Los algoritmos son una excelente forma de invertir sin que los sentimientos se apoderen de nosotros. Una de las mayores desventajas del trading, es que las emociones como el pánico o el entusiasmo excesivo, pueden ser desencadenantes de grandes errores. Cuando empleamos cálculos matemáticos o automatizados, podemos descartar los sentimientos. A continuación algunas de las mejores técnicas de trading cuantitativo.
Algoritmos basados en libros de órdenes.
Existen diversas formas de conocer las órdenes que se ejecutan en el mercado o las que están pendientes por ejecutar. En la economía blockchain son públicas y fáciles de extraer, para más tarde hacer análisis o estrategias, en relación a esas órdenes. En cambio, cuando se trata del mercado de valores, estas órdenes no siempre son públicas. Existen empresas que se dedican a vender esa información a inversores y brokers. Como por ejemplo Bloomberg o LSEG Data & Analytics, que venden este servicio, entre otros.
Las fuentes con las que se adquieren estos datos, pueden llegar a ser de gran difícil acceso. Este tipo de algoritmos, basados en el libro de órdenes, empleados en el trading algorítmico y finanzas cuantitativas, pueden llegar a costar millones de dólares y los desarrolladores que los hacen, obtienen grandes salarios. También existen técnicas tramposas para manipular los libros de órdenes, como por ejemplo el Spoofing o la simulación de falsas tendencias. Asimismo, se pueden llevar a cabo, otras estrategias menos éticas como la identificación de patrones de otros inversores o bots, con la finalidad de copiar sus estrategias o invertir en contra de ellos, gracias a la ingeniería inversa o retroingeniería.
Un ejemplo de la ventaja de disponer de esta información, podría ser la capacidad de hacer una gran venta dividida en varias partes, teniendo en cuenta los datos del libro de órdenes, para que afecte lo menos posible al valor del activo. Levantando menos sospechas sobre el volumen de negociación.
Para el trading de alta frecuencia, también se emplea la información del libro de órdenes, aprovechando pequeños cambios en el precio, encontrando momentos para hacer arbitraje y más estrategias basadas en la liquidez del mercado de valores.
Cálculos basados en reversiones medias.
Cuando se calcula la reversión media, lo que se busca es detectar un determinado cambio en el precio medio. Tras detectar ese cambio, en ciertas ocasiones se buscan estrategias que se basan en que el precio volverá a una situación más cercana a la media o predecir cambios en el precio. Algunos cálculos para hallar la reversión media:
- Media móvil simple: se calcula el promedio de los precios de un activo, en un periodo de tiempo en concreto.
- Media móvil exponencial: similar a la media móvil simple, pero dando una mayor importancia a los precios de periodos más cercanos.
- Desviación estándar: mide la dispersión de los precios respecto a la media móvil.
- Algoritmos con IA: basados en Machine Learning o Deep Learning. Para determinar cuando un precio no está en su media y hacer predicciones de precios.
- Basados en Bandas Bollinger: empleando una combinación la media móvil y la desviación estándar.
Algoritmos de cálculo estocástico.
El cálculo estocástico forma parte de una rama de las matemáticas, que se emplean para trabajar con sistemas aleatorios. Esta rama se estudia en las principales universidades de finanzas, en especial en las que buscan enseñar sobre finanzas cuantitativas. Ya que a la hora de hacer predicciones con derivados, se ha demostrado que son eficaces e incluso se han premiado a los sabios que lo hicieron público por primera vez. Algo que me apasiona y me resulta muy interesante, es que seguramente existan un montón de técnicas matemáticas para hacer predicciones, que no nunca salgan a la luz. Es por eso que pienso, que a pesar de que esto se haya sido público, no significa que existan miles de cálculos y algoritmos privados, que sean eficaces en el mundo del trading algorítmico.
Las matemáticas que usan cálculo estocástico también pueden emplearse en otras ramas como la biología, en el desarrollo de Inteligencia Artificial o en la física, incluso Albert Einstein en el año 1905, fue pionero en su aplicación en la física. No obstante, el primer uso conocido del cálculo estocástico, fue para las ramas de las finanzas, gracias a Louis Bachelier, que publicó en su tesis llamada: La teoría de la especulación (Está en francés).
Análisis de Series Temporales.
Simplemente, se buscan patrones que están relacionados con la temporalidad, como por ejemplo la estacionalidad de las cosechas, las tendencias en ciertos periodos, los ciclos o los eventos periódicos en general. Sin comerse mucho la cabeza, puedo compartir algunos activos de forma improvisada, podrían ser las acciones de Amazon en navidades o las materias primas relacionadas con la agricultura.
Se pueden usar infinidad de fórmulas matemáticas para esto, como podrían ser las descomposiciones estacionales o árboles de clasificación, entre muchas otras técnicas. Con una técnica de descomposición se puede analizar la tendencia, la estacionalidad y los residuos. Sin complicarse tanto la vida, también se pueden calcular los porcentajes de los rendimientos y hacer una comparación.
El modelo SARIMA (Seasonal Autoregressive Integrated Moving Average) se emplea para hacer predicciones de series temporales y factores estacionales. Sirviendo para analizar las fluctuaciones estacionales de ciertos valores. Por ejemplo, aplicando este algoritmo a un negocio hotelero, podríamos calcular en qué momentos se está en temporada alta.
Series temporales con Prophet (Código)
Meta ha desarrollado su propia librería para hacer predicciones de series temporales. Esta tecnología se puede emplear para comercios que tienen ventas muy estacionales, para la bolsa de valores, meteorología y más casos que incluyan temporalidad.
import io, os, sys, setuptools, tokenize
!pip install prophet
import pandas as pd
import yfinance as yf
from prophet import Prophet
import matplotlib.pyplot as plt
# Descargar datos de precios de acciones
ticker = 'AAPL'
data = yf.download(ticker, start='2020-01-01', end='2024-08-26')
# Preparar los datos para Prophet
data.reset_index(inplace=True)
data = data[['Date', 'Close']]
data.columns = ['ds', 'y']
# Asegurarse de que la columna 'ds' no tenga información de zona horaria
data['ds'] = data['ds'].dt.tz_localize(None)
# Crear y ajustar el modelo Prophet
model = Prophet()
model.fit(data)
# Crear un dataframe para los próximos 30 días
future = model.make_future_dataframe(periods=30)
# Hacer pronósticos
forecast = model.predict(future)
# Visualizar los pronósticos
fig = model.plot(forecast)
plt.title(f'Pronóstico de Precios de Acciones de {ticker} para los Próximos 60 Días')
plt.xlabel('Fecha')
plt.ylabel('Precio en USD')
plt.show()
# Mostrar los pronósticos
print(forecast[['ds', 'yhat', 'yhat_lower', 'yhat_upper']].tail(60))
He probado este código con las acciones de Apple y ha tenido una efectividad bastante grande. Puede que haya sido casualidad, pero me ha sorprendido.
Volumen Relativo (RVOL).
Compara el volumen actual, con volúmenes de periodos anteriores. Cuando este cálculo sube, indica que hay más liquidez de lo normal, en torno a ese valor y esto significa que podría subir de precio, por causas como que “ballenas” estén comprando en los últimos días, ya que los grandes inversores que emplean mucho volumen, suelen disponer de información privilegiada o mejores herramientas de predicción. Se pueden seleccionar diversos periodos, como por ejemplo, la comparación con periodos de 30 o 60 días.
Hacer predicciones en relación al nivel de volumen, no siempre es acertado. Sin embargo, de forma personal puedo afirmar que cuando el volumen sube mucho, generalmente sube el precio del activo en cuestión. Es importante anticiparse y el volumen es una buena forma de hacerlo.
No necesariamente hay que emplear este algoritmo o indicador, se pueden hacer otros cálculos basados en estadística o en Machine Learning, que tengan el volumen con factor de análisis. Lo que quiero transmitir, es que es importante fijarse en el volumen y de ahí, crear nuestros propios algoritmos.
Algoritmos de Pairs Trading (Correlaciones)
Una de las formas con las que más dinero he ganado con el trading y mayor tasa de aciertos he tenido, es jugando con las correlaciones. Por ejemplo, si hay un día que Bitcoin sube mucho, con un pequeño retraso, suben las acciones de Coinbase o de MicroStrategy de forma general. No es una broma esto, se pueden llegar a ganar cantidades muy jugosas en un solo día, con las que poder comprar caprichos. Si se tiene la fortaleza mental como para hacer Swing trading, los beneficios pueden llegar a ser impresionantes.
Las correlaciones son fáciles de calcular, no hacen falta cálculos avanzados. En Python se emplea la librería de NumPy. Los inversores que están en el mercado de divisas, también suelen hacerlo con los países que tienen mucha riqueza en materias primas. Si por ejemplo un día sube mucho el oro o el petróleo, lo normal es que los países con muchas mineras o yacimientos, lo vean reflejado en sus respectivas divisas. Incluso acciones mineras o petrolíferas, aunque esto no siempre se cumpla. Si empleamos algoritmos para hacer correlaciones, podemos ir midiendo las correlaciones según las franjas del tiempo y también detectarlas de una forma más rápida o automatizada.
Las acciones de una empresa, pueden estar correlacionadas con otras acciones. Esto puede suceder porque una de ellas, posea un gran porcentaje de acciones de la otra o porque tengan intereses comunes.
¿Puede el trading cuantitativo ganar a los índices?
Sí, son varios los inversores famosos que han conseguido ganar en rendimiento a los principales índices como el SP500 o el Nasdaq. Uno de los más famosos, ha sido Jim Simons, con su fondo llamado Medallion (Renaissance Technologies), logrando una media de un 60% de rentabilidad anual. En vez de contratar a economistas y contables, empleaba a matemáticos y expertos en estadística. Por desgracia, este fondo está cerrado para los inversores “retail” o particulares, por lo que la gente común no puede aprovecharse de estos grandes beneficios.
Jim Simons era un matemático de alto nivel de origen judío, que había sido descifrador de códigos en la época de la Guerra Fría. Más tarde trabajó como profesor de matemáticas, en las universidades más prestigiosas, como Harvard o el MIT, entre otras. Recibió premios por descubrir importantes teorías sobre las aplicaciones de la geometría, que han servido para el desarrollo de la física cuántica y Teoría de Cuerdas. Después de todo, a finales de los 70, decidió montar su propia empresa de inversión (Renaissance Technologies LLC).
¿Cómo trabajar en finanzas cuantitativas?
Antes de pensar en qué estudiar para trabajar en trading cuantitativo, hay que conocer que existen diferentes roles dentro de esta rama laboral. Los roles más populares son: trader cuantitativo en Front Office (Ejecutan operaciones en primera línea); los Researcher que investigan la elaboración de nuevas estrategias; los Developers, que elaboran el software para realizar las operaciones, el análisis de datos y demás funciones; los gestores de riesgos que emplean el análisis cuantitativo, los gestores de carteras y los validadores de modelos de estrategias cuantitativas. Sin olvidarse del papel que ejercen los profesores en las mejores universidades de finanzas, siendo algunas de ellas muy caras y selectas.
Dependiendo de cada rol, se requerirá de estudiar una cosa u otra. Generalmente es necesario aprender inglés, con un nivel C1, estar graduado con unos estudios con altos conocimientos de matemáticas y estadística, además de tener especializaciones para el sector financiero y el dominio de lenguajes de programación, como Python, R o C++.
También existe la opción de trabajar por cuenta propia, como desarrollador de sistemas automatizados, profesor particular, en cuentas de fondeo o sacando rendimiento al capital privado de forma directa.
Herramientas y tecnologías para trading cuantitativo.
Algunas herramientas nos pueden ayudar a mejorar nuestra eficiencia, compatibilidad y productividad.
Lenguajes de programación.
- C++: es utilizado en el trading de alta frecuencia y trading algorítmico. Este lenguaje es muy rápido. La velocidad puede llegar a ser muy importante en determinadas estrategias. Aunque sean milisegundos.
- Python y R: son lenguajes muy empleados y compatibles con las matemáticas, análisis de datos e Inteligencia Artificial. En estos momentos Python es el lenguaje más usado del mundo, a nivel de backend (Arquitectura interna).
- Bases de datos: tanto SQL como NoSQL, son esenciales para algunas estrategias.
Plataformas y utilidades.
- Anaconda: es una suite que nos proporciona una mayor compatibilidad con algunas librerías y herramientas, cuando queremos ejecutar programas en Python o R. En especial para funciones de Análisis de Datos y usos científicos. Su gestor de paquetes (Conda) es verdaderamente útil, dando menos problemas a la hora de instalar librerías conflictivas.
- Claude, ChatGPT y Copilot: existen muy buenas opiniones de Claude, por parte de gente que está muy metido en el mundo de las finanzas cuantitativas. Estas herramientas de IA, ahorran mucho tiempo en la parte de desarrollo.
- Visual Studio: es un IDE para desarrollo de software, con gran compatibilidad de plugins y lenguajes de programación.
- Excel: se sigue utilizando en la industria financiera y corporativa. Sigue siendo de gran utilidad y posee nuevas mejoras.
- MetaTrader: software para hacer trading, que es compatible con algoritmos automatizados y con lenguaje de programación propio (MQL).
Terminal de Bloomberg.
Con un coste de $25.000 anuales aprox. Es la herramienta más empleada en el mundo de las inversiones. Digamos que es la máquina de trabajo de los principales empresas y bancos de inversión. Ofrece infinidad de utilidades, desde mandar órdenes, acceder a datos e información exclusiva, obtener notificaciones y calendarios importantes, hasta chatear con otros profesionales del sector o incluso reservar plaza en un restaurante.
Mi opinión personal.
Mi opinión particular sobre el trading cuantitativo y su aplicación en las estrategias de inversión, no es positiva del todo. Ya que no hay que olvidar, que otras modalidades más simples también pueden ofrecer grandes beneficios, como las que comparte Warren Buffet. No obstante, también soy un friki del desarrollo de software y la filosofía, por lo que me parece un mundo muy interesante. Ya que puede llegar a ser muy enriquecedor a nivel personal. ¿Qué tiene que ver la filosofía en todo esto? Filósofos como Pitágoras o René Descartes, buscaban el sentido de la vida en las matemáticas.