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.

¿Cuánto mueve el Bitcoin las noticias? por Quantpedia

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

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

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

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

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

Resumen:

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

Como siempre presentamos varias figuras interesantes:

Citas notables del trabajo de investigación académica:

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

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

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

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

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

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

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

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

El camino MÁS COMÚN

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

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

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

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

Descubriendo el Stop-Loss

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

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

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

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

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

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

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

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

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

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

Stop-loss para posiciones apalancadas 

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

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

Gráficos de V-trade

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

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

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

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

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

La plantilla de barras renko consta de:

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

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

• 8 = Oscilador estocástico de precio.

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

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

Plantilla de gráfico de velas relacionada con el tiempo fijo

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

La plantilla relacionada con el tiempo consta de:

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

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

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

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

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

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

• 17 = Oscilador estocástico de precio.

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

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

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

Reglas de Trading

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

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

Tendencia bajista a reversión de tendencia alcista

Retroceso de tendencia alcista

Continuación de la tendencia alcista

Reversión de tendencia alcista a tendencia bajista

Retroceso de tendencia bajista

Continuación de la tendencia bajista

Gráficos cortesía de MetaQuotes Software Corp.

MetaTrader4 es Copyright, MetaQuotes Software Corp.

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

La economía es principalmente lo que hacemos con esas cosas.

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

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

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

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

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

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

Lo mismo ocurre con el crecimiento económico.

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

El poder de las preguntas por Ray Barros

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

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

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

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

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

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

Revisión de las estrategias de trading de patentes por Quantpedia

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

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

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

El desarrollo de la relación patente-mercado (PTM)

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

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

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

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

Fuente de datos

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

Procesamiento y resultados del backtest

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

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

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

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

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

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

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

Resultados

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

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

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

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

Observaciones:

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

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

Observaciones finales:

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

Autor: Rishabh Gupta

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

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

Pero otras veces simplemente no puedes evitarlo:

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

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

A primera vista, parece aterrador e incluso obvio.

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

El consumidor está jodido. Caso cerrado. ¿Derecha?

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

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

Así que estamos midiendo manzanas y naranjas.

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

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

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

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

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

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

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

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

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

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

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

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

es el 6%.

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

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

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

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

Están cayendo.

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

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

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

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

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

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

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

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

Podría ser necesaria una recesión para desacelerar al consumidor.

Cuándo ajustar el stop loss por Fawad Razaqzada

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

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

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

Ejemplo 1: USD/CAD

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

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

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

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

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

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

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

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

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

Ejemplo 2: GBP/JPY

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

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

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

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

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

Conclusión

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

Sistema de trading tendencial por Jose Antonio González

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

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

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

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

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

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

Características del Sistema:

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

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

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

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

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

Configuración del Sistema:

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

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

1. Señales de Entrada:

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

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

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

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

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

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

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

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

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

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

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

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

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

2. Señales de Salidas:

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

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

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

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

3. Ineficiencias del Sistema:

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

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

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

BackTesting:

1.Resultados del Sistema:

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

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

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

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

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

Conclusión:

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

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

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

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

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

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

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

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

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

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

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

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