 años (el gráfico a continuación es mensual).

9. Hay una serie de razones para este rendimiento superior. El principal es que México está listo para sacar el máximo provecho de la intensificación de la Segunda Guerra Fría y la fractura/regionalización de la economía global. Aquí está lo siguiente de BofA.

En la última década… el comercio internacional se estabilizó, y nuestros nuevos hallazgos sugieren que lo que parecía una marcha implacable hacia la globalización ahora puede estar revirtiéndose. Por supuesto, eso no significa que el comercio internacional terminará. Pero si considera que las empresas en las 12 industrias globales que cubrimos representan $ 22 billones en valor de mercado combinado , incluso los cambios incrementales hacia la «desglobalización» podrían tener implicaciones importantes para las economías, los empleos y los consumidores… En algunos casos, la relocalización significará mover cadenas de suministro a países en desarrollo cercanos. Por lo tanto, es probable que México se beneficie de la relocalización de empresas estadounidenses, por ejemplo.

10. BofAML descubrió que más del 80% de las empresas en 12 industrias, desde semiconductores hasta bienes de capital, estaban replanteando partes de sus cadenas de suministro. Según la Cámara de Comercio de Estados Unidos, como se compartió en un informe reciente de Societe Generale, el 40 % de las empresas encuestadas «dijeron que estaban considerando reubicarse o habían reubicado instalaciones de fabricación fuera de China».

11. Las tendencias relativas de UPA se están moviendo fuertemente a favor de México. Estos fundamentos mejorados están impulsando el índice al alza.

12. Hay varias formas de jugar lo que probablemente sea una tendencia a largo plazo. Uno es a través de la moneda, yendo largo el peso. El MXNUSD completó recientemente un importante suelo H&S. Ahora se está quedando en un régimen Bull Quiet con un objetivo de movimiento medido muy por encima de los precios actuales.

También hay una forma altamente asimétrica de bajo riesgo de jugar esta operación alcista en México, y es usar opciones DOTM en un determinado activo.

El poder de las preguntas por Ray Barros

Algo diferente hoy. Uno de los principios por los que me guío en mi vida es por el denominado proceso «CANI»: constant and never ending improvement o mejora constante e interminable. En este artículo, quiero contarles sobre un proceso que he encontrado invaluable.

Creo que pudo haber sido Anthony Robbins quien dijo que la calidad de nuestras vidas depende de la calidad de las preguntas que nos hacemos. Esto es es especialmente cierto en el trading.

A continuación hay preguntas que me hago cuando hago mi revisión mensual del diario de trading:

1. ¿Qué funcionó para mi trading este último mes? ¿Lo que no funcionó?
2. ¿Qué me dicen las métricas? ¿En qué instrumentos gané dinero? ¿En cuál perdí? ¿Hay un patrón?
3. ¿Cumplí con mis horarios de ejercicio y meditación?
4. ¿Hubo una correlación entre mi trading y cómo me sentí ese día?
5. ¿Supervisé el tamaño de la posición de Ebb & Flow o insistí con un tamaño demasiado grande o demasiado pequeño incluso después de que cambiaron las condiciones del mercado?
6. ¿Cuáles fueron mis mayores desafíos/lecciones?
7. ¿De qué estoy más orgulloso? ¿Qué es lo que más lamento?
8. ¿Qué actitudes y acciones llevaré conmigo al nuevo mes? ¿Qué lecciones he aprendido este mes?
9. ¿Qué creencias limitantes cambié? ¿Qué emociones negativas cambié?
10. ¿Cómo crecí, mejoré y me expandí?

Empecé a usar este proceso por recomendación del Dr. George Lianos. En ese momento, nuestro objetivo era identificar el comportamiento autodestructivo que provenía de las creencias limitantes. Funcionó tan bien que lo adapté al trading. Los patrones de comportamiento son fáciles de identificar; son lo que mi esposa, Chris, llama ‘la cola de la rata’. A partir de ahí puedo rastrear las emociones y las circunstancias que dieron lugar a la conducta. Una vez que haya hecho eso, solo le queda un pequeño paso más para identificar las creencias limitantes o lo que Denise Shull llama ‘los ecos de la percepción’.

El único recurso que debe conservar para este ejercicio es, por supuesto, un diario de trading.

Revisión de las estrategias de trading de patentes por Quantpedia

El siguiente artículo es un breve resumen del trabajo de investigación Leveraging the Technical Competence of a Stock for the Purpose of Trading escrito por Rishabh Gupta. El autor hizo una pasantía en Quantpedia, investigando la relación patente-mercado (PTM) desarrollada por Jiaping Qiu, Kevin Tseng y Chao Zhang. La relación PTM utiliza información pública sobre el número y las fechas de las patentes asignadas a las empresas que cotizan en bolsa, calcula un valor de mercado esperado de las patentes e intenta predecir el rendimiento futuro de las acciones.

Descripción general de las patentes y su conexión con los mercados financieros

A medida que el énfasis de las empresas farmacéuticas y de tecnología líderes a nivel mundial se está desplazando hacia el conocimiento técnico, las empresas están invirtiendo fuertemente en investigación y desarrollo y están entrando en la era de los activos intangibles, que sirven como un elemento importante del valor de mercado de una empresa. Según la consultora Ocean Tomo, los activos intangibles representaron el 90% del valor de mercado del S&P 500 en 2020. El evento de concesión de una patente ha demostrado ser uno de los eventos más importantes para cualquier empresa que cotiza en bolsa. Por ejemplo, el precio de las acciones de Poolbeg Pharma, con sede en el Reino Unido, aumentó un 26 % en mayo de 2022 después de obtener dos patentes para el tratamiento de la influenza y para el tratamiento de infecciones por virus respiratorios. Se han realizado numerosos estudios sobre el uso de datos de patentes para el análisis financiero. Por ejemplo, Peter Neuhäusler et al. (2011) examinó el impacto de la tecnología y las patentes de una empresa en el valor de mercado de la empresa; Hamdi Ben Nasr et al. (2021) encontraron una correlación negativa entre el número de patentes (una gran muestra de empresas estadounidenses) y el riesgo de caída del precio de las acciones. Este ensayo hace un esfuerzo por tratar el tema de las patentes de una manera única. El enfoque principal es observar el comportamiento del precio de las acciones después de los días en que se otorga la patente y, como resultado, realizar una transacción.

El desarrollo de la relación patente-mercado (PTM)

Jiaping Qiu, Kevin Tseng y Chao Zhang propusieron una medida de «relación PTM» para calcular el valor de mercado de una empresa atribuible a sus patentes, en su trabajo de investigación «Premio de patente a mercado». Según los autores, tomar una posición larga en una cartera de tickers con una relación PTM alta y una posición corta en una cartera de tickers con una relación PTM baja da como resultado un rendimiento de capital mensual de 71 puntos básicos para una cartera de cobertura. Veamos qué tiene que decir el artículo de estudio con respecto a los métodos y conclusiones relacionados con las proporciones de PTM:

• PTM representa del 11% al 20% del valor de mercado de una empresa.
• Para demostrar que la relación PTM captura solo información distinta de las variables explicativas de rendimiento de capital (capitalización de mercado, eficiencia innovadora, etc.), los investigadores utilizaron la regresión transversal de Fama-MacBeth.
• Para investigar las implicaciones de precio de activos de una patente, los investigadores utilizaron el método generalizado de prueba de momento y se demostró que la relación PTM es un factor de riesgo de precio, lo que significa que es un factor que afecta el riesgo de precio de una acción (riesgo de que el valor de una seguridad disminuirá).
• Tanto las carteras de valor ponderado como las de igual ponderación muestran que las carteras con un alto índice PTM generan un exceso de rentabilidad.
• Empresas con mayor ratio PTM:
  • son más flexibles a la hora de retrasar el ejercicio de su opción y son más resistentes a las recesiones económicas (según la teoría de las opciones reales),
  • tienen un mayor RDME (gastos de investigación y desarrollo al valor de mercado del capital) y una mayor eficiencia innovadora (medida en base a citas de patentes como en Hirshleifer, Hsu y Li, 2013)

La motivación principal detrás de este documento/artículo fue realizar una prueba retrospectiva de la estrategia basada en la relación PTM y realizar pruebas de robustez probando varias combinaciones del universo de inversión. Se implementó el backtest:

• Sobre los datos financieros históricos para el período de enero de 2005 a mayo de 2022,
• Usando los últimos datos de patentes cubiertos hasta mayo de 2022,
• Con nuevas entradas en el análisis de escenarios como el cambio en el método de ponderación de la asignación de activos, el cambio en el período de reacción del mercado de valores alrededor de la fecha de concesión de la patente y el cambio en el período de reequilibrio,
• En los datos que nos brindarán la oportunidad de cubrir el nuevo período de crisis de la guerra entre Ucrania y Rusia, eso agrega el peor de los escenarios para las acciones y el mejor escenario para las materias primas como el petróleo y el gas.

Fuente de datos

El análisis se realizó en datos históricos de patentes extraídos de https://companyprofiles.justia.com/companies. Justia es un sitio web estadounidense especializado en la recuperación de información legal. Hay 166 tickers mencionados en el sitio web y son las acciones líquidas más negociadas con base en los EE. UU. Los datos están en forma de recuento de patentes concedidas a esas empresas.

Procesamiento y resultados del backtest

Hemos probado la estrategia en dos mitades de los datos anteriores, es decir, del 1 de enero de 2005 al 31 de diciembre de 2013 y del 1 de enero de 2013 al 31 de mayo de 2022, y también en el período completo desde 2005 hasta 2022. Hemos mantenido el inicio efectivo como $1.00,000. El universo de activos utilizado para el backtest consiste en las acciones del índice S&P 500 que están cubiertas por Justia.

Las reglas breves para el cálculo de la relación Patente-Mercado son:

En primer lugar, calcule el valor de mercado (MT) de las patentes recién concedidas de una empresa basándose en la reacción del mercado de valores en torno a las fechas de concesión de patentes para estimar el valor de mercado de las patentes: el valor de mercado (MT) de la patente recién concedida de una empresa es igual al cambio en capitalización de mercado (por encima del movimiento normal del mercado) durante los primeros dos días después de que se conceda la patente.

En segundo lugar, calcule recursivamente el valor de mercado acumulado de las patentes de la empresa CMPi,t para la empresa i en el año t. La relación patente-mercado (PTM) para la empresa i en el momento t es simplemente igual al CMP dividido por el valor de mercado (MV) de la empresa.

Finalmente, Jiaping Qiu, Kevin Tseng y Chao Zhang sugieren clasificar las acciones de acuerdo con sus índices PTM en carteras por decil, largo en el decil más alto y corto en el decil más bajo. La estrategia se pondera por valor y se reequilibra anualmente.

Aplicamos el siguiente método para la prueba de robustez, mezclando nuestras entradas en todo el proceso de prueba:

Cambiamos solo una de las entradas principales y mantuvimos las demás intactas. Supongamos que en la siguiente tabla, cuando probamos cambiando la frecuencia de reequilibrio de anual a mensual, mantendremos constantes las otras cuatro entradas principales.

Resultados

Después de realizar una prueba retrospectiva de la estrategia en dos conjuntos de datos independientes (2005-2013, 2013-2022), no encontramos simetría en el beneficio neto y el índice de Sharpe en ambos períodos. Los resultados fueron totalmente opuestos para ambos períodos en la mayoría de los escenarios, lo que no condujo a ninguna conclusión sólida del backtest.

Continuamos adelante para realizar las pruebas en todo el período y obtuvimos los siguientes resultados.  

1. La siguiente tabla muestra los resultados cuando cambiamos solo el método de clasificación de la cartera para clasificar la relación PTM y mantenemos constantes las otras entradas primarias, así como cuando cambiamos solo el método de ponderación de asignación de activos y mantenemos constantes las otras entradas primarias. Las versiones resaltadas en verde fueron las estrategias con mejor desempeño.

2. La siguiente tabla muestra los resultados cuando cambiamos solo el período de reacción del mercado de valores y mantenemos constantes las otras entradas primarias, así como cuando cambiamos solo la frecuencia de reequilibrio de la cartera y mantenemos constantes las otras entradas primarias. Una vez más, las versiones resaltadas en verde fueron las estrategias con mejor desempeño.

Observaciones:

• La estrategia produce un índice de Sharpe negativo, un alfa negativo y una ganancia negativa cuando diversificamos la cartera en 20 grupos (vigintiles) y hacemos un seguimiento del precio de las acciones 10 días después de la concesión de la patente. La estrategia tiene una mejor relación de Sharpe si diversificamos más y clasificamos la cartera en Terciles/Cuartiles en lugar de Deciles.
• Aunque la ponderación de volatilidad inversa está dando una beta baja y un alfa alto, su beneficio neto y el índice de Sharpe son significativamente menores que el método principal de ponderación del valor de mercado.
• Cambiar el período de reacción y el método de ponderación de asignación de activos no parece mejorar los resultados.

Como mencionamos, notamos una mayor utilidad neta y mayor índice de Sharpe al diversificar la cartera en Tertiles y Cuartiles. Por lo tanto, reduciremos nuestro enfoque y probaremos la estrategia manteniendo intacto el método de diversificación como Tertiles en las entradas primarias mientras modificamos otras.

Observaciones finales:

• La estrategia depende en gran medida del período de «reacción del mercado de valores» elegido correctamente. El período de 2 días sugerido por Jiaping Qiu, Kevin Tseng y Chao Zhang  es el mejor; otros períodos (con la excepción de 20 días) tienen rendimientos significativamente peores y ratios de rendimiento-riesgo. Esto puede sugerir un sobreajuste de parámetros en el artículo original.
• El método de reequilibrio de cartera no tiene un impacto significativo en el rendimiento de la estrategia; podemos dejar el reequilibrio anualmente, ya que los períodos más cortos le costarán más al inversor en términos de tarifas de transacción.
• La estrategia ponderada por valor tiene un rendimiento significativamente mejor que otros métodos de ponderación. Puede sugerir que las acciones con menor capitalización de mercado contribuyen negativamente al rendimiento cuando clasificamos por medida PTM.

Autor: Rishabh Gupta

Podría ser necesaria una recesión para desacelerar el consumo por Ben Carlson

A veces la vida sería más fácil si todos fueran más como Keanu Reeves:

Pero otras veces simplemente no puedes evitarlo:

Estoy eligiendo la puerta #2 hoy. Lo siento, Keanu.

He visto algunas variaciones de este gráfico dando vueltas durante algunas semanas:

A primera vista, parece aterrador e incluso obvio.

Durante la pandemia, la tasa de ahorro personal se disparó mientras que la deuda de las tarjetas de crédito se desplomó. Ahora está sucediendo lo contrario a medida que las tasas de ahorro caen mientras que la deuda de las tarjetas de crédito vuelve a aumentar.

El consumidor está jodido. Caso cerrado. ¿Derecha?

Lamento informarle que se trata de un delito menor de primer grado.

Lo primero es lo primero, estamos comparando una acción frente a un flujo en este gráfico. Me disculpará por la terminología nerd, pero el stock se refiere a un número acumulativo en un momento dado (en este caso, la deuda de la tarjeta de crédito), mientras que el flujo se refiere a una cantidad que se mide a lo largo del tiempo (en este caso, la tasa de ahorro personal).

Así que estamos midiendo manzanas y naranjas.

Y dado que estamos midiendo stock versus flujo, estos números realmente no nos dicen nada a menos que tenga un punto de referencia relevante para compararlos.

Obviamente, no es bueno que la tasa de ahorro personal haya caído tanto, pero hay una serie de razones que pueden ayudar a explicar por qué está sucediendo.

La inflación es una explicación lógica. La gente está ahorrando menos porque los costos han aumentado mucho.

Pero también es cierto que los hogares estadounidenses acumularon ahorros excesivos durante la pandemia porque estaban gastando menos dinero y muchas personas recibieron apoyo del gobierno. Ahora están gastando más para recuperar el tiempo perdido.

El Wall Street Journal estima que todavía hay algo en el rango de $ 1.2 a $ 1.8 billones de ahorros en exceso (es decir, ahorros por encima de lo que se esperaba que los hogares ahorraran si la pandemia nunca hubiera ocurrido):

La mejor conjetura de los expertos es que la gente tardará de 9 a 12 meses en gastar estos ahorros en exceso.

No es bueno que la gente ahorre menos, especialmente si vamos a entrar en recesión el próximo año, pero todavía hay mucho polvo seco en los balances de los hogares.

Y si la inflación continúa cayendo, eso podría ayudar a que la tasa de ahorro vuelva a subir.

El aumento de la deuda de la tarjeta de crédito tampoco se siente tan bien, pero este realmente no es fuera de lo común si se aleja un poco.

La Reserva Federal de Nueva York produce un informe trimestral sobre la composición de la deuda de los hogares a lo largo del tiempo que muestra que las cosas no son tan malas como parecen:

La mayor parte de la deuda de los consumidores siempre ha venido en forma de hipotecas, que representan más del 70% de la deuda total. La deuda de las tarjetas de crédito a fines del tercer trimestre era solo el 6% de la deuda total de los hogares.

¿Sabe cuál es el promedio histórico de la deuda de tarjetas de crédito en relación con la deuda total?

es el 6%.

Así que tenemos razón en promedio. De hecho, la deuda de tarjetas de crédito se ha mantenido relativamente estable en torno al 6 % desde 2010. Llegó al 10 % de la deuda total en 2003.

Y si observa los niveles de las tarjetas de crédito desde atrás, puede ver que ahora estamos superando los niveles previos a la pandemia:

La deuda de la tarjeta de crédito es, con mucho, el peor tipo de deuda que existe. Pero la gente todavía no se está atiborrando de deudas con altas tasas de interés.

Basta con mirar las tasas de morosidad en las tarjetas de crédito:

Están cayendo.

O qué hay de los datos de ejecuciones hipotecarias y quiebras, todavía muy por debajo de las normas históricas:

La deuda del consumidor como porcentaje del ingreso disponible está aumentando, pero sigue siendo relativamente baja según los estándares históricos:

Los buenos tiempos para el gasto de los consumidores no durarán para siempre.

Eventualmente, las personas gastarán sus ahorros excedentes de la pandemia. Probablemente muchos ya lo hayan hecho.

Pero nos encanta gastar dinero en Estados Unidos . No puedo ver a la gente simplemente gastando sus ahorros y luego sentarse de brazos cruzados.

Las cosas se han estancado un poco en los últimos meses, pero incluso si se ajusta a la inflación, los datos de ventas minoristas se mantienen muy por encima de la línea de tendencia previa a la pandemia:

Supongo que la deuda de la tarjeta de crédito seguirá cobrando más una vez que se hayan gastado todos los ahorros en exceso.

Mientras el mercado laboral se mantenga fuerte, la mayoría de los hogares estarán bien yendo a restaurantes, haciendo un viaje a Disney y llenando los aeropuertos.

Podría ser necesaria una recesión para desacelerar al consumidor.

Cuándo ajustar el stop loss por Fawad Razaqzada

• ¿Cuándo debemos ajustar nuestro stop loss? En este artículo se darán varios ejemplos de cómo hacerlo. 
• Artículo publicado en Hispatrading 52.

Vayamos directo al grano. El dibujo de la figura 1 describe cómo normalmente ajusto el stop loss para una operación larga y lo contrario para una operación de venta:

Para mostrarte como puedes gestionar el stop loss te mostraré varios ejemplos reales.

Ejemplo 1: USD/CAD

La idea era vender en los rebotes que llegaran cerca de la resistencia en medio de la tendencia bajista. Así, después de un rebote de dos o tres días hacia directriz bajista, pensé que era el momento adecuado para abrir una posición bajista.

Además del gráfico de la figura 2, mostré justo en ese momento el gráfico horario, de la figura 3, que muestra los detalles de la entrada, así como una breve explicación detrás de la idea:

“El precio diario del USD/CAD está llegando a un potencial área de resistencia (línea de tendencia y eMA de 21 días) después de un rebote en contra de la tendencia desde mínimos. La tendencia a largo plazo es bajista. Así que buscaremos una entrada de venta en este nivel”.

“Idea de trading en corto sobre el USD/CAD en el gráfico H1: la idea se basa en gráfico diario y en el hecho de que en este marco de tiempo el par se ha estancado en el 61,8% de Fibonacci. El nivel de invalidación está por encima del máximo más reciente en 1H y también la línea de tendencia. El principal objetivo está por debajo del mínimo reciente”

Después de ejecutar la señal de trading, el precio empezó a bajar como habíamos previsto, lo que me llevó a dar la siguiente actualización, ya que mi enfoque ahora estaba en reducir el riesgo (como siempre hacemos después de abrir una operación):

“Actualización del USD/CAD: baje el stop para que podamos obtener algunas ganancias, ya que el precio ahora ha creado una estructura por debajo de nuestro rango de entrada. Es importante monitorear continuamente sus posiciones, especialmente en momentos como ahora”

Como se puede ver en el gráfico de la figura 4, la razón por la que moví el stop más abajo fue porque el precio había creado una estructura de máximos y mínimos más bajos. No tomé en cuenta el rango de entrada y no moví el stop loss solo por moverlo al punto de equilibrio. Había una buena razón para que lo hiciéramos, y la acción del precio nos dijo cuándo era el momento adecuado.

Dio la casualidad de que el USD/CAD se estancó justo por encima de nuestro objetivo previsto, lo que, junto con el hecho de que el dólar estadounidense se estaba debilitando frente a otras monedas, esto significaba que probablemente era el mejor momento para cerrarlo manualmente. Así que di la siguiente actualización para los suscriptores que estaban siguiendo la señal y así cerrar la posición antes de que tocara el objetivo marcado inicialmente:

“USD/CAD cerrándolo manualmente aquí por al menos +125 pips de ganancia. Los precios del petróleo se han estancado y el dólar estadounidense ya ha dado señales de vida frente a algunas divisas, por ejemplo, frente al euro y el oro. Así que no nos arriesguemos y cerremos todo para obtener unas muy buenas ganancias”.

Ejemplo 2: GBP/JPY

Otra de nuestras ideas de trading que requirió la gestión del stop fue una entrada en largo sobre el GBP/JPY. Esto es lo que escribí en ese momento:

“GBP/JPY se ve muy alcista y creo que es probable que siga subiendo ya que el repunte del riesgo en curso mantiene la presión sobre el yen y creo que la libra se recuperará porque se ha evitado un Brexit sin acuerdo. El siguiente objetivo clave es una tendencia bajista a largo plazo y el máximo anterior alrededor de 142.71”.

Luego publiqué los detalles de la idea de trading en largo del par GBP/JPY en el gráfico de 4 horas, ya que el precio estaba poniendo a prueba la línea de tendencia alcista. El stop lo situé por debajo de los mínimos más recientes en velas de 4 horas y, por lo tanto, la línea de tendencia.

El GBP/JPY alcanzó nuestro primer objetivo con +100 pips y ajusté el stop con la pequeña parte que aún quedaba abierta, como se muestra en la figura 8, para asegurar ganancias en caso de que el precio se girara.

Al final resultó que, este operación se volvió en contra y nos impidió obtener la segunda parte de las ganancias. Pero pensándolo bien, tal vez no debería haber ajustado el stop tanto, ya que el precio se recuperó nuevamente después de volver a poner a prueba nuestra zona de entrada.

Conclusión

Es imposible saber de antemano si ajustar el stop loss es mejor que no hacer nada. La forma en que lo veo es que debe ajustar el stop loss a medida que evoluciona la acción del precio y el mercado crea nuevas estructuras de precios. En ocasiones, es posible que te arrepientas de ajustar el stop loss. Pero básicamente, lo que queremos hacer es reducir el riesgo y mantener el control de la operación. Una pequeña victoria es, después de todo, una victoria y obviamente no una pérdida. Preferiría obtener unas pequeñas ganancias que perder un 1R completo en cualquier operación.

Sistema de trading tendencial por Jose Antonio González

•  En este artículo se definirá, estudiará y analizará un sencillo método de trading que permite posicionarse en los movimientos de rango inferior a favor de la tendencia definida.
• Artículo publicado en Hispatrading 18.

Operar a favor de la tendencia es operar a favor de la probabilidad y, operar con la probabilidad a nuestro favor, nos garantiza resultados positivos en el largo plazo.

Lo anteriormente citado es algo tan claro y sencillo de entender que no debería ser recordado pero, algo a priori, tan sencillo de entender y de aplicar, no siempre se corresponde con la operativa real en los participantes de mercado. A todos se nos viene a la memoria alguna estrategia en la que no hemos aplicado criterios objetivos.

Por ello, la importancia de tener un conjunto de reglas adecuadas y optimizadas a nuestro propio perfil inversor, entendiendo como perfil inversor las características únicas e individuales que nos permiten operar de manera cómoda y rentable a largo plazo se presume indispensable, además que dicho conjunto de reglas se aplique, de forma casi exclusiva, a operativas tendenciales con mayor probabilidad de éxito.

Entre las reglas de nuestro sistema de operativa bursátil, se continuará aportando ideas al lector para que pueda mejorar o aprovechar puntualmente estrategias con las bases que desde Hispatrading llevamos meses haciendo. 

Por tanto y sin mayor dilación, comenzamos a describir la base del método de trading tendencial:

Características del Sistema:

El método que a continuación se va a desarrollar utiliza medias móviles exponenciales que, son de mayor utilidad para un sistema de especulación a corto plazo que lo que pudieran resultar u ofrecer la medias móviles simples.

Ambos tipos de medias móviles presentan una evolución suavizada del comportamiento del precio durante un periodo de tiempo determinado, sin embargo, la media móvil exponencial otorga mayor importancia a lo sucedido durante los últimos datos registrados, todo lo contrario que la media móvil simple, que le otorga la misma importancia a todos los datos analizados.

Lo anteriormente comentado no es baladí, pues gracias a las medias móviles exponenciales podemos seguir la tendencia desarrolla de manera más ajustada, optimizando mejor la entrada y la salida en el mercado.

Por otra parte, al ser un sistema de naturaleza tendencial, puede aplicarse a cualquier escala temporal o timeframe que el usuario desee, pues el único requisito para que sea aplicado es que exista una tendencia definida, ya sea ésta en gráfico horario, diario o semanal. 

Como es lógico, cuanto más alejada del tick se encuentre la escala en la que estamos analizando el activo subyacente, menos señales falsas soportará nuestro portfolio, por lo que, se deduce que tiene un comportamiento óptimo en gráficos diarios e, inclusive, semanales.

Configuración del Sistema:

Las herramientas que necesitamos para construir nuestro sencillo y básico sistema tendencial son las siguientes:

• Por un lado, una media móvil exponencial de 5 periodos, al cierre, que será la que más ajustada al precio se dibuje. 
• Por otro lado, una nueva media móvil exponencial de 10 periodos, al cierre igualmente, que dibujará un comportamiento más suavizado que la anterior pero sin alejarse de la tendencia, que es lo que verdaderamente estamos buscando.
• Por último, el clásico oscilador RSI de 14 periodos –parámetro optimizable según subyacente-, que nos advertirá de la fuerza con la que se encuentra el activo en cuestión.
• Reglas del Sistemas:

1. Señales de Entrada:

La estrategia larga (alcista) aportará señal cuando, la media móvil exponencial de 5 periodos, esto es, la más rápida y ajustada a la evolución del precio de cotización, supera al alza la media móvil exponencial de 10 periodos.

Para que la señal sea efectuada, dicho cruce entre ambas medias móviles exponenciales debe realizarse cuando el oscilador RSI de 14 periodos se encuentre por encima de la zona de 50, entendiendo así que, el activo se encuentra con fuerza de seguir subiendo y, además, tiene margen para hacerlo, aspecto muy relevante.

La Figura 1 muestra un ejemplo claro de lo que entenderíamos como una señal de entrada inminente en largo. 

El método bajo estudio ha aprovechado, casi de manera impecable, la última estructura alcista desarrollada en Bolsas y Mercados Españoles (BME.MC) durante los últimos meses.

Dicha figura, en escala diaria, muestra cómo se han aprovechado los movimientos alcistas –Acción- y cómo el método nos mantuvo fuera de BME en los movimientos correctivos –Reacción- o contra tendenciales. 

Hasta tres movimientos correctivos nos ha evitado el método, el primero, del periodo que transcurre entre los meses de MAY13 a JUL13, en el que el activo se desinfló en más de un -9%, el segundo periodo es el correspondiente a los meses NOV13 y DIC13, en el que el activo recortó más de un -10% y, el último de ellos fue el correspondiente a los meses de ENE14 y FEB14 en los que BME sufrió un ajuste de más del -8%.

Los movimiento de acción o a favor de la tendencia, han sido extraordinarios, siendo otros tres confirmados y un cuarto en el que el sistema se encontraría comprado en el momento de redactar el presente artículo.

El primero de ellos corresponde al periodo ABR13 a MAY13 en el que el activo llegó a subir casi un +10%, el segundo y más potente movimiento, aprovechado al máximo, es el que se sitúa entre los meses de JUL13 a NOV13, en el que el activo se revalorizó más de un +50%, un tercer movimiento aprovechado durante los meses de DIC13 a ENE14 en los que BME llegó a subir un +24% y, por último, una señal en largo que se produzco a partir del mes de FEB14 y que ha llevado a revalorizarse, hasta la fecha mostrada, un +5% al activo.

La Figura 2 muestra un ejemplo de lo que entenderíamos como una señal de entrada inminente en corto o estrategia bajista. 

Nuevamente y, tal y como sucedió en el ejemplo alcista, se muestra el comportamiento del método, en escala semanal, en Gamesa (GAM.MC) durante los últimos años.

Prácticamente aprovechamos toda la tendencia bajista en los movimientos de acción y nos mantiene fuera en los movimientos correctivos o de reacción.

Desde que se desarrolla la tendencia bajista a mediados del ejercicio 2008, las señales en corto aportadas durante los periodos de SEP08 a MAY09, de OCT09 a DIC10 y de JUN11 a SEP12 aprovechan caídas en el precio de Gamesa del -61%, -63% y -76% respectivamente.

Además, nos mantiene fuera del activo en los periodos reactivos de ABR09 a OCT09, de DIC10 a JUN11 y por último, desde AGO13, momento en el que el activo superó al alza la base de la tendencia bajista de largo plazo aportando, inclusive, señal de entrada en largo que nos hubiera permitido entrar a favor de la nueva tendencia claramente definida.

2. Señales de Salidas:

Pero, si fácil es la señal de entrada mediante el método bajo estudio, más sencilla es todavía, si cabe, la señal de salida del mismo.

Cuantitativamente, cerraremos una posición en largo si la media exponencial de 5 periodos perfora a la baja la media móvil exponencial de 10 periodos y actuaríamos de manera inversa en estrategias cortas.

En este punto y, para optimizar las señales de salida, podría ser de utilidad el incorporar un margen de caída al cruce entre las medias exponenciales con el fin de evitar señales de salida en falso. Por ejemplo, podríamos aplicar medidas de volatilidad intrínseca del activo mediante ATRs o asignando un error de un 2% del corte entre las medias, por ejemplo.

Otras variantes del presente sistema aplican, como una variable de salida, que el oscilador RSI perfore a la baja el nivel de 50 en una estrategia larga –al contrario en una operativa en corto-, cerrando la estrategia con la primera señal que se efectúe, ya sea el cruce de las medias exponenciales o en el RSI.

3. Ineficiencias del Sistema:

No obstante, en las Figuras 1 y 2 hemos visto el comportamiento casi perfecto del método en dos activos cuya tendencia era perfecta pero, como todos sabemos, el mercado, por desgracia, no siempre se mueve en tendencias definidas, por tanto, ¿cómo se comporta nuestro método cuando existe ausencia total de tendencia?

La Figura 3 nos sirve como respuesta a la pregunta anteriormente planteada. No solamente éste sistema propuesto presenta dicha ineficiencia, por definición, cualquier sistema de naturaleza seguidora de tendencia se muestra ineficiente en mercados laterales o muy volátiles y, por ende, de mucho riesgo.

En la parte izquierda se aprecia como Mapfre (MAP.MC) mostró una zona de lateralidad durante el periodo comprendido entre NOV11 y MAR12, aportando señales en falso continuamente que minan nuestra confianza en el método aplicado, no obstante, a partir del mes de MAR12, la tendencia –en ésta ocasión, bajista- vuelve a aparecer aportando una nueva operativa con rendimientos que superan las pérdidas acumuladas por el movimiento no tendencial. Esta imagen nos explica muy visualmente lo importante que es respetar siempre a rajatabla un método porque, aunque falle en varias ocasiones consecutivas, la próxima señal puede ser la que vuelva a generar importantes rendimientos a nuestra cartera.

BackTesting:

1.Resultados del Sistema:

Antes de continuar, es necesario establecer que, el objetivo de análisis de BackTesting, como en cada número de la revista, atiende a una exposición a modo de ejemplo sobre una primera aproximación del mismo.

El método bajo estudio, aplicado exclusivamente al índice norteamericano S&P500 en escala diaria desde el día 1 de ENE de 1980 hasta el día 21 de FEB del 2014, nos devuelve una rentabilidad del +3,38% anual sin optimización de parámetros ni un Money Management ajustado, por lo que, dicho retorno anual, corresponde a una primera aproximación que se establece como base para que cada lector comience su propio estudio y análisis individual del mismo.

La Figura 5 muestra la evolución de las principales variables del método, como por ejemplo, la rentabilidad de un 115% durante los 34 años en los que se ha realizado el estudio en el pasado que se produce sin grandes movimientos bajistas que hagan creer en la inviabilidad del sistema a largo plazo.

Por otro lado, presenta un máximo DrawDown, del -26,89%, que significa la máxima caída del beneficio soportada por el sistema aplicado. Por lógica, cuanto mayor sea el ratio, mayor será la caída acumulada y, por tanto, más difícil para nuestro control psicológico será el mantenerlo operativo. No es lo mismo que un sistema haya perdido, durante el periodo de estudio un 5% como máximo en un determinado periodo que un 60%. 

Además, en relación con lo anteriormente comentado, se puede apreciar la evolución de la ganancia bruta que, prácticamente no tiene movimientos bruscos negativos, más bien, los movimientos bruscos se producen siempre con rentabilidades positivas.

Conclusión:

Hemos analizado un método de trading que nos permite rentabilizar las ondas inferiores de las tendencias previamente definida, sea cual sea su escala temporal.

La introducción de las medias móviles exponenciales, que otorgan mayor importancia a los últimos datos registrados, permite seguir las tendencias de rango inferior con mayor precisión, tanto en la entrada, como en la salida de las estrategias.

Por su parte, el oscilador clásico RSI nos permite entrar en activos que se encuentran en un proceso de aceleración y con margen de subida para poder captar el máximo potencial posible o, lo que es lo mismo, poder operar los movimientos de acción y reacción de una tendencia.

Igual de importante son las fases en las que el método se encuentra dentro del mercado como las fases que hemos evitado (ver Figuras 1,2 y 3) pues, si el sistema nos aporta señal de venta ante una tendencia perfectamente definida, es esencial entender que estemos ante un movimiento reactivo al movimiento predominante.

Tanto las medias móviles exponenciales como el oscilador clásico RSI permiten al participante de mercado poder beneficiarse de las potenciales señales aportadas por uno de los criterios filtradas por el segundo de los criterios, lo que en definitiva, aumenta la eficiencia de la estrategia y nos permite alcanzar un nivel de eficacia superior al que obtendríamos si utilizáramos únicamente un criterio. 

Para finalizar, es preciso recordar que, el método estudiado se ha presentado a modo de ejemplo y que, en ningún momento, constituye una recomendación para su aplicación en operativa real.

Cómo prevenir las recaídas: un tema olvidado en la psicología del trading por Brett N. Steenbarger, Ph.D.

Un trader inteligente de SMB Capital se me acercó con una cuestión muy interesante. Cada mes crea una nueva meta en la que trabajar, pero, para su consternación, descubre que, una vez que pasa a una nueva meta, ¡resurge un problema anterior que en teoría ya había solucionado! Los psicólogos se refieren a esto como el problema de la recaída. Los viejos patrones de pensamiento, acción y sentimiento se convierten en hábitos arraigados. No sólo se aprenden, sino que se arraigan en nosotros en exceso. Es relativamente fácil cambiar un patrón de hábitos cuando ponemos toda nuestra atención en hacer las cosas de manera diferente. También es fácil volver a caer en ese patrón cuando nuestra atención se dirige a otra parte.

Este es un tema descuidado en la psicología del trading. Hablamos de hacer cambios, pero no tanto de mantener esos cambios.

Es desalentador hacer un cambio y sentir que estás progresando, solo para volver a caer en las viejas costumbres y volver a experimentar las consecuencias negativas. Pero la recaída es una parte intrínseca del proceso de cambio. Siempre recaeremos hasta que hayamos convertido nuestros nuevos patrones constructivos en patrones de hábitos positivos. Eso significa que tenemos que ensayar y ensayar y repetir y repetir nuestros cambios positivos día tras día hasta que se conviertan en parte automática y natural de nosotros. Si necesitamos reunir motivación y esfuerzo cada vez que queremos hacer las cosas de manera constructiva, nunca seremos capaces de dirigir nuestra fuerza de voluntad hacia nuevas metas.

Aquí es donde la resiliencia psicológica es importante. Cuando recaemos, queremos hacer acopio de nuestra determinación para cambiar y decir: «¡Así no terminará mi historia!» Si recaigo después de tres semanas de cambios positivos, eso es un progreso en comparación con recaer todas las semanas. La recaída es un desvío, no un fracaso. Si realmente estamos aprendiendo y creciendo, hacemos esfuerzos especiales para aprender de nuestras recaídas. Eso nos permite responder de manera diferente y constructiva a las situaciones que pueden haber desencadenado nuestras viejas costumbres.

Lo que le enfaticé al trader que me planteó esta cuestión es que nunca debes dejar de lado la Meta #1 cuando formulas la Meta #2. El cambio nunca es una línea recta. Siempre necesitamos estar trabajando en nuestros viejos patrones, incluso cuando abordamos los nuevos. Como enfatizo en The Daily Trading Coach, vencemos la recaída a través de la repetición.

Los mercados no pueden salvarte si tú no ahorras por Ben Carlson

Hasta finales de 2021 una cartera 60/40 de acciones y bonos estadounidenses había terminado el año con una caída de dos dígitos solo en 5 ocasiones en los últimos 94 años.

Con acciones y bonos cayendo alrededor de un 15% cada una en 2022 hasta ahora, parece que este año será la sexta vez en 95 años:

Si termináramos el año como están las cosas a día de hoy, sería el tercer peor año para una cartera 60/40 en casi 100 años.

Los únicos años en que bajó más que esto ocurrieron en la década de 1930. En 1931, una cartera 60/40 bajó un 27,3%. Luego, en 1937, una cartera diversificada cayó un 20,7%.

“No hay dónde esconderse” es un estribillo común este año.

Siempre he tenido la mentalidad de que los rendimientos a largo plazo son los únicos que importan. Cualquier cosa puede pasar en el corto plazo. La diversificación solo funciona para las personas pacientes.

También es comprensible por qué muchos inversores están frustrados con el desempeño de este año, especialmente los jubilados.

Puede ser aterrador si experimenta malos rendimientos en el momento equivocado.

The Wall Street Journal publicó una historia esta semana que detallaba las dificultades de una cartera 60/40 este año y cómo está afectando a los inversores que se jubilaron en los últimos años:

Eileen Pollock, una jubilada de 70 años que vive en Baltimore, ha visto caer el valor de su cartera, con una composición de aproximadamente 60-40, en cientos de miles de dólares. La exsecretaria jurídica había acumulado más de un millón de dólares en sus cuentas de jubilación. Para acumular sus ahorros, dejó Nueva York para vivir en una ciudad menos costosa y se saltó las vacaciones durante muchos años.

“Un millón de dólares parece mucho dinero, pero me di cuenta de que no lo es”, dijo. “Vi que mi dinero desaparecía pieza por pieza”.

Este año ha sido terrible para una combinación diversificada de acciones y bonos, pero si nos alejamos, los rendimientos de este año se apagaron para una cartera 60/40.

En los años 3, 5 y 10 que terminaron en 2021, una cartera 60/40 de acciones y bonos estadounidenses aumentó un 63 %, 81 % y 184 %, respectivamente.

Incluso si incluimos la pérdida del 15% de este año en el 60/40, los últimos 10 años han dado a los inversores un 8% anual en esta estrategia.

Lo bueno ha superado con creces lo malo, que es lo que suele funcionar en los mercados financieros.

Los años malos no son divertidos, pero las buenas décadas tienden a compensarlo con creces.

Perder una gran parte de los ahorros de toda su vida nunca es un buen momento, pero los inversores deben darse cuenta de que los valores de sus carteras no serían tan altos en primer lugar si no fuera por el mercado alcista que condujo a estos tiempos difíciles.

También es cierto que no puede confiar en que los rendimientos de las inversiones tengan todo el peso en su plan financiero. A veces los mercados simplemente no cooperan.

Y los mercados financieros solo pueden llevarte hasta cierto punto.

The Journal describió un estudio que muestra que muchos jubilados tienen que reducir su nivel de vida en la jubilación porque no ahorraron lo suficiente:

Aproximadamente el 51% de los jubilados viven con menos de la mitad de sus ingresos anuales previos a la jubilación, según Goldman Sachs Asset Management, que este verano realizó una encuesta entre estadounidenses jubilados de entre 50 y 75 años. Casi la mitad de los encuestados se jubilaron anticipadamente por razones fuera de su control, incluida la mala salud, la pérdida de sus trabajos y la necesidad de cuidar a miembros de la familia. Solo el 7% de los encuestados dijeron que abandonaron la fuerza laboral porque lograron ahorrar suficiente dinero para la jubilación.

La mayoría de los estadounidenses dijeron que preferirían depender de fuentes de ingresos garantizadas, como el Seguro Social, para financiar su jubilación, no de los rendimientos de los mercados volátiles. Pero solo el 55% de los jubilados pueden hacerlo, descubrió la firma.

No importa qué tan alto o bajo sea el rendimiento de su inversión si no ahorra lo suficiente en primer lugar.

Sería mucho mejor si viviéramos en un mundo donde más personas tuvieran una pensión o un acceso más fácil a flujos de ingresos regulares durante la jubilación.

Desafortunadamente, la mayoría de nosotros estamos atrapados lidiando con los mercados financieros, la volatilidad y todo, para mejorar nuestro nivel de vida a largo plazo.

Pero lo importante que debe recordar es que no importa cómo invierta su dinero si no ahorra lo suficiente en primer lugar.

Los mercados financieros no pueden salvarte si tú no ahorras.

Estados Unidos ya es exportador neto de combustibles fósiles por Ed Yardeni

Los activistas climáticos creen que si los gobiernos impusieran regulaciones que limitaran la producción de combustibles fósiles, los precios de los combustibles fósiles aumentarían, fomentando un mayor uso de fuentes de energía renovable. Sin embargo, aún se necesitaría el apoyo del gobierno para que las fuentes renovables sean competitivas en costos. Esa realidad, combinada con los movimientos geopolíticos, ha hecho que la transición de los combustibles fósiles a los renovables sea mucho menos fluida de lo que habían supuesto los activistas climáticos.

Aquí en los EE. UU., a pesar del compromiso de la administración Biden con la transición, la industria de los combustibles fósiles ha mantenido a los Estados Unidos no solo energéticamente independientes sino también exportando más combustible a sus aliados en Europa, quienes han estado luchando para reemplazar sus importaciones de combustibles fósiles rusos debido a la guerra de Ucrania.

Considera lo siguiente:

(1) Producción de petróleo de EE.UU. La producción del campo de petróleo crudo de EE. UU. fue de 12,0 millones de barriles por día (mbd) durante septiembre, aún por debajo del récord de 13,0 mbd durante noviembre de 2019 (Fig. 21). Sin embargo, la producción de líquidos de gas natural aumentó a 6.0mbd durante septiembre. Ha tenido una tendencia al alza desde 2008, cuando era aproximadamente un tercio. Mientras tanto, la producción de biocombustibles más las ganancias de procesamiento se han mantenido estables en torno a los 2,1 mbd. Si se suman todos juntos, la producción de petróleo de EE. UU. fue de 20,2 mbd durante septiembre, igualando casi el récord previo a la pandemia.

Los datos semanales muestran que durante la semana del 11 de noviembre, EE. UU. tuvo importaciones netas de -1,9 mbd, mientras que el suministro de productos derivados del petróleo (que en realidad es una medida del uso) fue de 20,9 mbd (Fig. 22). Esto implica que la producción de petróleo de EE. UU. aumentó a un récord de 22,7 mbd durante la última semana.

Estados Unidos se convirtió por primera vez en un exportador neto de petróleo a finales de 2019.

(2) Producción de gas natural de EE.UU. EE. UU. se convirtió en exportador neto de gas natural por primera vez durante octubre de 2017 (Fig. 23 y Fig. 24).

Antes de la guerra de Ucrania, Rusia suministraba hasta el 40 % del gas de Europa. Los proveedores estadounidenses de gas natural licuado, que suelen tener contratos más flexibles que los de otros países, han respondido rápidamente a las necesidades de Europa. Este año, los envíos a Europa desde EE. UU. se han más que duplicado. “El precio de un cargamento de GNL, que podría haberse vendido por $20 millones hace dos años, se disparó a quizás $200 millones el verano pasado, y ahora es aproximadamente la mitad, con el invierno acercándose rápidamente”, según un informe del NYT del 16 de noviembre.

La historia señala: «Ahora, alrededor de 40 camiones cisterna con gas enfriado por valor de miles de millones han estado esperando frente a las costas de Europa y Asia, anticipando que si esperan hasta que el clima se vuelva más frío antes de descargar su combustible, se les pagará precios más altos».

Los europeos deberían dar las gracias a los estadounidenses por producir mucho gas natural.

Simulaciones de Montecarlo alternativas por Andrés A. García

• Nadie cuestiona que las simulaciones de Montecarlo son una excelente herramienta para determinar los riesgos y expectativas de beneficio de cualquier producto financiero que disponga de series históricas. Sin embargo, no todos los métodos de simulación son adecuados para cualquier producto ni ofrecen respuesta a las mismas cuestiones clave.
• Artículo publicado en Hispatrading 38.

En el presente artículo analizaremos el alcance y limitaciones de tres principales enfoques a la hora de realizar este tipo de simulaciones: 

• Aleatorizar la secuencia de operaciones. 
• Añadir ruido a las reglas del modelo.
• Añadir ruido a las cotizaciones históricas.

Dicho de manera sencilla y sin adentrarnos en formulaciones matemáticas, una simulación de Montecarlo aplicada al trading no es más que un método de cómputo intensivo basado en generar un conjunto de datos alternativos que permiten estudiar las propiedades estadísticas de un sistema, modelo o proceso. 

MÉTODO I: ALEATORIZAR LA SECUENCIA DE OPERACIONES

En Estadística se denomina muestreo de Montecarlo  al procedimiento para obtener un conjunto de muestras aleatorias tomando como base una función de distribución dada. De este modo, los simuladores más simples permiten trazar los recorridos alternativos de una serie de operaciones partiendo de sus estadísticas básicas.

Por ejemplo, dado el sistema A con:

Resultados 

Podemos simular los recorridos de n curvas aleatorias a partir de algún modelo de distribución. De este modo obtenemos el cono de rendimientos máximos y mínimos teóricos para un número dado de operaciones o intervalos temporales. El resultado sería similar al de la imagen inferior, siendo la curva roja superpuesta la serie original de la que proceden las estadísticas. 

   Sin embargo, aunque este procedimiento permite obtener resultados notablemente precisos si se utiliza bien, la mayoría de los algoritmos implementados en plataformas de trading realizan las simulaciones permutando una o varias secuencias históricas de operaciones que se toman como modelo. 

Diversas aplicaciones utilizan el método del muestreo aleatorio con reposición (PCR), lo que implica que cada operación puede aparecer más de una vez en cada serie sintética generada. Esto da lugar a un gráfico en el que todas las curvas salen del mismo punto (capital inicial) y terminan en puntos distintos (beneficio acumulado): 

Otras aplicaciones emplean el método de las permutaciones sin repetición (PSR), en el que cada operación de la serie original solo se emplea una vez en cada serie sintética. Las curvas de este tipo tienen un punto de origen y un punto de llegada común y realizan entre ambos un recorrido aleatorio que depende únicamente del orden que ocupa cada operación en las series generadas. Su gráfico característico es:

Ambos métodos permiten inferir numerosas propiedades del sistema o portfolio analizados, como el mayor drawdown, el capital necesario para operarlo y otras muchas propiedades estadísticas. Siendo su principal diferencia que el muestreo con reposición posibilita además  hacer proyecciones sobre expectativas de beneficio en diferentes períodos determinados por la longitud de las series sintéticas a simular. Sin embargo, el muestreo sin reposición, aunque no permite realizar proyecciones debido a que el tamaño de las series es el mismo que la original,  se considera más preciso para el cálculo de riesgos ya que cada serie sintética conserva las propiedades que la distribución histórica de operaciones.  

Estos son los dos métodos más empleados por el software de simulación implementado en numerosas plataformas de trading y análisis financiero. 

Adicionalmente, algunas aplicaciones, como AmiBroker, incorporan el método de añadir ruido a la secuencia de operaciones. Este método genera, operación por operación, pequeños cambios aleatorios para construir el conjunto de las n series sintéticas. Se trata de un abordamiento bastante controvertido ya que pequeños cambios apenas generan diversidad (aunque su efecto acumulativo en series largas puede ser grande) y los cambios de mayor amplitud pueden alterar drásticamente las propiedades de la serie original, por lo que acabaríamos con una simulación que poco tiene que ver con el modelo histórico. Independientemente de esto, la amplitud de los cambios no deja de ser otro hiperparámetro del modelo.  

Los modelos de Montecarlo basados en la secuencia de operaciones no están exentos de críticas. Emilio Tomasini y Urban Jaecke en su obra Trading Systems (2009) -sumamente recomendable pese al tiempo transcurrido para todos los que se inician en esta modalidad inversora- ya nos ponen en guardia sobre algunas limitaciones evidentes de estos modelos. La principal es que la validez de la simulación depende de la calidad de los datos históricos empleados. Si los datos proceden de estrategias sobreoptimizadas, poco o nada nos dirá el método de Montecarlo sobe los riesgos ocultos de una estrategia. Tampoco tiene cada que hacer el método de Montecarlo con los cambios de marcoépoca. La mayoría de las estrategias se rompen porque sus reglas son incapaces de responder a cambios en la dinámica de los mercados que no estaban contemplados en las fases de diseño y entrenamiento. Estos cambios pueden ser bruscos o progresivos, cíclicos o completamente nuevos. En la medida en que la simulación se construye sobre una secuencia específica de operaciones, el hecho de permutar miles de veces dicha secuencia no sirve para construir escenarios alternativos que contemplen dichos cambios.    

Abundando más en el tema, Michael Harris en su artículo: “Fooled By Monte Carlo Simulation” (Mayo-2017), menciona ocho situaciones en las que las simulaciones de Montecarlo basadas en aleatorizar una secuencia de operaciones pueden producir resultados erróneos:

1.- Cuando la estrategia está sobreoptimizada y/o el porcentaje de aciertos es demasiado alto.

2.- Simetría forzada o sistemas basados en la reversión de posiciones largas-cortas.

3.- Sistemas tipo Long-Term de baja cadencia.

4.- Dependencia positiva-negativa entre operaciones.

5.- Cuando la operativa toma como input la curva del equity del propio sistema.

6.- Cuando la estrategia implementa algoritmos de position sizing. 

7.- Series de operaciones demasiado largas.

8.- Estrategias desarrolladas por data-mining. 

Ciertamente, todos estos factores empeoran o invalidan los resultados de una simulación, siendo los más común trabajar con series sobreoptimizadas y no haber tenido en cuenta la dependencia entre operaciones. Puede tratarse de una dependencia unidimensional o bidimensional, aunque normalmente en el trading estas dependencias se deben a la proximidad temporal entre operaciones. Si no estamos completamente convencidos de la independencia entre operaciones (como de hecho ocurre en la mayoría de estrategias), podemos aplicar algún test de contraste para detectar las dependencias; por ejemplo test basados en las rachas o el test de Ljung-Box.  

Las series demasiado largas, en mi opinión, no suponen mayor problema siempre y cuando el análisis se haga en dos etapas: En la primera realizamos una simulación rápida (con 500 muestras y un IC = 95% será más que suficiente) para determinar el DD máximo en una primera aproximación y calcular a partir de él el capital necesario para operar las estrategia. Hecho esto, realizamos una segunda simulación con el nivel de precisión requerido. 

Las demás situaciones mencionadas por Harris son evidentes y no nos detendremos en ellas. Sin embargo, me llama mucho la atención que este autor no haya puesto el dedo en la llaga sobre los dos verdaderos problemas de las simulaciones basadas en randomizar una única secuencia de operaciones:

1.- Son simulaciones “mono-hilo”.– Una serie de datos históricos describe un único escenario, un recorrido posible de entre las múltiples configuraciones que puede adoptar el binomio sistema-mercado.  Al reordenar aleatoriamente las operaciones lo único que obtenemos son variantes de ese escenario único: Las medias y las desviaciones serán las mismas, y los puntos de salida y llegada también. Otros elementos importantes en el análisis de una estrategia, como los tamaños de la peor y mejor operación o el porcentaje de aciertos, tampoco sufrirán modificación alguna. 

2.- Se destruyen las marcas temporales.– Muchas veces las operaciones ganadoras y perdedoras se acomodan a una pauta temporal. Por ejemplo, años de escasa volatilidad con rendimiento nulo o negativo son seguidos por años más volátiles y con fuerte sesgo tendencial en los que se obtienen beneficios extraordinarios. No digamos si además la estrategia saca partido de determinados procesos estacionales. Toda esta información se pierde inevitablemente al randomizar la secuencia de operaciones.  

MÉTODO II: AÑADIR RUIDO A LAS REGLAS DEL MODELO

Hay dos formas de hacerlo; modificando las reglas mismas o modificando los valores paramétricos. Por ejemplo, si una regla es:

SMA(200)[0] > Close[0]

Podemos introducir modificaciones cambiando el tipo de media (EMA, DEMA, TEMA, HMA, KAMA, etc.) o el punto de la barra a rebasar (Open, High, Median, Typical) y también alterando ligeramente sus valores de referencia (180, 190, 210, 220) o la barra en la que se verifica la condición (0, 1, 2). Si se trata de filtros, como por ejemplo de volatilidad, tendencia, momento o volumen) se puede introducir ruido eligiendo indicadores distintos pertenecientes a la misma familia. En algunas plataformas de Machine Learning esto puede hacerse con suma facilidad eligiendo un rango de indicadores, operadores y tipos de órdenes consecuentes con una lógica de base. Aunque aquí la dificultad radica en determinar si estas modificaciones son menores o estamos alterando la propia lógica. 

Una manera más sencilla de añadir ruido a las reglas del sistema es modificando los valores paramétricos en un rango específico. El procedimiento idóneo para esto es el que yo denomino RPR (Robust Parameter Randomiztion), variante del SPR de Dave Walton; “Know Your System! – Turning Data Mining from Bias to Benefit through System Parameter Permutation” (NAAIM, Feb. 2014) que consiste en extraer muestras “n” aleatorias del conjunto “m” de combinaciones paramétricas del sistema. Dichas combinaciones están acotadas a las horquillas de valores máximos y mínimos de cada  parámetro que se determinan durante el proceso de construcción. 

Los elementos clave del modelo RPR son:

1.- Preparación del modelo de simulación: Estático o dinámico, tamaño del histórico, time frame, número de activos, hiperparámetros del modelo.

2.- Determinación del espacio de búsqueda: Definir el universo de combinaciones posibles y elegir un número de muestras aleatorias para un nivel de precisión dado.

3.- Ratios diana o función objetivo: Criterios empleados para ordenar en un ranking las curvas de beneficios y resultados procedentes de cada combinación paramétrica.

4.- Filtros de aceptación y rechazo: Permiten descartar automáticamente las combinaciones paramétricas improductivas: No hay operaciones, demasiadas operaciones ambiguas (por ej. entrar y salir en la misma barra), períodos demasiado largos sin operar, posiciones huérfanas (que no se cierran nunca o están demasiado tiempo en el mercado), demasiadas posiciones abiertas, etc.

5.- Análisis de resultados:  Distribución del Net Profit, DDm y BMO. R/R globales y por períodos. Estudio de las curvas del beneficio y sus métricas específicas agrupadas por percentiles.  

6.- Análisis dinámico (Si procede): Requiere dividir el histórico en varios subperíodos y realizar simulaciones múltiples. Es bueno para estudiar la sensibilidad de las métricas R/R en distintas configuraciones de los mercados o marcoépocas y su evolución en el tiempo. Este tipo de análisis también permite hacer ajustes periódicos en las horquillas paramétricas en caso de que algunos valores óptimos se sitúen en los extremos de los rangos establecidos.       

7.- Criterios de ruptura: Determinación de los criterios de ruptura del sistema basada en los resultados del análisis multi-hilo. Normalmente los criterios se basan en la superación del DD de Montecarlo, reducción de la esperanza matemática o BMO y discrepancias en la distribución de operaciones observada y la teórica, empleando alguna prueba de contraste de hipótesis como el estadístico X² de Pearson.

Pongamos un ejemplo: 

Tomemos un sencillo sistema intradiario que opera a favor de la tendencia y tiene los siguientes parámetros, valores de salto y horquillas de máximos y mínimos determinados en la fase de diseño:

Ejemplo de sistema intradiario 

Como vemos, el número de combinaciones posibles es enorme y hace inviable un procedimiento exhaustivo de optimización. Por tanto, iniciamos un proceso de Montecarlo consistente en extraer n muestras aleatorias representativas del conjunto de la población.

Supongamos que tomamos como referencia del modelo la esperanza matemática o BMO y queremos un nivel de precisión de $0,5 para un nivel de confianza del 95% (z=1,96). 

El primer paso será realizar una simulación a pequeña escala que no nos lleve demasiado tiempo (por ej. 300-500 iteraciones) para aproximar la desviación de resultados: 

Obtenemos μ =$41,97 y   σ = $8,05 

Resolvemos la ecuación:

Así que redondeamos la simulación a 1.000 iteraciones. 

Para implementar el proceso aleatorio en una plataforma de trading tenemos dos opciones:

1. Introducir variables aleatorias en las reglas. Por ejemplo  crenado en C# series aleatorias:

private Random rand = new Random();

Para luego introducirlas en los parámetros como:

rand.Next(x,y). Donde x, y son los valores máximos y mínimos.

2. Si queremos evitar el inconveniente de hacer numerosas modificaciones en el código, podemos utilizar el optimizador genético poniendo el valor 1 para el número de generaciones y 1.000 para el tamaño de la población. Por ejemplo, en NinjaTrader:

De este modo, el algoritmo genético creará una población aleatoria de 1.000 elementos y el optimizador irá generando secuencialmente los resultados de cada combinación paramétrica. Luego no tenemos más que exportarlos a Excel para realizar nuestro análisis.

En las imágenes inferiores mostramos los gráficos de distribución del BMO, Net Profit y DDm:  

Como podemos ver el DD de Montecarlo oscila entre un máximo de -$20.884, al que no prestamos atención por tratarse de una configuración paramétrica de caso único y unos valores CDaR (Conditional Drawdown at Risk) de -$13.146 y -$14.960 para unos niveles de confianza del 95% y 99% respectivamente.

En la distribución del BMO el valor relevante es la mediana ($41,4) que nos servirá para determinar configuraciones de la estrategia sobreoptimizadas (por encima) e infraoptimizadas (por debajo). También interesa saber si en el marco histórico analizado existen combinaciones paramétricas con esperanza matemática negativa  y cuántas. En este caso vemos que el valor mínimo de la simulación es de $13,20. Por tanto, no hay curvas con rendimiento negativo en esta simulación, si bien veremos una enorme dispersión de resultados.

Nuestro siguiente paso es construir la tabla de percentiles para BMO y DDm: 

Los percentiles más altos de la tabla > 85% corresponden a un rendimiento extraordinario que pocas veces veremos en operativa real, mientras que el régimen normal de funcionamiento se sitúa en una ancha banda por encima (50%-80%) y por debajo (30%-50%) de la mediana. Los percentiles (5%-25%) evidencian un comportamiento pobre, que de no superarse en el tiempo, nos situarían en la zona de alarma. El rebasamiento de percentiles inferiores tiene dos lecturas:

• Estancamiento: Cuando el BMO se sitúa en los niveles más bajos por largos periodos pero el DDm. pero el DDm no alcanza niveles preocupantes. Si se prolonga por periodos inusualmente largos, podemos considerar la ruptura del sistema.

• Pérdidas inasumibles: El rebasamiento del DD de Montecarlo o CDaR al 95% certificaría la ruptura de la estrategia obligándonos a detener la operativa.  

El enfoque dinámico de este modelo tiene la ventaja de permitirnos rastrear en el tiempo las variaciones en la distribución del Net Profit, BMO y DDm y otros ratios clave. Con este tipo de análisis podremos estudiar tres cuestiones de capital importancia:

• Sensibilidad de la lógica del sistema a los diferentes regímenes del mercado: Alta o baja volatilidad y estructura alcista o bajista de fondo. 
• Efecto “Cisne Negro”: Comportamiento del sistema en situaciones extremas de los mercados. Por ejemplo, la crisis de 2008.  
• Deterioro progresivo: Desgaste acumulativo de la estrategia desde la fase de diseño en adelante. 

En el siguiente gráfico podemos ver una simulación dinámica (1.000 iteraciones x período) del BMO y DDm en intervalos temporales de 2 años: 

Como podemos observar ambos ratios experimentan considerables fluctuaciones en sus valores máximos y mínimos, lo que evidencia una alta sensibilidad de la estrategia a los cambios de marcoépoca. Particularmente, a las variaciones en la volatilidad media del mercado. Por lo que respecta al DDm, observamos un pico en el bienio 2016-17 lo suficientemente acusado como para ponernos en guardia ante posibles riesgos ocultos de la estrategia. Si bien el resto de los periodos son bastante estables considerando tanto la mediana como el CDaR.

Otro estudio interesante que nos permite el enfoque dinámico es la evolución de los valores paramétricos de referencia en los distintos períodos. Normalmente cuando se realiza una situación tipo  Walk-Forward se entrena el sistema en distintas regiones in-sample (IS) y se aplican las mejores combinaciones paramétricas de cada período de entrenamiento  a las regiones out-sample (OS), normalmente contiguas. Realmente no hay ningún motivo para elegir los mejores valores obtenidos en el IS como valores idóneos para el OS, salvo la creencia – por cierto bastante acrítica– en el Principio de Estabilidad: “Lo que mejor ha funcionado antes es lo que más probabilidades tiene de seguir funcionando en un horizonte inmediato”. 

En realidad podríamos razonar a la inversa y pensar que estas combinaciones idóneas para el IS, darán lugar en el OS a una progresiva, e incluso súbita, reducción del rendimiento, debido al fenómeno de la sobreoptimización. Lo cual no habría ocurrido si se utilizan combinaciones próximas a la mediana del “análisis multi-hilo” o incluso cualquier combinación elegida al azar dentro de la zona robusta.   

Precisamente para analizar la variabilidad paramétrica en el tiempo nos resultará de enorme utilidad este enfoque dinámico. En el gráfico inferior la evolución de los valores de máximo, mínimo rendimiento y próximos a la mediana de algunos parámetros clave: 

Como muestran estos gráficos, los parámetros de máximo y mínimo rendimiento fluctúan enormemente entre períodos, por lo que no hay ninguna garantía de que los mejores de un intervalo temporal sean también los mejores en intervalos contiguos. Esto es así debido a la propia dinámica de los mercados en los que los cambios de régimen se suceden de manera imprevisible.  

El método RPR, en su versión dinámica, permite ir más allá de una mera simulación de Montecarlo y realizar otros tipos de análisis como stress tests o pruebas de resistencia para identificar fallos en las reglas, errores en la determinación de las zonas robustas o el desgaste progresivo de la lógica con independencia de una configuración paramétrica dada.

 Esto último es lo que mostramos en el siguiente gráfico:   

Podemos caracterizar el desgaste de fondo como la regresión lineal de la mediana del Net Profit obtenido en cada una de las 6 simulaciones RPR.  Pese a que las combinaciones paramétricas de máximo rendimiento muestran un repunte en 2018, la pendiente de la mediana es negativa lo que evidencia una progresiva pérdida de sensibilidad de la lógica de base con independencia de los parámetros. 

En el próximo artículo seguiremos hablando de algunos aspectos importantes.