- ¿Podemos mejorar nuestros sistemas conociendo el régimen actual en el que se encuentra el mercado? Por supuesto que sí, pero primero necesitaremos una tecnología capaz de detectarlo: las redes neuronales.
- Artículo publicado en Hispatrading Magazine.
Los sistemas de trading automáticos no funcionan siempre, es algo bien sabido y fuente de quebraderos de cabeza para muchos traders novatos.
Un sistema detecta un patrón en los datos (precio, volumen, noticias, etc) indicando así la presencia de una ineficiencia en el mercado. De esta forma, cada vez que aparece tendremos ante nosotros una oportunidad, explotando esa ineficiencia mediante un trade rentable.
No obstante, no siempre funcionará como deseamos y veremos cómo, en ocasiones, nuestros sistemas fallan un trade tras otro, entrando en periodos de pérdidas.
Esto tiene su lógica, al fin y al cabo los mercados financieros son una maquinaria de ajuste de precios y como tal son dinámicos. Un patrón puede indicar, con alta probabilidad de acierto, la presencia de una ineficiencia en el mercado pero el hecho rentabilizar o no esta ineficiencia es una cuestión diferente.
Es el resultado de la dinámica de los mercados. Cambian de estado, a veces más rápido, a veces más lento, respondiendo seguramente, a un tiempo fractal como ya teorizó Mandelbrot, el padre de la geometría sobre la que los mercados generan su estructura.
Cuando preguntamos a un trader ¿cómo ves el mercado? Le estamos preguntando por su estado, o lo que llamamos régimen de mercado.
La respuesta usual hablará de volatilidad y tendencia, rangos, entornos o ciclos. Todas ellas medidas que clasifican esta dinámica actual en la que se encuentra.
El régimen actual, el estado en el que se encuentra el mercado, influye y mucho en el resultado de nuestros trades. La ineficiencia está presente con la probabilidad indicada por nuestro sistema pero cómo de rentable o no rentable pueda ser explotarla va a depender de la dinámica del mercado.
Mejorando los sistemas con Redes Neuronales
¿Podríamos mejorar nuestros sistemas utilizando el conocimiento del régimen de mercado? Por supuesto que sí. Pero primero necesitaremos una tecnología capaz de detectarlo. En concreto las redes neuronales.
Las redes son un modelo excelente a la hora de clasificar cosas, son algo muy habitual que utilizamos a diario, a veces sin saberlo. Por ejemplo se utilizan para obtener, de forma automática, la matrícula de los coches en parkings y radares de tráfico a partir de una fotografía.
Y nosotros podemos utilizarlas para conocer el estado actual del mercado a partir de datos relevantes sobre la volatilidad y la tendencia, entre otros.
¿Cómo aplicarlas en nuestro trading?
Es realmente sencillo utilizar redes en nuestros sistemas de trading. Para ello, una vez construida la red la entrenaremos utilizando aquellos indicadores que mejor puedan explicar la formación de precios del activo que estamos explotando.
Después utilizaremos la red neuronal como un requisito necesario para abrir un trade, reduciendo de esta forma, el número de operaciones fallidas por realizarse dentro de un régimen de mercado adverso.
En las imágenes podemos ver un ejemplo con un sistema antes y después de aplicarle el detector neuronal de régimen de mercado.
Se puede ver que nuestra puntuación total del sistema asciende desde un 5.2 hasta un 8.1. Esta puntuación está basada en los estadísticos de SQN, Esperanza y Drawdown, que son criterios sobre la robustez del sistema.
La misma curva de resultados del sistema también nos muestra de un vistazo cómo disminuye el drawdown a lo largo del periodo de la prueba. Justo lo que queríamos conseguir: eliminar ciertos periodos en los que el sistema falla y no obtiene rentabilidad con sus operaciones.
Conclusión
Detectar el régimen de mercado mediante redes neuronales es sencillo y, como hemos visto, mejora de forma eficaz nuestra operativa, resolviendo el problema inicial de los sistemas que no siempre funcionan puesto que mediante el uso de las redes estamos consiguiendo que operen mayoritariamente en momentos de mercado que les son favorables.