[et_pb_section fb_built=”1″ admin_label=”section” _builder_version=”4.16″ width=”100%” max_width=”100%” module_alignment=”center” custom_margin=”0px||0px||false|false” custom_padding=”0px||0px||false|false” locked=”off” global_colors_info=”{}” theme_builder_area=”post_content”][et_pb_row use_custom_gutter=”on” gutter_width=”1″ make_equal=”on” admin_label=”row” _builder_version=”4.16″ width=”100%” max_width=”100%” module_alignment=”center” custom_margin=”0px||0px||false|false” custom_padding=”0px||0px||false|false” global_colors_info=”{}” theme_builder_area=”post_content”][et_pb_column type=”4_4″ _builder_version=”4.16″ custom_padding=”|||” global_colors_info=”{}” custom_padding__hover=”|||” theme_builder_area=”post_content”][et_pb_text admin_label=”Text” _builder_version=”4.23″ header_text_align=”justify” background_size=”initial” background_position=”top_left” background_repeat=”repeat” text_orientation=”justified” custom_margin=”20px||20px||false|false” custom_padding=”0px||0px||false|false” global_colors_info=”{}” theme_builder_area=”post_content”]<\/p>\n
El an\u00e1lisis de intermercados estudia las interrelaciones entre varios mercados relacionados. Las correlaciones est\u00e1ndar entre mercados no son \u00fatiles si nuestro objetivo es predecir precios futuros o generar se\u00f1ales rentables, porque la correlaci\u00f3n actual no nos dice nada sobre los precios futuros. Una metodolog\u00eda que desarrollamos originalmente a mediados de la d\u00e9cada de 1990, llamada divergencia intermercado, nos permite medir el poder predictivo de una relaci\u00f3n intermercado y producir se\u00f1ales 100% objetivas.<\/p>\n
Durante los \u00faltimos 17 a\u00f1os hemos utilizado esta metodolog\u00eda para desarrollar sistemas de negociaci\u00f3n que han producido se\u00f1ales de trading robustas y fiables incluso 17 a\u00f1os despu\u00e9s de que los modelos se desarrollaron originalmente sin ninguna reoptimizaci\u00f3n. Otras metodolog\u00edas de procesamiento de las relaciones intermercado para desarrollar se\u00f1ales de negociaci\u00f3n pueden funcionar tan bien durante los periodos de muestra, pero no funcionan tan bien durante el periodo de avance ni en la negociaci\u00f3n real.<\/p>\n
En este documento explicaremos la divergencia entre mercados y mostraremos c\u00f3mo esta metodolog\u00eda puede aplicarse a una amplia gama de mercados y c\u00f3mo se comporta mejor fuera de la muestra que otras metodolog\u00edas. A continuaci\u00f3n, analizaremos esta metodolog\u00eda m\u00e1s de cerca y trataremos de entender por qu\u00e9 funciona tan bien y c\u00f3mo esta metodolog\u00eda b\u00e1sica puede ser mejorada.<\/p>\n
El concepto de divergencia intermercado tambi\u00e9n es f\u00e1cil de mejorar con diversos m\u00e9todos de aprendizaje autom\u00e1tico, como redes neuronales, SVM o conjuntos aproximados. Vamos a exponer un marco para este an\u00e1lisis.<\/p>\n
[\/et_pb_text][et_pb_text admin_label=”Text” _builder_version=”4.23″ header_text_align=”justify” background_size=”initial” background_position=”top_left” background_repeat=”repeat” text_orientation=”justified” custom_margin=”20px||20px||false|false” custom_padding=”0px||0px||false|false” global_colors_info=”{}” theme_builder_area=”post_content”]<\/p>\n
Muchos mercados est\u00e1n interrelacionados. Estas interrelaciones pueden ofrecer capacidades de predicci\u00f3n para muchos de ellos. El estudio de estas interrelaciones se denomina an\u00e1lisis intermercado. Los t\u00e9cnicos han utilizado las relaciones intermercado durante casi 40 a\u00f1os, desde que se publicaron los resultados de una relaci\u00f3n entre la pol\u00edtica del d\u00f3lar fuerte y los productos agr\u00edcolas en un documento de 1974 [1].<\/p>\n
Un recurso cl\u00e1sico que explica la interacci\u00f3n entre la mayor\u00eda de los principales mercados de futuros es el libro de John J. Murphy [2]. Ense\u00f1a muchas interrelaciones cl\u00e1sicas entre mercados utilizando el crash de 1987 como caso de estudio. Tambi\u00e9n muestra c\u00f3mo el crack de 1987 pudo haber sido previsto por los acontecimientos meses antes en varios mercados; por ejemplo, los bonos alcanzaron su punto m\u00e1ximo a principios de 1987 y las acciones alcanzaron su punto m\u00e1ximo unos seis meses despu\u00e9s [3], lo que demuestra que muchos mercados se adelantan a otros. Esta relaci\u00f3n existe en diferentes plazos para diferentes relaciones intermercado.<\/p>\n
El trabajo de Murphy [4] y de otros pioneros del an\u00e1lisis intermercado se basaba en los gr\u00e1ficos sin ninguna prueba de que pudiera utilizarse para generar se\u00f1ales mec\u00e1nicas. No hab\u00eda duda de si estas relaciones iban a marcar los puntos de inflexi\u00f3n m\u00e1s importantes, pero s\u00ed, de si pod\u00edan utilizarse para generar se\u00f1ales rentables de forma constante en un mercado determinado.<\/p>\n
Si el an\u00e1lisis intermercado era necesario para dar el siguiente paso y generar se\u00f1ales mec\u00e1nicas, necesit\u00e1bamos de esta tecnolog\u00eda, ya que la elaboraci\u00f3n de gr\u00e1ficos y la generar se\u00f1ales 100% objetivas requer\u00eda un tipo de an\u00e1lisis diferente a un simple an\u00e1lisis visual de los gr\u00e1ficos.<\/p>\n
En 1988, cofund\u00e9 una empresa de software y fui el \u00fanico inventor de una metodolog\u00eda para incrustar redes neuronales en una hoja de c\u00e1lculo. Me involucr\u00e9 en los mercados financieros ya que muchos de nuestros clientes quer\u00edan utilizar nuestro producto para predecir el mercado de valores [5].<\/p>\n
A principios de la d\u00e9cada de 1990 era muy popular el uso de redes neuronales para predecir el S&P500. Muchos de estos modelos utilizan relaciones intermercado. Mi inter\u00e9s por el an\u00e1lisis intermercado surgi\u00f3 desde esta perspectiva. Dado que exist\u00edan relaciones intermercado que lideraban otros mercados, por ejemplo, el bono del Tesoro a 30 a\u00f1os lidera la bolsa y el \u00edndice CRB lidera los bonos, se podr\u00eda construir un modelo de red neuronal para predecir el S&P500 [6].<\/p>\n
Lo importante no es el nivel de los tipos de inter\u00e9s, sino su direcci\u00f3n. En mi primer trabajo, trat\u00e9 de pre-procesar estas relaciones para que la red neuronal pudiera detectar estos patrones.<\/p>\n
Muchos de estos primeros modelos basados en redes neuronales tuvieron resultados mixtos y tambi\u00e9n una vida \u00fatil relativamente corta. Estos modelos iniciales utilizaban m\u00e9todos de procesamiento de se\u00f1ales para preprocesamiento que a menudo produce buenos resultados durante el per\u00edodo de entrenamiento, pero que se degradan fuera de la muestra. Esto lleva a una pregunta:<\/p>\n
“\u00bfPodr\u00eda la aplicaci\u00f3n de reglas simples producir se\u00f1ales de trading utilizando las relaciones intermercado?” Esta pregunta nos ayuda de dos maneras:<\/p>\n
(a) En primer lugar, podemos utilizar estas reglas directamente en la negociaci\u00f3n y
(b) en segundo lugar, si tenemos reglas de negociaci\u00f3n robustas, podemos utilizarlas como una forma de preprocesamiento que nos llevar\u00eda a modelos de redes neuronales m\u00e1s robustos.<\/p>\n
Una relaci\u00f3n intermercado ampliamente conocida es la que existe entre el S&P 500 y el bono del Tesoro a 30 a\u00f1os. Los precios de los bonos suelen estar positivamente correlacionados con el S&P 500 (mientras que los rendimientos est\u00e1n correlacionados negativamente), aunque esto no siempre es cierto, los bonos deber\u00edan, por lo general, aventajar a las acciones en los puntos de inflexi\u00f3n.<\/p>\n
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 a\u00f1os divergen del S&P 500; por ejemplo, cuando:<\/p>\n
(a) los bonos est\u00e1n subiendo y el S&P 500 est\u00e1 bajando, compre el S&P 500 y
(b) por el contrario, si los bonos est\u00e1n bajando y el S&P 500 est\u00e1 subiendo, venda el S&P 500.<\/p>\n
La direcci\u00f3n de los precios de los bonos en relaci\u00f3n con el S&P 500 es importante, no el tipo de inter\u00e9s real. Por este motivo, queremos utilizar en nuestra red neuronal los valores de cambio tanto del bono del Tesoro a 30 a\u00f1os como del S&P 500 [6]. Aunque esta relaci\u00f3n se ha roto en los \u00faltimos a\u00f1os, su existencia a largo plazo es de importancia hist\u00f3rica para la ciencia del an\u00e1lisis intermercado.<\/p>\n
[\/et_pb_text][et_pb_text admin_label=”Text” _builder_version=”4.23″ header_text_align=”justify” background_size=”initial” background_position=”top_left” background_repeat=”repeat” text_orientation=”justified” custom_margin=”20px||20px||false|false” custom_padding=”0px||0px||false|false” global_colors_info=”{}” theme_builder_area=”post_content”]<\/p>\n
Utilizaremos los m\u00e9todos mec\u00e1nicos cl\u00e1sicos para operar en las relaciones intermercado, aplic\u00e1ndolos al bono del Tesoro a 30 a\u00f1os utilizando un concepto llamado “divergencia intermercado” (acu\u00f1ado por primera vez en 1998), que es cuando un mercado negociado se mueve en direcci\u00f3n opuesta a la esperada [7].<\/p>\n
Por ejemplo, si operamos con el S&P 500, el bono del Tesoro a 30 a\u00f1os subiendo y el S&P 500 cayendo ser\u00eda una divergencia, ya que est\u00e1n correlacionados positivamente. Si oper\u00e1ramos con el bono del Tesoro a 30 a\u00f1os bonos del Tesoro a 30 a\u00f1os, tanto la subida de los bonos como la del oro se clasificar\u00edan como divergencia, ya que est\u00e1n correlacionados negativamente.<\/p>\n
Definiremos una tendencia alcista cuando los precios est\u00e9n por encima de una media m\u00f3vil y una tendencia bajista cuando est\u00e9n por debajo de la media m\u00f3vil. Ahora podemos predecir con cierta fiabilidad la direcci\u00f3n futura de los bonos, las acciones, el oro, el crudo e incluso divisas utilizando este sencillo modelo de divergencia entre mercados. El pseudoc\u00f3digo de este modelo b\u00e1sico es el siguiente:<\/p>\n
[\/et_pb_text][et_pb_dmb_code_snippet code=”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” linenums=”on” tabwidth=”2″ copy_button=”on” _builder_version=”4.23″ _module_preset=”default” body_font=”TT Octosquares Medium||||||||” body_text_align=”left” body_text_color=”#210750″ max_width=”95%” module_alignment=”center” hover_enabled=”0″ global_colors_info=”{}” theme_builder_area=”post_content” usetabwidth=”on” sticky_enabled=”0″][\/et_pb_dmb_code_snippet][et_pb_text admin_label=”Text” _builder_version=”4.23″ header_text_align=”justify” background_size=”initial” background_position=”top_left” background_repeat=”repeat” text_orientation=”justified” custom_margin=”20px||20px||false|false” custom_padding=”0px||0px||false|false” global_colors_info=”{}” theme_builder_area=”post_content”]<\/p>\n
Esta sencilla idea que hemos expuesto anteriormente ha demostrado ser una metodolog\u00eda s\u00f3lida para predecir la acci\u00f3n futura de los precios mediante el an\u00e1lisis intermercado. En 1998, publiqu\u00e9 un sencillo sistema basado en el intermercado para operar con futuros de bonos del Tesoro a 30 a\u00f1os. Este modelo utilizaba “The NYSE Utility Average (NNA)”, que era una cesta de acciones de servicios p\u00fablicos.<\/p>\n
El NNA dej\u00f3 de utilizarse en 2004. Otro \u00edndice de servicios p\u00fablicos que tambi\u00e9n funcion\u00f3 bastante bien fue el \u00edndice de servicios el\u00e9ctricos de Filadelfia (UTY), que se utiliz\u00f3 como sustituto de NNA en nuestra investigaci\u00f3n. En 1998, cuando realic\u00e9 la investigaci\u00f3n y el art\u00edculo; originales, ambos \u00edndices funcionaban de forma similar, pero NNA ten\u00eda un historial de precios m\u00e1s largo que UTY.<\/p>\n
El an\u00e1lisis original con NNA se realiz\u00f3 de la siguiente manera. Utilizamos un modelo de divergencia intermercado con correlaci\u00f3n positiva y una media m\u00f3vil de ocho d\u00edas para el bono del Tesoro a 30 a\u00f1os y de 18 d\u00edas 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 comisi\u00f3n.<\/p>\n
Los resultados que publiqu\u00e9 originalmente fueron los siguientes: Veamos ahora c\u00f3mo funcion\u00f3 el UTY durante este mismo periodo utilizando el conjunto original de par\u00e1metros usados con NNA. Este conjunto de par\u00e1metros no era \u00f3ptimo para UTY, pero utilizamos el conjunto de par\u00e1metros de NNA por coherencia para mostrar la solidez de nuestro modelo:<\/p>\n Total Net Profit: $83,557.98<\/strong> [\/et_pb_text][et_pb_image src=”https:\/\/www.quantifiedmodels.com\/wp-content\/uploads\/2023\/10\/QM-blog_intermarket-divergence-metodo-robusto-generar-senales-01.jpg” alt=”Gr\u00e1fico 3D de optimizaci\u00f3n de los bonos del Tesoro frente a UTY y el beneficio neto del 01\/01\/1988 al 31\/12\/1997″ title_text=”Gr\u00e1fico 3D de optimizaci\u00f3n de los bonos del Tesoro frente a UTY y el beneficio neto del 01\/01\/1988 al 31\/12\/1997″ align=”center” _builder_version=”4.23″ _module_preset=”default” custom_margin=”||5px||false|false” custom_padding=”||0px||false|false” global_colors_info=”{}” theme_builder_area=”post_content”][\/et_pb_image][et_pb_text admin_label=”Text” _builder_version=”4.23″ text_font=”TT Octosquares Medium||||||||” text_text_color=”#210750″ text_font_size=”12px” header_text_align=”justify” background_size=”initial” background_position=”top_left” background_repeat=”repeat” text_orientation=”center” custom_margin=”0px||||false|false” custom_padding=”0px||||false|false” global_colors_info=”{}” theme_builder_area=”post_content”]<\/p>\n Fig. 1. Gr\u00e1fico 3D de optimizaci\u00f3n de los bonos del Tesoro frente a UTY y el beneficio neto del 01\/01\/1988 al 31\/12\/1997<\/p>\n [\/et_pb_text][et_pb_text admin_label=”Text” _builder_version=”4.23″ header_text_align=”justify” background_size=”initial” background_position=”top_left” background_repeat=”repeat” text_orientation=”justified” custom_margin=”20px||20px||false|false” custom_padding=”0px||0px||false|false” global_colors_info=”{}” theme_builder_area=”post_content”]<\/p>\n Aqu\u00ed mostramos una optimizaci\u00f3n entre los valores 2-30 en pasos de 2 para ambos conjuntos de par\u00e1metros (v\u00e9ase la Fig. 1). Podemos ver un gran pico de monta\u00f1a ancho. Tenemos una gran \u00e1rea en la zona de 80.000 a 100.000. Veamos ahora con m\u00e1s detalle el \u00e1rea robusta.<\/p>\n [\/et_pb_text][et_pb_image src=”https:\/\/www.quantifiedmodels.com\/wp-content\/uploads\/2023\/10\/QM-blog_intermarket-divergence-metodo-robusto-generar-senales-02.jpg” alt=”Detalle del \u00e1rea robusta de Optimizaci\u00f3n 3D para los bonos del Tesoro frente a UTY y el beneficio neto desde 01\/01\/1988 a 31\/12\/1997″ title_text=”Detalle del \u00e1rea robusta de Optimizaci\u00f3n 3D para los bonos del Tesoro frente a UTY y el beneficio neto desde 01\/01\/1988 a 31\/12\/1997″ align=”center” _builder_version=”4.23″ _module_preset=”default” custom_margin=”||5px||false|false” custom_padding=”||0px||false|false” global_colors_info=”{}” theme_builder_area=”post_content”][\/et_pb_image][et_pb_text admin_label=”Text” _builder_version=”4.23″ text_font=”TT Octosquares Medium||||||||” text_text_color=”#210750″ text_font_size=”12px” header_text_align=”justify” background_size=”initial” background_position=”top_left” background_repeat=”repeat” text_orientation=”center” custom_margin=”0px||||false|false” custom_padding=”0px||||false|false” locked=”off” global_colors_info=”{}” theme_builder_area=”post_content”]<\/p>\n Fig. 2. Detalle del \u00e1rea robusta de Optimizaci\u00f3n 3D para los bonos del Tesoro frente a UTY y el beneficio neto desde 01\/01\/1988 a 31\/12\/1997<\/p>\n [\/et_pb_text][et_pb_text admin_label=”Text” _builder_version=”4.23″ header_text_align=”justify” background_size=”initial” background_position=”top_left” background_repeat=”repeat” text_orientation=”justified” custom_margin=”20px||20px||false|false” custom_padding=”0px||0px||false|false” locked=”off” global_colors_info=”{}” theme_builder_area=”post_content”]<\/p>\n Si se observa m\u00e1s de cerca, se puede apreciar la amplitud de la zona de 80.000 a 100.000 (v\u00e9ase 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 par\u00e1metros en este tipo de modelo intermercado.<\/p>\n Veamos ahora el gr\u00e1fico de la superficie 3D durante el periodo comprendido entre el 01\/01\/1988 y el 25\/10\/2011, que incluye casi 13 a\u00f1os de resultados fuera de la muestra:<\/p>\n [\/et_pb_text][et_pb_text admin_label=”Text” _builder_version=”4.23″ header_text_align=”justify” background_size=”initial” background_position=”top_left” background_repeat=”repeat” text_orientation=”justified” custom_margin=”20px||20px||false|false” custom_padding=”0px||0px||false|false” locked=”off” global_colors_info=”{}” theme_builder_area=”post_content”]<\/p>\n Si se observa m\u00e1s de cerca, se puede apreciar la amplitud de la zona de 80.000 a 100.000 (v\u00e9ase 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 par\u00e1metros en este tipo de modelo intermercado.<\/p>\n Veamos ahora el gr\u00e1fico de la superficie 3D durante el periodo comprendido entre el 01\/01\/1988 y el 25\/10\/2011, que incluye casi 13 a\u00f1os de resultados fuera de la muestra:<\/p>\n [\/et_pb_text][et_pb_image src=”https:\/\/www.quantifiedmodels.com\/wp-content\/uploads\/2023\/10\/QM-blog_intermarket-divergence-metodo-robusto-generar-senales-03.jpg” alt=”Gr\u00e1fico 3D de optimizaci\u00f3n de los bonos del Tesoro frente a UTY y el beneficio neto desde el 01\/01\/1988 hasta el 25\/10\/2011″ title_text=”Gr\u00e1fico 3D de optimizaci\u00f3n de los bonos del Tesoro frente a UTY y el beneficio neto desde el 01\/01\/1988 hasta el 25\/10\/2011″ align=”center” _builder_version=”4.23″ _module_preset=”default” custom_margin=”||5px||false|false” custom_padding=”||0px||false|false” locked=”off” global_colors_info=”{}” theme_builder_area=”post_content”][\/et_pb_image][et_pb_text admin_label=”Text” _builder_version=”4.23″ text_font=”TT Octosquares Medium||||||||” text_text_color=”#210750″ text_font_size=”12px” header_text_align=”justify” background_size=”initial” background_position=”top_left” background_repeat=”repeat” text_orientation=”center” custom_margin=”0px||||false|false” custom_padding=”0px||||false|false” locked=”off” global_colors_info=”{}” theme_builder_area=”post_content”]<\/p>\n Fig. 3. Gr\u00e1fico 3D de optimizaci\u00f3n de los bonos del Tesoro frente a UTY y el beneficio neto desde el 01\/01\/1988 hasta el 25\/10\/2011<\/p>\n [\/et_pb_text][et_pb_text admin_label=”Text” _builder_version=”4.23″ header_text_align=”justify” background_size=”initial” background_position=”top_left” background_repeat=”repeat” text_orientation=”justified” custom_margin=”20px||20px||false|false” custom_padding=”0px||0px||false|false” locked=”off” global_colors_info=”{}” theme_builder_area=”post_content”]<\/p>\n Podemos ver que seguimos teniendo un rendimiento razonablemente amplio (v\u00e9ase la Fig. 3). Tenemos un rango de +\/- 6 a cada lado de nuestros mejores conjuntos de par\u00e1metros que siguen produciendo muy buenos resultados. Adem\u00e1s, nuestro conjunto original de par\u00e1metros seleccionados en 1998, el 8, 18 produce los siguientes resultados en el periodo comprendido entre el 01\/01\/1988 y el 25\/10\/2011:<\/p>\n Total Net Profit: $215,881.56<\/strong> Estudiemos s\u00f3lo el per\u00edodo fuera de la muestra con una primera operaci\u00f3n despu\u00e9s del 01\/01\/1998 hasta el 25\/10\/2011:<\/p>\n Total Net Profit: $129,166.32<\/strong> 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 (v\u00e9ase el cuadro I):<\/p>\n [\/et_pb_text][et_pb_image src=”https:\/\/www.quantifiedmodels.com\/wp-content\/uploads\/2023\/10\/QM-blog_intermarket-divergence-metodo-robusto-generar-senales-04.jpg” alt=”QM-blog_intermarket-divergence-metodo-robusto-generar-senales-04″ title_text=”QM-blog_intermarket-divergence-metodo-robusto-generar-senales-04″ align=”center” _builder_version=”4.23″ _module_preset=”default” custom_margin=”||5px||false|false” custom_padding=”||0px||false|false” locked=”off” global_colors_info=”{}” theme_builder_area=”post_content”][\/et_pb_image][et_pb_text admin_label=”Text” _builder_version=”4.23″ header_text_align=”justify” background_size=”initial” background_position=”top_left” background_repeat=”repeat” text_orientation=”justified” custom_margin=”20px||20px||false|false” custom_padding=”0px||0px||false|false” locked=”off” global_colors_info=”{}” theme_builder_area=”post_content”]<\/p>\n Podemos ver que, aunque la superficie de optimizaci\u00f3n 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 p\u00fablicos y los bonos del Tesoro, lo que suele ocurrir durante los colapsos del mercado burs\u00e1til que conducen a un repunte de los bonos del Tesoro.<\/p>\n Cuando los bonos suben debido a un efecto de cobertura, el uso de los \u00edndices burs\u00e1tiles como intermercado a veces puede crear problemas. Los intermercados basados en acciones se correlacionan m\u00e1s con las acciones en condiciones de mercado extremas, lo que a su vez distorsiona las relaciones intermercado. M\u00e1s adelante, en este mismo art\u00edculo, hablaremos de las estrategias para limitar este efecto en nuestro an\u00e1lisis de la divergencia entre mercados.<\/p>\n El an\u00e1lisis del espacio de optimizaci\u00f3n es tanto una ciencia como un arte y puede darnos una pista sobre la estabilidad y solidez de una determinada relaci\u00f3n entre mercados. Veamos una relaci\u00f3n entre los bonos del Tesoro y el \u00edndice de futuros CRB. Los precios de las materias primas est\u00e1n 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 \u00edndice CRB. Observemos los resultados de nuestra cuadr\u00edcula de optimizaci\u00f3n y veamos el aspecto de la superficie:<\/p>\n [\/et_pb_text][et_pb_image src=”https:\/\/www.quantifiedmodels.com\/wp-content\/uploads\/2023\/10\/QM-blog_intermarket-divergence-metodo-robusto-generar-senales-05.jpg” alt=”Gr\u00e1fico de optimizaci\u00f3n en 3D de los bonos del Tesoro frente a \u00cdndice CRB y Beneficio Neto. Es fundamentalmente s\u00f3lido pero no robusto.” title_text=”Gr\u00e1fico de optimizaci\u00f3n en 3D de los bonos del Tesoro frente a \u00cdndice CRB y Beneficio Neto. Es fundamentalmente s\u00f3lido pero no robusto.” align=”center” _builder_version=”4.23″ _module_preset=”default” custom_margin=”||5px||false|false” custom_padding=”||0px||false|false” locked=”off” global_colors_info=”{}” theme_builder_area=”post_content”][\/et_pb_image][et_pb_text admin_label=”Text” _builder_version=”4.23″ text_font=”TT Octosquares Medium||||||||” text_text_color=”#210750″ text_font_size=”12px” header_text_align=”justify” background_size=”initial” background_position=”top_left” background_repeat=”repeat” text_orientation=”center” custom_margin=”0px||||false|false” custom_padding=”0px||||false|false” locked=”off” global_colors_info=”{}” theme_builder_area=”post_content”]<\/p>\n Fig. 4. Gr\u00e1fico de optimizaci\u00f3n en 3D de los bonos del Tesoro frente a \u00cdndice CRB y Beneficio Neto. [\/et_pb_text][et_pb_text admin_label=”Text” _builder_version=”4.23″ header_text_align=”justify” background_size=”initial” background_position=”top_left” background_repeat=”repeat” text_orientation=”justified” custom_margin=”20px||20px||false|false” custom_padding=”0px||0px||false|false” locked=”off” global_colors_info=”{}” theme_builder_area=”post_content”]<\/p>\n Se puede ver que la superficie tiene una fuerte pendiente descendente con muy pocas zonas planas seguras (v\u00e9ase la Fig. 4). Tambi\u00e9n podemos ver que m\u00e1s del 75% de la superficie est\u00e1 por debajo de los 50.000 d\u00f3lares. Cuando observamos el UTY, cerca del 30% de la superficie est\u00e1 por debajo de los 50.000 d\u00f3lares. Al analizar estos gr\u00e1ficos de superficie, buscamos cu\u00e1ntos niveles son negociables.<\/p>\n En el caso del \u00edndice CRB, menos del 10% de los casos produjeron m\u00e1s de 100.000 d\u00f3lares, que en este periodo completo es el l\u00edmite inferior de lo que considero negociable. En el caso de las acciones de servicios p\u00fablicos, alrededor del 40% del espacio es negociable.<\/p>\n Veamos la superficie de optimizaci\u00f3n de la relaci\u00f3n entre el bono del Tesoro y el \u00edndice CRB. Examinaremos el per\u00edodo comprendido entre el 01\/01\/1988 y el 30\/12\/1997. Este fue nuestro per\u00edodo de muestra que utilizamos para nuestro ejemplo del bono del Tesoro a 30 a\u00f1os y el NNA\/UTY.<\/p>\n [\/et_pb_text][et_pb_image src=”https:\/\/www.quantifiedmodels.com\/wp-content\/uploads\/2023\/10\/QM-blog_intermarket-divergence-metodo-robusto-generar-senales-06.jpg” alt=”Gr\u00e1fico 3D de los bonos del Tesoro, el \u00edndice CRB y los Profit” title_text=”Gr\u00e1fico 3D de los bonos del Tesoro, el \u00edndice CRB y los Profit” align=”center” _builder_version=”4.23″ _module_preset=”default” custom_margin=”||5px||false|false” custom_padding=”||0px||false|false” locked=”off” global_colors_info=”{}” theme_builder_area=”post_content”][\/et_pb_image][et_pb_text admin_label=”Text” _builder_version=”4.23″ text_font=”TT Octosquares Medium||||||||” text_text_color=”#210750″ text_font_size=”12px” header_text_align=”justify” background_size=”initial” background_position=”top_left” background_repeat=”repeat” text_orientation=”center” custom_margin=”0px||||false|false” custom_padding=”0px||||false|false” locked=”off” global_colors_info=”{}” theme_builder_area=”post_content”]<\/p>\n Fig. 5. Gr\u00e1fico 3D de los bonos del Tesoro, el \u00edndice CRB y los Profit<\/em><\/p>\n [\/et_pb_text][et_pb_text admin_label=”Text” _builder_version=”4.23″ header_text_align=”justify” background_size=”initial” background_position=”top_left” background_repeat=”repeat” text_orientation=”justified” custom_margin=”20px||20px||false|false” custom_padding=”0px||0px||false|false” locked=”off” global_colors_info=”{}” theme_builder_area=”post_content”]<\/p>\n Incluso en el per\u00edodo comprendido entre el 01\/01\/1988 y el 30\/12\/1997, cuando el bono del Tesoro CRB aparec\u00eda en las noticias; se puede ver que era una relaci\u00f3n peligrosa para utilizar en las se\u00f1ales. Podemos ver que incluso hace 13 a\u00f1os esta superficie es peligrosa (ver Fig. 5). S\u00f3lo 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 aguantar\u00eda mejor con el tiempo.<\/p>\n Este an\u00e1lisis nos muestra una metodolog\u00eda para generar se\u00f1ales mec\u00e1nicas basadas en el an\u00e1lisis intermercado y tambi\u00e9n una forma de calibrar la posible fiabilidad futura. Si observamos todos estos gr\u00e1ficos veremos las mismas similitudes entre las relaciones que son robustas y las que no se mantienen en las relaciones fuera de muestra.<\/p>\n Hemos visto que la divergencia intermercado es un concepto poderoso. Cuando se produce una divergencia intermercado, nos mantenemos en esa posici\u00f3n hasta que se produce una divergencia opuesta. Una pregunta es “\u00bfPor qu\u00e9 funciona este concepto de divergencia?”. Adem\u00e1s, lo interesante es que mi investigaci\u00f3n 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.<\/p>\n 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 \u00fanico error de valoraci\u00f3n confirmado; que tenemos en t\u00e9rminos de una jugada de arbitraje fiable.<\/p>\n Sabemos que \u00e9sta no puede ser la se\u00f1al m\u00e1s 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 (v\u00e9ase la Fig. 6).<\/p>\n [\/et_pb_text][et_pb_image src=”https:\/\/www.quantifiedmodels.com\/wp-content\/uploads\/2023\/10\/QM-blog_intermarket-divergence-metodo-robusto-generar-senales-07.jpg” alt=”Gr\u00e1fico de precios con se\u00f1ales. Bonos del Tesoro, divergencia UTY 8, 18 de par\u00e1metros, muestra que las se\u00f1ales muy rentables pueden seguir siendo ineficaces.” title_text=”Gr\u00e1fico de precios con se\u00f1ales. Bonos del Tesoro, divergencia UTY 8, 18 de par\u00e1metros, muestra que las se\u00f1ales muy rentables pueden seguir siendo ineficaces.” align=”center” _builder_version=”4.23″ _module_preset=”default” custom_margin=”||5px||false|false” custom_padding=”||0px||false|false” locked=”off” global_colors_info=”{}” theme_builder_area=”post_content”][\/et_pb_image][et_pb_text admin_label=”Text” _builder_version=”4.23″ text_font=”TT Octosquares Medium||||||||” text_text_color=”#210750″ text_font_size=”12px” header_text_align=”justify” background_size=”initial” background_position=”top_left” background_repeat=”repeat” text_orientation=”center” custom_margin=”0px||||false|false” custom_padding=”0px||||false|false” locked=”off” global_colors_info=”{}” theme_builder_area=”post_content”]<\/p>\n Fig. 6. Gr\u00e1fico de precios con se\u00f1ales. [\/et_pb_text][et_pb_text admin_label=”Text” _builder_version=”4.23″ header_text_align=”justify” background_size=”initial” background_position=”top_left” background_repeat=”repeat” text_orientation=”justified” custom_margin=”20px||20px||false|false” custom_padding=”0px||0px||false|false” locked=”off” global_colors_info=”{}” theme_builder_area=”post_content”]<\/p>\n Veamos la siguiente operaci\u00f3n del mercado en US_REV.CSV (v\u00e9ase la Tabla II)<\/p>\n [\/et_pb_text][et_pb_image src=”https:\/\/www.quantifiedmodels.com\/wp-content\/uploads\/2023\/10\/QM-blog_intermarket-divergence-metodo-robusto-generar-senales-08.jpg” alt=”QM-blog_intermarket-divergence-metodo-robusto-generar-senales-08″ title_text=”QM-blog_intermarket-divergence-metodo-robusto-generar-senales-08″ align=”center” _builder_version=”4.23″ _module_preset=”default” custom_margin=”||5px||false|false” custom_padding=”||0px||false|false” locked=”off” global_colors_info=”{}” theme_builder_area=”post_content”][\/et_pb_image][et_pb_text admin_label=”Text” _builder_version=”4.23″ header_text_align=”justify” background_size=”initial” background_position=”top_left” background_repeat=”repeat” text_orientation=”justified” custom_margin=”20px||20px||false|false” custom_padding=”0px||0px||false|false” locked=”off” global_colors_info=”{}” theme_builder_area=”post_content”]<\/p>\n Aqu\u00ed, tenemos una operaci\u00f3n muy rentable, pero devolvimos casi todo el beneficio y luego el mercado volvi\u00f3 a moverse en la direcci\u00f3n de la operaci\u00f3n. Esto muestra un problema con la divergencia intermercado, es decir, la “Estrategia de Reversi\u00f3n” que siempre est\u00e1 en el mercado. Hay otros casos que incluyen (a) una operaci\u00f3n ganadora que termina siendo perdedora y (b) operaciones que nunca llegan a ser rentables. A pesar de estos problemas, nuestros resultados son sorprendentes.<\/p>\n Una soluci\u00f3n a este problema es construir una m\u00e1quina de estados finitos que abarque todos los estados posibles de la relaci\u00f3n intermercado durante el proceso de pasar de “largo a corto” o de “corto a largo”. Mi investigaci\u00f3n 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. Tambi\u00e9n podemos crear un mapa de estados que nos permita combinar m\u00faltiples intermercados con un mercado en el que estemos operando.<\/p>\n El an\u00e1lisis de las correlaciones y de las correlaciones a plazo entre los mercados tambi\u00e9n puede utilizarse para filtrar y mejorar estos modelos. A veces, el an\u00e1lisis de correlaci\u00f3n 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 an\u00e1lisis de superficie comentado anteriormente para asegurarse de que las relaciones de correlaci\u00f3n que estamos buscando son robustas y estacionarias [9].<\/p>\n [\/et_pb_text][et_pb_text admin_label=”Text” _builder_version=”4.23″ header_text_align=”justify” background_size=”initial” background_position=”top_left” background_repeat=”repeat” text_orientation=”justified” custom_margin=”20px||20px||false|false” custom_padding=”0px||0px||false|false” locked=”off” global_colors_info=”{}” theme_builder_area=”post_content”]<\/p>\n La divergencia entre mercados no es algo que s\u00f3lo 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.<\/p>\n Los \u00cdndices Sectoriales MorningStar son tambi\u00e9n una buena fuente de relaciones que se puede utilizar en el an\u00e1lisis intermercado. En nuestra tabla mostramos c\u00f3mo estos \u00edndices sectoriales pueden utilizarse para predecir mercados tan diversos como el del ganado vivo y el de los futuros del cobre (v\u00e9ase la Tabla III).<\/p>\n [\/et_pb_text][et_pb_image src=”https:\/\/www.quantifiedmodels.com\/wp-content\/uploads\/2023\/10\/QM-blog_intermarket-divergence-metodo-robusto-generar-senales-09.jpg” alt=”QM-blog_intermarket-divergence-metodo-robusto-generar-senales-09″ title_text=”QM-blog_intermarket-divergence-metodo-robusto-generar-senales-09″ align=”center” _builder_version=”4.23″ _module_preset=”default” custom_margin=”||5px||false|false” custom_padding=”||0px||false|false” locked=”off” global_colors_info=”{}” theme_builder_area=”post_content”][\/et_pb_image][et_pb_text admin_label=”Text” _builder_version=”4.23″ header_text_align=”justify” background_size=”initial” background_position=”top_left” background_repeat=”repeat” text_orientation=”justified” custom_margin=”20px||20px||false|false” custom_padding=”0px||0px||false|false” locked=”off” global_colors_info=”{}” theme_builder_area=”post_content”]<\/p>\n El an\u00e1lisis entre mercados requiere comprender c\u00f3mo funciona un mercado determinado. Por ejemplo, analicemos el Dow Jones 30 Industrial Average, la tabla anterior (v\u00e9ase la Tabla III) utiliza el precio al contado Dow Jones 30 Industrial Average. El Dow 30 est\u00e1 formado por grandes empresas multinacionales. Los bienes y servicios estadounidenses son m\u00e1s competitivos en el extranjero si el d\u00f3lar es m\u00e1s bajo. Por ello, una relaci\u00f3n negativa entre el Dow y el \u00edndice del d\u00f3lar [4], supera con creces el comprar y mantener (buy and hold). El \u00edndice del d\u00f3lar no predice el S&P500, porque no contiene un porcentaje tan alto de grandes empresas multinacionales como el Dow 30.<\/p>\n Adem\u00e1s, a menudo muchos grupos de valores relacionados son capaces de predecir las materias primas subyacentes. Vemos muchos ejemplos de esto, como el d\u00f3lar australiano y el d\u00f3lar canadiense, que pueden predecirse con el iShares MSCI Australian Index y el iShares MSCI Canada Index.<\/p>\n Los par\u00e1metros de la divergencia intermercado del cuadro III se seleccionaron utilizando el mismo tipo de an\u00e1lisis que empleamos para seleccionar los par\u00e1metros del bono del Tesoro a 30 a\u00f1os, UTY, en nuestro an\u00e1lisis gr\u00e1fico 3D. Hay muchas relaciones intermercado cl\u00e1sicas. El bono del Tesoro a 30 a\u00f1os tiene una correlaci\u00f3n intermercado tanto positiva como negativa, UTY, como ya hemos comentado, est\u00e1 correlacionada positivamente. La plata est\u00e1 correlacionada negativamente; esta es otra relaci\u00f3n que publiqu\u00e9 originalmente en los a\u00f1os 90 [8] (v\u00e9ase la Fig. 7).<\/p>\n [\/et_pb_text][et_pb_image src=”https:\/\/www.quantifiedmodels.com\/wp-content\/uploads\/2023\/10\/QM-blog_intermarket-divergence-metodo-robusto-generar-senales-10.jpg” alt=”Gr\u00e1fico 3D de optimizaci\u00f3n de los bonos del Tesoro frente a la Plata y Beneficio Neto desde el 01\/04\/1978 hasta el 30\/12\/2011″ title_text=”Gr\u00e1fico 3D de optimizaci\u00f3n de los bonos del Tesoro frente a la Plata y Beneficio Neto desde el 01\/04\/1978 hasta el 30\/12\/2011″ align=”center” _builder_version=”4.23″ _module_preset=”default” custom_margin=”||5px||false|false” custom_padding=”||0px||false|false” locked=”off” global_colors_info=”{}” theme_builder_area=”post_content”][\/et_pb_image][et_pb_text admin_label=”Text” _builder_version=”4.23″ text_font=”TT Octosquares Medium||||||||” text_text_color=”#210750″ text_font_size=”12px” header_text_align=”justify” background_size=”initial” background_position=”top_left” background_repeat=”repeat” text_orientation=”center” custom_margin=”0px||||false|false” custom_padding=”0px||||false|false” locked=”off” global_colors_info=”{}” theme_builder_area=”post_content”]<\/p>\n Fig. 7. Gr\u00e1fico 3D de optimizaci\u00f3n de los bonos del Tesoro frente a la Plata y Beneficio Neto desde el 01\/04\/1978 hasta el 30\/12\/2011<\/p>\n [\/et_pb_text][et_pb_text admin_label=”Text” _builder_version=”4.23″ header_text_align=”justify” background_size=”initial” background_position=”top_left” background_repeat=”repeat” text_orientation=”justified” custom_margin=”20px||20px||false|false” custom_padding=”0px||0px||false|false” locked=”off” global_colors_info=”{}” theme_builder_area=”post_content”]<\/p>\n Es robusto en una amplia gama de par\u00e1metros, incluso con m\u00e1s de 13 a\u00f1os fuera de la muestra (v\u00e9ase la Fig. 7).<\/p>\n Otro ejemplo que tenemos es el del petr\u00f3leo y las acciones petrol\u00edferas, por ejemplo, con el \u00edndice Dow Jones del petr\u00f3leo. Veamos este ejemplo utilizando nuestro an\u00e1lisis de par\u00e1metros 3D (v\u00e9ase la Fig. 8). Mostraremos los par\u00e1metros intermercado y el beneficio neto utilizando la divergencia intermercado. En estos resultados tenemos 50,00 d\u00f3lares deducidos por deslizamiento y comisiones.<\/p>\n [\/et_pb_text][et_pb_image src=”https:\/\/www.quantifiedmodels.com\/wp-content\/uploads\/2023\/10\/QM-blog_intermarket-divergence-metodo-robusto-generar-senales-11.jpg” alt=”Gr\u00e1fico 3D de optimizaci\u00f3n para el petr\u00f3leo crudo frente al \u00edndice Dow Jones y el beneficio neto desde el 24\/12\/2001 hasta el 30\/12\/2011. 12\/30\/2011″ title_text=”Gr\u00e1fico 3D de optimizaci\u00f3n para el petr\u00f3leo crudo frente al \u00edndice Dow Jones y el beneficio neto desde el 24\/12\/2001 hasta el 30\/12\/2011. 12\/30\/2011″ align=”center” _builder_version=”4.23″ _module_preset=”default” custom_margin=”||5px||false|false” custom_padding=”||0px||false|false” locked=”off” global_colors_info=”{}” theme_builder_area=”post_content”][\/et_pb_image][et_pb_text admin_label=”Text” _builder_version=”4.23″ text_font=”TT Octosquares Medium||||||||” text_text_color=”#210750″ text_font_size=”12px” header_text_align=”justify” background_size=”initial” background_position=”top_left” background_repeat=”repeat” text_orientation=”center” custom_margin=”0px||||false|false” custom_padding=”0px||||false|false” locked=”off” global_colors_info=”{}” theme_builder_area=”post_content”]<\/p>\n Fig. 8. Gr\u00e1fico 3D de optimizaci\u00f3n para el petr\u00f3leo crudo frente al \u00edndice Dow Jones y el beneficio neto desde el 24\/12\/2001 hasta el 30\/12\/2011. 12\/30\/2011<\/em><\/p>\n [\/et_pb_text][et_pb_text admin_label=”Text” _builder_version=”4.23″ header_text_align=”justify” background_size=”initial” background_position=”top_left” background_repeat=”repeat” text_orientation=”justified” custom_margin=”20px||20px||false|false” custom_padding=”0px||0px||false|false” locked=”off” global_colors_info=”{}” theme_builder_area=”post_content”]<\/p>\n Se puede ver que tenemos una amplia zona de fuertes beneficios netos. Este es un ejemplo de una relaci\u00f3n s\u00f3lida (v\u00e9ase la Fig. 8).<\/p>\n Tambi\u00e9n podemos ver otra relaci\u00f3n cl\u00e1sica S&P500 y bono del Tesoro a 30 a\u00f1os [4]; esta relaci\u00f3n tuvo periodos en los que funciona bien y otros en los que funciona mal. El problema es que, en \u00e9pocas 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 (v\u00e9ase la Fig. 9).<\/p>\n [\/et_pb_text][et_pb_image src=”https:\/\/www.quantifiedmodels.com\/wp-content\/uploads\/2023\/10\/QM-blog_intermarket-divergence-metodo-robusto-generar-senales-12.jpg” alt=”Gr\u00e1fico 3D de optimizaci\u00f3n para el S&P500 frente a bonos del Tesoro y el Beneficio Neto desde el 22\/04\/1982 hasta el 12\/30\/2011″ title_text=”Gr\u00e1fico 3D de optimizaci\u00f3n para el S&P500 frente a bonos del Tesoro y el Beneficio Neto desde el 22\/04\/1982 hasta el 12\/30\/2011″ align=”center” _builder_version=”4.23″ _module_preset=”default” custom_margin=”||5px||false|false” custom_padding=”||0px||false|false” locked=”off” global_colors_info=”{}” theme_builder_area=”post_content”][\/et_pb_image][et_pb_text admin_label=”Text” _builder_version=”4.23″ text_font=”TT Octosquares Medium||||||||” text_text_color=”#210750″ text_font_size=”12px” header_text_align=”justify” background_size=”initial” background_position=”top_left” background_repeat=”repeat” text_orientation=”center” custom_margin=”0px||||false|false” custom_padding=”0px||||false|false” locked=”off” global_colors_info=”{}” theme_builder_area=”post_content”]<\/p>\n Fig. 9. Gr\u00e1fico 3D de optimizaci\u00f3n para el S&P500 frente a bonos del Tesoro y el Beneficio Neto desde el 22\/04\/1982 hasta el 12\/30\/2011<\/em><\/p>\n [\/et_pb_text][et_pb_text admin_label=”Text” _builder_version=”4.23″ header_text_align=”justify” background_size=”initial” background_position=”top_left” background_repeat=”repeat” text_orientation=”justified” custom_margin=”20px||20px||false|false” custom_padding=”0px||0px||false|false” locked=”off” global_colors_info=”{}” theme_builder_area=”post_content”]<\/p>\n 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 m\u00f3vil del S&P500 debe ser inferior a 10 d\u00edas para que tenga una buena zona segura (v\u00e9ase la Fig. 9).<\/p>\n Se puede ver que tenemos una zona de beneficios relativamente grande desde los 500.000 hasta los 700.000 d\u00f3lares, y despu\u00e9s tenemos una ca\u00edda. La solidez de esta relaci\u00f3n entre el S&P500 y los bonos del Tesoro no ha sido fuerte desde la crisis bancaria de 2008. A la relaci\u00f3n le fue mal en 2009-2010. Utilizando 8, 5 el conjunto de par\u00e1metros que seleccionamos para el rendimiento y la robustez; perdimos dinero en estos dos a\u00f1os, casi 26.000 d\u00f3lares en 2009 y algo m\u00e1s de 12.000 d\u00f3lares en 2010. En 2011 tuvimos un gran a\u00f1o ganando m\u00e1s de 113.000 d\u00f3lares.<\/p>\n [\/et_pb_text][et_pb_text admin_label=”Text” _builder_version=”4.23″ header_text_align=”justify” background_size=”initial” background_position=”top_left” background_repeat=”repeat” text_orientation=”justified” custom_margin=”20px||20px||false|false” custom_padding=”0px||0px||false|false” locked=”off” global_colors_info=”{}” theme_builder_area=”post_content”]<\/p>\n Los m\u00e9todos de aprendizaje autom\u00e1tico, como las redes neuronales, los conjuntos aproximados, el algoritmo gen\u00e9tico y la programaci\u00f3n gen\u00e9tica, se han utilizado para aplicaciones de trading desde finales de los a\u00f1os 80 [10]. Halbert White, en su art\u00edculo de 1988, intent\u00f3 utilizar una simple red neuronal de retropropagaci\u00f3n para predecir los cambios en las acciones de IBM [11].\u00a0 Aunque no tuvo \u00e9xito en mostrar resultados concluyentes, mostr\u00f3 el inter\u00e9s en esta \u00e1rea de investigaci\u00f3n tan s\u00f3lo un a\u00f1o despu\u00e9s de que la retropropagaci\u00f3n fuera popularizada por Rumelhart e inventada por P. J. Werbos [12], [13], [14].<\/p>\n En 1996, Chiang utiliz\u00f3 una red de retropropagaci\u00f3n para pronosticar los valores netos de los activos (NAV) de los fondos de inversi\u00f3n al final del a\u00f1o. Lleg\u00f3 a la conclusi\u00f3n de que las previsiones de la red neuronal superaban significativamente a los modelos de regresi\u00f3n en los casos en que se dispon\u00eda de datos limitados. Ruggiero desarroll\u00f3 modelos de redes neuronales que predijeron el signo del cambio de cinco semanas en el SP500 utilizando una variante de backpropagration [15], [6]. Tambi\u00e9n desarrollamos un modelo de red neuronal que predec\u00eda un indicador estoc\u00e1stico a plazo que ten\u00eda una previsi\u00f3n de cinco d\u00edas para el bono del Tesoro a 30 a\u00f1os [16]. V\u00e9ase “1”.<\/p>\n (1)<\/strong> Average ((Close[+5] – Lowest (Close[+5],5))\/(Highest (Close[+5],5) – Lowest(Close[+ 5],5)),5)<\/p>\n Mis dos trabajos sobre el S&P500 y los bonos del Tesoro utilizaron el an\u00e1lisis intermercado como parte de los modelos. El inter\u00e9s por las redes neuronales alcanz\u00f3 su punto \u00e1lgido durante la d\u00e9cada de 1990 y comenz\u00f3 a decaer despu\u00e9s debido a las expectativas excesivamente elevadas de estas redes en las soluciones basadas en el mercado. Estas redes deben utilizarse como un componente m\u00e1s 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.<\/p>\n La red neuronal tambi\u00e9n 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 c\u00f3modos utilizando la tecnolog\u00eda, ya que no pueden duplicar los resultados probados. La metodolog\u00eda “Support Vector Machine Regression (SVM)” es una buena soluci\u00f3n, ya que se comporta de forma similar a las redes neuronales en muchos casos y, para una configuraci\u00f3n determinada, produce los mismos resultados al no depender de las condiciones iniciales.<\/p>\n En 2010 Ming-Chang Lee y Chang to mostraron que la diferencia de rendimiento entre SVM y la red neuronal de retropropagaci\u00f3n es marginal, con SVM dando una mayor precisi\u00f3n y menores tasas de error [17].<\/p>\n Otra metodolog\u00eda utilizada en los modelos de negociaci\u00f3n 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 alg\u00fan tipo de algoritmo de frecuencia [18].<\/p>\n Los conjuntos rugosos no son un \u00fanico algoritmo, sino que consisten en muchos subconjuntos diferentes de algoritmos. Muchos de ellos no manejan casos conflictivos como dos registros id\u00e9nticos con el mismo resultado. Esto es un problema para los datos de las series temporales que a menudo contienen conflictos. Por lo tanto, una soluci\u00f3n 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.<\/p>\n Hay dos algoritmos diferentes de conjuntos rugosos populares que manejan la probabilidad: el modelo de conjuntos rugosos de precisi\u00f3n variable [19] y la versi\u00f3n de precisi\u00f3n variable del modelo de conjuntos rugosos basado en la dominancia [20]. Estos dos m\u00e9todos nos dar\u00e1n reglas que no s\u00f3lo tienen un factor de robustez, es decir, muestran cu\u00e1ntos casos de apoyo, sino tambi\u00e9n la probabilidad de caer en esa clase discreta particular.<\/p>\n Durante la d\u00e9cada de 1990, utilic\u00e9 el an\u00e1lisis de conjuntos aproximados para desarrollar un sistema de negociaci\u00f3n para el S&P500, as\u00ed como para negociar bonos. Esto se hizo utilizando Data Logic \/R. La clave fue ajustar los factores de precisi\u00f3n de la regla y la forma en que los datos se hicieron discretos. Esto requiri\u00f3 un poco de prueba y error y, como forma de arte, requiri\u00f3 experiencia en el dominio. El objetivo era maximizar la existencia de reglas fuertes, es decir, reglas con muchos casos de apoyo y que a\u00fan tuvieran un nivel de precisi\u00f3n que las hiciera valiosas. Mi investigaci\u00f3n utilizando s\u00f3lo reglas fuertes produjo buenos resultados para predecir el S&P500 [21].<\/p>\n 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 est\u00e1 predefinido y hay que tenerlo en cuenta. De ah\u00ed que los trabajos de perfeccionamiento de los conjuntos aproximados para aplicaciones de trading sean un \u00e1rea de investigaci\u00f3n apasionante.<\/p>\n [\/et_pb_text][et_pb_text admin_label=”Text” _builder_version=”4.23″ header_text_align=”justify” background_size=”initial” background_position=”top_left” background_repeat=”repeat” text_orientation=”justified” custom_margin=”20px||20px||false|false” custom_padding=”0px||0px||false|false” locked=”off” global_colors_info=”{}” theme_builder_area=”post_content”]<\/p>\n El an\u00e1lisis intermercado es un \u00e1rea apasionante de la producci\u00f3n de mercados. Las nuevas metodolog\u00edas de representaci\u00f3n de estas relaciones ayudar\u00e1n no s\u00f3lo al desarrollo de sistemas de negociaci\u00f3n cl\u00e1sicos, sino tambi\u00e9n al uso de tecnolog\u00edas avanzadas como, por ejemplo, el uso de un modelo de estado finito puede permitir que los m\u00e9todos de aprendizaje autom\u00e1tico vean f\u00e1cilmente los patrones que pueden utilizarse para construir modelos m\u00e1s fiables.<\/p>\n [\/et_pb_text][et_pb_divider color=”#7138DF” divider_position=”center” divider_weight=”3px” _builder_version=”4.23″ _module_preset=”default” width=”90%” max_width=”90%” module_alignment=”center” custom_margin=”10px||0px||false|false” custom_padding=”0px||0px||false|false” animation_style=”zoom” animation_direction=”right” locked=”off” global_colors_info=”{}” theme_builder_area=”post_content”][\/et_pb_divider][et_pb_text admin_label=”Text” _builder_version=”4.23″ text_font_size=”12px” header_text_align=”justify” background_size=”initial” background_position=”top_left” background_repeat=”repeat” text_orientation=”justified” custom_margin=”20px||20px||false|false” custom_padding=”0px||0px||false|false” locked=”off” global_colors_info=”{}” theme_builder_area=”post_content”]<\/p>\n [1] G. Edward Schuh. \u201cThe Exchange Rate and U. S. Agriculture,\u201d American Journal of Agricultural Economics\u201d, Vol. 56, No. 1, Feb. 1974), pp. 1-13<\/p>\n [2] John J. Murphy. \u201cIntermarket Technical Analysis: Trading Strategies for the Global Stock, Bond, Commodity, and Currency Markets,\u201d Wiley Finance, 1991<\/p>\n [3] Murray A. Ruggiero. \u201cCybernetic Trading Strategies: Developing a Profitable Trading System with State-of-the-Art Technologies;\u201d Wiley, Hardcover, July 1997<\/p>\n [4] ] John J. Murphy. \u201cIntermarket Analysis: Profiting from Global Market Relationships,\u201d Wiley Trading, 2004<\/p>\n
Net profit: $111,293.00<\/strong>
Trades: 126<\/strong>
Win %: 60%<\/strong>
Average trade: $883.38<\/strong>
Drawdown: $-8,582.00<\/strong>
Profit factor: 2.83<\/strong><\/p>\n
Total # of trades: 141<\/strong>
Percent Profitable: 58.87%<\/strong>
Avg. Trade (win & loss): $592.61<\/strong>
Max intraday drawdown: ($11,722.50)<\/strong>
Profit Factor: 2.03<\/strong><\/p>\n
Total # of trades: 399<\/strong>
Percent Profitable: 60.90%<\/strong>
Avg. Trade (win & loss): $541.06<\/strong>
Max intraday drawdown: ($26,133.36)<\/strong>
Profit Factor: 1.79<\/strong><\/p>\n
Total # of trades: 257<\/strong>
Percent Profitable: 61.87%<\/strong>
Avg. Trade (win & loss): $502.59<\/strong>
Max intraday drawdown: ($26,133.36)<\/strong>
Profit Factor: 1.67<\/strong><\/p>\n
Es fundamentalmente s\u00f3lido, pero no robusto.<\/em><\/p>\n
Bonos del Tesoro, divergencia UTY 8, 18 de par\u00e1metros, muestra que las se\u00f1ales muy rentables pueden seguir siendo ineficaces.<\/em><\/p>\nEl an\u00e1lisis intermercado funciona en una amplia gama de mercados<\/h2>\n
An\u00e1lisis intermercado y aprendizaje autom\u00e1tico<\/h2>\n
Conclusi\u00f3n<\/h2>\n
Referencias<\/h3>\n