Intermarket Divergence: un método robusto para generar señales

Sep 8, 2021 | General

El análisis de intermercados estudia las interrelaciones entre varios mercados relacionados. Las correlaciones estándar entre mercados no son útiles si nuestro objetivo es predecir precios futuros o generar señales rentables, porque la correlación actual no nos dice nada sobre los precios futuros. Una metodología que desarrollamos originalmente a mediados de la década de 1990, llamada divergencia intermercado, nos permite medir el poder predictivo de una relación intermercado y producir señales 100% objetivas.

Durante los últimos 17 años hemos utilizado esta metodología para desarrollar sistemas de negociación que han producido señales de trading robustas y fiables incluso 17 años después de que los modelos se desarrollaron originalmente sin ninguna reoptimización. Otras metodologías de procesamiento de las relaciones intermercado para desarrollar señales de negociación pueden funcionar tan bien durante los periodos de muestra, pero no funcionan tan bien durante el periodo de avance ni en la negociación real.

En este documento explicaremos la divergencia entre mercados y mostraremos cómo esta metodología puede aplicarse a una amplia gama de mercados y cómo se comporta mejor fuera de la muestra que otras metodologías. A continuación, analizaremos esta metodología más de cerca y trataremos de entender por qué funciona tan bien y cómo esta metodología básica puede ser mejorada.

El concepto de divergencia intermercado también es fácil de mejorar con diversos métodos de aprendizaje automático, como redes neuronales, SVM o conjuntos aproximados. Vamos a exponer un marco para este análisis.

Introducción

Muchos mercados están interrelacionados. Estas interrelaciones pueden ofrecer capacidades de predicción para muchos de ellos. El estudio de estas interrelaciones se denomina análisis intermercado. Los técnicos han utilizado las relaciones intermercado durante casi 40 años, desde que se publicaron los resultados de una relación entre la política del dólar fuerte y los productos agrícolas en un documento de 1974 [1].

Un recurso clásico que explica la interacción entre la mayoría de los principales mercados de futuros es el libro de John J. Murphy [2]. Enseña muchas interrelaciones clásicas entre mercados utilizando el crash de 1987 como caso de estudio. También muestra cómo el crack de 1987 pudo haber sido previsto por los acontecimientos meses antes en varios mercados; por ejemplo, los bonos alcanzaron su punto máximo a principios de 1987 y las acciones alcanzaron su punto máximo unos seis meses después [3], lo que demuestra que muchos mercados se adelantan a otros. Esta relación existe en diferentes plazos para diferentes relaciones intermercado.

El trabajo de Murphy [4] y de otros pioneros del análisis intermercado se basaba en los gráficos sin ninguna prueba de que pudiera utilizarse para generar señales mecánicas. No había duda de si estas relaciones iban a marcar los puntos de inflexión más importantes, pero sí, de si podían utilizarse para generar señales rentables de forma constante en un mercado determinado.

Si el análisis intermercado era necesario para dar el siguiente paso y generar señales mecánicas, necesitábamos de esta tecnología, ya que la elaboración de gráficos y la generar señales 100% objetivas requería un tipo de análisis diferente a un simple análisis visual de los gráficos.

En 1988, cofundé una empresa de software y fui el único inventor de una metodología para incrustar redes neuronales en una hoja de cálculo. Me involucré en los mercados financieros ya que muchos de nuestros clientes querían utilizar nuestro producto para predecir el mercado de valores [5].

A principios de la década de 1990 era muy popular el uso de redes neuronales para predecir el S&P500. Muchos de estos modelos utilizan relaciones intermercado. Mi interés por el análisis intermercado surgió desde esta perspectiva. Dado que existían relaciones intermercado que lideraban otros mercados, por ejemplo, el bono del Tesoro a 30 años lidera la bolsa y el índice CRB lidera los bonos, se podría construir un modelo de red neuronal para predecir el S&P500 [6].

Lo importante no es el nivel de los tipos de interés, sino su dirección. En mi primer trabajo, traté de pre-procesar estas relaciones para que la red neuronal pudiera detectar estos patrones.

Muchos de estos primeros modelos basados en redes neuronales tuvieron resultados mixtos y también una vida útil relativamente corta. Estos modelos iniciales utilizaban métodos de procesamiento de señales para preprocesamiento que a menudo produce buenos resultados durante el período de entrenamiento, pero que se degradan fuera de la muestra. Esto lleva a una pregunta:

«¿Podría la aplicación de reglas simples producir señales de trading utilizando las relaciones intermercado?» Esta pregunta nos ayuda de dos maneras:

(a) En primer lugar, podemos utilizar estas reglas directamente en la negociación y
(b) en segundo lugar, si tenemos reglas de negociación robustas, podemos utilizarlas como una forma de preprocesamiento que nos llevaría a modelos de redes neuronales más robustos.

Una relación intermercado ampliamente conocida es la que existe entre el S&P 500 y el bono del Tesoro a 30 años. Los precios de los bonos suelen estar positivamente correlacionados con el S&P 500 (mientras que los rendimientos están correlacionados negativamente), aunque esto no siempre es cierto, los bonos deberían, por lo general, aventajar a las acciones en los puntos de inflexión.

Otro hecho importante es que una de las mejores operaciones que se pueden hacer en el S&P 500 es cuando los bonos del Tesoro a 30 años divergen del S&P 500; por ejemplo, cuando:

(a) los bonos están subiendo y el S&P 500 está bajando, compre el S&P 500 y
(b) por el contrario, si los bonos están bajando y el S&P 500 está subiendo, venda el S&P 500.

La dirección de los precios de los bonos en relación con el S&P 500 es importante, no el tipo de interés real. Por este motivo, queremos utilizar en nuestra red neuronal los valores de cambio tanto del bono del Tesoro a 30 años como del S&P 500 [6]. Aunque esta relación se ha roto en los últimos años, su existencia a largo plazo es de importancia histórica para la ciencia del análisis intermercado.

Un método, sencillo pero potente, de predicciones de mercado

Utilizaremos los métodos mecánicos clásicos para operar en las relaciones intermercado, aplicándolos al bono del Tesoro a 30 años utilizando un concepto llamado «divergencia intermercado» (acuñado por primera vez en 1998), que es cuando un mercado negociado se mueve en dirección opuesta a la esperada [7].

Por ejemplo, si operamos con el S&P 500, el bono del Tesoro a 30 años subiendo y el S&P 500 cayendo sería una divergencia, ya que están correlacionados positivamente. Si operáramos con el bono del Tesoro a 30 años bonos del Tesoro a 30 años, tanto la subida de los bonos como la del oro se clasificarían como divergencia, ya que están correlacionados negativamente.

Definiremos una tendencia alcista cuando los precios estén por encima de una media móvil y una tendencia bajista cuando estén por debajo de la media móvil. Ahora podemos predecir con cierta fiabilidad la dirección futura de los bonos, las acciones, el oro, el crudo e incluso divisas utilizando este sencillo modelo de divergencia entre mercados. El pseudocódigo de este modelo básico es el siguiente:

Price relative to a simple moving average
	Let InterInd = Close of Intermarket - Average (Close of Intermarket,N)
	Let MarkInd = Close Traded Market - Average (Close of Traded Market,M)
Positive correlation
	If InterInd > 0 and MarkInd < 0 then buy at next bars open
	If InterInd < 0 and MarkInd > 0 then sell at next bars open
Negative correlation
	If InterInd < 0 and MarkInd < 0 then at buy at next bars open
	If InterInd > 0 and MarkInd > 0 then sell at next bars open

Esta sencilla idea que hemos expuesto anteriormente ha demostrado ser una metodología sólida para predecir la acción futura de los precios mediante el análisis intermercado. En 1998, publiqué un sencillo sistema basado en el intermercado para operar con futuros de bonos del Tesoro a 30 años. Este modelo utilizaba «The NYSE Utility Average (NNA)», que era una cesta de acciones de servicios públicos.

El NNA dejó de utilizarse en 2004. Otro índice de servicios públicos que también funcionó bastante bien fue el índice de servicios eléctricos de Filadelfia (UTY), que se utilizó como sustituto de NNA en nuestra investigación. En 1998, cuando realicé la investigación y el artículo; originales, ambos índices funcionaban de forma similar, pero NNA tenía un historial de precios más largo que UTY.

El análisis original con NNA se realizó de la siguiente manera. Utilizamos un modelo de divergencia intermercado con correlación positiva y una media móvil de ocho días para el bono del Tesoro a 30 años y de 18 días para el NNA. Las pruebas se realizaron durante el periodo comprendido entre el 1 de enero de 1988 y el 31 de diciembre de 1997 [8]. No dedujimos nada por deslizamiento ni por comisión.

Los resultados que publiqué originalmente fueron los siguientes:
Net profit: $111,293.00
Trades: 126
Win %: 60%
Average trade: $883.38
Drawdown: $-8,582.00
Profit factor: 2.83

Veamos ahora cómo funcionó el UTY durante este mismo periodo utilizando el conjunto original de parámetros usados con NNA. Este conjunto de parámetros no era óptimo para UTY, pero utilizamos el conjunto de parámetros de NNA por coherencia para mostrar la solidez de nuestro modelo:

Total Net Profit: $83,557.98
Total # of trades: 141
Percent Profitable: 58.87%
Avg. Trade (win & loss): $592.61
Max intraday drawdown: ($11,722.50)
Profit Factor: 2.03

Gráfico 3D de optimización de los bonos del Tesoro frente a UTY y el beneficio neto del 01/01/1988 al 31/12/1997

Fig. 1. Gráfico 3D de optimización de los bonos del Tesoro frente a UTY y el beneficio neto del 01/01/1988 al 31/12/1997

Aquí mostramos una optimización entre los valores 2-30 en pasos de 2 para ambos conjuntos de parámetros (véase la Fig. 1). Podemos ver un gran pico de montaña ancho. Tenemos una gran área en la zona de 80.000 a 100.000. Veamos ahora con más detalle el área robusta.

Detalle del área robusta de Optimización 3D para los bonos del Tesoro frente a UTY y el beneficio neto desde 01/01/1988 a 31/12/1997

Fig. 2. Detalle del área robusta de Optimización 3D para los bonos del Tesoro frente a UTY y el beneficio neto desde 01/01/1988 a 31/12/1997

Si se observa más de cerca, se puede apreciar la amplitud de la zona de 80.000 a 100.000 (véase la Fig. 2). La zona de 60.000 a 80.000 es muy amplia. Este es un ejemplo de una superficie muy robusta. Este tipo de superficie constituye un ejemplo de lo que buscamos, cuando estamos investigando los parámetros en este tipo de modelo intermercado.

Veamos ahora el gráfico de la superficie 3D durante el periodo comprendido entre el 01/01/1988 y el 25/10/2011, que incluye casi 13 años de resultados fuera de la muestra:

Si se observa más de cerca, se puede apreciar la amplitud de la zona de 80.000 a 100.000 (véase la Fig. 2). La zona de 60.000 a 80.000 es muy amplia. Este es un ejemplo de una superficie muy robusta. Este tipo de superficie constituye un ejemplo de lo que buscamos, cuando estamos investigando los parámetros en este tipo de modelo intermercado.

Veamos ahora el gráfico de la superficie 3D durante el periodo comprendido entre el 01/01/1988 y el 25/10/2011, que incluye casi 13 años de resultados fuera de la muestra:

Gráfico 3D de optimización de los bonos del Tesoro frente a UTY y el beneficio neto desde el 01/01/1988 hasta el 25/10/2011

Fig. 3. Gráfico 3D de optimización de los bonos del Tesoro frente a UTY y el beneficio neto desde el 01/01/1988 hasta el 25/10/2011

Podemos ver que seguimos teniendo un rendimiento razonablemente amplio (véase la Fig. 3). Tenemos un rango de +/- 6 a cada lado de nuestros mejores conjuntos de parámetros que siguen produciendo muy buenos resultados. Además, nuestro conjunto original de parámetros seleccionados en 1998, el 8, 18 produce los siguientes resultados en el periodo comprendido entre el 01/01/1988 y el 25/10/2011:

Total Net Profit: $215,881.56
Total # of trades: 399
Percent Profitable: 60.90%
Avg. Trade (win & loss): $541.06
Max intraday drawdown: ($26,133.36)
Profit Factor: 1.79

Estudiemos sólo el período fuera de la muestra con una primera operación después del 01/01/1998 hasta el 25/10/2011:

Total Net Profit: $129,166.32
Total # of trades: 257
Percent Profitable: 61.87%
Avg. Trade (win & loss): $502.59
Max intraday drawdown: ($26,133.36)
Profit Factor: 1.67

Podemos ver que estos resultados fuera de la muestra son muy similares a los resultados de todo el periodo y la media para las operaciones difiere en menos de un 20% entre el periodo dentro y fuera de la muestra. Veamos los resultados anuales fuera de la muestra (véase el cuadro I):

QM-blog_intermarket-divergence-metodo-robusto-generar-senales-04

Podemos ver que, aunque la superficie de optimización sigue siendo razonablemente robusta, la zona robusta no es tan amplia y ancha como lo era originalmente durante el periodo del 01/01/1988 al 30/12/1997. Al principio de este periodo no hubo largos periodos de desacoplamiento entre las acciones de los servicios públicos y los bonos del Tesoro, lo que suele ocurrir durante los colapsos del mercado bursátil que conducen a un repunte de los bonos del Tesoro.

Cuando los bonos suben debido a un efecto de cobertura, el uso de los índices bursátiles como intermercado a veces puede crear problemas. Los intermercados basados en acciones se correlacionan más con las acciones en condiciones de mercado extremas, lo que a su vez distorsiona las relaciones intermercado. Más adelante, en este mismo artículo, hablaremos de las estrategias para limitar este efecto en nuestro análisis de la divergencia entre mercados.

El análisis del espacio de optimización es tanto una ciencia como un arte y puede darnos una pista sobre la estabilidad y solidez de una determinada relación entre mercados. Veamos una relación entre los bonos del Tesoro y el índice de futuros CRB. Los precios de las materias primas están correlacionados negativamente con los precios de los bonos del Tesoro. Optimicemos de 2 a 30 en pasos de 2, tanto para los bonos del Tesoro como para el índice CRB. Observemos los resultados de nuestra cuadrícula de optimización y veamos el aspecto de la superficie:

Gráfico de optimización en 3D de los bonos del Tesoro frente a Índice CRB y Beneficio Neto. Es fundamentalmente sólido pero no robusto.

Fig. 4. Gráfico de optimización en 3D de los bonos del Tesoro frente a Índice CRB y Beneficio Neto.
Es fundamentalmente sólido, pero no robusto.

Se puede ver que la superficie tiene una fuerte pendiente descendente con muy pocas zonas planas seguras (véase la Fig. 4). También podemos ver que más del 75% de la superficie está por debajo de los 50.000 dólares. Cuando observamos el UTY, cerca del 30% de la superficie está por debajo de los 50.000 dólares. Al analizar estos gráficos de superficie, buscamos cuántos niveles son negociables.

En el caso del índice CRB, menos del 10% de los casos produjeron más de 100.000 dólares, que en este periodo completo es el límite inferior de lo que considero negociable. En el caso de las acciones de servicios públicos, alrededor del 40% del espacio es negociable.

Veamos la superficie de optimización de la relación entre el bono del Tesoro y el índice CRB. Examinaremos el período comprendido entre el 01/01/1988 y el 30/12/1997. Este fue nuestro período de muestra que utilizamos para nuestro ejemplo del bono del Tesoro a 30 años y el NNA/UTY.

Gráfico 3D de los bonos del Tesoro, el índice CRB y los Profit

Fig. 5. Gráfico 3D de los bonos del Tesoro, el índice CRB y los Profit

Incluso en el período comprendido entre el 01/01/1988 y el 30/12/1997, cuando el bono del Tesoro CRB aparecía en las noticias; se puede ver que era una relación peligrosa para utilizar en las señales. Podemos ver que incluso hace 13 años esta superficie es peligrosa (ver Fig. 5). Sólo tenemos un 20-25% de la superficie que era negociable en 1998. La diferencia en la calidad de la superficie entre esto y la que tiene la UTY, permite vislumbrar que la UTY aguantaría mejor con el tiempo.

Este análisis nos muestra una metodología para generar señales mecánicas basadas en el análisis intermercado y también una forma de calibrar la posible fiabilidad futura. Si observamos todos estos gráficos veremos las mismas similitudes entre las relaciones que son robustas y las que no se mantienen en las relaciones fuera de muestra.

Hemos visto que la divergencia intermercado es un concepto poderoso. Cuando se produce una divergencia intermercado, nos mantenemos en esa posición hasta que se produce una divergencia opuesta. Una pregunta es «¿Por qué funciona este concepto de divergencia?». Además, lo interesante es que mi investigación muestra que el cruce de cero es significativo, no podemos mejorar los resultados de la divergencia intermercado utilizando un umbral distinto de cero. Creo que este concepto funciona como una jugada de arbitraje.

Dado que no conocemos el equilibrio relativo entre el mercado negociado y el mercado subyacente, por ejemplo, en el caso de los bonos del Tesoro y UTY, la divergencia es el único error de valoración confirmado; que tenemos en términos de una jugada de arbitraje fiable.

Sabemos que ésta no puede ser la señal más eficiente. Podemos ver, estudiando nuestras operaciones con bonos del Tesoro, que algunas operaciones son anticipadas; para otras, devolvemos un gran porcentaje de los beneficios obtenidos y, en ocasiones, las grandes operaciones ganadoras pueden convertirse en perdedoras, aunque la divergencia intermercado siga produciendo resultados extraordinarios (véase la Fig. 6).

Gráfico de precios con señales. Bonos del Tesoro, divergencia UTY 8, 18 de parámetros, muestra que las señales muy rentables pueden seguir siendo ineficaces.

Fig. 6. Gráfico de precios con señales.
Bonos del Tesoro, divergencia UTY 8, 18 de parámetros, muestra que las señales muy rentables pueden seguir siendo ineficaces.

Veamos la siguiente operación del mercado en US_REV.CSV (véase la Tabla II)

QM-blog_intermarket-divergence-metodo-robusto-generar-senales-08

Aquí, tenemos una operación muy rentable, pero devolvimos casi todo el beneficio y luego el mercado volvió a moverse en la dirección de la operación. Esto muestra un problema con la divergencia intermercado, es decir, la «Estrategia de Reversión» que siempre está en el mercado. Hay otros casos que incluyen (a) una operación ganadora que termina siendo perdedora y (b) operaciones que nunca llegan a ser rentables. A pesar de estos problemas, nuestros resultados son sorprendentes.

Una solución a este problema es construir una máquina de estados finitos que abarque todos los estados posibles de la relación intermercado durante el proceso de pasar de «largo a corto» o de «corto a largo». Mi investigación ha demostrado que este mapa de estados de todas las posibilidades es la clave para mejorar en gran medida el rendimiento de estos modelos de divergencia simples. También podemos crear un mapa de estados que nos permita combinar múltiples intermercados con un mercado en el que estemos operando.

El análisis de las correlaciones y de las correlaciones a plazo entre los mercados también puede utilizarse para filtrar y mejorar estos modelos. A veces, el análisis de correlación puede hacer que el rendimiento a largo plazo fuera de la muestra sea menos robusto si no se integra con cuidado. Por lo tanto, es importante realizar el análisis de superficie comentado anteriormente para asegurarse de que las relaciones de correlación que estamos buscando son robustas y estacionarias [9].

El análisis intermercado funciona en una amplia gama de mercados

La divergencia entre mercados no es algo que sólo funcione en el mercado de bonos. Funciona en una amplia gama de mercados, desde los bonos hasta los grupos de acciones y las divisas, e incluso en mercados como el del oro, el crudo, el ganado y el cobre.

Los Índices Sectoriales MorningStar son también una buena fuente de relaciones que se puede utilizar en el análisis intermercado. En nuestra tabla mostramos cómo estos índices sectoriales pueden utilizarse para predecir mercados tan diversos como el del ganado vivo y el de los futuros del cobre (véase la Tabla III).

QM-blog_intermarket-divergence-metodo-robusto-generar-senales-09

El análisis entre mercados requiere comprender cómo funciona un mercado determinado. Por ejemplo, analicemos el Dow Jones 30 Industrial Average, la tabla anterior (véase la Tabla III) utiliza el precio al contado Dow Jones 30 Industrial Average. El Dow 30 está formado por grandes empresas multinacionales. Los bienes y servicios estadounidenses son más competitivos en el extranjero si el dólar es más bajo. Por ello, una relación negativa entre el Dow y el índice del dólar [4], supera con creces el comprar y mantener (buy and hold). El índice del dólar no predice el S&P500, porque no contiene un porcentaje tan alto de grandes empresas multinacionales como el Dow 30.

Además, a menudo muchos grupos de valores relacionados son capaces de predecir las materias primas subyacentes. Vemos muchos ejemplos de esto, como el dólar australiano y el dólar canadiense, que pueden predecirse con el iShares MSCI Australian Index y el iShares MSCI Canada Index.

Los parámetros de la divergencia intermercado del cuadro III se seleccionaron utilizando el mismo tipo de análisis que empleamos para seleccionar los parámetros del bono del Tesoro a 30 años, UTY, en nuestro análisis gráfico 3D. Hay muchas relaciones intermercado clásicas. El bono del Tesoro a 30 años tiene una correlación intermercado tanto positiva como negativa, UTY, como ya hemos comentado, está correlacionada positivamente. La plata está correlacionada negativamente; esta es otra relación que publiqué originalmente en los años 90 [8] (véase la Fig. 7).

Gráfico 3D de optimización de los bonos del Tesoro frente a la Plata y Beneficio Neto desde el 01/04/1978 hasta el 30/12/2011

Fig. 7. Gráfico 3D de optimización de los bonos del Tesoro frente a la Plata y Beneficio Neto desde el 01/04/1978 hasta el 30/12/2011

Es robusto en una amplia gama de parámetros, incluso con más de 13 años fuera de la muestra (véase la Fig. 7).

Otro ejemplo que tenemos es el del petróleo y las acciones petrolíferas, por ejemplo, con el índice Dow Jones del petróleo. Veamos este ejemplo utilizando nuestro análisis de parámetros 3D (véase la Fig. 8). Mostraremos los parámetros intermercado y el beneficio neto utilizando la divergencia intermercado. En estos resultados tenemos 50,00 dólares deducidos por deslizamiento y comisiones.

Gráfico 3D de optimización para el petróleo crudo frente al índice Dow Jones y el beneficio neto desde el 24/12/2001 hasta el 30/12/2011. 12/30/2011

Fig. 8. Gráfico 3D de optimización para el petróleo crudo frente al índice Dow Jones y el beneficio neto desde el 24/12/2001 hasta el 30/12/2011. 12/30/2011

Se puede ver que tenemos una amplia zona de fuertes beneficios netos. Este es un ejemplo de una relación sólida (véase la Fig. 8).

También podemos ver otra relación clásica S&P500 y bono del Tesoro a 30 años [4]; esta relación tuvo periodos en los que funciona bien y otros en los que funciona mal. El problema es que, en épocas de problemas, el S&P500 y los bonos del Tesoro se mueven en direcciones opuestas. Cuando el mercado de valores se hunde, la gente compra bonos como un refugio seguro (véase la Fig. 9).

Gráfico 3D de optimización para el S&P500 frente a bonos del Tesoro y el Beneficio Neto desde el 22/04/1982 hasta el 12/30/2011

Fig. 9. Gráfico 3D de optimización para el S&P500 frente a bonos del Tesoro y el Beneficio Neto desde el 22/04/1982 hasta el 12/30/2011

Podemos ver que tenemos una buena zona robusta, pero una vez que nos alejamos de la zona, se comporta mal. Por lo tanto, el periodo de la media móvil del S&P500 debe ser inferior a 10 días para que tenga una buena zona segura (véase la Fig. 9).

Se puede ver que tenemos una zona de beneficios relativamente grande desde los 500.000 hasta los 700.000 dólares, y después tenemos una caída. La solidez de esta relación entre el S&P500 y los bonos del Tesoro no ha sido fuerte desde la crisis bancaria de 2008. A la relación le fue mal en 2009-2010. Utilizando 8, 5 el conjunto de parámetros que seleccionamos para el rendimiento y la robustez; perdimos dinero en estos dos años, casi 26.000 dólares en 2009 y algo más de 12.000 dólares en 2010. En 2011 tuvimos un gran año ganando más de 113.000 dólares.

Análisis intermercado y aprendizaje automático

Los métodos de aprendizaje automático, como las redes neuronales, los conjuntos aproximados, el algoritmo genético y la programación genética, se han utilizado para aplicaciones de trading desde finales de los años 80 [10]. Halbert White, en su artículo de 1988, intentó utilizar una simple red neuronal de retropropagación para predecir los cambios en las acciones de IBM [11].  Aunque no tuvo éxito en mostrar resultados concluyentes, mostró el interés en esta área de investigación tan sólo un año después de que la retropropagación fuera popularizada por Rumelhart e inventada por P. J. Werbos [12], [13], [14].

En 1996, Chiang utilizó una red de retropropagación para pronosticar los valores netos de los activos (NAV) de los fondos de inversión al final del año. Llegó a la conclusión de que las previsiones de la red neuronal superaban significativamente a los modelos de regresión en los casos en que se disponía de datos limitados. Ruggiero desarrolló modelos de redes neuronales que predijeron el signo del cambio de cinco semanas en el SP500 utilizando una variante de backpropagration [15], [6]. También desarrollamos un modelo de red neuronal que predecía un indicador estocástico a plazo que tenía una previsión de cinco días para el bono del Tesoro a 30 años [16]. Véase «1».

(1) Average ((Close[+5] – Lowest (Close[+5],5))/(Highest (Close[+5],5) – Lowest(Close[+ 5],5)),5)

Mis dos trabajos sobre el S&P500 y los bonos del Tesoro utilizaron el análisis intermercado como parte de los modelos. El interés por las redes neuronales alcanzó su punto álgido durante la década de 1990 y comenzó a decaer después debido a las expectativas excesivamente elevadas de estas redes en las soluciones basadas en el mercado. Estas redes deben utilizarse como un componente más del sistema, de forma que no provoquen un fallo del mismo cuando el rendimiento del sistema de redes neuronales se degrade y, al mismo tiempo, mejoren los resultados de forma significativa cuando los sistemas funcionen como se espera.

La red neuronal también tiene otros problemas. En primer lugar, cuando empezamos a operar con sistemas neuronales, los inicializamos utilizando pesos aleatorios, lo que significa que si operamos una red neuronal con pesos iniciales cien veces, no obtendremos exactamente los mismos resultados. Esto forma parte de la ciencia, pero los operadores reales no se sienten cómodos utilizando la tecnología, ya que no pueden duplicar los resultados probados. La metodología «Support Vector Machine Regression (SVM)» es una buena solución, ya que se comporta de forma similar a las redes neuronales en muchos casos y, para una configuración determinada, produce los mismos resultados al no depender de las condiciones iniciales.

En 2010 Ming-Chang Lee y Chang to mostraron que la diferencia de rendimiento entre SVM y la red neuronal de retropropagación es marginal, con SVM dando una mayor precisión y menores tasas de error [17].

Otra metodología utilizada en los modelos de negociación son los «conjuntos aproximados», que requieren un mayor nivel de preprocesamiento, ya que exigen que los datos se dividan en segmentos. Los conjuntos aproximados requieren tipos de datos discretos. Dado que los datos de las series temporales son normalmente continuos, para utilizar los conjuntos aproximados es necesario tomar las series temporales continuas y convertirlas en tipos de datos discretos. Podemos utilizar varios algoritmos, por ejemplo, dividir las variables utilizando la experiencia del dominio o utilizando algún tipo de algoritmo de frecuencia [18].

Los conjuntos rugosos no son un único algoritmo, sino que consisten en muchos subconjuntos diferentes de algoritmos. Muchos de ellos no manejan casos conflictivos como dos registros idénticos con el mismo resultado. Esto es un problema para los datos de las series temporales que a menudo contienen conflictos. Por lo tanto, una solución es examinar la probabilidad; por ejemplo, si de un conjunto dado de casos conflictivos, un evento es verdadero el 70% de las veces, se puede decir que este evento es una buena regla para las inversiones.

Hay dos algoritmos diferentes de conjuntos rugosos populares que manejan la probabilidad: el modelo de conjuntos rugosos de precisión variable [19] y la versión de precisión variable del modelo de conjuntos rugosos basado en la dominancia [20]. Estos dos métodos nos darán reglas que no sólo tienen un factor de robustez, es decir, muestran cuántos casos de apoyo, sino también la probabilidad de caer en esa clase discreta particular.

Durante la década de 1990, utilicé el análisis de conjuntos aproximados para desarrollar un sistema de negociación para el S&P500, así como para negociar bonos. Esto se hizo utilizando Data Logic /R. La clave fue ajustar los factores de precisión de la regla y la forma en que los datos se hicieron discretos. Esto requirió un poco de prueba y error y, como forma de arte, requirió experiencia en el dominio. El objetivo era maximizar la existencia de reglas fuertes, es decir, reglas con muchos casos de apoyo y que aún tuvieran un nivel de precisión que las hiciera valiosas. Mi investigación utilizando sólo reglas fuertes produjo buenos resultados para predecir el S&P500 [21].

Ninguno de los algoritmos actuales maneja las propiedades de las clases vecinas y la probabilidad de que un caso de entrada se clasifique en una de esas clases vecinas. El problema es que el coste de omitir una clase determinada no está predefinido y hay que tenerlo en cuenta. De ahí que los trabajos de perfeccionamiento de los conjuntos aproximados para aplicaciones de trading sean un área de investigación apasionante.

Conclusión

El análisis intermercado es un área apasionante de la producción de mercados. Las nuevas metodologías de representación de estas relaciones ayudarán no sólo al desarrollo de sistemas de negociación clásicos, sino también al uso de tecnologías avanzadas como, por ejemplo, el uso de un modelo de estado finito puede permitir que los métodos de aprendizaje automático vean fácilmente los patrones que pueden utilizarse para construir modelos más fiables.

Referencias

[1] G. Edward Schuh. “The Exchange Rate and U. S. Agriculture,” American Journal of Agricultural Economics”, Vol. 56, No. 1, Feb. 1974), pp. 1-13

[2] John J. Murphy. “Intermarket Technical Analysis: Trading Strategies for the Global Stock, Bond, Commodity, and Currency Markets,” Wiley Finance, 1991

[3] Murray A. Ruggiero. “Cybernetic Trading Strategies: Developing a Profitable Trading System with State-of-the-Art Technologies;” Wiley, Hardcover, July 1997

[4] ] John J. Murphy. “Intermarket Analysis: Profiting from Global Market Relationships,” Wiley Trading, 2004

[5] Murray Ruggiero. “Embedding neural networks into spreadsheet applications,” U.S. Patent 5 241 620, Aug 31, 1993

[6] Ruggiero, Murray A., Jr. “Nothing like net for intermarket analysis,” Futures, (Cedar Falls, Iowa), May 1995

[7] Ruggiero, Murray A., Jr. “The truth about intermarket analysis: intermarket analysis works, but only if you keep it simple. While it appears more popular than ever, here’s an update on how strategies published eight years ago still work today,” Futures, (Cedar Falls, Iowa), Dec. 2005

[8] Ruggiero, Murray A., Jr. “Intermarket analysis is fundamentally sound,” Futures Magazine, April 1998, pp 58-62

[9] Ruggiero, Murray A. Jr. “Using correlation analysis to predict trends,” Futures Magazine, Feb. 1996, pp 46-49

[10] Editor Apostolos-Paul Refenes. “Neural Networks in the Capital Markets,” John Wiley and sons, 1995

[11] H. White, (Department of Economics 1988, University of California, San Diego). «Economic Prediction Using Neural Networks: The Case of IBM Daily Stock Returns,» Proceedings of the Second Annual IEEE Conference on Neural Networks, II: 451-458., 1988

[12] P. J. Werbos. “Beyond Regression: New Tools for Prediction and Analysis in the Behavioral Sciences,” PhD thesis at Harvard University, 1974

[13] Arnold F. Shapiro. «Capital Market Applications of Neural Networks, Fuzzy Logic and Genetic Algorithms,» 13th International AFIR Colloquium, 2003, 1, 493-514.)

[14] David E. Rumelhart, James L. McClelland and the PDP Research Group. “Parallel Distributed Processing,” Vol. 1, Foundations, MIT Press 1987

[15] Ruggiero, Murray A., Jr. “Training neural nets for intermarket analysis,” Futures, (Cedar Falls, Iowa), Aug. 1994

[16] Ruggiero, Murray A. Jr. “Build a real neural net,” Publication Futures (Cedar Falls, Iowa) June 1995

[17] Ming-Chang Lee, (Fooyin University, Taiwan) and Chang To, (ShuTe University, Taiwan). “Comparison of Support Vector Machine and Back Propagation Neural Network in Evaluating the Enterprise Financial Distress,” International Journal of Artificial Intelligence & Applications (IJAIA), Vol.1, No.3, July 2010

[18] Joseph Herbert and Jing Tao Yao (University of Regina, Saskatchewan). “Time-Series Data Analysis with Rough Sets”

[19] Z. Pawlak. “Rough Sets”, International Journal of Computer and Information Sciences, vol.11, pp 341-356, 1982

[20] S. Greco and B. Matarazzo (both from University of Catania, Italy). R. Slowinski and J. Stefanowski (both from Poznan University of Technology, Poland). “Variable Consistency Model of Dominancebased Rough Sets Approach,” Proceeding RSCTC ’00 Revised Papers from the Second International Conference on Rough Sets and Current Trends in Computing Springer-Verlag London, UK ©2001

[21] Murray Ruggiero. «Rules are made to be traded,» AI in Finance, Futures (Cedar Falls, Iowa), 1994, pp.35-40.

En este artículo, Murray Ruggiero nos explicó detalladamente como entender y aplicar la divergencia entre mercados (Intermarket Divergence), para obtener señales en una amplia gama de mercados financieros. Esperamos os haya sido de gran utilidad esta información. Nos pareció importante dada la profundidad de la información y las referencias que tiene el artículo, las cuales os permitirán ahondar más sobre el tema.

En nuestra sección de productos podéis encontrar TradersStudio, plataforma completa de backtesting y desarrollo de sistemas creada por Murray Ruggiero, la cual facilita el diseño de estrategias de trading en los mercados financieros. Con ella podéis crear este tipo de estrategias.

Gracias por visitarnos, el equipo de Quantified Models.

Canal de YouTube de Quantified Models

Tenemos distintos vídeos disponibles en nuestro canal de YouTube que pueden resultarte muy útiles para desarrollar sistemas de trading.

Esperamos que esta información te haya sido útil.

Subscribe to our Newsletter

Join our mailing list to receive the latest news and updates from Quantified Models team.

Subscribe to our Newsletter

You have Successfully Subscribed!

Ir al contenido