Espiritualidad basada en la evidencia: encontrar la paz personal por Brett N. Steenbarger, Ph.D.

Me gustaría llamar la atención sobre un libro reciente muy interesante y valioso, Mindful Cognitive Behavioral Therapy de Seth Gillihan, Ph.D. La Cognitive Behavioral Therapy es un marco popular para abordar problemas psicológicos al enseñar técnicas para cambiar nuestros patrones de pensamiento y acción. Lo que es único en el texto de Gillihan es el uso de la Cognitive Behavioral Therapy para mejorar la conciencia plena y el desarrollo espiritual. Según Gillihan, «La práctica de escuchar la llamada de nuestra voz interior, o espíritu, es lo que muchos llaman atención plena, y la terapia eficaz es una forma de responder a esa llamada». En lugar de emplear la Cognitive Behavioral Therapy para reemplazar los pensamientos negativos por constructivos y positivos, la terapia cognitivo-conductual consciente aquieta todo ese diálogo interno y lo reemplaza «con pensamientos, acciones y conciencia consciente que nutren todo nuestro ser».

En otras palabras, cuando aquietamos la mente y miramos hacia adentro, el resultado es una visión interior. O, en términos de Renovación Radical, al aquietar el ego, accedemos al alma. La idea de Gillihan es que los mismos métodos que nos ayudan a cambiar nuestros patrones de pensamiento también pueden ayudarnos a aquietarlos.

En términos más generales, estamos presenciando una revolución en la psicología. La espiritualidad, que alguna vez fue dominio de la filosofía y la religión, está encontrando apoyo basado en la evidencia en la investigación. Estamos descubriendo que el crecimiento espiritual promueve nuestro crecimiento personal; que una clave para la psicología del rendimiento se puede encontrar en la espiritualidad; que podemos entrenar la mente para la trascendencia. Estamos descubriendo que la gratitud cambia el cerebro; que las fortalezas espirituales también son claves para el bienestar psicológico; y que la espiritualidad impacta nuestro bienestar a través de comportamientos relacionados con la salud. A través de la espiritualidad, encontramos reducción del estrés y tantos otros beneficios para la salud mental que ha habido llamados a las profesiones de salud mental para que adopten las ideas y prácticas de la religión.

¿Qué pasaría si todos los principales enfoques de la ayuda psicológica pudieran dirigirse a encontrar la paz personal y la autoconciencia? Tal vez la psicología sea tan eficaz en la autotrascendencia como en la autorrealización. Y tal vez el rendimiento, en la vida y en los mercados financieros, sea menos una función de la «convicción» del ego y más relacionado con la intuición que llega a las mentes que están en paz.

El pequeño libro que aún vence al mercado por Joel Greenblatt

• Artículo publicado en Hispatrading 39.

Hoy hablaremos de un libro especialmente potente y a la vez sencillo de todos los que pueda encontrar hoy día en las estanterías de la sección “inversiones y bolsa”. Me refiero al libro “El pequeño libro que aún vence al mercado”, escrito por Joel Greenblatt y editado por Deusto. Esta edición es una actualización la primera edición. Con algunas pequeñas variaciones después de la crisis vivida en el 2008.

Para empezar, me gustaría hacerle una pregunta ¿Si tuviera que dejar escrita la esencia de su saber en un pequeño resumen a sus hijos? ¿Qué les diría? Bajo esta premisa Joel Greenblatt escribió este libro, resumiendo los consejos que ayudarían a sus hijos a tomar las mejores decisiones de inversión. Y no se trata de una persona cualquiera, sino de uno de los inversores con mejor trackrecord de todos los que pisan el globo terráqueo. Convertir 2 dólares en más de 100 en 15 años tiene mérito. ¿No? Él lo ha conseguido.

En este libro el sr. Greenblatt nos ayuda a entender que encontrar una empresa con fundamentos interesantes no está reservada solo a los inversores más expertos sino que cualquiera puede saber cómo se hace. Greenblatt nos explica como podemos basarnos en dos conceptos sencillos para encontrar buenas empresas. Lo rentable que es y el precio que tiene. Con un estilo sencillo y directo, detalla su filosofía de inversión a lo largo de este breve y ameno libro. Desde el capítulo primero, es capaz de sumergirnos en el mundo de las inversiones con una facilidad solo al alcance de alguien que sabe entretener a un niño. Para esto comienza su explicación utilizando el negocio de un compañero de clase de uno de sus hijos y nos expone la disyuntiva a la que tenemos que hacer frente al decidir dónde invertir. Jason, la limusina y su negocio de chicles son la excusa perfecta para hacer entender a alguien que nunca ha leído nada de finanzas lo que tiene que buscar exactamente en una empresa.

¿Cuál es la filosofía de inversión que podrá encontrar en el “El pequeño libro que aún vence al mercado”? El factor fundamental lo determina, según nos explica el autor, el precio que hemos pagado por él. Por ejemplo, utilizando el ejemplo de Jason y su negocio de chicles pero de una forma un poco más “adulta” piense en lo siguiente. Si le vendo el 20% de mi empresa y esta gana 10.000 dólares cada año, usted tendrá derecho a recibir 2.000 dólares anuales. La gran pregunta que nos debemos hacer fijándonos en la rentabilidad es ¿cuánto estaría dispuesto a pagar por recibir esa cantidad? Ahí está el arte de la inversión. Obviamente si pudiera comprarla por una cantidad ridícula, por ejemplo 50 dólares, diría que es una buena compra. Por el contrario, si le pidiera el precio equivalente a las ganancias que supuestamente daría la empresa en los próximos 100 años me diría que estoy loco. Pues bien, todo dependerá del tiempo en que usted piense que puede recuperar su inversión. Lo que supone intentar adivinar el futuro. Y en esto, somos bastante mediocres.

Pero ¿si somos tan mediocres hablando del futuro? ¿Cómo podemos determinar el valor de la compañía según Greenblatt? Propone algo más sencillo, fijarnos en lo que ganó la empresa el último año. El gran problema de ver solo lo que gana una empresa es que puede esta ser muy cara, independientemente de lo que gane, y nosotros desconocerlo si no vemos más que este dato. Por otro lado puede necesitar endeudarse mucho para conseguir esa cifra. Por esto él se fija en dos ratios propios, similares a dos que se suelen utilizar a menudo en la inversión en valor, para determinar la rentabilidad de una empresa y el precio que tiene. Es lo que se ha llegado a conocer como la “magic formula”. ¿Quiere probar usted mismo? Le dejo la página web en la que podrá hacer sus pruebas usando las fórmulas que él propone, a https://www.magicformulainvesting.com Espero que disfrute de la lectura de este interesante libro.

¿Qué va a pasar en el mercado de valores el próximo año? por Ben Carlson

Un lector pregunta:

Sé que nadie puede predecir el futuro… pero solo entre nosotros, ¿qué va a pasar con el mercado de valores el próximo año? No estoy seguro de poder aguantar otro año como 2022.

La vida sería mucho más fácil si supiera la respuesta a esta pregunta.

Supongo que la buena noticia es que realmente no tiene que ver mucho un año con otro.

Realicé un simple análisis de los rendimientos anuales promedio para mostrar los rendimientos anuales promedio después de un año al alza o un año a la baja para el mercado de valores de los Estados Unidos que se recaen a 1928.

Los resultados no ayudan mucho:

El rendimiento promedio después de un año ascendente fue del 9,8 %

El rendimiento promedio después de un año descendente fue del 9,2 %

Podríamos desglosar las cosas aún más con solo mirar los peores años desde 2022 caerán en esa categoría.

Sin incluir este año, solo ha habido 11 años de dos dígitos desde 1928, por lo que es relativamente raro.

Si simplemente miráramos este pequeño tamaño de muestra, podría ofrecerle un giro positivo o negativo basado en estos grandes años descendentes y sus rendimientos posteriores.

Este es el giro positivo:

Más de la mitad de las peores pérdidas del pasado fueron seguidas por enormes ganancias. Bastante bien, ¿verdad?

Ahora aquí está el giro negativo:

Todos los demás grandes años de baja fueron seguidos por nuevas pérdidas, a veces superiores a la del año anterior.

Según el histórico, deberías esperar ver grandes pérdidas o grandes ganancias el próximo año. Todavía no hay mucha claridad.

Ahora estoy seguro de que algunos de vosotros estáis pensando, pero espera Ben:

¿Cuántas veces ha subido el mercado de valores cuando la Reserva Federal está en un ciclo de endurecimiento?

¿Cuántas veces ha subido el mercado de valores cuando la inflación se mantiene muy por encima de la media?

¿Cuántas veces ha subido el mercado de valores cuando parece que hay una probabilidad tan alta de recesión?

¿Cuántas veces se levantó el mercado de valores mientras los Detroit Lions estaban en la contienda de los playoffs?

¿Cuántas veces ha subido el mercado de valores cuando las tasas de interés han subido tan precipitadamente?

Todos los puntos justos.

Mi único contrapunto es este: el mercado de valores es inherentemente impredecible a corto plazo porque el mundo es impredecible.

¿Cuántas personas a finales de 2019 pronosticaban una pandemia en 2020 que causaría confinamientos, millones de personas trabajando desde casa, la peor impresión trimestral del PIB en la historia económica moderna y la mayor respuesta al gasto del gobierno desde la Segunda Guerra Mundial?

Entrando en este año, ¿cuántas personas predijeron que el dictador de Rusia invadiría un país inocente causando trastornos en los mercados de alimentos y energía? ¿O la tasa de inflación más alta en 4 décadas? ¿O la Reserva Federal apoyando activamente la caída del mercado de valores?

Esto no estaba en ninguna de las perspectivas de 2022 que eré a la vista.

Jonathan Ferro de Bloomberg publicó las previsiones del mercado de valores de fin de 2022 de todos los grandes Wall Street a principios de año:

El rango de estos 14 pronósticos fue de 4.400 a casi 5.400.

Al momento de escribir este artículo, el S&P cotiza a menos de 3.800.

El punto aquí no es investigar lo que dice la gente de Wall Street que hace pronósticos. Eso es parte de su trabajo.

Es para mostrar lo ridículo que es pensar que tienes la capacidad de predecir lo que va a suceder durante cualquier período de un año.

Claro, alguien a la fuerza tendrá suerte de vez en cuando visto el sinfín número de personas que tenemos haciendo predicciones en estos días.

Pero no tengo ni idea de lo que va a pasar en 2023 y nadie más tampoco.

Esta es la razón por la que creas un plan de inversión en primer lugar. Si supieras lo que iba a pasar cada año, no habría razón para tener un plan.

El proceso de planificación debe incluir establecer expectativas realistas, jugar con las probabilidades y hacer correcciones de curso en el camino.

La planificación no debe incluir hacer predicciones a corto plazo sobre lo que va a suceder en el mercado de valores.

Es un recado de tonto.

Hablamos sobre esta pregunta sobre el último rescate de la cartera:

Bill Sweet me ayudó a vaciar nuestra bandeja de entrada para responder preguntas sobre inflación, ETF, encontrar un CPA, Roth IRA, impuestos sobre materias primas y más.

Nuestro ratio de Sharpe mental por Brett N. Steenbarger, Ph.D.

Todos estamos familiarizados con el ratio de Sharpe, que calcula la cantidad de riesgo en el que incurrimos (drawdown) para una cantidad determinada de ganancias. Un Sharpe positivo, pero bajo, significa que hemos ganado dinero durante el período de tiempo relevante, pero que incurrimos en un pequeño drawdown en el camino. Un Sharpe alto y positivo significa que hemos ganado dinero con una curva relativamente suave: una tendencia constante en lugar de agitada. Considere lo que yo llamo la Ratio Mental de Sharpe. ¿Cuánto capital mental gastamos por unidad de ganancia obtenida? Si ganamos dinero, pero nos encontramos emocionalmente agotados, frustrados o ansiosos en el camino, sería un índice de Sharpe positivo pero un Sharpe mental negativo. Si perdemos dinero mientras aprendemos una nueva estrategia, pero encontramos el proceso intelectualmente estimulante, competitivamente desafiante y positivamente atractivo en términos de trabajo en equipo, entonces tenemos un ratio de Sharpe negativo, pero un Sharpe mental alto y positivo.

Gran parte de la psicología del trading o psicotrading se centra en reducir los drenajes de capital mental. Eso es útil, pero solo hará que un Ratio Mental Sharpe negativo sea menos negativo. Si nos acercamos a los mercados de manera que hagamos uso de nuestras mayores fortalezas, intereses y valores, entonces nuestro trading debería *darnos* energía. Es como una relación romántica. Un buen compañero de vida nos inspira y saca lo mejor de nosotros. Un trabajo es a menudo agotador, no una vocación.

Si se encuentra trabajando en su psicología día tras día, es como estar en un matrimonio en el que tiene que trabajar constantemente. Algo no está bien. El ajuste podría no estar allí; lo que estás haciendo probablemente no sea tu vocación. Revise sus períodos más positivos de Ratio Mental de Sharpe: es muy probable que eso sea lo que debe hacer en sus operaciones. Revise sus períodos más altos de Ratio Mental de Sharpe fuera del trading: eso es lo que debe hacer con su vida.

¿Cuánto tardará la inflación en alcanzar el objetivo del 2% de la Fed? por Ben Carlson

La inflación finalmente está desacelerando.

Hemos pasado de una tasa de ejecución anual de más del 9% a alrededor del 7%.

Esta aún no podemos decir que es «misión cumplida», pero el hecho de que hayamos obtenido un puñado de datos de inflación que van en la dirección correcta es un buen comienzo.

A pesar de que los últimos 3 meses de inflación han llegado a una tasa anualizada del 3,7 %, la Fed no está impresionada.

Jerome Powell y su equipo quieren llevarlo a un nivel más razonable. Dicen que es el 2%.

¿De dónde viene su objetivo de inflación del 2%? Habría que preguntarles a ellos.

Cuando se le preguntó esta semana si considerarían cambiar ese objetivo, Powell dijo enfáticamente que no, nada, no, no va a suceder:

Eso es simplemente: cambiar nuestra meta de inflación es algo en lo que no estamos pensando, y es algo en lo que no vamos a pensar. Tenemos una meta de inflación del 2 por ciento y usaremos nuestras herramientas para que la inflación vuelva al 2 por ciento. Creo que no es el momento de pensar en eso. Quiero decir, puede haber un proyecto a más largo plazo en algún momento. Pero eso no es donde estamos en absoluto. El Comité, no estamos considerando eso. No vamos a considerar eso bajo ninguna circunstancia. Vamos a… vamos a mantener nuestra meta de inflación en el 2 por ciento. Vamos a usar nuestras herramientas para que la inflación regrese al 2 por ciento.

En este punto, no estoy seguro de si la Fed realmente cree esto o si simplemente no quiere que los mercados despeguen antes de tener la inflación un poco más bajo control.

El tiempo dirá.

Si se toman en serio ese objetivo de inflación del 2%, la historia dice que podría no ser tan fácil como creen.

En los últimos más de 90 años, la tasa de inflación promedio en los Estados Unidos ha sido un poco más del 3 % anual:

El problema es que existe una amplia variación en torno a ese promedio a largo plazo. La Fed puede tener un objetivo en mente, pero la inflación en sí misma es un objetivo móvil.

Esta es la forma en que funcionan los promedios, pero es interesante notar que desde 1930, la tasa de inflación anual ha estado entre el 1 % y el 3 % solo el 39 % del tiempo.

Eso significa que más del 60% del tiempo la inflación ha estado por debajo del 1% o más del 3%.

La tasa de inflación objetivo de la Reserva Federal ha estado en la minoría de los entornos económicos históricos en este país.

E incluso si la Fed puede volver al objetivo, es probable que tenga que ser paciente para llegar a ese lugar.

Una de las razones por las que es tan difícil perjudicar un entorno altamente inflacionario es que hay muy pocos precedentes históricos.

Todo el mundo de cierta edad señala la década de 1970 como el coco inflacionario. Nadie que haya vivido eso quiere que se repita ese período.

Si bien la Reserva Federal dirigida por Paul Volker eliminó la inflación de dos dígitos de finales de los 70 y principios de los 80, la inflación tardó mucho en alcanzar el objetivo actual de la Fed:

La inflación estaba descendiendo desde un nivel mucho más alto en ese entonces, pero después de alcanzar un máximo de casi el 15 % en 1980, la inflación no bajó del 3 % hasta 1983.

No bajó del 2% hasta 1986.

De hecho, la inflación fue del 4% o más durante casi el 60% de la década de 1980. Fue solo del 3% o menos solo durante el 14% de la década.

La década de 1980 tuvo una inflación relativamente alta y la economía y el mercado de valores funcionaron bien.

Era un ambiente desinflacionario pero ciertamente no un ambiente de baja inflación.

El único otro momento además de la década de 1970 en que experimentamos una inflación severamente alta en tiempos económicos modernos fue en la década de 1940:

La década de 1940 podría ser una de las décadas más salvajes registradas en lo que respecta a la estabilidad de precios (o la falta de ella).

Obviamente, la Segunda Guerra Mundial tuvo mucho que ver con eso.

La década comenzó con una inflación básicamente del 0%. Rápidamente se disparó a niveles de dos dígitos, alcanzando más del 13% en la primavera de 1942.

El cambio de precios se desaceleró considerablemente a partir de ahí, pero tomó 19 meses para que la tasa anual cayera por debajo del 3%. Pasaron casi dos años completos antes de que la inflación cayera por debajo del 2% anual.

La inflación se mantuvo relativamente tranquila en los últimos años de la guerra, pero el auge de la posguerra hizo que los precios se dispararan.

La gente estaba más acostumbrada al ciclo de auge y caída de la inflación a la deflación y viceversa después de los tiempos de guerra, pero la inflación en este período no fue una broma, alcanzando casi el 20% en la primavera de 1947.

Nadie mira hacia atrás como un momento de dolor económico, principalmente porque la gente estaba muy feliz de que la guerra hubiera terminado, pero la inflación de ese período no dejó cicatrices duraderas.

Fue una época de auge en la economía estadounidense desde finales de la década de 1940 hasta la década de 1950, incluso con un puñado de recesiones menores en el camino.

La inflación se derrumbó una vez más desde esos niveles, pero tardó casi dos años en llegar al 2%.

Y la inflación no se estabilizó simplemente a ese ritmo una vez que llegó allí. La inflación máxima del 19,7% terminó en una deflación que duró más de un año.

Luego hubo 14 meses consecutivos de registros de inflación decrecientes (es decir, deflación) desde la primavera de 1949 hasta la primavera de 1950.

Un tamaño de muestra de dos ocasiones no es suficiente para sacar conclusiones concretas. Ciertamente es posible que la inflación caiga más rápido esta vez.

Sin embargo, tiene sentido que la inflación tarde algún tiempo en caer. La economía estadounidense es tan grande y dinámica que es difícil que cambie de rumbo en un santiamén.

La Fed parece seria acerca de alcanzar su objetivo del 2%, pero es probable que no suceda de la noche a la mañana.

Tendrán que ser más pacientes o correr el riesgo de enviarnos a una espiral deflacionaria si son demasiado duros con las subidas de tipos de interés.

Creo que es importante tratar de evitar una recesión en la medida de lo posible y ser paciente cuando se trata de inflación.

Esperemos que la Fed entienda que la paciencia es una virtud.

Análisis Técnico para Inversores Fundamentales: Introducción por Brandon Beylo

“Los inversores fundamentales que dicen que no van a prestar atención a los gráficos son como el médico que dice que no le  tomará la temperatura a un paciente”. –Bruce Kovner

Bruce Kovner pasó de taxista a Market Wizard.

¿Cómo lo hizo?

La respuesta corta: leer los gráficos y respetar el riesgo.

Kovner aprovechó tanto los fundamentos como los aspectos técnicos para convertirse en un trader multimillonario.

Sin embargo, hoy en día, ambos campos siguen arraigados en sus respectivas ideologías.

Los inversores fundamentales desprecian el análisis técnico («AT»). Para ellos, es otra forma de astrología. ¿Por qué perder el tiempo estudiando un gráfico de precios si los fundamentos del negocio impulsan la dirección del precio de las acciones a largo plazo?

Por otro lado, los traders técnicos asignan valor cero a la ventaja competitiva fundamental de una empresa, el poder de marca, la expansión del foso o los efectos de red. Nada de eso importa. Para el técnico, el precio lo es todo.

Hay innumerables artículos que describen el valor del análisis fundamental. Sin embargo, pocos artículos describen (de forma sencilla) el poder del análisis técnico para el inversor fundamental.

Es por eso que escribí este artículo: Análisis Técnico para Inversores Fundamentales.

Aquí está la parte crítica: no tiene que utilizar el análisis técnico en su trading para beneficiarse de él. 

Cubriremos los conceptos básicos básicos del análisis técnico, nada más. Específicamente, discutiremos tres temas clave:

• Médias móviles
• Soporte y Resistencia 
• Patrones gráficos clásicos

Terminaremos el manual con Edge Stacking, una lección que combina las tres habilidades anteriores en un protocolo de gestión de trading.

Antes de adentrarnos en la pieza, quiero dejar una cosa absolutamente clara. 

El análisis técnico no es una herramienta de predicción.

El análisis técnico no le dice adónde irá el precio.

El análisis técnico simplemente ayuda a un traders a comprender las probabilidades y ayuda en la gestión de riesgos. Eso es todo

¿Estás listo para agregar otro modelo a tu entramado de herramientas?

Médias móviles

Comencemos con el indicador técnico más básico jamás codificado, la media móvil. Las medias móviles son simplemente el promedio acumulativo de los precios de las acciones.

Hay algunas versiones muy seguidas de las medias móviles, en particular:

• 20 días
• 50 días
• 100 días
• 200 días

Las medias móviles funcionan en un espectro que va desde el trading a corto plazo hasta la inversión a largo plazo. Las operaciones de cambio a corto plazo utilizarán la media móvil de 20 o 21D.

Lo más importante que debes recordar es hacer coincidir la media móvil con tu horizonte temporal de inversión (es decir, días más altos para horizontes más largos, etc.).

Pero, ¿por qué usar medias móviles?

Las medias móviles son excelentes filtros de tendencias (tanto alcistas como bajistas). Aquí está la lección fundamental de las medias móviles:

• Las acciones por encima de sus medias móviles tienden a continuar al  alza
• Las acciones por debajo de sus medias móviles tienden a continuar a la baja

Por ejemplo, mira el gráfico semanal de Costco (COST) (Fundamental/compounder-bros se relaciona con COST):

COST es un poderoso ejemplo de unir técnicas con fundamentos.

Un inversor fundamental podría analizar el modelo comercial, el foso y las ventajas competitivas de COST. Se da cuenta de que es un negocio increíble que vale la pena mantener a largo plazo.

Sin embargo, ¿qué pasaría si agregara una regla técnica simple: » Solo venderé mis acciones de COST si realizan un cierre semanal por debajo del promedio móvil de 200D». 

Todavía estaría dentro de la operación si hubiera seguido la regla anterior. ¿Quién dijo que el análisis técnico está reservado para los traders a corto plazo?

El análisis técnico permite al inversor fundamental obtener más beneficios que un enfoque estricto basado en el valor. 

Dicho de otra manera, ¿cuántos inversores de valor habrían vendido en algún momento a lo largo de los 12 años porque “las acciones estaban demasiado caras”?

Usemos otro ejemplo, Domino’s Pizza (DPZ), pero esta vez en un marco de tiempo a más largo plazo (gráfico mensual):

Los inversores fundamentales dicen que DPZ es un negocio fantástico con un ROIC extraordinario. ¿Cómo podemos incorporar un enfoque técnico a la gestión comercial? Al igual que COST, ¿podemos usar en análisis técnico para obtener una ventaja cuando solo tenemos ganas de gritarnos a nosotros mismos “¡VENDE!”?

Supongamos que añadimos una regla técnica más: compre DPZ en un desglose mensual por encima de la media de 50 días y solo venda en un cierre mensual por debajo de esta misma media

Una vez más, esa regla nos hubiera mantenido en la operación durante los siguientes 12 años mientras la capitalización sigue creciendo.

Igualmente importante, examinemos cómo las medias móviles pueden mantener a un inversor fuera de las operaciones y alejado de los cuchillos mientras caen.

Mira el gráfico semanal de Sea, Ltd (SE) a continuación:

Hay dos formas en que un inversor fundamental puede aprovechar las medias móviles:

• No aumentar mi posición en largo si la acción está por debajo de su 50MA en el marco de tiempo semanal
• Salga de la posición si la acción realiza un cierre semanal por debajo de la media móvil de 50 semanas.

Como mencionamos anteriormente, las medias móviles no son la panacea; nada del análisis técnico lo es. FB es un excelente ejemplo de haber realizado un cierre semanal por debajo de la media móvil de 50 días, solo para girar al alza (ver más abajo).

Quiero hacer una nota final antes de pasar a los Soportes y Resistencias. Las medias móviles son una excelente herramienta para detectar caídas «falsas».

ROKU es un ejemplo de esta idea. Consulte el gráfico diario de ROKU a continuación.

Primero, repasemos nuestra lista de verificación de medias móviles. La acción está por debajo de la media de 50 y 200 periodos. Esto debería aumentar la probabilidad de ver precios más bajos en el futuro (nuevamente, ¡solo podemos usar probabilidades ya que análisis técnico no es una herramienta de predicción!).

Observe cómo ROKU no pudo recuperar la media móvil de 50 a lo largo de su tendencia bajista (círculos rojos). Cada vez que fallaba, cotizaba a la baja. De ahí la expresión “escaleras mecánicas arriba, ascensores abajo”.

A continuación, analicemos el soporte y la resistencia. 

Soporte y Resistencia

Un gráfico de cotizaciones es una representación visual de todos los participantes del mercado. Muestra los sesgos, la psicología, las fortalezas y las debilidades de cada persona.

El soporte y la resistencia son simplemente los reflejos de los sesgos de todos los participantes del mercado hacia puntos de precio específicos.

Hay dos cosas para recordar sobre los soportes y resistencias: 

• Las acciones que tienen niveles específicos de soporte (o resistencia) ofrecen sólidas apuestas en largo (o cortas) de riesgo/recompensa.
• Las acciones que rompen niveles específicos de soporte (o resistencia) proporcionan interesantes posiciones cortas (o largas) de riesgo/recompensa.

Sumerjámonos directamente en los gráficos para ver a qué me refiero. En primer lugar, mira el gráfico diario de Highpoint Resources (HPR) a continuación.

HPR estuvo en rango entre un soporte ($50/acción) y una resistencia ($110/acción) durante meses.

De repente, HPR rompió su soporte en $ 50 por acción, lo que indica un cambio potencial en la psicología colectiva de los participantes del mercado. 

La acción rompió el soporte por debajo de su 50MA y nunca miró hacia atrás. De hecho, HPR se declaró en quiebra en marzo de 2021.

Supongamos que HPR parecía fundamentalmente barata (negociándose a un P/E bajo, P/B bajo, etc.). Sin embargo, si un inversor fundamental aprovechara el soporte y la resistencia, esperaría una ruptura de ese canal o no compraría si rompiera el soporte.

Usemos un ejemplo de Compounder-Bro, como Autozone (AZO). Consulte el gráfico semanal de AZO a continuación.

Mira la línea que dibujé en el gráfico. ¿Qué notas al respecto?

AZO no realizó un cierre semanal por encima de la línea de ~$1250/acción. Ese en ningún momento fue el punto de resistencia. 

Sin embargo, mira lo que sucede cuando AZO realiza un cierre semanal por encima de esa línea de resistencia. La acción se agita más alto y nunca mira hacia atrás.

Al igual que el ejemplo de soporte, hay dos cosas que un inversor fundamental puede hacer con esta información:

• Compre (o añada) la posición AZO 
• Mantener una posición actual a pesar de la «sobrevaluación» fundamental. 

El inversor de valor que comprende el potencial del análisis técnico podría pensar que AZO está más cara cuando rompe la resistencia… Pero no vendería.

¿Por qué? Porque romper la resistencia da más peso a la probabilidad de ver precios más altos en el futuro.

Usemos POWW como un ejemplo reciente de soporte y resistencia.

Consulte el gráfico diario a continuación.

POWW pasó 128 días negociando entre $2/acción y $3/acción. Un día, rompe su nivel de resistencia de $ 3 por acción y sube más alto en su camino a $ 10 por acción.

Eso es genial… Pero, ¿cómo puedes tú, inversor fundamental, aprovechar este conocimiento? De nuevo, hay cosas que podrías haber hecho:

• Comprar (o añadir) POWW cuando cerró por encima de su punto de resistencia
• Mantener una posición larga ya existente

Podemos usar este gráfico para explicar cómo el uso de técnicas ayuda a un vendedor en corto fundamental. Si soy un vendedor en corto y veo que POWW rompe esa resistencia de $ 3 por acción, estaré haciendo una de dos cosas:

• Cerrar cualquier posición corta inmediatamente
• Esperando a una entrada en corto en una ruptura de soporte a un precio más alto (mejor Riesgo/Recompensa)

Recuerda, el análisis técnico así como los niveles de soporte y la resistencia NO tiene por qué ser algo complejo. Cuanto más simple, mejor.

Finalmente, analicemos mi forma favorita de hacer análisis técnico, los gráficos clásicos. 

Gráficos Clásicos: En realidad son solo líneas en un gráfico

Los gráficos clásicos aprovechan los patrones geométricos que identifican los puntos de soporte y resistencia en un gráfico de acciones para estructurar las transacciones (entradas y salidas).

Dado que mantenemos este manual a un nivel básico, solo hay cuatro «patrones» que debe conocer:

• Rectángulo
• Taza con asa
• Cabeza y hombros (inverso)
• Triángulos (Ascendente/Descendente)

Lo más importante que debes recordar es que los gráficos clásicos ayudan a ver los puntos de soporte y resistencia con mayor claridad. Lo que permitirá detectar esos puntos en un gráfico más fácilmente con el tiempo.

Mira el gráfico de POWW nuevamente. Eso es un patrón de rectángulo. ¿La gráfica de AZO? Una taza con asa.

Los nombres no importan. Lo que importa es que le permiten al trader o inversor asignar probabilidades sobre cómo podría desarrollarse la acción del precio.

Así es como operaría con POWW y AZO al estilo de un un chartista clásico:

• POWW: Compraría en la vela de ruptura por encima de la línea de resistencia de $3/acción. Luego colocaría un stop-loss por debajo del mínimo de la vela de ese día.
• AZO: Compraría el cierre semanal (viernes) por encima de su nivel de resistencia y pondría un stop-loss por debajo del mínimo de la vela de esa semana o la semana anterior.

Lo que es más importante, los gráficos clásicos permiten al trader fundamental aplicar el conocimiento técnico de Edge Stack en un gráfico para crear la imagen más transparente de la acción potencial del precio.

Esto es lo que quiero decir.

Uniéndolo todo

Edge Stacking incorpora cada una de las tres lecciones de AT que hemos aprendido en este manual. Aquí está el flujo de trabajo:

1. Comienza con la media móvil.

Deseas saber dos cosas sobre una acción en esta etapa:

• ¿En qué período de tiempo estoy viendo este gráfico? ¿Diario, Semanal o Mensual?
• ¿Está el precio de las acciones por encima o por debajo de mi media móvil crítica (20D, 50D, 200D)?

Esto es crucial en el flujo de trabajo porque debe dictar el sesgo que asignas a la posible acción futura del precio.

Recuerda, una acción por debajo de sus promedios móviles clave tiende a continuar a la baja. Una acción por encima de su promedio móvil clave tiende a moverse más alto.

2. Identifica los puntos de soporte y resistencia 

Nuevamente, deseas identificar tres cosas sobre un gráfico en esta etapa:

• ¿Dónde está la línea de soporte (o precio)?
• ¿Dónde está la línea de resistencia (o precio)?
• ¿Hacia qué punto se dirige el precio de las acciones, soporte o resistencia?

Si una acción cotiza por debajo de su media móvil clave, deberíamos buscar precios que alcancen niveles de soporte para una compra o una venta si supera ese punto.

Por otro lado, si la acción está por encima de su media móvil, debemos buscar precios que alcancen puntos de resistencia clave para nuevas compras (o adiciones) o salir de cualquier posición corta.

3. Utiliza patrones clásicos para estructurar una operación

Finalmente, estructura la operación (ya sea larga o corta) a través de un patrón de gráficos clásico. Esto podría ser un rectángulo, cabeza y hombros, o taza con asa.

Recuerda, el objetivo de los patrones clásicos es identificar las posiciones de entrada y salida para crear una entrada rentable de riesgo/recompensa.

Conclusión: construir sobre esta idea 

Solo arañamos la superficie en el análisis técnico en este artículo. Pero ese era el punto. Si es inversor que se mueve solo por los fundamentos, no necesita aprender todo acerca del AT.

Recuerde, un gráfico de acciones es solo una representación visual de las emociones, los deseos y la psicología de millones de participantes del mercado.

Trading automatizado: ¿amigo o enemigo del trader retail algorítmico? por Kevin Davey

La mayoría de las personas que comienzan a operar utilizan un enfoque discrecional. Es decir, toman decisiones de compra y venta basadas en cosas como noticias, patrones de gráficos simples y el consejo de los comentaristas de la televisión. Las razones para empezar a hacer trading ya no parecen tan importantes como las emociones durante el trading. Los sentimientos como la esperanza, el miedo, la codicia, el estrés y la ansiedad suelen dar lugar a malas decisiones.

Debido a que sus emociones se interponen en el camino del buen trading, muchas personas evitan el trading discrecional. Conocen las desventajas de hacer trading bajo coacción y, por lo tanto, buscan eliminar todas las emociones. Eso lleva a muchas personas a gravitar hacia el trading «sin emociones», como el uso de programas automatizados, el trading algorítmico, los sistemas o señales alquiladas, el uso de un asesor de trading de materias primas, etc.

Desafortunadamente, no es posible eliminar por completo las emociones en el trading. Si bien es cierto que las emociones pueden manifestarse de diferentes maneras para diferentes tipos de operaciones, los sentimientos nunca desaparecen. Esto es especialmente cierto para el trading automatizado que muchas personas consideran sin emociones.

El atractivo del trading automatizado es fuerte: simplemente haga que una computadora decida cuándo apretar el gatillo para abrir una operación. ¡La computadora no se inmuta y siempre hace lo que se le indica!

Es una forma conveniente de operar pero, por difícil que sea de creer.

¿Es bueno el algoritmo?

Primero, para operar con un algoritmo automatizado, el operador debe creer en la estrategia. La mayoría de los traders automatizados descuidan este aspecto importante y su falta de confianza en la estrategia genera todo tipo de problemas.

Primero, el trader tendrá poca confianza en la estrategia; algunas malas operaciones y apagará la estrategia y abandonará. En segundo lugar, la mayoría de los operadores comenzarán a operar en vivo utilizando un algoritmo solo después de una racha positiva de señales o una racha ganadora. Dado que las rachas ganadoras eventualmente se convierten en rachas perdedoras, muchos traders comienzan a operar en vivo en el peor momento.

¡Imagínese el miedo, la ira y el estrés involucrados en comenzar a operar en vivo en un pico de capital, solo para ver un drawdown inmediato!

¿Cómo genera confianza un trader en un enfoque automatizado? La forma más sencilla es tener un proceso sólido de desarrollo de estrategias, uno que pueda producir estrategias rentables de manera consistente y objetiva. Sabiendo que tienen un enfoque de desarrollo sólido, al trader le resultará mucho más fácil dejar que el algoritmo solo opere.

¿Qué pasa cuando algo sale mal?

El trading automatizado puede, en teoría, ejecutarse de día o de noche, y el trader no tiene que estar pegado a la pantalla. Por supuesto, existen peligros en el trading desatendido, ya que las cosas pueden salir mal y salen mal.

¿Qué hace un trader cuando algo sale mal?

La respuesta obvia es que debe sincronizar las posiciones de estrategia del mundo real y de la computadora lo antes posible. Pero a veces eso es difícil de hacer.

Digamos, por ejemplo, que el algoritmo generó una señal para ir en largo, nunca se entró en la operación y luego el precio se disparó. ¿Entra de inmediato, renunciando a la pérdida de ganancias, o espera un retroceso?

Muchas personas esperarán un retroceso, en un intento desesperado por recuperar las ganancias perdidas. Este movimiento de acción del precio genera mucha ira, codicia y ansiedad, hasta que la automatización vuelve a la normalidad.

Para sortear las emociones inesperadas de «fallo técnico», el trader debe tener un plan por escrito. Con el plan de contingencia, el trader simplemente necesita seguir lo que dice, sin emociones. Si las emergencias se toman en cuenta adecuadamente, se vuelve relativamente fácil y desprovisto de emoción.

¿Cuándo lo enciendo/apago?

Aunque tener confianza en la estrategia y tener instrucciones escritas para seguir cuando las cosas van mal puede reducir las emociones del trading automatizado, la mayoría de las personas dejan que sus emociones tomen el control cuando se trata de activar o desactivar el algoritmo.

Por supuesto, desactivar un algoritmo anula el propósito de tenerlo, sin embargo, muchos traders hacen precisamente eso. Ya sea que se trate de un sentimiento sobre un mercado, una reacción a un informe de noticias o simplemente una necesidad de sentirse «bien», un trader a menudo saboteará el algoritmo al no seguirlo exactamente.

Cuando el resultado final es positivo para el trader, lo verá como una confirmación de que aplicar discreción al algoritmo es una buena idea. Si el resultado final es negativo, normalmente se culpará a la estrategia, no al trader.

La solución para superar esta mentalidad de «encendido/apagado» es simplemente seguir el algoritmo al 100%,sin duda, y ciertamente con la posibilidad de anulación. El algoritmo aún podría fallar eventualmente, y el trader podría tener que dejar de operar con él, pero eso se debe al rendimiento del algoritmo, no al resultado de un trader entrometido.

***
El trading automatizado se ha convertido en una bendición para muchos trader. Tiene muchos beneficios positivos, y se recomienda a la mayoría de los trader que busquen la automatización. Pero una cosa que el trading automatizado no hará es eliminar las emociones.
Las emociones pueden ser diferentes de las experimentadas con otros tipos de trading, pero la conclusión es que cuando hay dinero de por medio, las emociones también están presentes. Un trader nuevo en el trading automatizado haría bien en darse cuenta de esto y prepararse desde el principio.

Un nuevo entorno de mercado en el corto plazo por Greg Placsintar

• La facilidad de acceso a los mercados financieros y a todos sus productos está cambiando las dinámicas en el corto plazo. En el largo plazo siguen rigiendo las valoraciones, los fundamentales y los flujos de dinero. Sin embargo, vemos que el creciente uso de derivados tiene un peso cada vez mayor en los movimientos diarios y semanales de los principales índices.
• Artículo publicado en Hispatrading 51.

En el anterior artículo, publicado en el número 49 de Hispatrading Magazine, titulado “Las reglas del juego han cambiado: La cola mueve al perro en el mercado de opciones”, explicamos el papel que tienen los market makers o creadores de mercado y cómo las coberturas de su libro generaban movimientos significativos en los mercados debido al mencionado incremento del volumen de opciones negociadas.

En este artículo explicamos las razones de este cambio, hacia dónde nos lleva y qué consecuencias estamos observando semana a semana en los movimientos del mercado.

¿Por qué ha cambiado el mercado en el corto plazo?

Consideramos que hay varios factores que forman el combo actual para generar estas nuevas dinámicas de corto plazo. Las cuales, a su vez, obligan a los market makers a desplegar una cobertura dinámica de su libro muy agresiva y, por lo tanto, impactando en el mercado en plazos cortos, la mayoría de las veces coincidiendo con vencimientos de derivados. Los factores que consideramos son:

• Fácil acceso a los mercados por parte de pequeños inversores/especuladores.
• Gamificación y redes sociales
• Nuevos productos derivados y amplios horarios de mercados.
• Mayor apetito especulador y menor formación financiera.
• La invisible mano de los hedge funds.

Veamos cada uno de estos factores por separado.

Fácil acceso a los mercados

La tecnología es el catalizador de este fenómeno. Gracias a ella existen infinidad de brokers y plataformas de trading que permiten a cualquier persona de cualquier parte del mundo acceder a especular desde la palma de su mano. Operar en cualquier lugar, a cualquier hora y con cualquier cantidad de capital. Esto genera una entrada masiva de nuevos participantes sin conocimientos, ávidos de ganar dinero rápido y que actúan en masa. La perspectiva es que vaya a más.

No hace falta mirar muy atrás en el tiempo para observar las diferencias. Hace pocos años, como pequeño inversor, solo podías operar en bolsa a través de bancos y de algún bróker generalista. Se necesitaba pagar por datos e incluso conexiones específicas. Además, el rango de productos estaba limitado a acciones y poco más. Hoy en día, eso ha cambiado. Se pueden operar opciones, futuros, ETFs de casi cualquier producto en casi todos los brokers desde el móvil. Las limitaciones de acceso han bajado. Antes pedían miles de euros para abrir cuenta, ahora con hacer un depósito de 100 o 200 €, presentar tu documento de identidad y una factura de teléfono es suficiente.

Gamificación y redes sociales

Toda está tecnología necesita de un volumen de operaciones que genere comisiones suficientes para que el negocio prospere. Aquí entran las campañas publicitarias ¿Cuántos equipos de fútbol son patrocinados por brokers?

Al mismo tiempo, las aplicaciones y las webs están diseñadas con una UX amigable, sencilla y fácil de usar. Estéticamente parecen un juego. Las han convertido en un juego. Es la gamificación de la inversión.

Y por supuesto, tenemos que añadir el papel de las redes sociales. Los nuevos inversores acuden a twitter, instagram, reddit o youtube a “aprender y a informarse”. Cualquier persona da opiniones y recomendaciones de inversión/especulación, de hecho los reguladores, recientemente, a raíz del boom crypto, están publicado circulares donde parece que van a poner foco en el contenido de inversión en internet. Desde las redes sociales se generan corrientes o tesis de inversión virales. Se comparten ideas con amigos y familiares por whatsapp, con desconocidos por twitter o reddit. Entra el FOMO en juego, el miedo a perdérselo. La gamificación se amplifica.

Hace años, los que invertían en bolsa, lo hacían solos. Como mucho acudían a algún encuentro presencial o a algún foro de internet, pero no existía el fenómeno viral-social que retroalimenta todo el proceso inversor. Ejemplos tenemos varios. El mantra usado en el mundo crypto con el  hodl o la reciente moda del shipping en los inversores value.

Nuevos productos derivados y amplios horarios de mercado

Los nuevos brokers han copado todo el mercado retail con CFDs. Los CFDs y productos similares son OTC – cotizan fuera del mercado oficial aunque referenciados a este-. Sin embargo los brokers de estos productos suelen acudir al mercado no OTC, el oficial, a cubrir sus posiciones OTC de sus clientes retail. Más actores entrando a cubrir su libro con derivados.

Mientras, las empresas que gestionan los mercados financieros oficiales, como la CME, o NYSE, se han quedado fuera de ese gran negocio. Cabe recordar que, hasta hace poco, los futuros, las opciones y todos los derivados oficiales, eran productos con nominales muy grandes que no permitían a cualquier inversor entrar. Se necesitaban unos capitales mínimos importantes para hacer frente a las garantías. Eran mercados de “mayoristas”.

En el último año, hemos presenciado cómo estas empresas han lanzado nuevas “versiones” de sus futuros y opciones. Los “nano” y “micro” contratos. Son “versiones” de los clásicos futuros y opciones, pero con menor apalancamiento respecto al subyacente. Por lo tanto, facilitan la entrada de inversores pequeños. Han entrado en la pelea por el mercado de especuladores retail.

Además, no solo han reducido la exposición nominal de los derivados,  también han incorporado nuevas variedades de vencimientos como son las opciones semanales “weeklys”. Ahora tenemos vencimientos casi a diario. Esto, unido al gran volumen de opciones que estamos observando, da lugar a fuertes concentraciones de posiciones en ciertas fechas y niveles del mercado. Cuando vencen todas estas posiciones de derivados mueven el mercado. Son los famosos “movimientos extraños” de la cuádruple hora bruja, pero que ahora suceden cada dos o tres días.

A todas estas facilidades que están poniendo las grandes firmas de mercados, debemos añadir otra más e igual de importante. La ampliación de los horarios de mercado, marcando una tendencia hacia el 24/7 como sucede en el mercado crypto.

En resumen, tenemos una gama de productos, horarios y mercados tan amplia que se adapta a cualquier tipo y tamaño de especulador. Cuantas más facilidades, más negocio.

Mayor apetito especulador y menor formación financiera

Hemos vivido un mercado alcista muy tendencial durante años. En consecuencia, el apetito por el riesgo ha aumentado y casi no existe la percepción de que en los mercados hay riesgo, que se puede perder dinero. Por ejemplo, el famoso buy the dip que ha funcionado tanto en los últimos tiempos, incluyendo marzo de 2020, que nadie duda de su efectividad, salvo los más viejos del lugar. Si además, añadimos todos los factores comentados arriba: nuevos productos, facilidad de acceso, redes sociales, etc, tenemos una fiebre especuladora e inversora que no para de incorporar nuevos participantes al mercado de manera masiva.

Estos nuevos participantes carecen de la formación necesaria para operar derivados; sin embargo, los operan. Tiene su lógica. Para qué desembolsar 1000 € por una acción de Tesla y optar a ganar un %, cuando desembolsando 200 € puedo comprar 100 calls de Tesla y optar multiplicar la inversión por dos o por tres. El especulador sin formación no entiende de volatilidades, primas, vencimientos, ni griegas. Ve un precio barato en las opciones, hablando en lenguaje coloquial, y piensa “arriesgo poco y puedo ganar mucho”.

Comprar opciones sueltas, es decir, sin que formen parte de una estrategia más amplia, es una apuesta de mercado estadísticamente perdedora en la mayoría de las ocasiones. Sin embargo, la estadística cambia si se producen estos movimientos de los precios debido a la viralidad y la especulación que hemos comentado. Esas opciones compradas en modo apuesta pura y dura, acaban dando buenos rendimientos porque el precio del activo llega muy arriba. 

Esto a su vez induce a los participantes a comprar más y al mismo tiempo los market makers que les venden lo que quieren comprar, se ven obligados a cubrir más. La situación se vuelve más agresiva (gamma squeeze), cuando estas opciones compradas masivamente son opciones muy fuera del dinero – llamadas OTM porque su precio de ejercicio está lejos del precio actual del mercado-.

El apetito especulador y la falta de conocimiento de riesgos, valoración y operativa de derivados conforma otra pata más de esta nueva dinámica de corto plazo en los mercados.

El papel de los Hedge Funds

Esto no va solamente de pequeños inversores actuando de forma masiva y organizados desde foros como nos quisieron vender con los casos de GME o AMC. Las manos fuertes también están detrás y aprovechan estas corrientes virales, incluso se rumorea que llegan a generarlas ellos mismo para así hacer sus jugadas. Lo vimos con las meme stocks, primero parecía un movimiento nacido en un foro, pero luego se intuyó que las manos grandes habían estado detrás todo el tiempo. Para ellos es la pantalla perfecta.

Un ejemplo en el Gas Natural

Veamos un ejemplo de estas dinámicas de cobertura de los market makers forzadas por la entrada masiva de posiciones en un activo. Tomaremos una situación vivida en el gas natural, no es un activo tan común o popular como otros, pero hemos elegido este caso por representar un ejemplo muy claro. 

A continuación tenemos el open interest y podemos observar la fuerte concentración de calls en los strikes 6.00 y 7.00.

Veamos qué sucedió en la cotización. Antes de ello, aclarar que la zona gris corresponde al mercado nocturno y la negra al mercado diario.

Hemos sobrepintado en rojo el movimiento a destacar. A primera vista se ve que ese +5%, un movimiento fuera de lo normal, acaba siendo corregido horas más tarde en la misma proporción, -5%.

Lo que sucedió es que algún actor del mercado entró fuerte a comprar en el nocturno y eso fuerza al market maker a cubrirse. Es el efecto reflexivo en el mercado, un actor compra opciones, el market maker se las vende y al mismo tiempo, para cubrirse, tiene que comprar el subyacente generando un movimiento al alza fuera de lo normal. 24 horas más tarde se produce el vencimiento y, por lo tanto, el market maker tiene que deshacer la cobertura con la misma agresividad que la construyó. 

En este webinar puedes encontrar más ejemplos y conceptos de cobertura de market makers. Link. También comentamos estos temas en nuestro grupo de telegram, link,  así como en spreadgreg.com y en el podcast semanal Stonks, Vola & Primas.

Las consecuencias

Todos los factores anteriores favorecen la entrada masiva de posiciones en derivados de vencimientos a muy corto plazo. Esto lleva a grandes concentraciones de gamma en los diferentes vencimientos semanales. Debido al gran volumen de opciones que se está contratando, cobra mayor importancia en los movimientos de mercado en el corto plazo el papel de los market makers cubriendo su libro.

Algunos market Makers como Cem Karsan de Kai Capital afirman que estamos ante un mercado con una distribución leptocúrtica. Es decir, la ocurrencia de movimientos bruscos al alza y a la baja es un fenómeno que debemos esperar con mayor frecuencia de lo que estábamos acostumbrados. Todo ello derivado del nuevo entorno de mercado que hemos explicado.

Creemos que la entrada de nuevos especuladores y la aparición de nuevos productos derivados, así cómo la ampliación de horarios de mercado, va a ir en aumento en los próximos años. Por ello, conviene seguir observando y analizando estos fenómenos internos del mercado, en especial para aquellos que operan en el corto plazo. 

Remarcar que en los mercados no hay verdades absolutas ni soluciones definitivas. Estas coberturas dinámicas de los creadores de mercado y su impacto tiene relevancia en el corto plazo, en momentos de ausencia de noticias o de hechos relevantes y cuando no hay una entrada o salida neta de acciones. Por último, para operar estos conceptos es imprescindible un conocimiento profundo de las opciones financieras.

¿Con qué frecuencia cae el mercado en años consecutivos? por Ben Carlson

A menos que tengamos un milagro navideño, el mercado de valores de EE. UU. terminará el año con pérdidas de dos dígitos.

Si esta recesión se mantiene, sería la duodécima vez en los últimos 95 años que esto sucede.

Por lo tanto, es relativamente raro pero no completamente fuera del rango de posibilidades.

No hay nada especial en las rentabilidades del año calendario. No es que los ciclos del mercado mueran el 31 de diciembre y renazcan cada año el 1 de enero.

Pero tampoco se puede predecir lo que sucederá en un año determinado en función de lo que sucedió el año anterior. Los mercados no son tan fáciles.

Desde 1928, el S&P 500 ha subido aproximadamente el 55 % de las veces después de un año que lo precedió con una ganancia. Esto tiene sentido si considera que el mercado ha subido alrededor de 3 de cada 4 años en promedio.

El mercado de valores ha estado a la baja después de un año al alza el 18% del tiempo. También subió un 18% del tiempo después de un año de baja.

Eso deja solo el 9% del tiempo cuando las acciones bajaron un año y luego bajaron el año siguiente también.

Puede ver en los rendimientos anuales que las pérdidas se agrupan a veces, pero no con tanta frecuencia:

Hubo 4 años inactivos seguidos entre 1929 y 1932. El mercado bajó 3 años seguidos entre 1939 y 1941. No volvió a suceder hasta años consecutivos en 1973 y 1974.

La última vez que el mercado de valores registró una serie de malos años fue en el mercado bajista de 2000-2002, cuando cada año cayó más que el año anterior.

Desde el punto de vista de la psicología del inversor, un mercado bajista prolongado es probablemente más difícil de digerir que una caída severa que termina en poco tiempo.

Por ejemplo, la mayoría de los inversores preferirían que terminemos este año con una caída del 30% y pasemos a un nuevo mercado alcista en lugar de pasar un año con una caída del 15% en 2022 y otro 15% en 2023.

Supongo que el riesgo de que esto ocurra es una de las principales razones por las que las acciones tienen una prima de rendimiento frente a otras clases de activos en primer lugar.

Los años negativos consecutivos en el mercado de bonos son incluso menos frecuentes que en el mercado de valores:

De hecho, antes de los años consecutivos de 2021 y 2022, la única otra vez que sucedió esto en las últimas nueve décadas fue en 1955-1956 y 1958-1959 (que coincidentemente fue otro momento en que las tasas aumentaron de un punto de partida bajo).

Sorprendentemente, si se mantiene, 2022 sería el peor año para los bonos del Tesoro a 10 años en la historia del mercado financiero moderno. La única otra vez que presenciamos una pérdida de dos dígitos en el bono del gobierno estadounidense de referencia fue en 2009.

Si desea ver el lado positivo de las cosas desde una perspectiva de la diversificación, nunca ha habido un período en el que tanto las acciones como los bonos cayeran en años consecutivos al mismo tiempo.

No sé qué va a pasar con las acciones o los bonos el próximo año. El hecho de que ambos hayan bajado mucho este año podría significar que el próximo será bueno para los mercados financieros.

Pero a nadie se le prometen rendimientos a corto plazo. No está fuera del ámbito de las posibilidades que los mercados tengan un puñado de años malos seguidos.

La mayoría de las veces suceden cosas buenas en los mercados.

Pero a veces también pasan cosas malas.

Para sobrevivir a largo plazo, debe asegurarse de incluir ambos resultados en sus expectativas.

Sistemas de trading rentables: ejemplos por Quantpedia

• ¿Alguna vez se ha preguntado si los activos en los que está operando son tendenciales o por el contrario tienden a revertir a la media? Todos los traders se hacen siempre la misma pregunta ¿Qué estrategia de trading debo aplicar en este activo en concreto para tener resultados positivos?
• Artículo publicado en Hispatrading 52.

En este artículo, analizamos varias propiedades estadísticas, empíricas y de otro tipo de los activos subyacentes. En otras palabras, tratamos de encontrar qué movimientos funcionan y cuáles no parecen funcionar, cuando se aplican al activo seleccionado. Después hablaremos de varias potenciales estrategias de trading con resultados muy interesantes.

Propiedades estadísticas de un activo

Empezamos con las propiedades estadísticas. En primer lugar, analizamos el seguimiento de tendencia/reversión a la media aplicando la prueba de Durbin-Watson y la prueba de Ljung Box a nuestro activo subyacente: acciones estadounidenses representadas por el ETF SPY.

La prueba de Durbin-Watson examina la autocorrelación entre los rendimientos de dos días consecutivos (semanas/meses/etc.). El valor de la estadística de la prueba de Durbin-Watson siempre se encuentra entre 0 y 4. Un valor de 2 indica que no hay autocorrelación. Hay autocorrelación negativa si el dato es mayor a 2. Por otro lado, si es menor a 2, la autocorrelación es positiva.

La prueba de Ljung Box es otra forma de probar la autocorrelación. La prueba de Ljung Box comprueba la ausencia de autocorrelación serial hasta un período de retraso especificado.

Sin embargo, estas pruebas tienen una desventaja significativa; es difícil vincular sus resultados directamente con los resultados económicos reales, es decir, la rentabilidad de la estrategia de trading. Esto los hace inadecuados para nuestro análisis, ya que no pudimos construir una estrategia basada en ellos. Mientras tanto, el exponente de Hurst parecía producir resultados mucho más prácticos. ¿Cuál es entonces el exponente de Hurst?

El exponente de Hurst se puede utilizar para medir la memoria a largo plazo de series temporales. Aplicamos el exponente de Hurst para encontrar períodos de tendencia/reversión a la media estadísticamente significativos.

Análisis empírico de activos

Los análisis empíricos pueden ser a menudo mucho más simples e incluso más útiles en la vida real. Por lo tanto, en segundo lugar, llevamos a cabo numerosos análisis empíricos de tendencia, de reversión a la media y basados en la volatilidad. Luego comparamos la rentabilidad de varias ideas de trading empíricas mediante el análisis de las distribuciones de rendimiento posteriores de los activos en función de nuestras ideas. Esto se puede representar muy bien, por ejemplo, a través de funciones de densidad de probabilidad.

Aunque el análisis empírico de activos ya produce resultados prometedores, todavía no es suficiente para evaluar si nuestra idea realmente se podrá convertir en una estrategia rentable o no. Para saber si hemos generado una estrategia de trading rentable, debemos (sorprendentemente) observar los resultados de la estrategia de trading en sí.

Análisis práctico de la ventaja o “edge”

Dicho esto, en la última sección, hablaremos de múltiples ventajas o “edges” simples a corto plazo. Esto incluye varias basadas en los fenómenos de tendencia, reversión a la media, propiedades de volatilidad de un activo y más.

La mejor manera de probar una ventaja de trading es examinar realmente qué resultados produce, ¿verdad? Y podemos hacer esto fácilmente haciendo una prueba retrospectiva de nuestra idea de inversión utilizando datos históricos. Entonces podemos analizar las características de riesgo/retorno de dicha idea de estrategia. Y eso es exactamente lo que hacemos en la última sección de nuestro artículo.

Ventaja estadística: exponente de Hurst

El exponente de Hurst se originó en la hidrología. El hidrólogo británico Hurst utilizó por primera vez el exponente en 1951 para modelar los niveles de agua del río Nilo y determinar el tamaño óptimo de una presa. Sin embargo, debido a su capacidad para determinar la memoria a largo plazo de una serie temporal, también encontró muchas aplicaciones en finanzas e inversiones.

Dicho de manera muy simple: cuanto mayor sea el exponente de Hurst, mayor será la tendencia de un activo. Por otro lado, cuanto más pequeño sea el coeficiente de Hurst, más debería significar que un activo tiende a revertir.

Para ilustrar el uso del exponente de Hurst, calculamos el coeficiente de Hurst móvil durante un período de veinte años (julio de 2002 – enero de 2022) en el ETF SPY (SPDR S&P 500 ETF Trust). Cada 20 días, calculamos el exponente de Hurst de los 3 años anteriores, su estadística t y su valor p. La figura 1 ilustra el exponente de Hurst rodante. La línea roja representa el valor del exponente de Hurst esperado (es decir, valor neutral).

Si el exponente es significativamente mayor que 0,5, decimos que el activo subyacente tiene memoria a largo plazo. Los valores más altos también indican menos volatilidad. Para probar la importancia de nuestros resultados, primero calculamos las estadísticas t.

El exponente de Hurst es estadísticamente significativo (línea roja en el gráfico), cuando el t-stat es mayor que el cuantil del 97,5 % (~ 2,447) o menor que el cuantil del 2,5 % (~ -2,447) de la distribución t de Student.

En segundo lugar, también calculamos el valor p del exponente móvil de Hurst.

Las líneas rojas en esta figura representan los niveles de significancia del 1% y 5%. Por lo tanto, solo los períodos debajo de la línea roja son estadísticamente significativos en el umbral de nivel alfa (1% / 5%).

Ventaja empírica

Como siguiente paso, llevamos a cabo el análisis empírico, examinando las distribuciones de rendimientos de SPY justo después de ciertos días significativos. En primer lugar, decidimos qué días consideramos significativos. Elegimos analizar los rendimientos después del día con el rendimiento diario más alto, el rendimiento diario más bajo, el día con la volatilidad de 21 días más alta y el día con la volatilidad de 21 días más baja.

En otras palabras, primero observamos cómo se ha comportado históricamente el mercado después de grandes retornos en ambas direcciones (positiva/negativa). En segundo lugar, analizamos el comportamiento del mercado después de ambos extremos de volatilidad (bajo/alto).

Metodología

Cada día analizamos si el retorno de ese día es uno de los 25 días más significativos del año pasado (250 días). En caso afirmativo, examinamos el rendimiento de 1 día, 2 días y 3 días después de este día significativo (acumulativo para todas esas ocasiones). Por último, graficamos los resultados y los mostramos como una función de densidad de probabilidad empírica. Comparamos esta distribución con la distribución de los rendimientos de 1, 2 y 3 días del SPY desde julio de 2002 hasta enero de 2022 (toda la muestra).

Tomemos como ejemplo el decil de retorno más bajo. Nuestro “día significativo” es el día que pertenece al decil de retorno más bajo del año pasado. Cada día de nuestra muestra analizamos si este día pertenece a los últimos 25 retornos de los últimos 250 días. En caso afirmativo, anotamos la devolución después. Avanzamos 1 día y repetimos el análisis. De esta manera, evitamos cualquier sesgo de anticipación y mantenemos el análisis lo más cerca posible de «fuera de muestra”.

El día de menor rentabilidad

El primer día significativo que analizamos es el día con el rendimiento más bajo. Más específicamente, observamos el decil de rendimiento más bajo del año pasado y analizamos el rendimiento de 1, 2 y 3 días después de todos los días pertenecientes a este decil más bajo. A continuación, mostramos la función de densidad de los rendimientos de 1 día después de los días con los rendimientos más bajos.

En primer lugar, la densidad de los rendimientos después del día con el rendimiento más bajo está mucho menos concentrada alrededor de cero (curtosis más baja) que la función de densidad de los rendimientos SPY de referencia. Esto implica que la volatilidad de los rendimientos después de rendimientos muy bajos es superior a la media. Esto es de esperar, dado que los rendimientos extremadamente negativos generalmente ocurren en un entorno de alta volatilidad.

En segundo lugar, la distribución de rendimientos después de los rendimientos más bajos tiene colas más densas, lo que indica más valores atípicos y movimientos extremos. En tercer lugar, podemos observar que el centro de la densidad está ligeramente sesgado hacia la derecha, lo que indica una ventaja de trading positiva. En cuarto lugar, una «cola» alrededor de la marca de +5% es claramente más grande para estos días, lo que nuevamente indica una ventaja de trading  positiva. Por último, calculamos que el 57,7% de las rentabilidades de 1 día son positivas después de un día con la rentabilidad más baja.

Similar a la figura 4, la figura 5 muestra la distribución de los rendimientos de 2 días después del decil de rendimiento más bajo, en comparación con los rendimientos del ETF SPY de 2 días. Similar a los rendimientos de 1 día, está ligeramente sesgado hacia la derecha, lo que indica una ventaja positiva. Además, una asimetría ligeramente positiva implica rendimientos de 2 días más positivos que negativos. En concreto, el 58,1% de las rentabilidades a 2 días son positivas tras un día en el decil de rentabilidad más bajo. Además, la cola derecha de la distribución es más pesada que el historial SPY completo, lo que implica cierto grado de ventaja de trading positiva.

Por último, trazamos la densidad de los rendimientos de 3 días después del día con el rendimiento más bajo. La probabilidad de una rentabilidad positiva de 3 días después de un día con la rentabilidad diaria más baja es del 59,7 %. Esta distribución tiene las colas más pesadas de las tres distribuciones mencionadas anteriormente. Además, está más visiblemente sesgado hacia la derecha.

El día con mayor rentabilidad

En segundo lugar, analizamos el comportamiento del SPY después del decil de retorno diario más alto del año pasado. Específicamente, observamos el rendimiento de 1 día, 2 días y 3 días después de estos días. Entonces, por ejemplo, la siguiente figura muestra los rendimientos de 1 día justo después de los días con el rendimiento más alto.

La figura muestra que la densidad de los rendimientos de 1 día después del día con el rendimiento más alto está casi tan concentrada alrededor del 0,00 % de rendimiento como la función de densidad de los rendimientos de 1 día del SPY en todo su historial. En otras palabras, tienen una curtosis similar. En segundo lugar, la curva de densidad no está tan sesgada a la derecha como la curva de densidad de los rendimientos después de los días con el rendimiento diario más bajo.

En tercer lugar, después de la rentabilidad diaria más alta, solo el 52,9 % de las rentabilidades de 1 día son positivas, el 57,0 % de las rentabilidades de 2 días son positivas y el 60,2 % de las rentabilidades de 3 días son positivas. Además, la cola izquierda de esta distribución es más pesada en comparación con la del rendimiento diario más bajo, lo que indica una posible ventaja para las posiciones cortas.

El día con la menor volatilidad de 21 días

En nuestro tercer análisis empírico de la ventaja o “edge”, examinamos los rendimientos de 1, 2 y 3 días después del día con la menor volatilidad de 21 días. La figura 8 ilustra la distribución del rendimiento de 1 día después de los días del decil de menor volatilidad.

Está claro en la figura anterior que la densidad de los rendimientos de 1 día después del día con la menor volatilidad de 21 días está mucho más concentrada alrededor de cero que la densidad del índice de referencia (SPY). En otras palabras, la curtosis es mayor. Esto implica una volatilidad muy baja incluso al día siguiente, lo que se conoce como fenómeno de agrupamiento de volatilidad. El agrupamiento en torno al 0,00% de retorno también es visible en las colas, que son muy ligeras.

Además, el 57,7 % de los rendimientos de 1 día, el 58,1 % de los rendimientos de 2 días y el 59,7 % de los rendimientos de 3 días están por encima de cero. En resumen, no podemos estar seguros de si los rendimientos después de los días menos volátiles serán positivos, pero podemos estar bastante seguros de que no serán volátiles. Por lo tanto, tenemos que examinar más a fondo esta ventaja. Lo que haremos en la siguiente sección.

El día con la mayor volatilidad en 21 días

Por último, observamos rendimientos de 1, 2 y 3 días después de los días en el decil de mayor volatilidad de 21 días. La siguiente figura ilustra la distribución de los rendimientos de 1 día después de estos días con mayor volatilidad.

Al contrario de la figura anterior, el punto más alto de la función de densidad de los rendimientos de 1 día después del día de alta volatilidad es muy bajo. Las colas son mucho más pesadas y la curtosis es mucho menor durante los días posteriores a los días de alta volatilidad. Esto nuevamente apunta a un agrupamiento de alta volatilidad, que parece ser aún más pronunciado cuando se trata de alta volatilidad.

No hay una clara ventaja ni en el lado largo ni en el corto, pero definitivamente hay una ventaja hacia el siguiente día altamente volátil. Por último, pero no menos importante, solo el 53,6% de los rendimientos de 1 día, el 55,3% de los rendimientos de 2 días y el 55,0% de los rendimientos de 3 días están por encima de cero, las peores proporciones hasta el momento.

Ventaja práctica: estrategias a corto plazo

La última y más importante sección de este artículo analiza estrategias simples a corto plazo.

Algunas de estas estrategias de trading a corto plazo se basan en las propiedades estadísticas de un activo (sección 1). Algunas de ellas se basan en nuestro análisis empírico de la ventaja (sección 2). En esta sección, también añadimos varias ideas nuevas de las que nunca hemos hablado. Presentamos las curvas de rentabilidad de dichas estrategias además con sus tablas de riesgo y rentabilidad.

Sistema basado en días significativos

La primera estrategia que probamos tiene reglas de trading muy simples: cada día, mire si el rendimiento diario pertenece a los 25 rendimientos más bajos / más altos del año pasado (250 días). Si lo hace, vaya largo / corto al día siguiente. Esta idea de «ventaja de trading» se basa en nuestro análisis empírico ya realizado de la última sección.

La estrategia que dura mucho después de los días con los rendimientos más bajos definitivamente tiene una ventaja de trading positiva. También tiene una curva bastante agradable y estable.

Por otro lado, la variante corta de la estrategia parece funcionar solo durante mercados bajistas y la ventaja positiva no es tan sencilla. La tabla 1 presenta las características de riesgo y retorno de las dos estrategias.

En segundo lugar, analizamos otra estrategia con reglas de trading similares, esta vez relacionada con la volatilidad. Cada día, determine si la volatilidad a corto plazo (21 días) está en su decil más bajo (más alto). Si es así, vaya largo / corto al día siguiente. La figura 12 muestra el resultado acumulado de ambas estrategias.

Como podemos ver, la estrategia que opera después de los días menos volátiles proporciona una ventaja de trading significativamente positiva. Dicho esto, la anomalía de baja volatilidad tal vez funcione no solo en acciones sino también en índices.

Por otro lado, la anomalía de “alta volatilidad” no parece estar funcionando. La siguiente tabla muestra las características de riesgo y rendimiento de ambas estrategias.

RSI o Índice de Fuerza Relativa

Las siguientes estrategias utilizan el conocido Índice de Fuerza Relativa (RSI). El RSI es un indicador de impulso que identifica cuando una acción está sobrecomprada o sobrevendida. El índice oscila entre cero y 100. Por lo general, un activo se considera sobrecomprado cuando RSI > 70. Por otro lado, un activo se considera sobrevendido cuando RSI <30.

Analizamos dos enfoques del RSI: largo y corto. Primero, establecemos el límite superior en 65 y el límite inferior en 35. Luego, también creamos un «límite medio» y establecemos su valor en 55. La siguiente figura ilustra el valor de RSI para SPY, el límite inferior/superior ( líneas rojas) y el límite medio (línea azul).

La primera estrategia compra cuando el valor del RSI cae por debajo del límite inferior y se mantiene hasta que el RSI sube por encima del límite medio. La siguiente figura ilustra el rendimiento acumulado de esta estrategia.

Definitivamente hay una ventaja de trading positiva en la compra de condiciones de mercado sobrevendidas. La curva de renta variable final de la estrategia RSI solo en largo o compradora es una de las mejores y más estables que hemos analizado en este artículo hasta ahora.

La segunda estrategia abre en corto cuando el valor del RSI supera el límite superior y se mantiene hasta que el RSI cae por debajo del límite medio. La siguiente figura ilustra el rendimiento acumulado de esta estrategia.

Por último, presentamos la tabla de características de riesgo y retorno de estas estrategias.

Estrategias basadas en una media móvil

Esta sección explora tres estrategias que operan en base a medias móviles. La primera estrategia tiene reglas sencillas: compre cuando el precio suba por encima de la media móvil de 10 días y mantenga la posición hasta que caiga por debajo de la media móvil. La figura 17 muestra el rendimiento acumulado de dicha estrategia.

La segunda estrategia compra cuando el precio cae por debajo de la media móvil de 10 días y se mantiene hasta que alcanza un máximo de 10 días. Una vez más, la figura 18 ilustra el rendimiento acumulativo de dicha estrategia.

Por último, analizamos una estrategia que compra cuando el precio sube por encima de la media móvil de 10 días y se mantiene la posición durante 3 días. La siguiente figura muestra el rendimiento acumulado de dicha estrategia.

La siguiente tabla muestra las características de riesgo y retorno de estas estrategias.

10 días mínimo/máximo

Las dos últimas estrategias realizan operaciones basadas en el mínimo/máximo de 10 días de un activo. Las reglas son nuevamente muy básicas. Averigüe si el precio de hoy está en su mínimo /máximo de 10 días, y si lo está, vaya en largo /corto. Las figuras 20 y 21 muestran las curvas de rentabilidad de estas estrategias.

Por último, la tabla 5 muestra las características de riesgo y retorno de estas estrategias.

Conclusión

Este artículo se centra en numerosas propiedades estadísticas, empíricas y de otro tipo de los activos que todos operamos. Analizamos varias ideas de trading y examinamos si funcionan o no cuando se aplican al activo elegido.

Comenzamos con los antecedentes teóricos: métodos estadísticos. Es decir, analizamos el exponente de Hurst. Aplicamos el exponente para encontrar periodos de tendencia o reversión a la media estadísticamente significativos.

En segundo lugar, llevamos a cabo varios análisis empíricos de tendencia/reversión a la media/volatilidad. Presentamos los resultados en forma de distribuciones de retorno, mostradas como funciones de densidad de retorno. Aunque este análisis arrojó resultados prometedores, no fue suficiente para evaluar si estas ventajas realmente conducen a estrategias rentables o no. Por lo tanto, en la última sección, creamos múltiples estrategias de trading simples.

Las estrategias implementan reglas de trading simples, como comprar o vender después de un día significativo o comprar o vender según las reglas de una media móvil. También presentamos una estrategia que utiliza el índice de fuerza relativa (RSI). Por último, pero no menos importante, probamos una estrategia de trading que busca los días con el precio más alto (o el más bajo) y opera alrededor de estos días.

Nota final: todas las ideas de trading  presentadas en este artículo no pretenden ser estrategias de inversión finales. El objetivo de nuestras ideas de trading es inspirarle y darle un punto de partida para desarrollar una estrategia más compleja.

Autora:
Daniela Hanicova, analista cuántica, Quantpedia

Computación cuántica y el trading algorítmico por Quantpedia

El tema de la computación cuántica ha ganado popularidad recientemente, y tanto la comunidad científica como los inversores parecen tener grandes esperanzas en su futuro. Parece que esta nueva tecnología podría revolucionar varios aspectos de la informática tal como los conocemos actualmente. Se podrían hacer grandes aportes en los campos de la medicina y la salud, la seguridad y la computabilidad [1], así como en el campo de las finanzas, que es el que más nos interesa en Quantpedia. Las computadoras cuánticas son especialmente buenas en tareas de optimización, por lo que optimizar una cartera podría ser una de las contribuciones clave. [2] En este artículo, nos gustaría presentar el concepto de computadoras cuánticas, su estado actual, su uso potencial en finanzas y más.

¿Qué es una computadora cuántica?

Lo primero es lo primero: ¿qué es una computadora cuántica y en qué se diferencia de una clásica? Para comprender el potencial de las computadoras cuánticas, es esencial comprender qué son en sí mismas. Dado que las computadoras cuánticas no son una extensión de las computadoras clásicas, sino un tipo de máquina completamente nuevo, esta pregunta debe responderse antes de abordar su potencial para la investigación financiera. 

En pocas palabras, para una computadora normal, la unidad básica de información es un bit, que puede tomar valores de 0 o 1. Entonces, cuando calcula una tarea, solo funciona con cadenas de 0 y 1. Por otro lado, la unidad básica de información (cuántica) en las computadoras cuánticas es un qubit. Hay una diferencia radical, ya que un qubit no representa un 1, ni un 0, sino una combinación de ambos a la vez. Esto se llama la superposición de una partícula que codifica ese qubit en el hardware de la computadora. Puede ser difícil de imaginar al principio, especialmente si uno no está familiarizado con la física cuántica. A nivel atómico, las partículas no se comportan como los objetos «grandes» que encontramos en la vida diaria. Por lo tanto, los temas utilizados en la computación cuántica como la superposición (una partícula en varios estados a la vez), entrelazamiento cuántico (partículas que aparentemente se comunican a grandes distancias a una velocidad que parece ser más rápida que la luz), y otros pueden parecer muy oscuros. Para dejar de lado los tecnicismos, dado que los qubits permiten un tipo diferente de cálculo, podemos resolver problemas tradicionales en ellos de una manera nueva y diferente.

Si un problema es muy complejo, puede ser casi imposible resolverlo incluso para una supercomputadora clásica. Sin embargo, con la ayuda de algoritmos cuánticos, esto podría cambiar en el futuro. Tal caso es, por ejemplo, la factorización de enteros, que subyace en una parte significativa del cifrado de datos moderno. O el problema de la optimización de carteras en finanzas. En ambos casos, el punto es que simplemente hay demasiadas posibilidades para que la computadora pase, lo que resulta en un tiempo de cómputo abrumador (podría ser decenas o miles de años de tiempo de ejecución). Por otro lado, en lugar de considerar cada posibilidad individual (es decir, cada subconjunto de activos que elegimos para formar la cartera) como lo hace una computadora clásica, los algoritmos cuánticos adoptan un enfoque diferente a través de espacios multidimensionales, donde emergen los patrones que vinculan puntos de datos individuales. [3] 

Problemas de la computación cuántica

Entonces, las computadoras cuánticas pueden hacer cosas similares a las computadoras clásicas y son mucho más rápidas. Esto suena más que genial, pero hay un pequeño problema. Bueno, más de uno.

La mayoría de las veces, el rendimiento superior de una computadora cuántica todavía se formula como hipotético o predictivo. Las computadoras cuánticas todavía están en la fase de desarrollo. Al momento de escribir este artículo, el procesador cuántico superconductor más grande, el Eagle de IBM, tiene 127 qubits, que no se acerca a la cantidad de qubits que se necesitarían para hacer la mayoría de las ideas revolucionarias que los investigadores tienen en mente. Por ejemplo, para descifrar el protocolo RSA-2048, se necesitaría una estimación de 20 millones de qubits [4]. Por ahora, el plan oficial de IBM es aumentar la cantidad de qubits año tras año [5].

Aunque esos no son los únicos problemas. Las computadoras cuánticas deben enfriarse a temperaturas muy bajas, tan frías como el espacio exterior, para funcionar correctamente.

Además, hay diferentes arquitecturas que pueden tener las computadoras cuánticas: hasta ahora no existe una arquitectura universal definitiva que pueda resolver cualquier problema computacional, y las partículas deben entrelazarse de una manera específica para calcular un problema específico. Por lo tanto, es posible que aún nos falten algunos años para la revolución cuántica en la informática.

¿Comprar y trabajar en una computadora cuántica?

Por otro lado, algunas empresas y nuevas empresas ya han comenzado a trabajar en computadoras cuánticas disponibles públicamente. Existe la posibilidad de comprar uno, y ni siquiera es “tan” caro. Una empresa china de nueva creación, SpinQ Technology, ofrece una computadora cuántica de escritorio por poco menos de $ 5000.

Sin embargo, como tiene solo 2 qubits, está dirigido principalmente a escuelas y universidades, es más para aquellos que quieren investigar y familiarizarse con el concepto. Con 2 quibits, podemos optimizar la cartera que consta de 2 activos, pero nada más.

https://epjquantumtechnology.springeropen.com/articles/10.1140/epjqt/s40507-021-00109-8
https://www.spinquanta.com/products-solutions/gemini
https://www.discovermagazine.com/technology/ una-computadora-cuántica-de-escritorio-por-solo-usd5-000

También hay otras formas de ingresar al mundo de la computación cuántica. Empresas como IBM, Google y D-Wave tienen sus computadoras cuánticas disponibles a través de sistemas en la nube. Así que si visitas sitios como:

https://quantumai.google
https://quantum-computing.ibm.com
https://www.dwavesys.com/solutions-and-products/cloud-platform/

es posible acceder a procesadores cuánticos de última generación y trabajar en ellos. Por ejemplo, el último recocido cuántico D-Wave tiene más de 5000 bits cuánticos y está disponible para acceder a través de su nube. Otra alternativa es usar lenguajes de programación que simulen la computación cuántica, como Azure Quantum de Microsoft ( https://learn.microsoft.com/en-us/azure/quantum/ ) que podría ser suficiente para algunas aplicaciones, aunque no es igual. a ejecutar un programa en la propia computadora cuántica.

Computación cuántica e investigación en comercio cuantitativo

En esta última sección de nuestro artículo, nos gustaría ofrecer una descripción general de estos pocos estudios recientes sobre el tema de la computación cuántica. Los documentos de lectura adicional siempre están vinculados debajo del título.

Computación cuántica para finanzas: estado del arte y perspectivas futuras 
https://arxiv.org/abs/2006.14510

En este estudio escrito por Daniel J. Egger et al. de IBM Computing, los autores ofrecen una introducción completa a la computación cuántica en las finanzas. Es un artículo muy bueno y detallado.

En la primera parte, ofrecen una introducción a las computadoras cuánticas, que van desde información “básica” sobre qubits hasta una descripción más detallada del proceso de cálculo en dichas computadoras. Luego, nombran algunos de los problemas financieros que consideran solucionables mediante computadoras cuánticas, y para cada uno de ellos presentan dicho algoritmo.

Se trata de problemas de optimización, problemas de aprendizaje automático y problemas de simulación, donde los algoritmos tradicionales de Monte Carlo utilizados con ordenadores clásicos podrían ser sustituidos por un algoritmo cuántico más eficiente llamado Amplitude Estimation, gracias al cual el tiempo de ejecución se acelera cuadráticamente. Concluyen mencionando algunos desafíos a los que se tendrá que enfrentar la computación cuántica. En general, este documento es un excelente resumen de la computación cuántica.

Optimización de cartera de 60 acciones utilizando algoritmos clásicos y cuánticos
https://arxiv.org/abs/2008.08669

En esta próxima investigación, los autores Jeffrey Cohen, Alex Khan y Clark Alexander comparan los enfoques clásico y cuántico para la optimización de carteras en una cartera de 60 acciones. El estudio es una extensión de su investigación anterior, donde probaron una muestra de 40 acciones. En el futuro, se podrían estudiar carteras aún más grandes.

La tarea de encontrar una cartera óptima de 60 acciones significa que hay 2 a la potencia de 60 opciones a considerar. De los métodos clásicos, los autores consideran Fat Tailed Monte Carlo Analysis, Genetic Algorithm, Simulated Annealer, D-Wave Tabu MultiStart MST2 Sampler y D-Wave Hybrid Samples, todos los cuales tienen tiempos de ejecución inferiores a 1 minuto. El método cuántico considerado se realiza utilizando D-Wave Systems Quantum Annealer. Este método tiene un tiempo de ejecución de 0,13 segundos. Casi todos los métodos pudieron encontrar la solución ideal en el estudio (todos excepto D-Wave Tabu Sampler y D-Wave Hybrid Sampler). Los autores concluyen que, en promedio, el sistema D-Wave parece seleccionar las carteras que lideran la eficiencia, como también se puede ver en los siguientes gráficos del documento:

Optimización de la cartera con D-Wave Quantum Annealer
https://www.iccs-meeting.org/archive/iccs2021/papers/127470042.pdf

El problema de la optimización de cartera tiene muchas variantes. Los autores Frank Phillipson y Harshil Singh Bhatia se centran en una formulación explícita del problema: la variante de optimización de la cartera con un solo objetivo, maximizar el rendimiento esperado y bajo las restricciones de presupuesto y riesgo. Encuentran que los solucionadores comerciales pueden resolver el problema (escogen dos solucionadores y dos metaheurísticas) y comparan las soluciones con el enfoque híbrido utilizando el recocido cuántico D-Wave. Los resultados del enfoque híbrido son, según los autores, prometedores y, a pesar de que la computación cuántica aún se encuentra en una etapa temprana de desarrollo, el resultado de este método híbrido ya fue capaz de ofrecer un rendimiento razonablemente bueno. El estudio se realizó para los índices S&P500 y Nikkei225. En la primera parte, los autores también dan una gran visión general de la literatura,

Optimización de cartera cuántica con bandas de inversión y volatilidad objetivo
https://arxiv.org/abs/2106.06735

Esta última investigación de Samuel Palmer et al. (2021) también se centra en el tema de la optimización de cartera cuántica. En su estudio, sin embargo, los autores muestran cómo implementar bandas de inversión y cómo apuntar a volatilidades específicas. Luego logran calcular carteras óptimas para las muestras completas de S&P100 y S&P500. En el primer paso, explican cómo apuntar a una cartera de inversión óptima con volatilidad fija. Luego, cómo imponer bandas de inversión en las carteras computadas. Lo hacen ejecutando un método híbrido en un recocido cuántico D-Wave.

Conclusión

La literatura sobre el tema de la computación cuántica en las finanzas se expande día a día. Con respecto a las finanzas y la optimización de la cartera, pero no limitado a estos temas, la computación cuántica ha creado una gran expectación en la comunidad. Aunque tal vez un poco exagerado en algunos de los medios, las computadoras cuánticas definitivamente presentan una futura revolución de la computación. Si bien es posible que nunca reemplacen por completo a las computadoras clásicas, se ha planteado la hipótesis de que probablemente existirán junto a ellas, utilizadas para diferentes tipos de tareas. Es posible que una computadora cuántica no sea ideal para realizar tareas cotidianas, como navegar por la computadora o trabajar en hojas de cálculo. Sin embargo, es casi seguro que serán más rápidos para resolver problemas muy complejos. Ninguno de ellos está en esta etapa todavía, pero mientras observamos la carrera cuántica entre las grandes empresas como Google, IBM y también China, que está invirtiendo mucho dinero en la investigación en este campo, podríamos ser testigos de grandes avances en un tiempo factible de unos pocos años en el futuro. Por ahora, según los estudios vinculados anteriormente, la investigación en optimización de cartera utilizando métodos híbridos parece ser la más prometedora en horizontes a corto plazo.

Autora:
Ivana Dragonova, analista cuantitativa

Navegando entre las turbulencias y las oportunidades de los mercados por Brett N. Steenbarger, Ph.D.

En la vida encontramos que los períodos de confusión son a menudo los períodos de mayor crecimiento y desarrollo. Psicológicamente, la confusión nos sacude y desafía nuestras suposiciones. Eso nos abre a nuevas experiencias y grandes cambios de vida. Mi matrimonio (que dura ya 39 años) se produjo después de un período de confusión personal y profesional; esos me enseñaron lo que necesitaba en la vida. De manera similar, fue el aguijón de las pérdidas que sufrí en los mercados a principios de la década de 1980 lo que me llevó a reevaluar mi trading y tomar una dirección desde el punto de vista cuantitativo más prometedor y rentable. Desde una perspectiva espiritual, nuestra tarea es encontrar la oportunidad en la confusión.

En los mercados financieros, una manifestación de la agitación es la volatilidad. Cuando miramos históricamente, los períodos de alta volatilidad generalmente han correspondido a oportunidades a más largo plazo para los inversores. La parte difícil es capear giros a corto plazo para participar en ese panorama más amplio. Los mercados bajistas seculares pueden durar bastante tiempo: considere cuánto tardó el mercado en volver a la normalidad en 1929 y 1972, por ejemplo.

Un recurso valioso es el nuevo libro The Lifecycle Trade de Boboch; Donnelly; krull; y Daill. Los autores estudian las OPI y las acciones de súper crecimiento para identificar sus trayectorias comunes y las formas en que los traders e inversores pueden participar en su crecimiento. La idea es que la agitación actual fertilice el suelo de crecimiento para una nueva generación de líderes del mercado y tecnologías prometedoras. Las acciones y las industrias que mantienen su tendencia alcista incluso durante tiempos de mercado bajista son candidatas para las grandes oportunidades del mañana.

Así que ese es nuestro desafío durante los períodos de agitación. Para ganar, tenemos que permanecer en el juego. Eso requiere prudencia. Pero para ganar verdaderamente, tenemos que usar la confusión para encontrar oportunidades. Eso requiere optimismo, resiliencia y visión. Un plan de negocios sólido aborda amenazas y oportunidades… es posible que estemos entrando en un período repleto de ambas.

Un modelo multifactor: Analizando los resultados por Ignacio Villalonga

• Tras la primera entrega “Un Modelo multifactor para batir al mercado” llega el segundo artículo donde revisamos y analizamos los resultados.
• Artículo publicado en Hispatrading 35.

En el artículo anterior “Un modelo multifactor para batir al mercado”, terminábamos exponiendo como una cartera equiponderada que combina los factores de retorno, value y volatilidad podía batir de forma consistente al mercado. 

Este modelo se construía eligiendo las 20 primeras acciones de un ranking compuesto de los 3 factores con el mismo peso. Las acciones se equiponderaban y el modelo rotaba de forma trimestral. De esta forma, las acciones elegidas eran las mejores del Russell 1000 con mejor retorno, value y volatilidad.

El resultado del modelo es positivo. Bate a lo largo del periodo estudiado al ETF de referencia (IWB) y a un benchmark ficticio aunque más realista que hemos construido equiponderando todas las acciones del Russell 1000 (Benchmark Equal-Weighted EW). Es lo más apropiado si vamos a utilizar una cartera también equiponderada. 

Es decir, con los factores añadidos hemos ganado tanto rendimiento como disminución del riesgo. Comisiones y deslizamiento incluidos.

Pero el trabajo, obviamente no acaba aquí. A este modelo hay que efectuarle un test de robustez y analizar en detalle los resultados. 

Test de Robustez

Al operar un sistema que rota la cartera cada 3 meses, nos encontramos con que sólo tenemos 4 operaciones al año. Puede que incluso la cartera apenas varíe entre rotación y rotación. Por tanto, la  muestra de resultados, que tenemos desde 1999, corre el riesgo de no tener suficiente validez estadística. Puede haber sido cuestión de suerte. Además, dependiendo del periodo en el que empiece, tendré resultados diferentes. Es normal, estaré cogiendo unas acciones u otras. ¿Cómo solucionamos esto? Pues realizando lo que se conoce como rolling backtest.

Nuestras operaciones tienen una duración trimestral, o lo que es mejor, 13 semanas. Pues el rolling backtest nos permite ver todas las operaciones teóricas del modelo que hubiera podido hacer durante estos años. Es decir, replicar todas las operaciones de 13 semanas. Así aumentamos la muestra y eliminamos el posible factor estacional. En la práctica, sólo cogerás 1/13 de todas las operaciones, pero de esta forma podemos ver si la distribución de resultados se mantiene constante y en definitiva, si es un modelo robusto. Comparamos los resultados contra el benchmark EW y contra el ETF del Russell 1000 IWB durante esas mismas 13 semanas y obtenemos lo siguiente:

Lo primero en lo que tenemos que fijarnos es, por supuesto, si ganamos. En segundo lugar, nos fijaremos en cuánto ganamos. En este caso, en 997 rotaciones obtenemos una rentabilidad media de 3.32%. Cada rotación es de 13 semanas. Los benchmarks en este apartado tienen 2.42% el benchmark EW y un 1.81% el ETF IWB del Russell 1000. 

Con este cálculo vemos que de media, al ETF IWB le sacamos 1.51% por periodo. Cabe destacar que al benchmark EW “sólo” le ganamos por 0.90% por periodo. 

En ambos casos el % de periodos que se bate al benchmark no es muy alto. De hecho, no llegan al 60% contra ninguno de los dos. Sin embargo, en ambos casos, la media de la diferencia positiva de las veces que gana, es claramente superior a la media de la diferencia en los periodos que pierde respecto a los benchmarks. Es decir, gana más veces, pero no muchas más. Pero cuando gana, gana más que cuando pierde.

Análisis de los Drawdowns

Otra cosa clave a tener en cuenta cuando se analizan sistemas son los drawdowns. Qué caídas nos podemos esperar. Para ello, mostramos en la Imagen e los drawdowns de las 3 curvas. Puede ser difícil de ver así que describiré qué es lo más llamativo. 

Los 3 sistemas alcanzan su máxima caída en el periodo de 2007-2010. Nuestro modelo, tiene una caída elevada de un 42%. Pero se queda lejos de los casi 60% del benchmark EW y del más del 55% del Russell 1000 IWB. No quiero decir que un 42% sea un drawdown bajo, por que no lo es en absoluto. Pero cuando más se baja, más cuesta recuperar. Así que en este caso, y comparado con los benchmark sí podemos decir que hemos mejorado. En fases siguientes hay que estudiar métodos para llevar este tipo de caídas por debajo del 30% o, si fuera posible, del 20%. 

Otra cosa positiva es que durante el periodo del 2000-2003, nuestro modelo bajó hasta casi el 25%. Mucho, pero de nuevo nada comparado con las otras curvas que llegaron a más de 40% (casi 50% el Russell 1000 IWB). Salimos ganando.

Por último, hay que ver cual es el periodo de drawdown más largo. Para nuestro modelo duró algo más de 2 años y medio, mientras que para el benchmark EW, la recuperación del mismo periodo costó prácticamente un año más. El ETF IWB sufrió un drawdown de más de 6 años después del 2000.

5-Years Rolling Test

Ahora viene la parte más desesperanzadora del análisis: El 5-Years Rolling Test. Este test consiste en ver la rentabilidad que hubieras obtenido en total si hubieras estado 5 años invertido. 

La gráfica muestra lo que hubieras obtenido de rentabilidad si hubieras entrado 5 años atrás, tanto para el modelo como para los benchmarks. 

La parte desesperanzadora está en que aproximadamente durante un tercio del periodo (19 años de backtest menos los 5 años de inversión hacen 14 años de Test) no hubiéramos batido de forma consistente a ninguno de los benchmarks. Además, ese tramo coincide con las inversiones realizadas desde 2008 en adelante.

La parte positiva es la siguiente. Incluso en el tramo en el que no se bate a los benchmarks holgadamente, el modelo no pierde respecto a ellos. Es más, las 3 curvas parecen seguirse durante ese periodo de muy cerca.

Este comportamiento contrasta mucho con el periodo anterior (inversiones iniciadas en 1999 hasta 2008, que sería 2004-2013 en la gráfica) donde las 3 curvas están claramente separadas. Durante este periodo, el modelo bate recurrentemente a los benchmarks. De hecho, el benchmark EW bate también de forma sólida al ETF IWB del Russell 1000.

Otro punto positivo a tener en cuenta es, que a diferencia de los 2 benchmarks, el “Modelo multifactor” nunca tiene un retorno negativo en 5 años.

Puede ser ésta parte de la culpa por la que durante los últimos años el Modelo no haya podido despegar: la falta de caídas. Puesto que es en los periodos malos donde mejor se comporta.

Conclusiones

Hemos desarrollado un modelo basándonos en tres factores: retorno, value y volatilidad. Este modelo ha demostrado batir consistentemente a los benchmarks durante 2 tercios del periodo estudiado. El tercio restante, es capaz de seguir a los benchmarks de referencia sin quedarse atrás. Cabe señalar que este periodo es uno de los más alcistas de la historia.

Otro factor a tener en cuenta para este periodo es que es un periodo donde ha reinado la inversión growth sobre la value.  Esto afecta directamente a nuestro modelo donde el factor value tiene mucho peso.

En la siguiente gráfica podemos ver la diferencia de retorno del factor value vs growth a lo largo de la historia.

¿Podríamos pensar que nuestro modelo ya no va a funcionar igual nunca? Podríamos. No obstante, sería un error desecharlo por eso.  A lo largo de la historia el factor value ha funcionado de forma consistente gran parte del tiempo. En algunos tramos peor y en otros mejor. Y en otros tramos, como el periodo reciente, no ha funcionado. Si nuestro modelo es capaz de aprovecharse de esta ventaja cuando reina el factor value. Cuando no lo hace, se mantiene estable y funciona como un índice, ¿deberíamos desecharlo?

Joel Greenblatt dijo lo siguiente:

“If I wrote a book about a strategy that worked every month, or even every year, everyone would start using it, and it would stop working. Value investing doesn’t always work. (…) And that is a very good thing.”

“Si escribo un libro sobre una estrategia que funciona cada mes, o incluso cada año, todo el mundo empezaría a utilizarla y dejaría de funcionar. La inversión value no funciona siempre. (…) Y eso es una cosa muy buena. “

Futuras implementaciones

Sin embargo, para aquellos que no se sientan cómodos pensando que un modelo (de largo plazo) puede no batir al benchmark durante años, tengo una buena noticia: Se puede mejorar.

Hay muchos factores que se pueden utilizar, y estos además, responden a momentos diferentes del mercado. Puedes hacer un modelo que aplique timing para evitar las grandes recesiones o que en base a datos macroeconómicos aumente su exposición a unos factores u otros. Los factores también pueden estar caros o baratos e incluso tener tendencia. Y todo esto puede implementarse.

Todavía hay formas de seguir mejorando nuestro modelo.

Nota: todos los resultados mostrados son fruto de un backtest. Los rendimientos pasados no garantizan rendimientos futuros.

Cómo replicar cualquier cartera por Quantpedia

Al leer el título de este artículo, la primera pregunta que puede surgir es por qué alguien querría replicar una cartera de factores de riesgo. Sin embargo, hay muchas razones por las que es beneficioso replicar una cartera de factores.

Por ejemplo, dado que los ETF se desarrollaron en la década de 1990, solo se dispone de ventanas de tiempo históricas muy limitadas para analizar su rendimiento en condiciones de mercado extremas. Además, muchas estrategias se basan en ETF, por lo que sus historiales suelen tener solo 20 años, a menudo mucho más cortos. Tener la capacidad de replicar cualquier cartera de factores con un historial más largo podría brindarnos innumerables datos valiosos.

Otra razón para replicar podría ser un interés en la cartera de otra persona. ¿Qué factores impulsan los rendimientos de mi competidor? Por otro lado, es posible que también desee averiguar a qué factores es más sensible su propia cartera. Cualquiera que sea el caso para usted, tener un historial de datos más extenso siempre es beneficioso.

Por lo tanto, examinamos 16 factores y los usamos para replicar varias carteras en los siguientes pasos:

1. En el primer paso, sincronizamos las fechas del factor y la cartera para permitir más cálculos.
2. En segundo lugar, utilizamos el análisis de regresión multifactorial en combinación con el criterio de información de Akaike (AIC) para encontrar los factores explicativos de una cartera y sus ponderaciones. Aplicamos el procedimiento al historial disponible de la cartera de insumos.
3. En tercer lugar, verificamos nuestra calidad de ajuste visualizando las curvas de equidad de las carteras original y de factores para el historial disponible de una cartera de entrada.
4. Por último, ampliamos el historial de una cartera a 100 años mediante el modelado de una cartera de entrada a través de factores con un rico historial de datos, creado en base a la metodología única de Quantpedia.

Ahora profundizaremos en la metodología en las siguientes secciones.

100 años de datos diarios de Factores

En primer lugar, tuvimos que elegir cuidadosamente nuestro universo de factores, es decir, cuál será nuestro bloque de construcción para modelar carteras y estrategias. En esta elección tuvimos que tener en cuenta ambos:

1. Tener suficientes factores de mercado no correlacionados y representativos para varias clases de activos
2. Disponibilidad de datos a largo plazo para tales factores subyacentes

Sin embargo, encontrar datos de factores con un historial de 100 años es casi imposible. Por lo tanto, tuvimos que ser creativos y producir nuestra propia serie de datos. Con la excepción de algunos factores, combinamos varias fuentes de datos para obtener datos históricos desde 1926. A continuación, enumeramos los factores y una breve descripción de la metodología para obtener los datos.

Bonos estadounidenses a 10 años (US10Y)

Describimos el proceso de creación de un historial de 100 años de bonos estadounidenses a 10 años en detalle en nuestro manual de datos: Ampliación de los datos históricos diarios de bonos a 100 años. Para obtener el historial de 100 años, combinamos tres fuentes de datos:

1926 – 1962: Rendimiento mensual de los bonos estadounidenses a 10 años

1962 – 2002: Rendimiento diario de los bonos estadounidenses a 10 años

2002 – 2022: IEF ETF (ETF de bonos del Tesoro iShares de 7 a 10 años)

De 1926 a 1962 se trabajó con rendimientos mensuales y de 1962 a 2002 con rendimientos diarios. En primer lugar, transformamos los rendimientos de los bonos en rendimientos totales. Una vez calculadas las rentabilidades, el segundo reto fue transformar las rentabilidades mensuales de 1926 a 1962 en diarias.

Logramos eso extrapolando la volatilidad diaria de las letras del Tesoro de EE. UU. a 3 meses, nuestro método único que llamamos «extrapolación de proxy de volatilidad». En términos simples, copiamos la volatilidad diaria de las letras del Tesoro de 3 meses y la conectamos entre dos puntos de datos mensuales de los bonos del Tesoro de EE. UU. a 10 años.

Como se mencionó anteriormente, este es solo un breve resumen de la metodología. Si está interesado en los detalles específicos de cualquiera de los pasos, consulte Ampliación de los datos históricos diarios de bonos a 100 años .

Diferencial de Bonos Corporativos (BAA CORP)

Para obtener un historial de 100 años de bonos corporativos, combinamos las siguientes fuentes de datos:

1926 – 1985: Rendimiento mensual de los bonos corporativos de Baa ( https://fred.stlouisfed.org/series/BAA )

1986 – 2002: Rendimiento diario de bonos corporativos de Baa ( https://fred.stlouisfed.org/series/DBAA )

2002 – 2022: LQD ETF (iShares iBoxx $ Investment Grade Corporate Bond ETF)

De manera similar a los bonos estadounidenses a 10 años, aplicamos la extrapolación de proxy de volatilidad diaria a los rendimientos mensuales para la primera fuente de datos. Solo que esta vez, utilizamos los rendimientos del mercado de acciones ajustados beta como fuente de volatilidad. La beta se calculó de modo que la volatilidad del mercado de acciones coincidiera con la volatilidad de los bonos.

Durante los dos primeros períodos, tuvimos que transformar nuevamente los rendimientos de los bonos en rendimientos totales, de la misma manera que ocurrió con los rendimientos del Tesoro de EE. UU. descritos anteriormente. Para comprender mejor toda nuestra metodología de datos, le recomendamos que lea Extender los datos históricos diarios de bonos a 100 años .

Por último, utilizamos los datos de los bonos corporativos en forma de diferencial frente a los bonos del Tesoro de EE. UU. De esta manera, podemos aislar el efecto del diferencial de crédito e incluirlo por separado, además de un efecto de «curva» representado por los bonos del Tesoro de EE. UU.

Acciones de EE. UU. (RENTA VARIABLE DE EE. UU.)

La construcción del factor de acciones de EE. UU. fue bastante sencilla. Simplemente combinamos el factor de mercado de Fama y Francia (1926 – 1993) de la biblioteca de datos de Fama y Francia y los rendimientos diarios del ETF de SPY (SPDR S&P 500 ETF Trust) (1993 – 2022).

Diferenciales de los sectores de renta variable de EE. UU. (energía, tecnología, servicios públicos, finanzas)

Los datos de los factores de mercado se obtuvieron de la biblioteca de datos de Fama & French, específicamente de las 12 carteras de la industria [Diario]. Nosotros usamos:

• la difusión de la industria energética frente al mercado como factor energético
• la difusión de la industria de Equipos de Negocios contra el mercado como el factor de Tecnología
• la difusión de la industria de Utilities contra el mercado como factor de Utilities, y
• la propagación de la industria del dinero frente al mercado como factor financiero.

Fama y factores franceses (SMB, HML, Momentum)

De manera similar, obtuvimos datos para los factores Small-Minus-Big (SMB), High-Minus-Low (HML) y Momentum de la biblioteca de datos de Fama y French. Sin embargo, no se calcularon diferenciales para estos factores, porque ya tienen la forma de un diferencial largo-corto. Los factores están disponibles desde 1926 hasta hoy.

Materias primas

El proceso de obtención de un historial de 100 años de datos de materias primas se describe detalladamente en el manual de datos de Quantpedia: Ampliación de los datos históricos diarios de materias primas a 100 años. Utilizamos tres fuentes de datos:

1926 – 1979: IPP mensual (Índice de precios al productor por producto: todos los productos)

1980 – 2006: S&P GSCI Rendimiento total de productos básicos (SPGSCITR)

2006 – 2022: DBC ETF (Invesco DB Commodity Index Tracking Fund)

En primer lugar, entre 1926 y 1979 ajustamos el índice PPI para tener en cuenta la versión beta correcta de los precios de las materias primas. En segundo lugar, utilizamos el exceso de rendimiento del sector de la energía de renta variable frente a todo el mercado como nuestro proxy de volatilidad diaria. Aplicamos la Extrapolación Proxy de Volatilidad de Quantpedia y obtuvimos datos diarios de esta fuente mensual.

Si está interesado en los detalles específicos de cualquiera de los pasos, consulte nuestro artículo Ampliación de los datos históricos diarios de materias primas a 100 años .

El factor dólar estadounidense

El factor del dólar estadounidense se construyó utilizando 3 fuentes de datos diferentes:

1926 – 1953: las tasas de divisas cruzadas se obtuvieron de riksbank.se.

1953 – 1971: las tasas de cambio cruzadas se obtuvieron de bis.org

1971 – 2007: obtuvimos el índice del dólar estadounidense de Wikipedia

2007 – 2022: utilizamos UUP ETF ( Invesco DB US Dollar Index Bullish Fund )

Oro

El índice de oro se construyó en tres pasos:

1926 – 1968: Utilizamos los precios mensuales del oro y la interpolación lineal para obtener el índice diario del oro.

1968 – 2004: Utilizamos los precios al contado diarios del oro

2004 – 2022: GLD ETF (Acciones SPDR Gold)

Margen de renta variable mundial sin EE. UU. (WorldExUS)

El factor WorldExUS se construyó en varios pasos y utilizó múltiples fuentes de datos.

1926 – 1972: renta variable mundial mensual ex EE. UU.

1972 – 2002: Daily World ex EE. UU. Acciones

2002 – 2007: ETF EFA (iShares MSCI EAFE ETF)

2007 – 2022: VEU ETF (Vanguard FTSE All-World ex-US Index Fund)

De manera similar a los datos de bonos anteriores, aplicamos la extrapolación del proxy de volatilidad de Quantpedia para transformar los datos mensuales de la primera fuente en datos diarios. Utilizamos las acciones estadounidenses como fuente de volatilidad diaria. En pocas palabras, copiamos la volatilidad diaria de las acciones de EE. UU., la conectamos entre dos puntos de datos mensuales y nos aseguramos de que no haya saltos ni lagunas en los datos, y que todo suceda de forma lineal.

Utilizamos datos de renta variable mundial excepto EE. UU. en forma de diferencial frente a la renta variable estadounidense. Para comprender mejor toda la metodología, recomendamos leer nuestro artículo.

Estrategia de seguimiento de tendencias de activos múltiples (Tendencia)

A diferencia de los factores anteriores, este factor se construye como una estrategia comercial activa negociable y replicable. La estrategia opera con 3 clases de activos diferentes: bonos (factor: US10Y), acciones (factor: US EQUITIES) y materias primas (factor: materias primas) y aplica una lógica de seguimiento de tendencias. Cada mes observamos varias tendencias de bonos, acciones y materias primas y tomamos posiciones largas si la tendencia es positiva o posiciones cortas si es negativa. Luego ponderamos los activos con base en un esquema de ponderación de risk parity.

Dividimos la estrategia en nueve subestrategias para evitar el «sesgo de la suerte del momento». La estrategia también utiliza varios horizontes de seguimiento de tendencias. Todas las estrategias se reequilibran mensualmente, pero en días diferentes.

CRIPTOMONEDAS

Las criptomonedas son las series temporales más difíciles de modelar porque son la clase de activos más importante más joven. Sin embargo, podemos intentar basar nuestra serie temporal de criptomonedas sintéticas de 100 años en  un trabajo de investigación que las compare con acciones beta de alto sentimiento . Nuestra propia investigación confirma que  las criptos están altamente correlacionadas con las acciones, especialmente durante las recesiones del mercado. Por lo tanto, decidimos extender los rendimientos de las criptomonedas al pasado mediante el uso de una combinación de  asignación del 100 % al quintil Book-to-Market de Fama y French Small Cap Low más una asignación del 100 % al quintil de Book-to-Market de Fama y French Small Cap Low. La cartera de F&F resultante que tiene una asignación del 200% (principalmente a acciones de crecimiento) se ajusta al rendimiento y la volatilidad de las criptomonedas de manera relativamente satisfactoria.

Por supuesto, reconocemos que nuestro proxy del factor de criptomoneda se puede mejorar. Planeamos profundizar más en este tema en el futuro y encontrar un modelo que se ajuste aún mejor y que se pueda usar como proxy para un historial extenso de precios de criptomonedas… Pero el proxy actual también se puede usar. Así que para resumir:

1926 – 2015: 100 % Fama y SMALL francés LoBM + 100 % Fama y BIG LoBM francés

2015 – 2022: Precio de Bitcoin

Modelo de regresión multifactorial

Después de construir un historial de 100 años para cada factor, estamos listos para pasar al modelo de regresión en sí.

El modelo utiliza el criterio de información de Akaike (AIC), que estima la «calidad» de un modelo. Además, el AIC da cuenta del número de parámetros. Por lo tanto, la cantidad de parámetros (factores relacionados con la estrategia dada) no debe ser demasiado alta para obtener un modelo significativo pero simple con interpretaciones directas.

Empleamos el AIC en una selección de modelos usando la regresión Stepwise con selección hacia adelante.

Supongamos que tenemos la curva de equidad de alguna estrategia (variable independiente). Comenzamos con un conjunto de variables predeterminadas que consta de varios «factores», específicamente, todos los factores enumerados en la sección anterior.

De manera más general, supongamos que tenemos n factores. En el primer paso, construimos numerosos modelos que usan solo uno de los factores (un factor = un modelo). Por lo tanto, nos quedan tantos modelos como factores posibles (n modelos). A continuación, calculamos el AIC para cada modelo y, en función del AIC, seleccionamos el mejor modelo. Como siguiente paso, tratamos de agregar otro factor del conjunto reducido de factores que podrían mejorar nuestro modelo. El algoritmo genera n menos uno modelos, calcula el AIC de cada modelo y elige el mejor modelo.

El proceso donde se agrega un nuevo factor, basado en el AIC, continúa hasta que el AIC ya no mejora. Si el AIC no mejora, significa que la complejidad del modelo no superaría la bondad del ajuste del modelo.

Replicar un ETF balanceado

Ahora que explicamos cómo funciona el modelo, presentamos un ejemplo. Reproducimos AOR (ETF de asignación de crecimiento central de iShares) usando nuestros factores. De iShares : «El ETF de asignación de crecimiento principal de iShares busca rastrear los resultados de inversión de un índice compuesto por una cartera de fondos subyacentes de renta variable y renta fija destinados a representar una estrategia de riesgo objetivo de asignación de crecimiento».

El AOR ETF tiene un historial desde noviembre de 2008, por lo que el ajuste se realiza durante este período. La siguiente figura presenta las curvas de acciones de AOR (nuestra cartera de entrada) y la cartera de factores (cartera imitadora) con los factores elegidos, sus pesos, errores estándar y valores t-stat.

Como podemos ver, el modelo eligió cuatro factores estadísticamente significativos : US EQUITIES (41,992%), WorldExUS (17,456%), US10Y (20,810%), SMB (7,662%). Y estos factores imitan muy bien la cartera de entrada (AOR US), casi llegando a una cartera idéntica. Por lo tanto, gracias a nuestro modelo, podemos decir con bastante precisión qué factores impulsan los rendimientos de la cartera subyacente .

A continuación también presentamos las características de riesgo/rendimiento de ambas carteras.

100 años de datos diarios de ETF

Finalmente, usamos los pesos factoriales calculados de nuestro modelo de regresión y los aplicamos a los mismos factores con un historial de 100 años. La siguiente figura muestra la curva de renta variable de la cartera imitadora durante el siglo pasado. El gráfico utiliza el eje y log10.

Adicionalmente, presentamos las características de riesgo y retorno de la cartera imitadora.

Como podemos ver arriba, pudimos replicar los datos de ETF de AOR US hace 100 años en la historia, hasta 1927. Esto nos brinda una gran perspectiva sobre el desarrollo potencial del ETF en todo tipo de escenarios de mercado alcistas o bajistas. Ahora tenemos una mejor comprensión de los posibles eventos de riesgo y también podemos hacer suposiciones mucho más realistas para el rendimiento en varios escenarios y condiciones de mercado.

Conclusión

Esperamos que este artículo responda múltiples preguntas, incluido por qué es útil poder imitar cualquier cartera con factores con un historial de 100 años. Explicamos cómo creamos una historia tan larga para cada uno de nuestros 16 factores y por qué los elegimos para empezar.

Posteriormente, presentamos el modelo de regresión multifactorial, que selecciona los factores de imitación óptimos de los que se compone la cartera de imitación. El modelo utiliza el criterio de información de Akaike (AIC) para penalizar factores innecesarios, por lo que nos queda un modelo que es lo más simple posible con una interpretación directa.

Luego presentamos AOR US ETF como una cartera de casos de uso y la comparamos con la cartera de factores compuesta por cuatro factores replicantes, determinados por el modelo de Quantpedia. En primer lugar, comparamos el ETF original y la cartera que imita el factor durante la breve historia (historia de AOR), y llegamos a la conclusión de que la replicación del factor para este ETF es casi perfecta.

Por último, y lo más importante, ampliamos nuestro análisis a una historia de 100 años y analizamos el desempeño de la cartera de factores durante el último siglo. De esta manera, pudimos estimar con bastante precisión el riesgo y el rendimiento del ETF durante los últimos 100 años.

Finalmente, esperamos que hayas disfrutado este artículo, porque pronto habrá más. Ya estamos trabajando en el artículo de seguimiento, que profundizará en los 100 años de historia de la cartera de factores.

Autora:
Daniela Hanicova, analista cuántica, Quantpedia

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.