La curva de rendimiento nos dice: «No te preocupes» por Sentimentrader

La curva de rendimiento promedio está lejos de invertirse

A principios de 2019, los inversores estaban cada vez más preocupados por la inversión en la curva de rendimiento. Como vimos en ese momento, las inversiones a lo largo de la curva estaban aumentando, con varios vencimientos a corto plazo rindiendo más que los vencimientos a más largo plazo. Usando 55 combinaciones diferentes de rendimientos del Tesoro de 11 vencimientos diferentes, se invirtieron más de la mitad de las curvas.

Los titulares vuelven a llenarse de preocupaciones sobre las curvas de rendimiento. Pero menos del 10% de las combinaciones están actualmente invertidas.

El gráfico a continuación muestra el diferencial medio entre las diferentes combinaciones. Esto cayó por debajo de cero antes de cada recesión en los últimos 60 años. Todavía está muy por encima de ese punto ahora; el diferencial medio está en el 29 % superior de todas las lecturas desde 1962. Desde 1982, sigue estando muy por encima de la mitad superior de todos los días.

Según dónde nos encontremos ahora en relación con todos los demás días, existe una probabilidad muy baja de que EE. UU. esté en recesión en cualquier período de tiempo.

Atención a los bonos basura

Los bonos de alto rendimiento son títulos de deuda emitidos por empresas con crédito de menor calidad. Para atraer compradores, estas empresas pagan una tasa de interés más alta por estos bonos. Siempre que la empresa no incumpla con los pagos de capital o intereses, los rendimientos superiores a la media de estos bonos suelen ser atractivos para los inversores orientados a los ingresos.

Debido a que las fortunas financieras de la empresa subyacente son tan importantes, el rendimiento de la deuda de alto rendimiento suele estar más correlacionado con el mercado de valores que con los bonos simples. El estado general de la economía normalmente tiene más influencia sobre la acción del sector de bonos de alto rendimiento que las fluctuaciones en las tasas de interés, aunque las grandes oscilaciones en las tasas de interés aún pueden tener una influencia significativa.

Con la caída en el mercado de valores durante el primer trimestre de 2022, combinada con la debilidad en el mercado de bonos en general, el sector de bonos de alto rendimiento tomó las riendas. 

El siguiente gráfico destaca con un punto rojo aquellos días en los que el índice McClellan Summation de alto rendimiento estuvo por debajo de -800. Tenga en cuenta que esto es algo que sucede con muy poca frecuencia y, como tal, estamos tratando con un tamaño de muestra ciertamente pequeño.

Otros indicadores muestran pérdidas similares a largo plazo en estos bonos.

El riesgo de la estanflación por Ben Carlson

Un lector pregunta:

¿Hay alguna forma de prepararse para la estanflación? ¿Alguna idea?

La estanflación es un entorno económico caracterizado por una alta inflación, un alto desempleo y un crecimiento económico lento o negativo. En otras palabras, no es divertido.

Este es un riesgo que parece estar ganando fuerza entre las personas a las que les gusta preocuparse por las cosas para ganarse la vida.

Larry Summers (el chico de The Social Network ) es una de esas personas que está constantemente preocupada por las cosas. Aquí está su reciente toma:

Es probable que la trayectoria actual de la política de la Fed conduzca a una estanflación, con un promedio de desempleo e inflación de más del 5 por ciento en los próximos años, y en última instancia a una gran recesión.

Hay mucha gente que piensa que la Reserva Federal está atrapada en este momento. Puede que tengan razón.

Es posible que la única opción de la Fed sea frenar la demanda elevando las tasas de interés y señalando que lo harán a expensas del crecimiento económico. También es cierto que a la inflación podría no importarle el aumento de las tasas de interés si las cadenas de suministro siguen restringidas y terminamos con una crisis persistente de las materias primas.

No hay muchos precedentes de estanflación en EE. UU.

La década de 1970 es básicamente el único período que me viene a la mente.

Repasemos lo acontecido en la década disco.

La tasa de inflación fue muy alta durante la mayor parte de la década, con un promedio de más del 7% y creciendo a más del 13% a fines de los años 70:

La tasa de desempleo también fue relativamente alta, alcanzando el 9 % tras la recesión de 1973-1974 y finalizando la década en el 6 %:

El crecimiento económico real fue probablemente mejor de lo que la mayoría de la gente supone con más del 3%, pero no estoy seguro de que eso importara considerando cuánto odia la gente la inflación alta:

La mayor diferencia entre entonces y ahora son las tasas de interés:

El rendimiento del Tesoro a 10 años nunca estuvo por debajo del 5,3% en los años 70. Promedió casi el 8% en ese período de 10 años y alcanzó niveles de dos dígitos antes de la década de 1980. La tasa actual del 2,3% no está ni cerca de esos niveles.

El rango en la tasa de fondos federales en la década de 1970 muestra cuán extraña fue esa década desde una perspectiva económica:

La inflación ya estaba aumentando en la década de 1960, pero una recesión de 1969 a 1970 hizo que la Reserva Federal elevara las tasas a corto plazo a casi el 2%. Eso probablemente no ayudó con la inflación. Cuando aumentaron las tasas hasta casi el 18% en 1979, ya estaba fuera de control.

La respuesta simple a «¿qué funcionó en los mercados en la década de 1970?» es: las materias primas.

El índice GSCI aumentó más del 20 % por año en la década. El petróleo saltó más del 800%. Las acciones de energía subieron más del 70% sobre una base ajustada por inflación. El oro subió casi un 1.000% en total.

El mercado de valores de EE. UU. en su conjunto se comportó mejor de lo que pensaría sobre una base nominal. Los años 70 son en realidad una de las mejores décadas en términos de crecimiento de ganancias:

Esto tiene sentido cuando se considera que las corporaciones tienden a subir los precios en un entorno inflacionario.

El S&P 500 subió un 78% en total o aproximadamente un 6% por año. Eso no está mal hasta que considera que la inflación subió un 7% anual, lo que significa que los rendimientos reales fueron negativos.

El rendimiento más sorprendente desde la perspectiva de una clase de activo podría ser qué tan bien le fue al efectivo.

De hecho, si comparamos acciones, bonos y efectivo desde la década de 1930, la década de 1970 fue la única década en la que el efectivo venció a las acciones y los bonos al mismo tiempo:

Esto vuelve a la historia de las tasas, con rendimientos mucho más altos en ese entonces. También puede ver esas tasas más altas en bonos y efectivo durante las décadas de 1980, 1990 y 2000.

Las acciones de valor tuvieron su mayor rendimiento superior a las acciones de crecimiento en las décadas de 1940 y 1970:

Las décadas de 1940 y 1970 también tienen las tasas de inflación más altas de cualquier década desde la década de 1930.

Las acciones de valor ya están superando el crecimiento por un buen ritmo en lo que va de 2022. No sé si esta relación se mantendrá, pero tiene sentido desde una perspectiva teórica que el valor superaría al crecimiento cuando la inflación es más alta .

Los entornos económicos cambiantes son un buen caso de uso para mi técnica favorita de gestión de riesgos: la diversificación.

Hay otro activo que tuvo su mejor desempeño nominal en la década de 1970: la vivienda. Estos son los rendimientos anuales de la vivienda en los Estados Unidos por década de Robert Shiller:

Si es dueño de una casa, es muy probable que sea su activo financiero con mejor comportamiento este año (especialmente cuando se ajusta por el impacto de la inflación en el pago de su hipoteca).

Como ocurre con todos los resultados económicos, no sé si se producirá una estanflación. No puedo predecir el futuro.

Pero el riesgo de estanflación parece ser elevado en relación con donde estábamos antes de la pandemia.

Hablamos sobre esta pregunta en Portfolio Rescue de esta semana:

Taylor Hollis también me ayudó a responder algunas preguntas sobre la creación de fideicomisos y fondos asesorados por donantes.

Una muy breve historia del auge y la caída de la Teoría monetaria moderna por Ed Yardeni

Hasta 2020, la Teoría Monetaria Moderna (TMM) era una escuela de pensamiento poco convencional que los economistas progresistas adoptaron antes de la pandemia. Postula que cualquier gobierno puede gastar con libertad para crear pleno empleo y prosperidad generalizada siempre que imprima su propia moneda. La inevitable consecuencia inflacionaria de hacerlo explica por qué los principales economistas, incluso keynesianos como el economista de Harvard Larry Summers, la han rechazado en su mayoría. Los fanáticos de la Teoría Monetaria Moderna respondieron que unos impuestos más altos podrían apuntar a enfriar la inflación si fuera necesario.

Ahora que el genio de la inflación está subiendo, ¿qué sugiere que hagamos al respecto la Teoría Monetaria Moderna? Primero, revisemos cómo el auge de la Teoría Monetaria Moderna condujo a su caída:

(1) El pandemónium de la política de pandemia. El momento lo es todo, y la pandemia convirtió de la noche a la mañana a la Teoría Monetaria Moderna de una idea marginal a la razón de ser detrás del gasto fiscal masivo financiado con déficits récord del gobierno federal y con enormes compras de valores gubernamentales y bonos respaldados por hipotecas por parte de la Reserva Federal. ¿Por qué preocuparse por las consecuencias inflacionarias cuando la pandemia podría causar una depresión?

De hecho, fueron los confinamientos impuestos por el gobierno los que casi causaron una depresión. Pero los formuladores de políticas no dejarán que una buena crisis se desperdicie (felicitación al asesor presidencial de Obama, Rahm Emanuel, quien expresó ese cínico consejo), incluso si sus políticas han causado la crisis. Eso es porque el gobierno está aquí para ayudar (felicitación al ex presidente Ronald Reagan, quien calificó esas palabras como las más aterradoras que alguien puede escuchar).

Desde febrero de 2020 (justo antes de la pandemia) hasta febrero de 2022, la deuda negociable del Tesoro de los EE. UU. en poder del público se disparó $ 6,1 billones a un récord de $ 20,9 billones (Fig. 11). Durante este mismo período, las tenencias de valores del Tesoro de EE. UU. de la Fed aumentaron $ 3,3 billones a un récord de $ 5,7 billones (Fig. 12). La Fed también compró 1,3 billones de dólares en valores respaldados por hipotecas y deuda de agencias federales durante este mismo período.

Como resultado de todas estas compras por parte de la Fed, M2 se disparó junto con los depósitos totales en los bancos comerciales en $6,4 billones a $21,8 billones y en $4,7 billones a $18,1 billones desde febrero de 2020 hasta enero de 2022 (Fig. 13). La demanda de préstamos bancarios fue débil porque las condiciones crediticias eran extremadamente fáciles en los mercados de capitales gracias a la contribución de la Fed para implementar MMT. Así que los bancos se unieron a la Reserva Federal para acumular bonos del Tesoro y valores respaldados por hipotecas (Fig. 14).

Lo que yo llamo “T-Fed” (la actividad coordinada del Tesoro y la Reserva Federal) siguió el libro de jugadas de la Teoría Monetaria Moderna al pie de la letra, inundando los mercados financieros con liquidez.

(2) Levantando su fea cabeza. La Teoría Monetaria Moderna funcionó por un corto tiempo; sí estimuló una notable recuperación en forma de V en la economía (Fig. 15). Sin embargo, el repunte en el mercado laboral fue más lento de lo que esperaban los funcionarios de la Fed, probablemente porque los programas de estímulo fiscal del gobierno federal incluyeron suplementos de desempleo muy generosos a los beneficios proporcionados por los estados hasta principios de septiembre de 2021. Como resultado, la Fed continuó pisando fuerte el acelerador monetario hasta principios de marzo de 2022, a pesar de que la cantidad de vacantes comenzó a superar la cantidad de trabajadores desempleados durante mayo de 2021 (Gráfico 16).

Desafortunadamente, la inflación no tardó mucho en asomar su fea cabeza, lo que no había sucedido desde la Gran Inflación de la década de 1970. Los programas de estímulo del gobierno impulsaron los ingresos y el gasto de los consumidores, especialmente en bienes. El shock de demanda resultante abrumó los suministros de la producción nacional y las importaciones.

La tasa de inflación del IPC, año tras año, superó el objetivo oficial del 2,0 % de la Reserva Federal durante marzo de 2021, un año después de que los responsables de la política fiscal y monetaria adoptaran la Teoría Monetaria Moderna como la mejor manera de poner la economía en soporte vital, hasta el 7,9 %. durante febrero de 2022 (Fig. 17). Liderando el camino alcista estaba el componente de bienes duraderos del IPC, que subió un récord de 18,7% a/a hasta febrero de 2022 (Fig. 18).

La escasez generalizada de mano de obra impulsó la inflación salarial. El indicador de crecimiento salarial de la Fed de Atlanta aumentó del 3,7 % durante febrero de 2020 al 5,8 % durante febrero de 2022 (Fig. 19). Se estaba desarrollando una espiral de salarios y precios (Fig. 20).

Incluso si la inflación de los bienes de consumo duraderos se modera en los próximos meses, la inflación de los alquileres seguramente subirá. Eso se debe a que el precio medio de la vivienda existente aumentó un 33,4 % durante los 24 meses hasta febrero de 2022 (Fig. 21). Muchos de los posibles compradores de vivienda por primera vez han sido excluidos del mercado inmobiliario y ahora no tienen más remedio que alquilar. Como resultado, la demanda de unidades de alquiler ha aumentado, lo que ha provocado que se dispare la inflación de los alquileres en los nuevos arrendamientos. Eso ya aparece en el componente de alquiler del IPC y seguirá haciéndolo durante los próximos 12 a 24 meses (Fig. 22). En otras palabras, la espiral de salarios y precios se ha convertido en una espiral de salarios, precios y rentas.

(3) La Teoría Monetaria Moderna del profesor Kelton en teoría y práctica. La edición del 7 de febrero de 2022 de The New York Times publicó una historia sobre la profesora Stephanie Kelton, una de las mayores defensoras de la Teoría Monetaria Moderna. Escribió un libro sobre el tema en junio de 2020. Se titula, traducido al español, «El mito del déficit: la teoría monetaria moderna y el nacimiento de la economía popular». El título lo dice todo: los déficits gubernamentales son la mejor manera de ayudar a las personas que necesitan ayuda. Ella declaró la victoria en marzo de 2020, tuiteando: “Se necesitó un virus para matar el mito del déficit”. Ese fue su momento de “misión cumplida”.

Kelton estaba totalmente a favor de las dos primeras rondas de estímulo fiscal en 2020, que incluyeron cientos de miles de millones de dólares en cheques de ayuda económica enviados por el Tesoro a millones de estadounidenses. También apoyó la tercera ronda a principios de 2021, minimizando las preocupaciones sobre la inflación de Larry Summers.

En una entrevista de Bloomberg del 16 de julio de 2021, Kelton se puso del lado del presidente de la Fed, Jerome Powell, quien calificó el aumento de los precios al consumidor como «transitorio». Afirmó que “en general” es una señal de “dolores de crecimiento de una economía que está saliendo de una pandemia y reabriendo”. Ahora que la inflación está al rojo vivo, Kelton y otros defensores de la Teoría Monetaria Moderna afirman que la inflación es un buen problema si la alternativa es una recuperación anémica.

(4) El dinero del helicóptero de Bernanke. La Teoría Monetaria Moderna no es moderna, no es monetaria y no es una teoría. Es un nombre elegante para el famoso «dinero de helicóptero». Este término fue acuñado por primera vez por Milton Friedman en 1969, cuando reflexionó que un banco central siempre podría revivir una economía débil arrojando dinero desde un helicóptero.

El término ganó popularidad después de que el entonces gobernador de la Fed, Ben Bernanke, lo mencionara en su famoso discurso de prevención de la deflación de 2002, lo que le valió el apodo de «Helicóptero Ben». Explicó: «Una reducción de impuestos financiada con dinero es esencialmente equivalente al famoso ‘dinero de helicóptero’ de Milton Friedman».

Bernanke no ha expresado mucho su entusiasmo inicial y su posterior decepción (si la hubo) con el lanzamiento del helicóptero de Washington. Por otro lado, Powell claramente pensó que era una teoría marginal antes de la pandemia. En su testimonio ante el Congreso sobre política monetaria del 26 de febrero de 2019, menospreció la Teoría Monetaria Moderna y rechazó la idea de que la Fed alguna vez ayudaría a combatir el impacto de los crecientes déficits fiscales al mantener bajas las tasas de interés. Un año después, el 3 de marzo de 2020, después de una reunión de emergencia del FOMC, Powell reafirmó: “Entonces, en términos de política fiscal, nuevamente, [ese] no es nuestro papel. Tenemos un plato lleno con la política monetaria. [No es] nuestro papel asesorar a los responsables de la política fiscal”.

(5) El cambio de Jerome Powell. Qué diferencia hace una pandemia. Powell adoptó la Teoría Monetaria Moderna 20 días después, el lunes 23 de marzo de 2020, cuando la Reserva Federal implementó un programa abierto de compra de bonos del Tesoro, valores respaldados por hipotecas y deuda de la Agencia. A finales de esa semana, el viernes 27 de marzo, el Congreso había aprobado la primera de varias rondas de estímulo fiscal masivo. Esa fue la semana en que triunfó la Teoría Monetaria Moderna mientras T-Fed trabajaba para apoyar la economía y los mercados financieros.

(6) Ahora, ¿qué debemos hacer? La Teoría Monetaria Moderna merece crédito por la rápida caída en la tasa de desempleo desde un máximo de 14.7% durante abril de 2020 a solo 3.8% durante febrero de 2022. Pero también se le culpa por la combinación excesivamente estimulante de políticas fiscales y monetarias que causó un shock de demanda que abrumaron las cadenas de suministro globales, lo que resultó en un aumento impactante en la tasa de inflación a máximos de 40 años. La buena noticia es que hay más puestos vacantes que trabajadores para llenarlos, lo que resulta en salarios más altos. La mala noticia es que la inflación de precios está erosionando casi por completo el poder adquisitivo de los salarios.

Así que la Teoría Monetaria Moderna tiene el crédito y a la vez la culpa por revivir la curva de Philips, es decir, la relación inversa entre la tasa de desempleo y la inflación de precios y salarios.

En su manual de Teoría Monetaria Moderna, Kelton escribió que si el gobierno quiere aumentar el gasto en un área específica, es posible que “deba eliminar parte del poder adquisitivo del resto de nosotros para evitar que sus propios desembolsos más generosos hagan subir los precios”. Una forma de crear esta habitación es a través de impuestos más altos. Los impuestos también son una «forma poderosa para que los gobiernos alteren la distribución de la riqueza y los ingresos». Los gobiernos también pueden usar los impuestos “para alentar o desalentar ciertos comportamientos”. Esas son las palabras de un economista progresista auténtico.

Por supuesto, los conservadores han rechazado la Teoría Monetaria Moderna porque reconocen que proporciona un cheque en blanco para aumentar el gasto público y los impuestos. Si el gasto provoca inflación, que aumenten los impuestos, dicen los progresistas. Esa sería la receta de MMT para lidiar con las altas tasas de inflación actuales.

(7) Sólo un mal sueño. En su libro de 2020, Kelton escribió: “Al igual que Dorothy y sus compañeros en El mago de Oz, necesitamos ver a través de los mitos y recordar una vez más que siempre hemos tenido el poder”. Kelton se refería al poder de Dorothy para volver a su hogar en Kansas con solo hacer tres clics en los tacones de sus zapatillas rojo rubí. De manera similar, Kelton cree que el gobierno de EE. UU. siempre ha tenido el poder de incurrir en enormes déficits presupuestarios y debería hacerlo para curar todos nuestros males.

Como resultado de la pandemia, su teoría cobró vida propia. Los gobiernos de todo el mundo gastaron masivamente en déficit de estímulo que financió políticas fiscales para compensar las fuerzas recesivas desatadas por la pandemia. Los banqueros centrales proporcionaron políticas monetarias ultraflexibles para permitir que los déficits resultantes se financiaran a tasas de interés históricamente bajas. Ahora la inflación se dispara.

El libro de Kelton no deja dudas sobre de qué se trata la Teoría Monetaria Moderna: es una agenda para un gobierno más grande e impuestos más altos. Las opiniones de Kelton deben parecer a muchos conservadores poco realistas y utópicas. Los defensores del capitalismo de libre mercado podrían exclamar: «¡No presten atención al profesor detrás de la cortina!» Recuerde que la mayor parte de «El mago de Oz» fue un mal sueño que tuvo Dorothy después de recibir un golpe en la cabeza.

Estrategias de salida en una operación por Ray Barros

Hoy quiero hablar sobre las estrategias de salida de una operación o trade. Alguien con poca experiencia o novato le dirá (puede que no lo haga, pero puede apostar que lo ha escuchado) que cada entrada debe ir acompañada de un stop loss. Como la mayoría de las cosas en el trading, esto no es lo que aparenta. De hecho, algunos gestores de fondos, Ken Fisher, por ejemplo, argumentan en contra.

Entonces, ¿cuál es la verdad?

Una cosa es cierta, todos los traders/inversionistas de éxito que conozco tienen una estrategia de salida. Si su estrategia de salida se basa en lo que puede perder, entonces, probablemente no será eliminado del juego por una pérdida, pero probablemente morirá desangrado. El hecho es que al mercado no le importa lo que pueda o no pueda permitirse perder. Y en lo que respecta a la ubicación de los stops, tú tampoco deberías hacerlo.

Primero determina cómo debe verse el mercado para que tu operación sea incorrecta y luego calcula si puedes permitirte la pérdida. Si no puedes permitirte la pérdida, reduce su tamaño. Si eso todavía no lo hace, pasa por alto la operación. Quieras o no, colocar un stop loss es solo pedirle al mercado que tome nuestro dinero.

Mis estrategias de salida implican:

• El precio se detiene: a este precio mi operación es incorrecta y es un precio más allá del cual no mantendré una posición pase lo que pase.
• Salidas contextuales (stops estratégicos): ¿cómo tiene que estar el mercado para que yo salga de una operación? ¿Cómo debe ser para mí permanecer en la operación? Las respuestas dependen del tipo de entrada que me llevó a la operación. Si se trata de una entrada de desarrollo negativo, el mercado tiene que probar la operación justo después de un tiempo determinado después de la entrada. Rara vez extiendo el tiempo para salir, aunque a menudo salgo antes de tiempo. Si se trata de una entrada de Contracción, soy más indulgente en cuanto a mantener una posición que no se mueve.
• El tiempo se detiene: tanto el Desarrollo Negativo como la Contracción tienen un stop loss por tiempo.

Años similares a este 2022 terminaron así por Sentimentrader

Años similares a 2022

Las tendencias estacionales de muchos ETF e índices de renta variable están a punto de pasar de malas o neutrales a positivas a medida que entramos en los meses de primavera. La estacionalidad por sí sola, especialmente en los índices bursátiles, es una pata inestable para sostenerse, pero combinada con otros factores puede ser una herramienta útil.

Si observamos la pérdida del año hasta la fecha en el S&P 500 y la comparamos con otros años, podemos encontrar objetivamente períodos en los que los bajos rendimientos y la estacionalidad combinaron sus fuerzas. Encontramos otros 14 años con una correlación de más de +0,7 con este 2022 en curso (en una escala de -1,0 a +1,0).

Muchos de ellos tocaron suelo justo donde lo hicimos este año y, por lo general, se mantuvieron más altos hasta principios del verano. Los 4 años más recientes con altas correlaciones se muestran a continuación. De todos los precedentes, sólo 1976 sufrió un rechazo inmediato y mínimos menores.

Como siempre, estamos más preocupados por hacia dónde nos dirigimos que por dónde hemos estado. De los 13 años con una correlación YTD superior a +0,70, 11 de ellos mostraron ganancias durante los siguientes 6 meses. La media de los retornos estuvo significativamente por encima del azar durante los siguientes 1 a 6 meses.

Un salto en las señales técnicas de compra

El número de aciones del S&P 500 con su indicador MACD por encima de cero se ha invertido al alza. Dean señaló que la reversión se produce después de un período en el que la mayoría de las acciones exhibieron un impulso de tendencia débil.

El modelo de indicador MACD identifica cuándo el número de acciones con su indicador MACD por encima de cero cambia de sobrevendido a neutral en 15 sesiones o menos. El mismo modelo, con parámetros ligeramente diferentes, disparó una  señal de compra para el sector energético a principios de enero . 

Esta señal se activó otras 46 veces en los últimos 32 años. Después de las demás señales, los rendimientos futuros, las tasas de ganancia y los perfiles de riesgo/recompensa del S&P 500 se mantuvieron sólidos en todos los marcos de tiempo.

Cómo innovar en nuestro trading por Brett N. Steenbarger

La Fed está muy por detrás de la curva por Ed Yardeni

La Fed está lamentablemente detrás de la curva de inflación. La tasa de inflación del IPC fue de 7,9% a/a durante febrero. La última vez que estuvo tan alta fue en enero de 1982 (Fig. 5). En ese entonces, la tasa de los fondos federales era del 13,2%; hoy está cerca de cero, donde ha estado desde marzo de 2020. El diferencial entre la tasa de fondos federales y la tasa de inflación del IPC fue de -7.8% durante febrero, la más negativa registrada (Fig. 6).

Dudo que el presidente de la Fed, Jerome Powell, haga lo que sea necesario para reducir la inflación como lo hizo el expresidente de la Fed, Paul Volcker. Cuando Volcker tomó el timón de la Reserva Federal el 6 de agosto de 1979, la Gran Inflación ya estaba en marcha. Durante el verano de 1979, los precios del petróleo se dispararon debido a la segunda crisis del petróleo, que comenzó a principios de año cuando el Shah de Irán fue derrocado. Siete meses después, en marzo de 1980, la tasa de inflación del IPC alcanzó su máximo histórico del 14,8%. Cuando Volcker dejó la Fed en agosto de 1987, la había vuelto a bajar al 4,3%.

¿Como el hizo eso? Simplemente dejó de fijar la tasa de los fondos federales y la dejó subir a un récord de 19,1% durante junio de 1981. La tasa real de los fondos federales, que cayó a -4,9% durante junio de 1980, saltó a un récord de 9,5% durante junio de 1981. El resultado fue una severa recesión que hizo caer la inflación.

Es probable que la Fed, liderada por Powell, endurezca gradualmente la política monetaria. Los funcionarios de la Fed ya no usan la palabra «transitorio» para describir el repunte de la inflación desde marzo del año pasado. En cambio, reconocen que ha resultado ser “persistente”. Pero no espero movimientos agresivos porque creo que la mayoría de los funcionarios de la Fed todavía esperan (esperan) que la inflación se modere una vez que se solucionen las interrupciones en la cadena de suministro y termine la Guerra de Putin (con suerte pronto).

Durante la parte de preguntas y respuestas de la conferencia de prensa de Powell del 16 de junio de 2021, se le preguntó si cree que las expectativas inflacionarias siguen ancladas en torno al 2%. Powell respondió afirmativamente: “La respuesta es sí, creo que están ancladas y están en un buen lugar en este momento”. En el Morning Briefing del 7 de julio de 2021, pregunté: «¿En qué momento el aumento de las expectativas inflacionarias a corto plazo se convierte en una preocupación a largo plazo?»

Los colegas de Powell en el Banco de la Reserva Federal de Nueva York están siguiendo de cerca las expectativas inflacionarias en su Encuesta de Expectativas del Consumidor. Los datos comienzan en junio de 2013 y están disponibles hasta febrero de este año. Durante los períodos de uno y tres años, los consumidores esperan que la inflación sea del 6,0% y del 3,8% (Gráfico 7). No diría que esas expectativas están bien ancladas dado que ambas medidas rondaban el 2,5 % justo antes de la pandemia.

Las tasas de interés se están volviendo locas por Ben Carlson

Las tasas de interés están en movimiento.

Le muestro los rendimientos de los bonos del gobierno subiendo en todos los plazos:

Estos rendimientos aún palidecen en comparación con la tasa de inflación, pero las tasas ahora son mucho más altas de lo que eran hace unos pocos meses.

Los mayores movimientos desde una perspectiva de magnitud se han producido en los vencimientos de 2 y 5 años:

Tanto el rápido declive como el posterior aumento han creado un movimiento en forma de U.

También es interesante notar que las letras del tesoro a 5 años tienen exactamente el mismo rendimiento que las de 10 años. El rendimiento a 2 años no se queda atrás.

De acuerdo con las leyes de riesgo y recompensa, no tiene mucho sentido que la deuda a corto plazo tenga un rendimiento similar al de la deuda a largo plazo. Es probable que esto tenga más que ver con la política de subida de tipos de la Fed y/o con la visión del mercado de la economía más que con cualquier otra cosa.

Los diferenciales más amplios entre los bonos a largo y a corto plazo conducen a una curva de rendimiento con pendiente ascendente, lo que puede indicar perspectivas económicas saludables, muy probablemente un mayor crecimiento e inflación en el futuro. Sin embargo, diferenciales más estrechos conducen a una curva de rendimiento más plana o incluso con pendiente negativa, lo que puede indicar malas perspectivas económicas, muy probablemente menor crecimiento e inflación.

Desafortunadamente, esta relación podría estar fuera de control debido al extraño entorno económico en el que vivimos en este momento.

Puede arruinar prácticamente cualquier gráfico de rendimiento a largo plazo al superponer la tasa de inflación en este momento:

Es raro que la tasa de inflación sea superior a la tasa del Tesoro a 30 años.

Volviendo a la década de 1970, la última vez que la inflación fue tan alta, superando el rendimiento a 30 años, fue a principios de la década de 1980. En la primavera de 1980, la inflación estaba más de un 4% por encima de las letras del tesoro a 30 años. Por supuesto, en ese momento la inflación era de casi el 15 %, mientras que los bonos gubernamentales a largo plazo rendían más del 10 %.

En este momento, la inflación es un 5,5% superior a los rendimientos a 30 años. Probablemente tengas que volver a los tiempos de la Segunda Guerra Mundial para ver un diferencial tan alto. Ciertamente es diferente a todo lo que los inversores han visto en muchas décadas.

Entonces, ¿qué significa todo esto para usted como inversor?

Probablemente todavía no veremos un gran aumento en nuestra cuenta de ahorros. Los puntos a discutir de la Fed han ayudado a aumentar los rendimientos, pero aún así solo han elevado su tasa de referencia en un cuarto de punto porcentual:

Por lo tanto, no esperemos que la cuenta de ahorros en nuestro banco físico suba notablemente en el corto plazo:

Afortunadamente, finalmente puede encontrar algún rendimiento decente en el espacio de renta fija. Y, curiosamente, esos rendimientos más altos ahora se encuentran en la parte de baja del riesgo de los bonos en función de los movimientos en la curva de rendimiento.

Eche un vistazo a los rendimientos desde principios de 2021 para diferentes segmentos del mercado de bonos:

Los TIPS se han mantenido relativamente bien porque la inflación fue más alta de lo esperado, pero todos los demás vencimientos de bonos han bajado.

Esto tiene sentido si considera que los rendimientos tienen una relación inversa con los precios de los bonos.

Para los inversionistas en bonos, esto es doloroso a corto plazo aunque signifique tener ganancias a largo plazo. Mayores rendimientos significan mayores rendimientos futuros.

Eche un vistazo a los rendimientos actuales de la SEC para los diversos ETF de bonos después de este movimiento al alza en las tasas:

La regla general es que cuanto mayor sea el vencimiento y la duración, más sensibles son los bonos a los movimientos de las tasas de interés. Esto significa que los bonos a más largo plazo tienden a ver que sus precios suben más cuando las tasas bajan y bajan más cuando las tasas suben.

Eso es exactamente lo que hemos visto.

También debe notar que los inversores en bonos a corto plazo obtienen casi los mismos rendimientos que los bonos a más largo plazo. Entonces, si las tasas continúan aumentando, no solo experimentará mayores pérdidas en el extremo largo del espectro de vencimientos, sino que realmente no será compensado por ese riesgo con rendimientos más altos.

Los rendimientos de los bonos al 2% no son nada del otro mundo, especialmente con una inflación del 8%. Pero es mejor que las tasas estancadas en el suelo al 0%. Suponiendo que las tasas continúen aumentando, los bonos a corto plazo siguen siendo una cobertura bastante decente contra el riesgo de tasa de interés.

Hay otra cara de la moneda en lo que respecta al aumento de las tasas de interés: las tasas de los préstamos están subiendo.

Puede ver una relación relativamente fuerte entre el rendimiento del Tesoro de referencia a 10 años y las hipotecas de tasa fija a 30 años a lo largo del tiempo:

La hipoteca de tasa fija promedio a 30 años tocó suelo en 2.7% en enero de 2021. Todavía estaba en 2.8% en agosto del año pasado. Ahora se está disparando más alto, alcanzando un promedio de 4.2% a partir de la semana pasada:

Los números de la semana pasada probablemente ya estén obsoletos.

La confluencia de una inflación más alta, tasas más altas y costos de endeudamiento más altos tendrá un impacto en las acciones de los inversores en algún momento.

• ¿Esto ralentiza el loco mercado de la vivienda?
• ¿Empeora aún más el problema de la oferta de viviendas si la gente no quiere cambiar por una tasa hipotecaria más alta?
• ¿Invertirán los inversores más dinero en bonos ahora que los rendimientos son más altos?
• ¿O los inversores sacarán dinero de los bonos ahora que han experimentado algunas pérdidas?
• ¿Siguen dominando las acciones dado que los rendimientos reales de los bonos se mantienen firmes en territorio negativo?

Estos movimientos están ocurriendo tan rápido que es difícil saber qué sucederá.

Todo lo que sé es que las cosas siguen siendo raras cuando se trata tanto de la economía como de los mercados.

Todos estamos lidiando con un entorno que nunca hemos experimentado antes.

¿Cómo mueven las noticias los mercados? [Estudio] por Quantpedia

Nadie diría que hoy en día vivimos en una sociedad rica en información: la cantidad de información disponible (datos) aumenta constantemente y las noticias son cada vez más accesibles y frecuentes. Es indiscutible que esta evolución también ha afectado a los mercados financieros. Los algoritmos de aprendizaje automático o machine learning pueden consumir grandes cantidades de datos. Podemos analizar el sentimiento (que se relaciona frecuentemente con las noticias). Los macrodatos ya no parecen ser un problema, y ​​los algoritmos de alta frecuencia pueden reaccionar casi instantáneamente. Pero, ¿qué importancia tienen las noticias? Kerssenfischer y Schmeling (2021) proporcionan varias respuestas al estudiar el impacto de las noticias programadas y no programadas (con frecuencia omitidas en otros estudios relacionados con las noticias) en relación con los cambios de alta frecuencia en los rendimientos de los bonos y los precios de las acciones en la UE y EE UU. La investigación señala que el efecto es significativo. Según los investigadores, aproximadamente la mitad de todos los movimientos de acciones y bonos en los EE UU y la UE ocurren en torno a identificables no programados (como la Covid o la bancarrota de Lehman Brothers) o programados ( reuniones del FOMC , anuncios macro, etc.). Además de identificar las noticias más importantes, la investigación también muestra que las sorpresas de política monetaria pueden no ser tan sorprendentes como parecen, ya que son predecibles. Además, la mayoría de los anuncios del banco central provocan un menor comovimiento en acciones y bonos. En general, la investigación proporciona una excelente información tanto para los profesionales como para los académicos y nos ayuda a comprender mejor el impacto y la magnitud de las noticias.

• Autores: Mark Kerssenfischer y Maik Schmeling
• Título: What Moves Markets?
• Enlace: https://papers.ssrn.com/sol3/papers.cfm?abstract_id=3933777

Abstracto

¿Qué porcentaje de los movimientos de los precios de los activos está impulsado por las noticias? Intentamos responder a esta pregunta construyendo una gran base de datos de eventos con fecha y hora que cubra la publicación de datos macroeconómicos programados, anuncios del banco central, subastas de bonos, así como noticias no programadas como resultados electorales, rebajas de calificación de deuda soberana y catástrofes naturales. Combinamos esta base de datos de noticias con cambios de alta frecuencia en el precio de las acciones y el rendimiento de los bonos, tanto para los Estados Unidos como para la zona euro, que se remontan a 2002. Encontramos que los eventos con noticias representan aproximadamente el 50% de todos los movimientos del mercado, lo que sugiere que una mayor cantidad de variación en el rendimiento, de lo que se pensaba anteriormente, se remonta a las noticias. Finalmente, utilizamos nuestra base de datos de noticias para cuantificar la participación de la variación del precio de los activos debido a diferentes tipos de noticias, para estudiar la previsibilidad de las sorpresas de política monetaria,

Como siempre presentamos algunas cifras interesantes:

Citas notables del trabajo de investigación académica

“En la vasta literatura del estudio de eventos, cada artículo generalmente se enfoca en un tipo de noticia a la vez. En cambio, combinamos y ampliamos el trabajo existente para construir una base de datos masiva de eventos intradiarios que cubra tantas noticias como sea posible, que comprenden tanto noticias programadas regularmente (como publicaciones de datos macro y anuncios del banco central) como eventos ad hoc no programados (como elecciones, anuncios de política fiscal, catástrofes naturales, atentados terroristas, etc.). Usamos esta base de datos junto con cambios de alta frecuencia en el precio de los activos en la frecuencia de 15 minutos que se remonta a 2002. Los precios de los activos incluyen los rendimientos de bonos soberanos con vencimiento a dos, cinco y diez años, así como los precios de las acciones, tanto para EE. UU. como para la zona euro.«

«Documentamos los siguientes hechos sobre noticias y precios de activos. Primero, mostramos que aproximadamente la mitad de todas las variaciones de precios de activos ocurren en ventanas estrechas alrededor de eventos de noticias en nuestra base de datos. Bajo el supuesto habitual de que los precios responden a estos eventos noticiosos, esto significa que las noticias pueden «explicar» aproximadamente la mitad de todos los movimientos del mercado, que es más de lo que encuentran la mayoría de los estudios anteriores. En segundo lugar, realizamos pruebas sobre qué eventos de noticias programados son, en promedio, más importantes para la variación del precio de los activos. Descubrimos que, en los precios de las acciones y los bonos de EE. UU. y Europa, las noticias de EE UU son claramente dominantes. La noticia más importante, por ejemplo, es el informe de empleo de EE. UU., seguido del comunicado de prensa de la Reserva Federal y el informe ISM de EE UU. La conferencia de prensa del BCE como el evento informativo europeo más importante programado solo ocupa el octavo lugar en la lista mundial. Tercera, proporcionamos una descomposición de los movimientos de los precios de los activos en diferentes tipos de noticias para comprender mejor las fuentes de los movimientos de los precios de los activos en los EE. UU. y la zona del euro. Demostramos que, en los activos de los dos países, las noticias no programadas (como eventos políticos, noticias sobre Covid19, catástrofes naturales, etc.) representan alrededor del 10-15% de todas las variaciones del precio de los activos, aunque solo representan aproximadamente 2 % de nuestras observaciones de muestra. Por lo tanto, las noticias no programadas, que normalmente se pasan por alto en la investigación empírica debido a la disponibilidad de datos, representan una gran fuente de variación del precio de los activos. Agregar eventos de noticias importantes, donde «importante» se juzga en función de las estadísticas t en las regresiones de los precios de los activos en las variables ficticias de eventos, aumenta la varianza explicada a aproximadamente el 50% de toda la variación de precios entre los activos, a pesar de que estos eventos noticiosos solo representan aproximadamente el 20% de todas las observaciones de la muestra. Un caso extremo, en el que consideramos todas las noticias de nuestra base de datos arroja R² s de 60-70%.»

«Una aplicación se refiere a la previsibilidad de las sorpresas de política monetaria, como se analiza en, por ejemplo, Neuhierl y Weber (2021) o Miranda-Agrippino y Ricco (2021). Más específicamente, retrocedemos las sorpresas de política monetaria de la Fed y el BCE en diferentes series de noticias durante el período desde que tuvo lugar la última reunión de política monetaria. Nuestros resultados apoyan la idea de que las sorpresas de política monetaria son, de hecho, en parte predecibles por las noticias publicadas antes de una reunión de política monetaria. Por ejemplo, encontramos que las noticias sobre las publicaciones macroeconómicas, así como las acciones de los bancos centrales extranjeros, pronostican significativamente sorpresas en la política monetaria de la Fed y el BCE.»

«Otra aplicación de nuestra base de datos se refiere a la correlación entre acciones y bonos (por ejemplo, David y Veronesi, 2016) y estima el impacto de las noticias sobre los cambios en la correlación de los rendimientos de las acciones y los bonos. Encontramos que la mayoría de los anuncios de noticias de la Fed reducen el comovimiento de los rendimientos de las acciones y los rendimientos de los bonos en los EE UU, mientras que los eventos de noticias de la Fed tienden a aumentar el comovimiento de los rendimientos de las acciones y los rendimientos de los bonos en la zona del euro. Estos resultados arrojan algo de luz sobre una discusión reciente en la literatura sobre si los anuncios del banco central operan a través de “efectos de información” o “noticias de prima de riesgo” (ver, por ejemplo, Cieslak y Schrimpf, 2019; Bekaert, Hoerova y Xu, 2021). Estas noticias no monetarias deberían mover los rendimientos de las acciones en la misma dirección, mientras que las noticias sobre política monetaria implican movimientos en direcciones opuestas.»

«Una aplicación final se refiere a una descomposición de los movimientos del mercado durante algunos episodios importantes durante los últimos 20 años para conocer los impulsores de los precios del mercado en estos períodos. Comenzamos con el llamado “Enigma de Greenspan”, que describe una fuerte caída en los rendimientos de los bonos entre junio de 2004 y febrero de 2005 a pesar de que la Fed elevó las tasas de interés durante este período en 150 puntos básicos. Nuestra descomposición de alta frecuencia atribuye una gran parte de la caída del rendimiento a las noticias sobre inflación. Las noticias de crecimiento, por otro lado, tendieron a aumentar los rendimientos durante el período de tiempo seleccionado.»

«Proporcionamos una descomposición similar para la llamada “taper tantrum” desde finales de abril de 2013 hasta principios de julio de 2013, un período con rendimientos en fuerte aumento después de los comentarios hechos por el presidente de la Fed, Ben Bernanke, en un testimonio ante el Congreso. Nuestro estudio sugiere que el impulsor más importante de estas noticias fueron, de hecho, las noticias de política monetaria (comunicados de prensa y discursos del FOMC), seguidas de cerca por comunicados de prensa macroeconómicos (índices de desempleo e índices de conferencias). Por último, analizamos la llamada “Bund tantrum”, es decir, el fuerte aumento de los rendimientos de los bonos alemanes a largo plazo entre abril de 2015 y junio de 2015. Nuestra descomposición sugiere que la mayor parte del aumento de rendimiento se debió a noticias de crecimiento y noticias sobre la política fiscal. Si bien estos tres episodios son interesantes en sí mismos, un punto más general es que nuestra base de datos permite un estudio más profundo de cómo las noticias impulsan los movimientos del mercado o el comovimiento de los precios de los activos y permiten identificar ciertos tipos de noticias que generan grandes oscilaciones en los precios de los activos «.

¿Cómo usar las reservas en los exchanges de criptodivisas para pronosticar el precio del Bitcoin? [Estudio]

En el mundo moderno, las criptomonedas están ganando popularidad cada día. La criptomoneda más famosa, el Bitcoin, se creó en 2009. Desde su lanzamiento y su posterior éxito, cuando en unos pocos años, su precio se disparó y ha sido objeto de muchos estudios en relación a la predicción de su precio. Sin embargo, estos se centran principalmente en el mercado y los factores macro, omitiendo por completo la naturaleza del Bitcoin, que es la tecnología blockchain. En el estudio descrito, los autores Hoang y Baur investigan la interconexión entre inversores, exchanges de Bitcoin y blockchain.

La forma más fácil de comprar o vender una criptomoneda es mediante un exchange. En dicho exchange, el trader o inversor tiene su billetera en línea, que usa para realizar transacciones. Sin embargo, estas carteras de exchanges pueden enfrentarse a diferentes problemas, que van desde el riesgo de ser pirateadas hasta el cierre del exchange y / o que huyan con el dinero de sus clientes. Así, muchos inversores optan por una billetera privada. Esta billetera no está vinculada a ningún exchange en particular, por lo que es mucho más segura. Le permite al titular tener sus Bitcoins almacenados de forma privada lejos de los peligros en línea. Sin embargo, por otro lado, cuando quieran intercambiar su criptomoneda nuevamente, el Bitcoin debe transferirse nuevamente al exchange. Este movimiento de fondos se puede rastrear y, según los autores, puede ser un buen indicador de los futuros retornos y volatilidad del Bitcoin. Se puede decir con bastante certeza que los traders e inversores prefieren las billeteras privadas: aproximadamente solo alrededor del 12% del Bitcoin en circulación se almacena en exchanges, mientras que el resto está en billeteras privadas.

Al observar una mayor cantidad de Bitcoin ubicada en las reservas de exchange, se puede suponer que los inversores transfirieron su Bitcoin de vuelta al exchange, en la mayoría de los casos, porque planean vender. Se crea presión sobre los precios, seguida de un efecto negativo en el precio del Bitcoin. Por otro lado, retirar Bitcoins en las carteras privadas probablemente signifique rendimientos futuros positivos a largo plazo, ya que los inversores se están preparando para mantener durante un período prolongado. Esto significa que los rendimientos a largo plazo están asociados con (solo) la disminución de las reservas del exchange, mientras que los rendimientos a corto plazo se ven influenciados tanto por el aumento como por la disminución de las reservas del exchange de bitcoins. La volatilidad está relacionada positivamente con las reservas intercambiadas.

• Autores: Lai T. Hoang, Dirk G. Baur
• Título: Effects of Bitcoin Exchange Reserves on Bitcoin Returns and Volatility (Efectos de las reservas de exchanges de Bitcoin en los retornos y la volatilidad del Bitcoin).
• Enlace: https://ssrn.com/abstract=3902504

Resumen

Este estudio muestra que los cambios en las reservas de exchanges de bitcoins están relacionados negativamente con los retornos del bitcoins, de acuerdo con la hipótesis de que la transferencia de bitcoins en los exchanges implica una mayor presión de precios y viceversa. Además, identificamos una asimetría entre los cambios de reserva positivos y negativos en los retornos de bitcoin y la volatilidad que, a su vez, también afectan las reservas de cambio en condiciones de mercado extremas. Los resultados indican que una fracción significativa de los inversores en bitcoins almacenan su riqueza en los exchanges y solo los utilizan para operar. Esto destaca una característica especial del trading de criptomonedas que no existe en los mercados tradicionales.

Como siempre presentamos algunos datos interesantes:

Citas notables del trabajo de investigación académica

“Este estudio llena un vacío en la literatura al investigar los cambios de precios como resultado de la interacción entre los exchanges de bitcoins, los inversores y el blockchain. Como los inversores pueden almacenar bitcoins en sus carteras privadas o en sus cuentas de exchanges, los movimientos de bitcoins entre las dos opciones de almacenamiento pueden proporcionar información sobre la intención de los inversores de vender o retener sus bitcoins. Los inversores, especialmente aquellos que tienen la intención de mantener sus bitcoins durante un período prolongado, pueden preferir mantener bitcoins en carteras privadas en lugar de tenerlos en exchanges. Esto se refleja en la evidencia en la Figura 1 Panel B de que solo el 12% del total de bitcoins en circulación se mantiene en los exchanges y el 88% restante se almacena en los exchanges en las billeteras privadas de los inversores.»

«Utilizando un conjunto de datos único de CryptoQuant que compila las reservas de bitcoins de los 20 principales exchanges de criptomonedas, encontramos una relación negativa entre los cambios diarios de las reservas de exchanges de bitcoins y los retornos actuales y futuros de bitcoins. Tanto el aumento como la disminución de las reservas de exchanges de bitcoins afectan los rendimientos a corto plazo, pero solo las reservas disminuidas se asocian con rendimientos positivos a largo plazo. Esto está en línea con el argumento de que los inversores consideran las cuentas de exchanges como un «puente» temporal para intercambiar bitcoins en los exchanges y utilizan billeteras privadas para mantener bitcoins durante períodos más largos.»

«También encontramos efectos en la dirección opuesta de los retornos y la volatilidad a las reservas cambiarias, pero solo en condiciones de mercado extremas. Específicamente, los retornos del bitcoin extremadamente negativos están asociados con aumentos de las reservas de exchanges de bitcoins al día siguiente, lo que implica una venta de pánico después de las caídas del mercado. Mientras tanto, durante los períodos de volatilidad normal, los inversores transfieren más bitcoins a las cuentas de exchanges tras un aumento de la variación de precios, pero son más reacios a hacerlo cuando el mercado es estable o extremadamente volátil.»

«En lugar de reflejar las transferencias de bitcoins de las carteras privadas de los inversores a las cuentas de exchanges, también es posible que un aumento de las reservas de exchanges de bitcoins se deba a que las compras o ventas que utilizan su propio dinero para comprar bitcoins. Si este es el caso, deberíamos observar una relación positiva entre los cambios de reserva y los retornos de bitcoin debido a la presión de compra de los exchanges. Sin embargo, dado que nuestros resultados empíricos revelan una relación negativa, creemos que este efecto es pequeño y, por lo tanto, la variación de las reservas de exchanges de bitcoins se debe principalmente a que los inversores transfieren sus bitcoins dentro y fuera de los exchanges.»

«Para calcular las reservas de exchanges diarias, el proveedor de datos identifica las direcciones de varios exchanges en la cadena de bloques de bitcoin y rastrea la cantidad de bitcoin transferida hacia y desde esas direcciones. El período de la muestra abarca 1.979 días hábiles desde el 1 de enero de 2016 hasta el 1 de junio de 2021. Las reservas muestran una tendencia ascendente desde el comienzo de la muestra hasta mediados de 2019, cuando alcanzaron un máximo de alrededor de tres mil millones de bitcoins. Posteriormente, las reservas de exchanges disminuyeron gradualmente a alrededor de 2.4 mil millones de bitcoins al final del período de muestra.»

«La proporción de reservas en exchanges respecto a la cantidad total de bitcoins en circulación es de alrededor del 12% en promedio y exhibe una evolución similar a la del nivel de reservas a lo largo del tiempo. El porcentaje relativamente pequeño indica que una gran parte de los bitcoins (88%) se mantienen fuera de los exchanges, en carteras privadas.»

«En promedio, los exchanges envían y reciben alrededor de 100 mil bitcoins por día. El número aumentó significativamente en 2017 y se volvió relativamente estable recientemente. Por el contrario, la cantidad total de bitcoins transferidos en la cadena de bloques disminuyó notablemente después de 2018. Una posible razón es la creciente popularidad de los exchanges que permiten a los inversores operar con bitcoins fuera de la cadena con tarifas de transacción mucho más bajas, lo que lleva a la reducción observada en las transacciones directas. operaciones en cadena entre dos partes. El panel B muestra que la relación entre el monto de la transacción relacionada con el exchanges y el monto total de la transacción ha aumentado sustancialmente desde 2018, lo que indica que los exchanges se utilizan principalmente para comprar y vender bitcoins.»

«Conjeturamos que cuando los inversores cargan sus bitcoins en las direcciones de los exchanges, es probable que los vendan en un futuro muy cercano afectando los rendimientos a corto plazo. Por otro lado, los inversores que transfieren sus bitcoins de los exchanges a sus billeteras privadas probablemente esperan que el precio aumente a largo plazo. Como resultado, una disminución en las reservas de exchanges de bitcoins disminuye cualquier presión sobre los precios y afecta positivamente los rendimientos tanto a corto como a largo plazo. Un ejemplo análogo sería un supermercado que pone más paraguas en los estantes cuando se esperan largos períodos de lluvia y retira los paraguas de los estantes cuando se esperan períodos prolongados de tiempo soleado o sin lluvia.»

«De acuerdo con nuestra hipótesis, los coeficientes de ∆ Reserva  son negativos y estadísticamente significativos para todos los horizontes, lo que indica que las reservas de exchanges de bitcoins afectan negativamente los retornos de bitcoins, tanto contemporáneamente como posteriormente. Mientras tanto, la volatilidad se asocia negativamente con los rendimientos contemporáneos, pero se asocia positivamente con los rendimientos futuros. La capitalización de mercado de Bitcoin exhibe el patrón opuesto, es decir, relacionado positivamente con los rendimientos del mismo día pero no relacionado con los rendimientos del día siguiente. Otras variables como la liquidez del bitcoin, la incertidumbre de la política económica y la volatilidad de las acciones no muestran una relación clara con los retornos de bitcoin.»

«El cambio absoluto de las reservas de exchanges de bitcoins está relacionado positivamente con la volatilidad de bitcoins. El efecto asimétrico indica que los cambios positivos de las reservas de cambio tienen un impacto más fuerte en la volatilidad de bitcoin que los cambios negativos. Dado nuestro hallazgo de que los cambios positivos de las reservas cambiarias están asociados con rendimientos negativos y los cambios negativos de las reservas cambiarias están asociados con rendimientos positivos, este resultado es consistente con una volatilidad asimétrica «clásica» o un efecto de apalancamiento generalmente observado en los mercados de valores donde los rendimientos negativos aumentan la volatilidad por rendimientos más que positivos (Glosten et al., 1993).»

«Entre los 20 exchanges, Coinbase tiene la mayor cantidad de reservas en todo momento, lo que representa alrededor del 25% de las reservas de exchanges totales al final del período de muestra. Binance, aunque se fundó más tarde que otros, exhibe un aumento significativo de reservas en los últimos años. Mientras tanto, las reservas de otros exchanges conocidos como Bitfinex, BitMex o Poloniex exhiben reservas decrecientes con el tiempo.»

«Hemos tratado los cambios de reserva como una variable exógena y hemos examinado cómo se relacionan con los rendimientos y la volatilidad contemporáneos y futuros de bitcoin. Sin embargo, también es posible que los movimientos de precios afecten el comportamiento de los inversores y, por lo tanto, el movimiento de bitcoin entre sus billeteras privadas y cuentas de exchanges. Estos efectos se han documentado en los mercados de valores. una disminución de los retornos de bitcoins es seguida por un aumento de las reservas de exchanges de bitcoins al día siguiente, lo que implica la venta de pánico a los inversores de bitcoins durante condiciones de mercado tan extremas. El efecto desaparece por retrasos más prolongados y por condiciones de mercado extremadamente buenas, lo cual es consistente con la explicación de la venta por pánico cuando la volatilidad del mercado es extremadamente alta o baja (es decir, mayor del 95% del cuantil o menor del 5% del cuantil), los inversores están menos dispuestos a hacerlo, sino que siguen manteniendo bitcoins en sus billeteras privadas (lo que se muestra mediante los coeficientes negativos y significativos de los términos de interacción), lo que resalta aún más las diferencias funcionales entre las billeteras privadas y las cuentas en los exchanges».

El «cerebro de rata» y el éxito en el trading

Hoy hablaré sobre la psicología ganadora necesaria para hacer trading. Si miramos detrás de las razones por las que los traders fracasan, encontramos una o ambas de estas razones:

• No saben que hacer y / o
• No hacen lo que saben.

La psicología ganadora se ocupa de esto último. Me gusta definir la psicología ganadora como un conjunto de herramientas que facilitan la ejecución coherente de nuestro plan de trading. Para comprender por qué necesitamos un conjunto de herramientas, debemos comprender la estructura de nuestro cerebro. Hablemos de esto.

Paul D. MacLean, un médico estadounidense, logró un gran avance en la neurología con su concepto del cerebro trino o dividido en tres. Postuló que nuestro cerebro está compuesto por tres cerebros:

• El reptil (responsable de nuestros instintos de supervivencia, nuestra respuesta de lucha o huida). Cuando se activa, la respuesta del reptil es acción. Acción, cualquier acción, es mejor que ninguna acción.
• El límbico (responsable de nuestras emociones)
• El Neocórtex (responsable de nuestros procesos de pensamiento).

Ahora bien, si todo lo que tuviéramos que hacer fuera controlar nuestra respuesta de «lucha o huida», como traders nos resultaría más fácil ganar dinero. Pero necesitamos añadir al Cerebro Trino una pieza más de información esencial. Los avances en neurología han establecido que las mejores decisiones se toman cuando nuestras emociones y la razón están sincronizadas. Se ha demostrado que la idea de que deberíamos hacer trading como robots sin emociones es imposible (al menos para la mayoría de nosotros) e incluso si fuera posible, las decisiones sin emociones serían subóptimas. La clave para un sólido proceso de toma de decisiones es asegurarse de que el reptil (el «cerebro de rata» según la Dra. Janice Dorn) no abrume al neocórtex. Este vínculo entre la emoción y nuestras decisiones es un hallazgo importante.

Cuando operamos, tendemos a atribuir un significado emocional a nuestras ganancias y pérdidas. A pesar de años de operaciones, sigo sintiendo alegría por las operaciones rentables y tristeza cuando pierdo dinero. Lo que hago es experimentar el placer y el dolor y seguir adelante. Es importante que haga esto o, de lo contrario, es probable que tenga emociones sin procesar y cuando eso suceda, inevitablemente haré algo tonto (como entrar en el mercado sin predefinir mi pérdida) en mi próxima operación.

La gestión y el procesamiento de las emociones (la gestión del «cerebro de rata») es la clave de la psicología ganadora.

Las mejores herramientas que conozco para manejar el cerebro de ratas son la PREPARACIÓN y la REVISIÓN. En la fase de preparación, le sugiero que use alguna técnica que lo lleve al estado Alfa, por ejemplo, la Respuesta de Relajación o alguna forma de meditación. Una vez en el estado alfa, usamos la visualización para completar la fase de preparación.

En ocasiones me han preguntado por qué ayudan la visualización y la meditación.

Los estudios han demostrado que los ejercicios de visualización ayudan al rendimiento. Dado que el trading es parcialmente una actividad de rendimiento, la visualización tiene un impacto favorable. El proceso meditativo se agrega porque se ha demostrado que la visualización ayuda y refuerza el proceso meditativo.

El proceso que enseño es simple; tomemos la entrada como ejemplo:

• Complete su análisis y defina sus estrategias de entrada y salida. Usted sabe cómo debe verse el mercado para abrir la operación y cómo debe verse para permanecer y salir. Ha definido su límite de pérdidas y ha determinado su principal objetivo de potencial beneficio. El riesgo / recompensa considera que vale la pena.

• Aceptas conscientemente la pérdida. Es esencial aquí que explore cómo se sentiría la pérdida de $ X si ocurriera. La clave es imaginar que se ha producido la pérdida y que siente que está bien asumir la pérdida en dólares. Con eso quiero decir que podrá experimentar la tristeza y luego podrá seguir adelante sin que la pérdida se repita constantemente. Si descubre que en su imaginación no puede aceptar la pérdida, reduzca el tamaño de su posición.

Esto suele funcionar.

• Entras en el estado meditativo mediante la relajación muscular, un CD de meditación o cualquier técnica de mediación (como «atención plena», «meditación trascendental», » Sonido primordial de Chopra» , «Alivio natural del estrés», etc.). Mantendría este aspecto en unos 10 minutos más o menos.

• Una vez que se sienta relajado (en el Alfa Estado), visualice cada paso de la entrada y salida, pérdidas y ganancias. Vuelva a comprobar cómo se sentiría si ocurriera la pérdida. Visualízate experimentando la emoción resultante de la pérdida y sigue adelante.

La fase de revisión es similar.

1. Revisamos nuestras revistas de trading y psicológicas para obtener lecciones sobre los mercados y para conocer nuestra personalidad.
2. Luego entramos en Alpha y preguntamos: «¿Qué aprendí sobre los mercados y / o sobre mí mismo»?
3. Luego visualizamos aplicando lo que hemos aprendido.
4. Finalmente, cuando salimos de la meditación, escribimos las aplicaciones en el Paso 3 y cualquier otra idea en la que pensamos conscientemente.

Ahí lo tienes: las estrategias de Preparación y Revisión para manejar nuestro «cerebro de rata» pueden ayudarnos a tomar decisiones óptimas. La preparación y revisión lleva tiempo, al igual que el mantenimiento de un diario, el análisis, etc. Estos procesos son el precio del éxito. Por otro lado, el éxito que experimentamos hace que ese precio valga la pena.

La Expectancy Return y su plan de trading

La fórmula de Expectancy Return identifica el área clave en la que debemos centrarnos.

La mayoría de los novatos se centran en el win rate o porcentaje de operaciones positivas. Pero el porcentaje de operaciones positivas o negativas está menos bajo nuestro control que la ganancia o pérdida media por operación o Avg$win o Avg$Loss. Este artículo hablará de los motivos de esto.

No importa qué tan buenos traders seamos, experimentaremos períodos de pérdida o drawdown, en lo que todo lo que hacemos está mal. Por otro lado, tenemos operadores perdedores a largo plazo con períodos en los que todo lo que hacen se convierte en oro. Creo que la razón de este fenómeno radica en la naturaleza de los mercados. Comparo el mercado con olas dentro de un círculo ilimitado; y comparo nuestro conocimiento del mercado y nuestros planes de trading como un rectángulo dentro del círculo. Mientras las olas bañen nuestro rectángulo, disfrutaremos del éxito; cuanto más se llena nuestro rectángulo, más éxito tenemos.

Pero cuando las olas se alejan de nuestro rectángulo, experimentamos períodos de drawdown. En esta metáfora, tenemos poco control sobre nuestro win rate o porcentaje de operaciones positivas; depende por completo de si la marea está o no en nuestro rectángulo. Seguro que podemos aumentar el tamaño del rectángulo (es decir, aumentar nuestro conocimiento personal y del mercado); pero dado que el círculo es ilimitado, nunca podemos saber lo suficiente para evitar los períodos de drawdown.

Por otro lado, la ganancia media y pérdida media o Avg $ Win y el Avg $ Loss están totalmente bajo nuestro control porque dependen por completo de nuestras entradas y salidas. Al enfocarnos en expandir la diferencia entre nuestro Avg $ Win y Avg $ Loss, creamos la esperada rentabilidad de nuestra cartera.

Por cierto, es más fácil disminuir la pérdida que aumentar la ganancia. Cuando realizo una operación, hago una serie de preguntas cuyas respuestas preparan una salida antes de que mi stop loss sea alcanzado. Una de las preguntas que me hago es: «¿Cómo debe ir la operación para que yo permanezca dentro?». Otra pregunta es: «¿Cómo debe ir el trade para que yo salga?».

El JPG adjunto de mi cuenta personal hace ya algún tiempo, que muestra a la perfección la diferencia entre un buen mes haciendo trading y uno malo. Octubre fue un mes pobre: ​​mi tasa de ganancias y pérdida o Win Rate y Loss Rate total fueron casi iguales (+17 a -16); pero la pérdida de $ fue de 1.3: 1 a 1.0 $ ganancias; y como resultado, perdí (3%) durante el mes. Ahora eche un vistazo a febrero de 2006.

En febrero gané solo $ 5000 más que en octubre, pero mis pérdidas fueron ($ 38 000) en comparación con las de octubre ($ 114 000,00). Como resultado, ¡obtuve un enorme ROI de + 6,9%!

Mis resultados de 2006 a 2007 muestran que ganaremos dinero si nos concentramos en nuestras entradas y salidas y, por lo tanto, aumentamos la diferencia entre nuestras ganancias y pérdidas. La alternativa es concentrarse en mejorar nuestro win rate o porcentaje de operaciones positivas y eso es mucho más difícil de conseguir.

Introducción a las metodologías de value at risk (VAR) o valor en riesgo por Quantpedia

Comprender los riesgos de cualquier estrategia de trading cuantitativa es uno de los pilares de una gestión de cartera consistente. Por supuesto, podemos tener un buen comportamiento de la estrategia en momentos puntuales, pero para sobrevivir a las fluctuaciones del mercado, debemos tener herramientas para una sólida gestión de riesgos. La medida «Valor en riesgo» es una herramienta estándar que se utiliza para evaluar el riesgo de las estrategias de trading y de inversión a lo largo del tiempo. Planeamos presentar nuestro nuevo informe «Valor en riesgo» para los clientes de Quantpedia Pro en breve. Este artículo es nuestra introducción a las diferentes metodologías que se pueden utilizar para el cálculo de VaR.

Introducción

El valor en riesgo (VaR) se define como la pérdida máxima con una probabilidad dada, en un período de tiempo establecido (como un día), con una distribución de probabilidad asumida y en condiciones estándar de mercado. En otras palabras, es una medida del riesgo de pérdida de una inversión. El problema matemático más importante es que se desconoce la verdadera distribución de probabilidad de esta pérdida (y los rendimientos subyacentes).

Definición matemática de valor en riesgo o VaR:

La fórmula nos dice cuál es la pérdida máxima que podemos esperar mañana, en unas condiciones normales de mercado, o qué cantidad de pérdida no deberíamos exceder con un determinado nivel de probabilidad (por ejemplo, 95%).

Digamos que a = 95% y VaR _95% = 3%, esto nos dice que hay un 5% de probabilidad de perder el 3% o más del valor de una cartera en un día determinado. En otras palabras, existe un 95% de probabilidad de que no perdamos más del 3% del valor de la cartera en un día determinado, en condiciones estándar de mercado.

Las principales ventajas del valor en riesgo o VaR son el tiempo de reacción, su facilidad de uso y su amplia difusión, sobre todo en la gestión de riesgos. Sin embargo, cuando se observan eventos de cola (es decir, días realmente negativos), es menos preciso y proporciona una aproximación menos precisa de un riesgo en comparación con, por ejemplo, CVaR (del que hablaremos en la siguiente sección). En resumen, el valor en riesgo no modela lo que sucede en la cola, es decir, no modela la cola en sí, solo el umbral “donde comienza la cola”.

Cálculo

En primer lugar, hay dos elecciones principales que hacer: la elección del modelo de distribución de rendimiento y la elección del modelo de volatilidad. Examinaremos 3 modelos diferentes para la distribución de los retornos y 2 para la volatilidad. En segundo lugar, elegimos 1 día como nuestro horizonte de predicción de pérdidas y 500 días (~ 2 años) como nuestra ventana al pasado histórica. En tercer lugar, calcularemos el VaR para a = 95%.

Para simplificar un poco las cosas, nuestra cartera consta de un solo activo: SPY ETF. Como se mencionó, hay muchas formas diferentes de calcular el valor en riesgo o VaR. Decidimos analizar cuatro de los métodos más utilizados:

1. Simulación histórica
2. Método paramétrico (asumiendo distribución normal)
3. Método paramétrico combinado con el modelo GARCH para volatilidad
4. Simulación de Monte Carlo combinada con el modelo GARCH de volatilidad

Simulación histórica

El supuesto principal de este modelo es que la distribución de probabilidad es la misma que en el período de tiempo anterior. Entonces, el cálculo es bastante simple y ni siquiera necesitamos un modelo de volatilidad.

En este caso, simplemente calcular el valor en riesgo o VaR _95% como 5 ^º cuantil de los retornos diarios del período anterior (en nuestro caso, el período anterior = 500 días).

El principal beneficio de este método es la simplicidad y la ausencia de suposiciones sobre la distribución de los factores de riesgo. Sin embargo, la reacción lenta y los “saltos” en el caso de turbulencias del mercado pueden ser una gran desventaja.

La siguiente figura presenta las rentabilidades diarias y el valor en riesgo o VaR calculado por este método. Podemos ver la respuesta retrasada en tiempos de mayor volatilidad y también viceversa, cuando estos tiempos terminan.

Método paramétrico

El supuesto de referencia de todos los métodos paramétricos es que los rendimientos de los activos siguen una distribución específica. Usamos la distribución Normal en nuestros cálculos combinada con la volatilidad histórica simple, como modelo para la volatilidad. Alternativamente, la distribución t de Student también se usa ampliamente (y también hay varias adicionales).

El VaR _95% se calcula como un retorno medio del período anterior (en nuestro caso 500 días) más la volatilidad de los retornos diarios del período anterior (en nuestro caso 500 días) multiplicado por 5 ^º -cuantil de N (0,1 ) distribución:

La suposición de una distribución específica, naturalmente, nunca es completamente realista, lo cual es una de las desventajas del método. Otras desventajas incluyen la reacción lenta en tiempos turbulentos y el hecho de que el cálculo del valor promedio de los rendimientos pasados ​​no es robusto en términos de la selección de la ventana de tiempo.

Por otro lado, la simplicidad es la ventaja más significativa de este método y, en comparación con la simulación histórica, generalmente es más rápida, fluida y precisa.

La siguiente figura presenta las rentabilidades diarias y el valor en riesgo calculado por el método paramétrico utilizando distribución Normal y volatilidad histórica. Nuevamente, podemos ver la respuesta tardía en momentos de mayor volatilidad (aunque es más rápida en comparación con la simulación histórica).

Método paramétrico combinado con el modelo GARCH para volatilidad

El tercer método que aplicamos combina el enfoque paramétrico anterior con el modelo GARCH de volatilidad. Como primer paso, para cada día, calculamos la volatilidad GARCH de los últimos 20 días. Entonces, el proceso es casi idéntico al método anterior, con la única diferencia de que en lugar de utilizar la volatilidad histórica de los rendimientos diarios, utilizamos la volatilidad GARCH de los últimos 20 días.

El VaR _95% se calcula entonces como retorno medio del período anterior (en nuestro caso 500 días) más allá de la volatilidad GARCH 20 días multiplicado por 5 ^º -cuantil de N (0,1) de distribución:

La principal ventaja de este método es el proceso GARCH en sí mismo, que depende de los rendimientos al cuadrado del pasado y de las varianzas pasadas para modelar la varianza actual. Como sugiere el nombre, este método es autoregresivo y asume heterocedasticidad condicional. Esto es especialmente útil porque la volatilidad tiende a variar en el tiempo y depende de la varianza pasada, lo que hace que un modelo homocedástico sea subóptimo.

La siguiente figura presenta los retornos diarios y el VaR calculado por el método paramétrico usando distribución Normal combinada con el modelo GARCH para volatilidad. Esta figura muestra la rápida respuesta a tiempos de mayor volatilidad.

Simulación de Monte Carlo combinada con el modelo GARCH de volatilidad

El último método se aplicó es similar al método anterior, sin embargo, en lugar de utilizar 5 ^º -cuantil de N (0,1) de distribución nosotros usaremos las simulaciones de Monte Carlo. Cada vez que generar 500 realizaciones de una variable aleatoria de N (0,1), y posteriormente calcular 5 ^º -cuantil de estas simulaciones.

El valor en riesgo o VaR _95% se calcula entonces como retorno medio del período anterior (en nuestro caso 500 días) más allá de la volatilidad GARCH 20 días multiplicado por 5 ^º -cuantil de las variables generadas:

La siguiente figura presenta las rentabilidades diarias y el valor en riesgo calculado por este método. Es evidente que el tiempo de reacción a los períodos de mayor volatilidad es rápido. No obstante, una diferencia entre el método de Monte Carlo y el uso de una puntuación z estándar es solo marginal, porque las simulaciones tienden a converger a la puntuación z con el número creciente de ejecuciones.

Conclusión

La siguiente figura compara los valor en riesgo calculados por los cuatro métodos diferentes. Podemos ver claramente que los métodos que utilizan la volatilidad GARCH siguen más de cerca la evolución real del riesgo de pérdida. Además, la diferencia entre el método histórico y el método paramétrico que usa N (0,1) no es tan grande. Lo mismo se aplica al método paramétrico con GARCH en comparación con las simulaciones de Monter Carlo con GARCH, que son casi idénticas.

El mismo gráfico para el período de 2 años 2019-2021:

Además, el valor en riesgo se puede utilizar para analizar una cartera completa, no solo un activo. El método histórico y el paramétrico funcionan de manera muy similar también en el caso de activos múltiples. Sin embargo, las cosas se complican más con GARCH multidimensionales y Monte Carlo. No cubriremos el caso de activos múltiples, para que el informe sea breve y claro.

Además, existe la posibilidad de evaluar qué tan bien el valor en riesgo predice la pérdida de probabilidad del 5% (o 1- a ). Lo que usamos para tal análisis es el llamado backtesting. El backtesting funciona según el principio de comprobar cuántas veces la pérdida real cruzó (fue mayor que) el umbral de valor en riesgo. Numerosas pruebas estadísticas analizan esto, como la prueba de Kupiec basada en la razón de verosimilitud o la prueba de Christoffersen.

Valor condicional en riesgo

Introducción

El valor en riesgo condicional (CVaR), también conocido como déficit esperado, se define como una medida de evaluación de riesgos que cuantifica la cantidad de riesgo de cola que tiene una cartera de inversión con una distribución de probabilidad dada y condiciones de mercado estándar. En otras palabras, ¿cuál será la pérdida si se produce la “pérdida de probabilidad del 5%”?

Por ejemplo, digamos a = 95% y CVaR _95% = 4.5%. Esto nos dice que en el peor 5% de los casos, la pérdida promedio es 4.5% del valor del activo.

Cálculo

Al igual que con el valor en riesgo, existen múltiples formas de calcular el CVaR. Analizamos los mismos cuatro métodos:

1. Simulación histórica
2. Método paramétrico (asumiendo distribución normal)
3. Método paramétrico combinado con el modelo GARCH para volatilidad
4. Simulación de Monte Carlo combinada con el modelo GARCH de volatilidad

Simulación histórica

Suponiendo que la distribución de probabilidad es la misma que en el período de tiempo anterior, el cálculo es bastante simple. CVaR es el promedio de las rentabilidades diarias (en nuestro caso, de los últimos 500 días) que son inferiores al valor de VaR.

La siguiente figura muestra la diferencia entre valor en riesgo o VaR y CVaR calculada por el método histórico. Una vez más, podemos ver un retraso en la reacción a los períodos de tiempo más volátiles.

Método paramétrico

Hay dos formas de abordar este método. El primero utiliza solo un promedio simple por debajo del umbral de VaR, al igual que el método histórico, pero el umbral de valor en riesgo o VaR se calcula de acuerdo con el método paramétrico. El segundo enfoque implica una fórmula exacta. Expliquemos brevemente ambos métodos.

El primer enfoque calcula el CVaR como la media de las rentabilidades diarias (en nuestro caso, de los últimos 500 días) que son inferiores al valor de valor en riesgo o VaR calculado mediante el método paramétrico.

El segundo enfoque calcula el CVaR como un rendimiento diario medio (de los últimos 500 días) más la volatilidad de los rendimientos, multiplicado por Z :

Dónde

y z es de (1- un ) ^º -cuantil de N (0,1) de distribución.

La siguiente figura compara el CVaR calculado por ambos métodos y el valor en riesgo o VaR calculado usando el método paramétrico. En aras de la brevedad, utilizaremos solo el CVaR calculado como el promedio de los valores que son inferiores al umbral de VaR en todos los cálculos posteriores.

Método paramétrico combinado con el modelo GARCH para volatilidad

El tercer método que aplicamos combina el enfoque del método anterior con el modelo GARCH para calcular la volatilidad. Todo es igual que en los cálculos de valor en riesgo VaR para este método.

Calculamos el CVaR como la media de las rentabilidades diarias (en nuestro caso, de los últimos 500 días) que son inferiores al valor de valor en riesgo o VaR calculado mediante el método paramétrico combinado con el modelo GARCH.

La siguiente figura muestra la diferencia entre valor en riesgo o VaR y CVaR calculada mediante el método paramétrico con el modelo GARCH de volatilidad.

Simulación de Monte Carlo combinada con el modelo GARCH de volatilidad

Una vez más, el último método que aplicamos usa simulaciones de Monte Carlo en lugar de usar (1- a ) ^-ésimo -cuantil de distribución N (0,1). Genera 500 realizaciones de variable aleatoria N (0,1) y calcular (1- un ) ^º -cuantil de los resultados.

A continuación, se calcula el CVaR _(1- α)  como la media de los rendimientos diarios (en nuestro caso, de los últimos 500 días) que son inferiores al valor de VaR calculado con el mismo método.

La siguiente figura presenta los rendimientos diarios, valor en riesgo o VaR y CVaR calculados por este método.

Conclusión

La siguiente figura compara cuatro métodos CVaR diferentes. Para el cálculo utilizamos un promedio simple de los valores por debajo del umbral de valor en riesgo correspondiente. La volatilidad GARCH parece ser el principal factor decisivo cuando se trata de un tiempo de reacción más rápido durante los períodos volátiles.

Drawdown condicional en riesgo

El Drawdown condicional en riesgo (CDaR) se define como la caída promedio para todos los casos en los que la caída supera un cierto umbral. La lógica es muy similar a CVaR, solo estamos usando reducciones en su lugar.

El supuesto clave es que la distribución de probabilidad es la misma que en el período anterior (en nuestro caso, el período de tiempo es de 500 días). Entonces el cálculo es bastante simple. En primer lugar, establecemos un nivel de significancia a (en nuestro caso a = 95% ). En segundo lugar, calculamos CDAR _95% como el promedio de las Disposiciones del período anterior que son inferiores a la 5 ^º -cuantil de las Disposiciones del período anterior.

Entonces, por ejemplo, si a = 95% y CDaR _95% = -16%, esto nos dice que en el peor 5% de los casos, la reducción promedio es -16%.

La siguiente figura muestra los drawdowns y el CDaR.

Nuevo modelo de Machine Learning para estudiar las expresiones faciales de los CEOs [Estudio] por Quantpedia

• Las palabras no lo son todo. Por ejemplo, mostramos nuestras emociones a través de expresiones faciales, pero la investigación sobre este tema en finanzas es escasa. Una nueva investigación de Banker (2021) llena este vacío y examina las expresiones faciales de los directores ejecutivos durante las entrevistas en video de la CNBC sobre los resultados corporativos.

Los autores utilizan una red neuronal convencional para la detección de los rostros y el reconocimiento de expresiones faciales para medir la asimetría hemifacial dinámica de las expresiones. La idea se basa en la neuropsicología, que afirma que la asimetría facial genera desconfianza. Por lo tanto, la tarea crucial es averiguar si las asimetrías del CEO influyen en las acciones. Los resultados apoyan esta teoría de la neuropsicología. La asimetría hemifacial dinámica está relacionada negativamente con el retorno anormal acumulativo de tres días después de la entrevista. También existe una relación con los diferenciales de oferta y demanda que sugiere que las opiniones de los inversores están dispersas después del evento y tienden a ser más grandes. Además, la desconfianza es aún mayor cuando la empresa tiene un entorno de información más débil (alta volatilidad y dispersión de previsiones). En general, se podrían utilizar varias conclusiones del documento con enfoques ya establecidos para el análisis textual.

• Autores: Rajiv D. Banker, Hui Ding, Rong Huang y Xiaorong Li
• Título:  Market Reaction to CEOs’ Dynamic Hemifacial Asymmetry of Expressions — A Machine-Learning Approach (Reacción del mercado a la asimetría hemifacial dinámica de expresiones de los directores ejecutivos: un enfoque de aprendizaje automático)
• Enlace : https://papers.ssrn.com/sol3/papers.cfm?abstract_id=3814689

Abstracto:

Los estudios neuropsicológicos proponen que los oyentes evalúan inconscientemente la confiabilidad de los hablantes a través de sus expresiones faciales. Sobre la base de esta teoría, investigamos cómo responden los inversores a la asimetría de expresiones hemifacial dinámica (HFAsy) de los directores ejecutivos que se muestra en las entrevistas en video de la CNBC sobre los resultados corporativos.

Empleamos un enfoque de aprendizaje automático de detección de rostros y reconocimiento de expresiones faciales basado en una red neuronal convencional para medir el HFAsy dinámico de los CEO. De acuerdo con la predicción neuropsicológica de que la asimetría facial induce desconfianza, documentamos que el mercado de valores reacciona negativamente al HFAsy del CEO que se muestra en el video de la entrevista.

También encontramos que la propagación anormal de oferta y demanda alrededor de la fecha de la entrevista se asocia positivamente con el HFAsy del CEO. Además, mostramos que estos efectos son más pronunciados para las empresas con entornos de información más débiles. Finalmente, documentamos que las revisiones de los pronósticos de los analistas están asociadas negativamente con el HFAsy de los CEO.

En general, nuestro estudio proporciona evidencia de que la confianza de los inversores y el comportamiento del mercado se ven afectados por la asimetría hemifacial dinámica de las expresiones que aparecen en los rostros de los directores ejecutivos.

Como siempre presentamos varias figuras y tablas interesantes:

Citas notables del trabajo de investigación académica:

“La asimetría hemifacial de las expresiones, definida como la intensidad de la expresión o la participación muscular en un lado del rostro humano (“hemifacio”) en relación con el otro lado, es una característica bien documentada en la literatura neuropsicológica (Darwin, 1965; Borod et al., 1983 ; Borod et al. 1997). Una asimetría hemifacial alta está neuroanatómicamente vinculada a la expresión facial deliberada de un individuo (Kahn, 1964; Tschiassny, 1953), porque estas expresiones están inervadas contralateralmente por estructuras corticales a través de las conexiones monosinápticas dentro del sistema piramidal, mientras que se presume que las espontáneas están inervadas bilateralmente por estructuras subcorticales a través del sistema extrapiramidal multisináptico (Borod y Koff, 1984). Debido a su asociación neuroanatómica con la formación de expresiones.”

 

“Basándonos en evidencia previa de estudios neuropsicológicos, investigamos si el HFAsy dinámico de los CEO induce la desconfianza de los inversores y afecta su comportamiento al invertir. Primero examinamos la reacción del mercado de valores a la dinámica HFAsy de los directores ejecutivos que se muestra en los videos de entrevistas. Dado que el alto HFAsy de los directores ejecutivos induce la desconfianza de los inversores, los inversores pueden percibir a estos directores ejecutivos como gerentes autosuficientes que tienden a sacrificar el interés de los accionistas por su beneficio personal.”

“Suponemos que los inversores responden negativamente al alto HFAsy aparecido por los directores ejecutivos en entrevistas cara a cara sobre los resultados corporativos. A continuación, investigamos si el desacuerdo de los inversores sobre las noticias de ganancias es más grave para las empresas con directores ejecutivos con mayor HFAsy. Dado que los inversores se muestran escépticos acerca de la integridad de los directores ejecutivos de alto HFAsy, es posible que le den menos importancia a la información pública divulgada por estos directores ejecutivos y se centren más en la información privada. Dado que depender más de la información privada conduce a un mayor desacuerdo entre los inversores, planteamos la hipótesis de que la divergencia de opiniones de los inversionistas sobre las noticias de ganancias es mayor para las empresas cuyos directores ejecutivos exhiben un HFAsy más alto en las entrevistas en video.”

“Para capturar el HFAsy de los CEO, obtenemos una muestra de 205 entrevistas en video de CEO sobre noticias de resultados corporativos entre 2017 y 2019 del sitio web de la CNBC. Usamos el algoritmo de aprendizaje automático de la red neuronal convolucional para detectar las caras de los CEO y codificar las emociones en sus hemisferios izquierdo y derecho de la siguiente manera: Primero, usamos Python para analizar los videos de entrevistas y extraer imágenes de estos videos. En segundo lugar, utilizamos los algoritmos de la red neuronal convolucional para detectar las caras de los directores ejecutivos a partir de estas imágenes extraídas. En tercer lugar, segmentamos y reflejamos los hemisferios izquierdo y derecho de los CEO y codificamos siete emociones en los hemisferios izquierdo y derecho reflejadas de los CEO. Estas siete emociones son las expresiones faciales humanas básicas propuestas por Ekman y Friesen (1971): enfado, disgusto, miedo, alegría, tristeza, sorpresa y neutralidad. ”

“Utilizamos rendimientos anormales acumulados (CAR) y diferenciales de oferta y demanda anormales medidos durante una ventana de tres días alrededor de la fecha de la entrevista en video para capturar la reacción del mercado y el desacuerdo de los inversores, respectivamente. Los rendimientos de las acciones reflejan la creencia del inversionista promedio (Ball y Brown, 1968; Kotharis y Wasley, 2019), mientras que los diferenciales de oferta y demanda anormales capturan la divergencia de opiniones de los inversionistas sobre la entrevista (Blankespoor et al., 2014; Coller y Yohn, 2006). De acuerdo con nuestra predicción, documentamos una relación significativamente negativa entre los CAR a corto plazo y HFAsy después de controlar varias características específicas de la empresa, el CEO y el video. También documentamos una asociación significativamente positiva entre los diferenciales de oferta y demanda anormales a corto plazo y el HFAsy de los directores ejecutivos. “

“A continuación, examinamos si la evaluación de los inversores sobre el HFAsy de los directores ejecutivos se ve afectada por los entornos de información de las empresas. La literatura neuropsicológica sugiere que la experiencia previa afecta la percepción de confianza de un individuo (Chang et al., 2010; King-Casas et al., 2005; Axelrod y Hamilton, 1981). De acuerdo con esta noción, esperamos que la desconfianza de los inversores hacia el HFAsy de los directores ejecutivos sea más fuerte para las empresas con un historial de entornos de información más débiles. Utilizando la volatilidad de la rentabilidad trimestral anterior y la dispersión del pronóstico de resultados de los analistas para medir los entornos de información pasada de las empresas (Billings et al., 2015; Bushee y Christopher, 2000; Lehavy et al., 2011; Barron et al., 1998).”

¿Existe sesgo de supervivencia en la rentabilidad del mercado de valores de EE. UU.? por Ben Carlson

Me gusta compartir datos a largo plazo en el mercado de valores porque es importante tener mentalidad a largo plazo cuando hablamos de invertir.

Les muestro un gráfico:

Cada vez que comparto este tipo de datos, siempre obtengo la misma respuesta.

Esto es genial, pero ¿qué pasa con otros países? ¡¿Qué pasa con Japón?!

Es cierto que hay cierto sesgo de supervivencia en estos datos. Los ganadores escriben la historia.

No tenía que suceder de esta manera, pero Estados Unidos se ha comido a los mercados bursátiles globales, al estilo Pac Man, desde principios del siglo XX:

Las empresas estadounidenses han dominado el resto del mundo durante la última década y también han cambiado:

Pero no es que otros países no tengan un buen historial a largo plazo.

MSCI ha desarrollado índices bursátiles de países que se remontan a 1970. Estos son los rendimientos anuales de estos índices junto con el S&P 500 hasta finales de septiembre:

Ciertamente, existen algunas diferencias entre los rendimientos de las acciones de los países, pero no demasiada.

Eso no quiere decir que los inversores no hayan sufrido caídas muy fuertes del mercado de valores en el pasado. Por supuesto que sí.

Por ejemplo, el gobierno ruso confiscó los activos financieros, tanto acciones como bonos, de sus ciudadanos en 1917. El mercado de valores dejó de existir allí durante muchas décadas. Una confiscación similar de activos ocurrió en China en 1949.

Pero es difícil matar a los mercados.

Uno de mis ejemplos favoritos de esto es lo que le sucedió a Alemania en el siglo XX.

El país, podríamos decir, que inició con sus acciones dos guerras mundiales, experimentó una hiperinflación severa y sufrió lo que debería haber sido un golpe mortal para su economía debido a las consecuencias de la Segunda Guerra Mundial.

La economía se arruinó, pero rápidamente surgió de las cenizas:

La década de 1950 vio una rentabilidad del mercado de valores alemán casi del 25% anual.

Incluso si incluimos la primera mitad del siglo XX, un período que vio una serie de depresiones y dos guerras mundiales, el comportamiento a largo plazo de los mercados de valores de todo el mundo sigue siendo impresionante.

Estos son los rendimientos anuales reales de varios países entre 1900 y 2020, cortesía del Anuario de Credit Suisse:

Una vez más, algunos países son mejores que otros, pero no es como si Estados Unidos estuviera muy por encima de todas las demás regiones del mundo.

Estados Unidos ha tenido una comportamiento extraordinario de su mercado de valores durante muchas décadas. Somos el hogar de algunas de las mejores y más grandes empresas del mundo.

Estados Unidos tiene algunas ventajas sobre otros países. Tiene la economía más grande y diversa del mundo. Tiene los mercados financieros más grandes y líquidos. El gobierno generalmente deja en paz a la mayoría de las empresas, algo que no se puede decir de todos los países.

Pero no es que tenga el monopolio de las buenas ideas, la innovación, las ganancias y el progreso. Y la mayoría de sus mejores y más grandes empresas venden sus productos o servicios en todo el mundo.

Es posible que el mercado de valores de EE. UU. continúe dominando el resto del mundo durante un tiempo. Apostar contra los EE. UU. ha sido una batalla perdida durante mucho tiempo.

Pero tampoco apostaría contra el resto del mundo.