[et_pb_section fb_built=”1″ admin_label=”section” _builder_version=”4.16″ custom_padding=”0px|0px|0px|0px|true|true” locked=”off” global_colors_info=”{}”][et_pb_row use_custom_gutter=”on” make_equal=”on” admin_label=”row” _builder_version=”4.16″ background_size=”initial” background_position=”top_left” background_repeat=”repeat” width=”100%” custom_padding=”0px||0px||true|false” global_colors_info=”{}”][et_pb_column type=”4_4″ _builder_version=”4.16″ custom_padding=”|||” global_colors_info=”{}” custom_padding__hover=”|||”][et_pb_text ul_type=”square” ul_position=”inside” ol_type=”decimal-leading-zero” ol_item_indent=”10px” _builder_version=”4.21.0″ text_line_height=”1.5em” link_font=”|700|||||||” link_text_color=”#F53A71″ ul_font=”||||||||” ul_font_size=”16px” ol_font_size=”16px” ol_line_height=”1.8em” quote_font=”TT Octosquares Medium||||||||” quote_text_align=”left” quote_text_color=”#210750″ quote_font_size=”18px” header_2_text_align=”left” header_2_line_height=”1.2em” header_3_text_align=”left” header_3_text_color=”#7138DF” header_3_font_size=”24px” header_3_line_height=”1.2em” header_4_text_align=”left” header_4_text_color=”#7138DF” header_4_font_size=”22px” header_4_line_height=”1.2em” header_5_text_color=”#333333″ header_5_font_size=”20px” header_6_text_color=”#333333″ header_6_font_size=”18px” text_orientation=”justified” hover_enabled=”0″ global_colors_info=”{}” sticky_enabled=”0″]<\/p>\n
A pesar de tener unos a\u00f1os de haber sido publicado la informaci\u00f3n contenida nos parece excelente y nos puede ayudar a aclarar el terreno que estamos pisando cuando negociamos en el mercado financiero, la orden del d\u00eda son las m\u00e1quinas es por ello que el mercado a veces parece m\u00e1s err\u00e1tico que nunca pero la realidad es que las operaciones son tan r\u00e1pidas debido a la presencia de los sistemas automatizados que da esa impresi\u00f3n pero al final la oferta y la demanda es la que manda, el art\u00edculo fue traducido por nuestro equipo de trabajo, a continuaci\u00f3n la transcripci\u00f3n, esperamos la disfrute tanto como nosotros:<\/p>\n
Durante el a\u00f1o pasado hemos escrito varias historias sobre el uso del aprendizaje autom\u00e1tico para el trading. Desarrollar programas de trading con inteligencia artificial no es f\u00e1cil, no solo porque es un trabajo duro desarrollar algo predictivo sino tambi\u00e9n por las limitadas herramientas dentro de las mejores plataformas de trading para el aprendizaje autom\u00e1tico.<\/p>\n
Otros lenguajes de programaci\u00f3n disponen de herramientas para la pronosticaci\u00f3n de series temporales y el aprendizaje autom\u00e1tico. Los dos principales son el lenguaje R y Python. R no tiene una buena interfaz para desarrollar y probar los sistemas de trading de la manera que los traders desear\u00edan, aunque hay muchas bibliotecas que intentan permitir el backtesting de los sistemas de trading y la elaboraci\u00f3n de gr\u00e1ficos de los datos del mercado. El backtesting en Python es algo mejor, tambi\u00e9n tiene muchas bibliotecas de aprendizaje autom\u00e1tico, pero no tiene tan buenas bibliotecas de predicci\u00f3n estad\u00edstica como tiene R.<\/p>\n
Una soluci\u00f3n para esto es que varias plataformas de negociaci\u00f3n han a\u00f1adido una interfaz para R, nativa del lenguaje, de modo que siempre se puede pasar la informaci\u00f3n a trav\u00e9s de archivos. Una de estas empresas con una interfaz nativa de R es la plataforma InfoReach. Otra es la versi\u00f3n TradersStudio Turbo 2017. Esto se puede conseguir mediante un complemento.<\/p>\n
En los pr\u00f3ximos art\u00edculos le mostraremos c\u00f3mo se puede utilizar R para desarrollar el aprendizaje autom\u00e1tico y las tecnolog\u00edas de modelado de operaciones, y utilizarlas para hacer backtest y operar con sistemas de trading.<\/p>\n
[\/et_pb_text][et_pb_text ul_type=”square” ul_position=”inside” ol_type=”decimal-leading-zero” ol_item_indent=”10px” _builder_version=”4.19.5″ text_line_height=”1.5em” link_font=”|700|||||||” link_text_color=”#F53A71″ ul_font=”||||||||” ul_font_size=”16px” ol_font_size=”16px” ol_line_height=”1.8em” quote_font=”TT Octosquares Medium||||||||” quote_text_align=”left” quote_text_color=”#210750″ quote_font_size=”18px” header_2_text_align=”left” header_2_line_height=”1.2em” header_3_text_align=”left” header_3_text_color=”#7138DF” header_3_font_size=”24px” header_3_line_height=”1.2em” header_4_text_align=”left” header_4_text_color=”#7138DF” header_4_font_size=”22px” header_4_line_height=”1.2em” header_5_text_color=”#333333″ header_5_font_size=”20px” header_6_text_color=”#333333″ header_6_font_size=”18px” text_orientation=”justified” global_colors_info=”{}”]<\/p>\n
En 2015, el fondo de cobertura de 165.000 millones de d\u00f3lares de Ray Dalio, Bridgewater Associates, puso en marcha una unidad de inteligencia artificial con seis personas. Este equipo est\u00e1 dirigido por David Ferrucci, que se incorpor\u00f3 a Bridgewater a finales de 2012 tras dirigir a los ingenieros de International Business Machines (IBM) que desarrollaron Watson, el ordenador que venci\u00f3 a los jugadores humanos en \u00abJeopardy\u00bb. Esta nueva unidad de Bridgewater dispondr\u00e1 de grandes recursos para aplicar a los mercados la tecnolog\u00eda de predicci\u00f3n, que se adapta a las condiciones cambiantes del mercado; es un nuevo paradigma que podr\u00eda suponer el fin del trader promedio.
El desarrollo de sistemas adaptativos y de aprendizaje autom\u00e1tico para los sistemas de negociaci\u00f3n es muy caro por dos razones. En primer lugar, es necesario desarrollar el c\u00f3digo del m\u00e9todo de aprendizaje autom\u00e1tico, como ocurre con los algoritmos de redes neuronales, los algoritmos de ond\u00edculas y los algoritmos de aprendizaje profundo. Este software requiere habilidades matem\u00e1ticas y de programaci\u00f3n de alto nivel para ser escrito. Desarrollar un complemento para Excel o TradeStation con un algoritmo a partir de publicaciones cient\u00edficas podr\u00eda llevar varios meses de desarrollo utilizando mentes de clase mundial. S\u00f3lo el algoritmo podr\u00eda costar hasta 100.000 d\u00f3lares en su desarrollo y podr\u00eda no funcionar para usted. Lo ideal ser\u00eda tener una colecci\u00f3n de docenas de herramientas que costar\u00edan millones. Este enfoque para grandes fondos de cobertura como Bridgewater es ideal porque le permite una mejor integraci\u00f3n entre los algoritmos de aprendizaje y las se\u00f1ales de negociaci\u00f3n.<\/p>\n
Las empresas de inversi\u00f3n cuantitativa, como Two Sigma Investments, de 24.000 millones de d\u00f3lares, y Renaissance Technologies, de 25.000 millones de d\u00f3lares, est\u00e1n contratando cada vez m\u00e1s programadores e ingenieros para ampliar sus plantillas de inteligencia artificial. El aprendizaje autom\u00e1tico ofrece a los fondos de cobertura una ventaja competitiva en los mercados en los que la negociaci\u00f3n se ha visto perjudicada por la riqueza de los precios de los activos, seg\u00fan Gustavo Dolfino, director general de la empresa de contrataci\u00f3n WhiteRock Group. dice Dolfino: \u00abEl aprendizaje autom\u00e1tico es la nueva ola de inversi\u00f3n para los pr\u00f3ximos 20 a\u00f1os y los jugadores inteligentes se est\u00e1n centrando en \u00e9l\u00bb.<\/p>\n
La otra habilidad costosa que se necesita es la del ingeniero de conocimiento con experiencia en el mercado y el trading. Tienen que utilizar las herramientas y entender los algoritmos, pero no al nivel de los desarrolladores que han desarrollado el c\u00f3digo.<\/p>\n
El coste de la creaci\u00f3n de algoritmos retras\u00f3 la investigaci\u00f3n. Por eso R se ha vuelto tan valioso. R tiene miles de bibliotecas construidas con c\u00f3digo abierto por una comunidad de desarrolladores. Si una empresa tuviera que desarrollar estas bibliotecas, le costar\u00eda decenas de millones de d\u00f3lares, pero con R puede aprovecharlas y s\u00f3lo tiene que preocuparse de la ingenier\u00eda del conocimiento y el desarrollo del sistema.
El lenguaje de programaci\u00f3n R es ahora uno de los lenguajes de programaci\u00f3n m\u00e1s populares para el aprendizaje autom\u00e1tico y el trading.<\/p>\n
R ofrece bibliotecas de aprendizaje autom\u00e1tico, an\u00e1lisis estad\u00edstico, an\u00e1lisis fractal y de ond\u00edculas, procesamiento del lenguaje natural y mucho m\u00e1s. R requiere de una curva de aprendizaje, pero si se tienen en cuenta las herramientas avanzadas en t\u00e9rminos de modelado que puede realizar, merece la pena. El backtesting en R es muy primitivo. Debido a esto, el mejor uso de R para los traders es hacer an\u00e1lisis que ayuden al desarrollo del sistema o la salida. La salida producida por sus estudios de mercado realizados en R puede ser utilizada como datos de entrada en una estrategia. Algunas plataformas de negociaci\u00f3n pueden utilizar R-Scripts. Actualmente tenemos R disponible para TradersStudio como un complemento. En el momento de escribir esto est\u00e1 en beta con un lanzamiento en el a\u00f1o 2017.<\/p>\n
Estas son fuentes gratuitas para aprender R. Tambi\u00e9n hay muchos cursos de pago para aprender R y servicios a buen precio con un mont\u00f3n de buenos cursos sobre R y aprendizaje autom\u00e1tico en DataCamp.<\/p>\n
[\/et_pb_text][et_pb_text ul_type=”square” ul_position=”inside” ol_type=”decimal-leading-zero” ol_item_indent=”10px” _builder_version=”4.19.5″ text_line_height=”1.5em” link_font=”|700|||||||” link_text_color=”#F53A71″ ul_font=”||||||||” ul_font_size=”16px” ol_font_size=”16px” ol_line_height=”1.8em” quote_font=”TT Octosquares Medium||||||||” quote_text_align=”left” quote_text_color=”#210750″ quote_font_size=”18px” header_2_text_align=”left” header_2_line_height=”1.2em” header_3_text_align=”left” header_3_text_color=”#7138DF” header_3_font_size=”24px” header_3_line_height=”1.2em” header_4_text_align=”left” header_4_text_color=”#7138DF” header_4_font_size=”22px” header_4_line_height=”1.2em” header_5_text_color=”#333333″ header_5_font_size=”20px” header_6_text_color=”#333333″ header_6_font_size=”18px” text_orientation=”justified” global_colors_info=”{}”]<\/p>\n
Ahora todos podemos utilizar las herramientas de trading que emplean los principales fondos de cobertura utilizando R y tambi\u00e9n hasta cierto punto Python, aunque R tiene la mejor interfaz con los programas externos lo que permite una mejor integraci\u00f3n entre las estrategias de negociaci\u00f3n y la inteligencia. Estas herramientas van desde las m\u00e1s modernas de an\u00e1lisis de series temporales, como los modelos h\u00edbridos Arima\/Garch, pasando por las ond\u00edculas y los m\u00e9todos de aprendizaje autom\u00e1tico, hasta una serie de algoritmos de redes neuronales, inducci\u00f3n de reglas y algoritmos evolutivos, desde la programaci\u00f3n gen\u00e9tica hasta la tecnolog\u00eda de enjambre. Adem\u00e1s, existen herramientas de modelizaci\u00f3n de la teor\u00eda del caos y la teor\u00eda de los juegos, as\u00ed como modelos de Markov ocultos.<\/p>\n
Incluso las herramientas avanzadas de modelado de series temporales pueden llevar el trading a donde no ha llegado antes. TradersStudio ha desarrollado un sistema h\u00edbrido Arima\/Garch. Este modelo predice el cierre del S&P 500 para el d\u00eda siguiente menos el cierre del d\u00eda actual. Esto est\u00e1 bien porque los futuros se negocian despu\u00e9s de las 16:00 horas y el SPY tiene liquidez hasta las 18:00 horas aproximadamente, por lo que es posible obtener una se\u00f1al sobre el cierre y realizar una operaci\u00f3n un minuto o dos despu\u00e9s. Las predicciones en bruto obtuvieron beneficios en m\u00e1s de 2.800 puntos, lo que demuestra que este tipo de tecnolog\u00eda es importante y valiosa para los operadores. He aqu\u00ed c\u00f3mo los m\u00e9todos de aprendizaje autom\u00e1tico que construyen un \u00e1rbol recursivo pueden utilizarse en el trading.<\/p>\n
[\/et_pb_text][et_pb_text ul_type=”square” ul_position=”inside” ol_type=”decimal-leading-zero” ol_item_indent=”10px” _builder_version=”4.19.5″ text_line_height=”1.5em” link_font=”|700|||||||” link_text_color=”#F53A71″ ul_font=”||||||||” ul_font_size=”16px” ol_font_size=”16px” ol_line_height=”1.8em” quote_font=”TT Octosquares Medium||||||||” quote_text_align=”left” quote_text_color=”#210750″ quote_font_size=”18px” header_2_text_align=”left” header_2_line_height=”1.2em” header_3_text_align=”left” header_3_text_color=”#7138DF” header_3_font_size=”24px” header_3_line_height=”1.2em” header_4_text_align=”left” header_4_text_color=”#7138DF” header_4_font_size=”22px” header_4_line_height=”1.2em” header_5_text_color=”#333333″ header_5_font_size=”20px” header_6_text_color=”#333333″ header_6_font_size=”18px” text_orientation=”justified” global_colors_info=”{}”]<\/p>\n
La partici\u00f3n recursiva es un m\u00e9todo estad\u00edstico para el an\u00e1lisis multivariable. La partici\u00f3n recursiva crea un \u00e1rbol de decisi\u00f3n que trata de clasificar correctamente a los miembros de la poblaci\u00f3n dividi\u00e9ndola en subpoblaciones basadas en varias variables independientes dicot\u00f3micas. El proceso se denomina recursivo porque cada subpoblaci\u00f3n puede dividirse a su vez un n\u00famero indefinido de veces.
Los m\u00e9todos de partici\u00f3n recursiva se han desarrollado desde la d\u00e9cada de 1980. Entre los m\u00e9todos de partici\u00f3n recursiva m\u00e1s conocidos est\u00e1n el algoritmo ID3 de Ross Quinlan y sus sucesores, C4.5 y C5.0, y los \u00e1rboles de clasificaci\u00f3n y regresi\u00f3n. Los m\u00e9todos de aprendizaje conjunto, como los bosques aleatorios, ayudan a superar el problema habitual de estos m\u00e9todos (su vulnerabilidad al sobreajuste de los datos) al emplear diferentes algoritmos y combinar sus resultados de alguna manera.<\/p>\n
Una variaci\u00f3n es la partici\u00f3n recursiva lineal de Cox. Estos m\u00e9todos pueden utilizarse para elegir valores bas\u00e1ndose en fundamentos y juzgar si un valor est\u00e1 sobrevalorado, correctamente valorado o infravalorado (s\u00f3lo utilizaremos valores infravalorados).<\/p>\n
Estos m\u00e9todos tambi\u00e9n se pueden utilizar para predecir los rendimientos del mercado en el siguiente periodo en variables categ\u00f3ricas, como por ejemplo: gran ascenso, alza, estabilidad, ca\u00edda y gran descenso. Veamos un ejemplo sencillo. El objetivo no es dar el santo grial, sino mostrarle c\u00f3mo puede empezar a construir estos modelos usted mismo. R es un gran lenguaje para el preprocesamiento de datos, pero requiere una comprensi\u00f3n m\u00e1s profunda de los tipos de datos de R. Por ejemplo, algunas librer\u00edas usan Matrices, Data Frames mientras que otras usan xts que est\u00e1 basado en la librer\u00eda zoo y necesitas pasar el tipo correcto. Hay funciones para hacer esta conversi\u00f3n sobre la marcha. Otra opci\u00f3n si no eres un experto en R es hacer tu preproceso en TradersStudio o TradeStation ya que nos sentimos m\u00e1s confirmados haciendo el procesamiento de datos en esas plataformas y sabemos c\u00f3mo llamar a todos los indicadores que necesitamos as\u00ed como escribir los nuevos que se nos ocurran. Crearemos un archivo CSV que cargaremos en R y probaremos estos algoritmos de \u00e1rbol.<\/p>\n
Nos facilitaremos la vida y utilizaremos el terminal de impresi\u00f3n de TradersStudio para dar salida a los datos. A continuaci\u00f3n, guardaremos el terminal de impresi\u00f3n en un archivo. Haremos nuestro an\u00e1lisis con datos semanales del S&P 500. Utilizaremos los beneficios del S&P 500, el Dow Transports y el S&P Dividends adem\u00e1s de los datos de precios del S&P 500. Nuestro objetivo es predecir la variaci\u00f3n del S&P 500 una semana en el futuro. Lo haremos mediante el \u00c1rbol de regresi\u00f3n utilizando la Biblioteca RPart en R. Originalmente predecimos la direcci\u00f3n del S&P 500 utilizando una serie de entradas. Fallamos mucho. El \u00e1rbol pod\u00eda resolver cualquier divisi\u00f3n que a\u00f1adiera informaci\u00f3n a la divisi\u00f3n de la clase de salida. La clave en el desarrollo de estos algoritmos de \u00e1rbol es definir inteligentemente la variable de predicci\u00f3n.<\/p>\n
El problema es el ruido. La predicci\u00f3n de la direcci\u00f3n de un d\u00eda es muy ruidosa y podemos tener operaciones de \u00abwhipsaw\u00bb, que costar\u00edan deslizamientos y comisiones adicionales. Realmente no queremos cambiar de posici\u00f3n cuando el mercado puede moverse ligeramente en nuestra contra y tambi\u00e9n queremos filtrar el ruido. Estos factores se contrarrestan con el beneficio. De este modo, deber\u00edamos probar nuestro objetivo como si lo conoci\u00e9ramos perfectamente para ver la rentabilidad que hubiera tenido. Hemos optado por utilizar el siguiente objetivo.<\/p>\n
[\/et_pb_text][et_pb_text _builder_version=”4.16″ text_font=”Raleway||||||||” text_text_color=”#ffffff” text_font_size=”15px” text_line_height=”1.9em” header_font=”Raleway||||||||” header_2_font=”Poppins|700|||||||” header_2_text_align=”left” header_2_text_color=”#000000″ header_2_font_size=”36px” header_2_line_height=”1.2em” header_4_font=”Poppins|600|||||||” header_4_text_align=”left” header_4_text_color=”#0c5adb” header_4_font_size=”20px” header_4_line_height=”1.2em” background_color=”#000000″ text_orientation=”justified” header_2_font_size_tablet=”” header_2_font_size_phone=”24px” header_2_font_size_last_edited=”on|phone” global_colors_info=”{}”]<\/p>\n