Cada vez más gestores quant se animan a salir de su guarida y contarnos en exclusiva en X-Trader.net cómo es su trabajo y de qué forma ven el trading. Ese es el caso de José Suárez-Lledó, asesor del fondo de inversión Gestión Boutique VIII Global Gradient y co-fundador de BQuant Finance junto con Gerard Sánchez, que se suma a las de otras joyas que hemos tenido por aquí, como las de Quant Beckman o Alejandro Rodríguez. Pero dejemos los preliminares y vayamos al lío.
X-Trader (XT): Ante todo, muchas gracias por concedernos esta entrevista, generalmente no tenemos a muchos traders quant institucionales que quieran contar al gran público como es su trabajo.
Lo primero todo, la presentación de rigor. ¿Quién es José Suárez-Lledó y por qué te da por meterte en esto de los mercados financieros?
José Suárez-Lledó (JS): Muchas gracias a vosotros por ofrecerme esta oportunidad. Intentaré ser conciso y en cualquier caso quedo a disposición de la gente para profundizar en cualquier aspecto.
Soy una mezcla de lo que los anglosajones llaman un académico y un practitioner. Inicialmente vengo del mundo académico, hice el doctorado en Economía en EE.UU. (University of Pennsylvania, Philadelphia), que era una Top 10 y donde estudiaron personajes como Elon Musk, Warren Buffet, Donald Trump, Eric Weinstein o Paula Reid. En esa época colaboré con investigadores de la Fed de Atlanta en el desarrollo de modelos de dinámica y política económica.
Tras tres años en investigación académica me pasé al lado practitioner, incorporándome a Moody’s Analytics en Londres (que es una de las dos ramas de Moody’s, la otra es la agencia de calificación), que era la rama de consultoría analítica. Allí fui director y nuestra labor se desarrollaba en proyectos de consultoría con entidades financieras grandes y medianas del mercado EMEA (Europe, Middle East, Africa) y parte de EE.UU. Estas entidades podían ser bancos, fondos de inversión, fondos de pensiones, aseguradoras… y nuestro trabajo abarcaba desde el desarrollo de modelos y metodología hasta la comunicación de todo ello en conferencias por casi todo el mundo.
A la vuelta a España, trabajé varios años en Caixabank, en los departamentos de Planificación de Capital y de Investigación. Daba apoyo directo al consejo y a varias áreas del banco con proyecciones macroeconómicas y análisis de mercados financieros. Tras esta época decidí volver a la consultoría analítica desde una compañía que termina comprando BCG Gamma. Y en ese momento ya decido dar el salto y dedicarme de lleno al proyecto del fondo de inversión, en el que empezamos a trabajar a final de 2016.
Y me meto a ello principalmente porque era lo que más me atraía y motivaba ya desde la época del doctorado (donde me centré en modelos que asociaban variables macroeconómicas y de mercado con precios de activos financieros), pero con más fuerza desde la época de Moody’s Analytics, donde ver las aplicaciones prácticas en proyectos con fondos de inversión, fondos de pensiones y departamentos de mercados de bancos, me terminó de abrir los ojos.
A lo largo de estas etapas voy viendo el potencial de modelos no lineales (como los de Machine Learning, pero también otros) y de los datos transversales (series temporales y multitud de activos y variables de tipos distintos) para modelar mercados financieros.
XT: Aunque seguramente muchos de nuestros lectores ya lo sepan, actualmente trabajas como asesor del fondo de inversión Gestion Boutique VIII Global Gradient. ¿Cómo es el día a día de un trader quant institucional? ¿Cuánto tiempo dedicas a desarrollar y a supervisar la ejecución de las estrategias? ¿Cómo son los algoritmos que utilizas para operar en los mercados?
JS: El día a día con el fondo básicamente se distribuye aproximadamente de la siguiente manera: un 35% en ejecución de las estrategias, supervisión de la evolución (que incluye cosas como mantener las bases de datos, mejorar/corregir aspectos de las estrategias, gestionar entradas/salidas de capital, asuntos que te piden desde la gestora, problemas que puedan surgir con la operativa o asuntos con el regulador, etc.); un 35% en desarrollo de nuevos modelos/estrategias que puedan complementar bien o mejorar las presentes (aquí van cosas como la construcción de nuevas bases de datos, investigación de nuevos modelos/ideas, backtestearlos, etc.); y otro 30% en comunicación (es decir, contenido o análisis para redes sociales, atención a clientes, reuniones con entidades, etc.)
En cuanto a los algoritmos que utilizamos en el fondo, yo divido las estrategias en dos tipos o finalidades: las de selección de oportunidades y las de gestión del riesgo. Para selección de oportunidades (activos) utilizamos sobre todo algoritmos de Machine Learning, principalmente de clustering y supervisados como k-NN, Random Forest, XGBoost y redes neuronales LSTM (también estamos trabajando ahora en Reinforcement Learning).
Y para la parte de gestión del riesgo, parte vienen de Machine Learning (para la asignación de capital) y parte de la estadística y probabilidad, para la gestión de los drawdowns y liquidez.
XT: Sin lugar a duda, en tu trabajo la calidad de los datos resulta fundamental. ¿Cómo y de dónde obtienes los datos que usas para desarrollar estrategias? ¿Manejas ticks, velas intradía, datos diarios? ¿Utilizas transformaciones del precio (ie, renko)?
JS: Así es, la calidad es fundamental, pero más aún que los datos puedan ser informativos. Es decir, la cosa va de smart data más que de big data. Aquí veréis que somos bastante poco convencionales porque de entrada buena parte de las variables que usamos están en frecuencia mensual.
Obviamente usamos precios, que pueden estar en diario o mayor frecuencia si quieres (y de hecho utilizamos series diarias para algunos cálculos intermedio o de apoyo), pero: (a) queríamos beber de tres de las grandes fuentes de datos (macro, técnico, fundamental) y muchas variables macro te vienen en mensual; y (b) para nuestro caso en particular de inversor institucional pequeño, que va a tener dificultades serias para competir a alta frecuencia (por estructura del mercado pero también por estructura de la gestora), y por las características de los modelos y datos, creímos más aconsejable jugar en baja frecuencia. Así que una base del proyecto era intentar generar alfa a baja frecuencia.
XT: ¿En qué mercados y productos operas habitualmente?
JS: Nada exótico, en los principales mercados, buscando fluidez de operativa, así que EE.UU. y Europa. En EE.UU. van las operaciones de acciones americanas y ETFs, aunque estos ETFs sean de emergentes o de materias primas o de REITs globales, pero ejecutamos los ETFs sobre esos temas en mercados americanos.
Y para las acciones europeas los mercados principales de aquí. Cuando nos posicionamos en acciones nórdicas (Dinamarca, Suecia, Noruega, Finlandia) las hacemos en esos mercados también. Pero en general nos centramos en EE.UU. y Europa, no operamos fuera de ahí.
XT: Cuéntanos un poco acerca de tu equipo y el software que utilizas, tanto para el desarrollo de sistemas como para su ejecución.
JS: La composición del equipo ha tenido su evolución temporal también. Al inicio estábamos principalmente dos personas. Yo me encargué de desarrollar 70%-80% de los modelos, el código y la base de datos, y el restante fue de su parte. Actualmente estoy fundamentalmente yo encima del día a día, y me apoyo en una Fintech especializada de Madrid (Collisio Technologies). Aunque siempre voy teniendo también la ayuda de alumnos destacados de los Masters en Finanzas donde doy asignaturas (Esade, Pompeu-Fabra).
El software que utilizamos es sobre todo Python. Algún desarrollo inicial que aún utilizamos está en R, pero el resto es Python. Y cuando necesitamos correr pruebas de más envergadura utilizamos ordenadores en la nube, en AWS (Amazon Web Services).
XT: ¿Cómo le explicarías tu forma de desarrollar estrategias de trading a alguien que no sabe nada de Machine Learning?
JS: Bueno, el proceso de desarrollo de estrategias diría que es similar en lo fundamental al de cualquier otro tipo de estrategias cuantitativas, y creo que se puede equiparar mucho a la construcción de un coche de carreras o de un equipo de fútbol.
Tú empiezas con tu idea en el taller para un nuevo motor y diseño aerodinámico… o en la pizarra de entrenador con una nueva idea para ser más efectivo marcando goles. Pero una cosa es que te funcione todo en el taller o en la pizarra, y otra que lo haga en la realidad. ¿Y qué puedes hacer para que haya correlación entre ambas? Testear el coche en diferentes condiciones climáticas y de asfalto, o haciendo entrenar al equipo las jugadas hasta que salgan bien. Lo mismo en inversión. Empiezas con una idea, buscas los datos con los que mejor puedas testearla y buscas el modelo que mejor pueda reflejar esa idea, lo testeas, y finalmente lo implementas de la manera que mejor se adapte.
¿Posibles diferencias que pueda haber con otros métodos o disciplinas? Quizás que yo no juego con una sola posición o con un número de posiciones muy limitado que va cada una con su estrategia. En mi caso, divido la cartera del fondo en varios segmentos, y cada segmento es una cartera que se gestiona con un modelo distinto. Esos modelos buscan que haya cierta diversificación entre esos segmentos, bien por la exposición geográfica, o por la exposición a distintos activos…
Por otro lado, la validación de los modelos quizás tiene elementos distintos, como algunas técnicas de cross-validation, o dimensiones distintas (al tener en cuenta las características estadísticas propias de un conjunto de activos en lugar de una sola posición). La optimización de las estrategias no sólo tiene en cuenta la calibración de parámetros habituales o que dependan de los datos en sí (como las betas de una regresión lineal), sino que tienes que calibrar también los hiperparámetros. Este tipo de parámetros determinan la arquitectura del modelo. Por ejemplo la arquitectura de una red neuronal puede ser menos compleja (menos neuronas o menos capas de neuronas) o más compleja. Y cuanto más compleja, más posibilidad de sobreajuste. Y en este aspecto del sobreajuste, las características de los modelos que tienes que tener en cuenta para no sobreajustar, quizá son más numerosas o más compleja su interacción que en otros modelos. En la búsqueda de estos hyperparámetros óptimos entran técnicas distintas también. Por ejemplo, la estimación de la función a optimizar puede involucrar técnicas (como la estimación bayesiana) que no son necesarias en otros contextos.
Además, en este tipo de modelos el tiempo de computación suele ser algo muy relevante. Por darte contexto, para desarrollar un backtest completo de una de las estrategias (modelo XGBoost o Random Forest) con un par de ordenadores necesitaríamos uno 8-10 días.
XT: ¿Cuáles son tus algoritmos de Machine Learning favoritos? ¿Prefieres aprendizaje supervisado, no supervisado, metalearners…? ¿Utilizas Adversarial Machine Learning?
JS: Aquí me gusta distinguir entre mis preferidos y los factibles. Es decir, los que más me gustan pueden ser más complejos o más intelectualmente difíciles. Por ejemplo, Graph Neural Networks o Reinforcement Learning. Pero puede ser que alguno de estos modelos no se pueda implementar con ciertas garantías, y a veces pueden funcionar mejor modelos menos «atractivos», como Random Forests.
Más que preferir supervisado sobre no supervisado o al revés, veo que cada campo tiene su utilidad en resolución de problemas distintos. Al final es buscar el modelo más apropiado para el problema que tienes que resolver o el objetivo a alcanzar. Nosotros utilizamos ambos, por ejemplo técnicas de clustering encaminadas a estimar regímenes de mercado, o Principal Component Analysis (PCA) para identificar activos con drivers comunes. Por ahora no hemos tenido tiempo de explorar métodos propios del Adversarial Machine Learning, pero hay otras técnicas para estresar los modelos y ver dónde pueden ser más vulnerables.
XT: ¿Cuáles son tus features favoritas cuando arrancas el diseño de una estrategia?
JS: Intento no tener favoritos, no sea que inconscientemente quiera introducirlos en los modelos aunque no tengan significancia estadística. Pero sí intento siempre que los modelos jueguen con esos tres grandes tipos de datos: macroeconómicos, técnicos y fundamentales.
XT: ¿Cuáles serían las estadísticas de un sistema ideal? O dicho de otro modo, ¿qué parámetros y métricas te hacen decantarte por uno u otro sistema?
JS: Quizá con frecuencia mensual no es sencillo combinar gran cantidad de métricas para elaborar una evaluación de un modelo, no lo sé. Pero no solemos utilizar muchas, ni tampoco nada complejo. Ponemos más importancia en las fases previas a ese momento de calcular métricas de calidad de un sistema. Solemos mirar la consistencia del output o predicción (que preferimos que sea probabilístico), o la precisión, el Log loss, etc. Al combinarlas puedes por ejemplo crear scores ponderando esas métricas, que te ayuden a rankear candidatos.
XT: ¿Cómo controlas el riesgo en tu operativa? ¿Qué mecanismos de control tienes implementados para evitar que pasen cosas que no deben pasar con los algoritmos que has desarrollado?
JS: Tenemos dos capas principales para controlar el riesgo: la asignación de capital y el control de drawdowns. En la asignación de capital se busca distribuir pesos dentro de cada segmento y entre segmentos, de manera que no concentremos riesgo en ninguna posición concreta ni en grupos de posiciones. Para ello empleamos métodos de la familia del Hierarchical Risk Parity, que adaptamos a nuestras necesidades.
Para el control de los drawdowns desarrollamos nuestros propios métodos probabilísticos, donde analizamos la distribución de drawdowns de cada activo para determinar umbrales. Cuando las posiciones pasan esos umbrales vamos recortando exposición con stop de pérdidas.
XT: ¿Utilizas algoritmos de gestión monetaria? ¿Cuáles utilizas habitualmente?
JS: Principalmente los probabilísticos descritos justo arriba. Además de ello tenemos un modelo que estima la probabilidad de dirección y régimen del mercado para ayudar a determinar la liquidez de cada momento.
XT: ¿Cómo realizas la diversificación de tu portfolio? ¿Utilizas técnicas de Machine Learning para determinar los pesos de cada inversión y/o algoritmo?
JS: Es lo que te comentaba anteriormente: distribuimos los pesos dentro de cada segmento y entre segmentos, de manera que no concentremos riesgo en ninguna posición concreta ni en grupos de posiciones.
XT: De forma recurrente se suele plantear un debate en algunas comunidades de traders acerca de las dudas que suscita la aplicación del Machine Learning para desarrollar estrategias de trading. En particular, se comenta que las técnicas de Machine Learning podrían no servir para predecir el comportamiento del precio por cuanto no existen patrones realmente en las series de cotizaciones, debido al elevado nivel de ruido presente en ellas. ¿Qué opinas al respecto?
JS: Es cierto que los datos financieros suelen tener más ruido que los datos que habitualmente sirven para entrenar algoritmos de ML (fotografías, imágenes, audio, texto, etc). Pero para ello se han desarrollado también técnicas específicas que tienen en cuenta este tipo de datos. Como sabéis Marcos López de Prado, entre otros, tiene contenido sobre ello.
Sobre que no existan patrones en las series…. Aquí hay varias dimensiones: por un lado, no hay que limitarse necesariamente a series de cotizaciones, los modelos pueden enriquecerse muchas veces con otro tipo de series, que ayuden a disminuir ese ruido. Por otro lado, uno puede pensar que si hay suficiente volumen de inversores utilizando sistemas similares o modelando aspectos similares, u operando activos con métodos similares, esto debería dar lugar a algún tipo de generalización
Pero sobre todo, creo que lo fundamental aquí es que si las series tienen un nivel de ruido suficiente como para hacer difícil su predicción numérica, entonces quizá puede ser más apropiada la predicción probabilística o categórica. Es decir, en vez de intentar predecir el retorno o precio exacto de un activo, voy a intentar predecir la probabilidad del movimiento de ese activo. Y lo importante aquí es no intentar acertar siempre, sino lo «suficiente». Nosotros pensamos que esto es más asequible con métodos probabilísticos.
XT: ¿Qué te parecen los builders como Strategy Quant, Expert Advisor Studio o Alphadvisor? ¿Perversión del data science aplicado al trading o herramientas que facilitan encontrar nuevas ideas de trading?
JS: No los conozco mucho. No tengo una opinión sólida, pero a priori me parecería que todo lo que automatice este tipo de métodos tiene probabilidad de caer en el overfitting, o de no tener un edge, o incluso de ambos. En cualquier caso yo iría con cuidado y analizando críticamente lo que me ofrezcan. Algunos puntos a tener en cuenta:
Si su negocio es el volumen (que mucha gente utilice sus modelos o versiones de ellos), habrá mucha gente utilizando cada tipo de modelo… ¿Tendrán entonces un edge?
¿Pueden ofrecer modelos que realmente ataquen problemas específicos de manera específica? ¿O son modelos «al por mayor», versiones generales, que no sean por tanto capaces de capturar lo que se busca?
Muchas veces, plataformas similares ofrecen un número limitado de modelos y puedes jugar con multitud de combinaciones de parámetros de esos modelos, simplemente apretando botones. Pero esto está sujeto a overfitting y spurious discovery of false positives, como dicen López de Prado y Bailey, y otros.
En general, mi impresión es que automatizar la construcción de modelos tan complejos como los de Machine Learning (u otros) sin la sensibilidad de la información sobre el problema que intentas resolver, es un riesgo. Pero además muchas de estas herramientas no te ofrecen la posibilidad de hacer backtest o de hacerlos por períodos muy limitados y sin controlar todos los aspectos importantes del backtest.
En fin, podría mencionar más aspectos con los que tener cuidado, pero por no alargarnos: en general, iría con cuidado con estas herramientas.
XT: ¿Qué le dirías a un trader que opera de forma discrecional y no quiere saber nada de Machine Learning? Y ya puestos, ¿crees que las técnicas de Machine Learning llegarán a igualar la intuición del trader discrecional?
JS: Bueno en general veo el Machine Learning como una caja de herramientas particular dentro de un mundo con muchas otras posibles cajas de herramientas. No es obligatorio usar una de ellas. Si tu método no es el Machine Learning y te funciona bien, no creo que haya mucho más que decir.
Sobre el Machine Learning y el reemplazo de la intuición, no creo que yo tenga capacidad de pronosticar la evolución del Machine Learning en los próximos años, pero se puede decir que al menos hoy por hoy muchos de los expertos coinciden en que lo que mayor probabilidad tiene de funcionar es el equipo entre hombre y máquina, más que cualquiera de los dos por separado.
Creo que hay elementos de la creatividad y el razonamiento humano que el Machine Learning o la Inteligencia Artificial tardarán tiempo en igualar o superar (si es que lo llegan a hacer), y en ese tiempo utilizar la Inteligencia Artificial como herramienta de productividad puede ser una apuesta ganadora. Pero vaya, como en su día hubo otros avances tecnológicos: quien supo apoyarse en ellos, pudo progresar más rápido.
XT: Otro proyecto que has fundado, junto con Gerard Sánchez, es BQuant, desde donde ofrecéis formación en métodos cuantitativos para el análisis de mercado y el desarrollo de estrategias de inversión. ¿Cómo le explicarías a un trader novato que necesita esta formación?
JS: Bueno, sin conocer la situación de cada trader es difícil saber si este programa es lo que más le conviene. Pero la idea surge por dos motivos principales:
Durante años de actividad profesional o de actividad docente (en varios de los mejores Masters en Finanzas de Europa por ejemplo), hemos ido desarrollando contenido muy aplicado a la vez que riguroso intelectual y profesionalmente, que en muchos casos no se imparte en los programas comunes de universidades.
En este período, también hemos ido encontrándonos con muchos casos que tenían dificultades en el mercado laboral por falta de formación cuantitativa o en programación en los programas que habían hecho.
Así que la idea de BQuant estaba clara: por un lado, ofrecer contenido que no se encuentra en los cursos habituales en las plataformas habituales (donde por ejemplo en la oferta más seria te llevan sólo al 30% o 40% de desarrollo de la estrategia/método o del código, nosotros lo llevamos al 70%-80%-90%); y, por otro, tanto a través del contenido como de la comunidad, ayudar a que la gente esté mejor preparada para el mercado laboral o a que puedan tener mejores garantías al desarrollar sus propios métodos.
Me dejo muchos aspectos donde BQuant se diferencia de casi toda la oferta que hay ahí fuera, pero podéis ir a nuestra web (bquantfinance.com) para profundizar. Sólo diré que parte del contenido de BQuant lo seguimos dando en una o dos asignaturas que impartimos Gerard y yo en los masters de Finanzas de Esade, Pompeu-Fabra, Navarra…y próximamente en IESE, donde haremos una versión más reducida y cualitativa del contenido.
XT: Desde tu perspectiva como trader quant, ¿qué es lo que más te gusta del trading? ¿Y lo que menos?
JS: Con lo que más he disfrutado siempre es con el proceso de investigación y desarrollo de métodos nuevos (o mejora de los existentes), esa parte de resolución de problemas (problem solving) engancha mucho.
Lo que menos me gusta… La regulación y la falta de tecnología. Todos los problemas que surgen de la excesiva regulación. Por ejemplo, recientemente ha salido casi 1 millón del fondo porque CNMV nos considera fondo de fondos porque puedo invertir hasta un 20% de la cartera en ETFs, que ni si quiera son fondos, y muchos institucionales no pueden invertir en fondos de fondos. Pero como este ha habido muchos otros obstáculos en estos más de 4 años.
Otra cuestión es por qué las gestoras no pueden acomodar determinado tipo de operativa, o de productos. Al final te pueden limitar mucho (hace un par de años la gestora cambió de entidad depositaria para el fondo, y por problemas técnicos estuvimos unos tres meses ¡sin poder operar!).
En fin, y como estas tengo decenas de anécdotas, que son obstáculos que un trader particular, o que funcione con otro tipo de vehículos, no va a tener porque siempre tendrá más flexibilidad.
XT: ¿Qué opinas del impacto de la psicología en el trading?
JS: Poco realmente, porque me parece que no hay mucho que debatir: que tiene un impacto real y que hay que minimizar con método y disciplina. Si existe algún caso en que alguien tenga la habilidad de convertir esa psicología en retornos, entonces ok, no minimices eso. Pero si no…..
XT: Todo trader se ha arruinado alguna vez o ha pasado por un momento realmente difícil, en el que ha estado a punto de perder hasta la camisa. Cuéntanos alguna buena “batallita” que hayas visto de este tipo en el mundillo institucional.
JS: Bueno, en mi caso particular limito mucho el riesgo asumido con las técnicas comentadas antes (además del filtrado inicial de datos con los que también reduces riesgo asumido), con lo que no he tenido grandes sustos.
Sí que me ha pasado por ejemplo estar en drawdowns más prolongados que lo visto en las pruebas. De hecho ahora mismo estamos en uno de ellos, básicamente por estar un mercado también muy poco habitual como el de 2023-2024. Es lo que yo llamo «mercado iceberg», donde sólo suben unos pocos valores y el resto sufre. En este entorno, las estrategias del fondo lo pasan peor y estamos trabajando en corregir eso.
A nivel institucional se conocen casos (que no mencionaré por respeto) de algunas SICAVs o fondos que han perdido más del 50% o 60% de su NAV y han terminado cerrando. Esto se ha hecho sin que los partícipes hayan perdido más de esa magnitud, porque a nivel institucional también es cierto que es más difícil perder un porcentaje elevado teniendo al regulador encima vigilando para que no se llegue a situaciones extremas.
Pero además de lo comentado, puede haber situaciones como la que nos involucró a todos los fondos que estábamos en Esfera Capital, gestora con la que empezó el fondo en marzo de 2020. Tras el terremoto en los mercados que supuso el Covid en aquel año, muchas entidades tuvieron problemas, y la otra rama de Esfera (la agencia de valores) tuvo dificultades con su gestión de riesgo (creo recordar por los derivados) y la SGIIC donde estaban nuestros fondos llegó a un acuerdo con AndBank para desvincularse de la compañía y pasar a formar parte de AndBank Wealth Management. Esto a su vez se llevó por delante a algún fondo, que no pudo asumir el tipo de operativa que nos pidieron mientras se llevaba a cabo la transición.
En fin, hay historias por ahí, algunas que involucran también negociaciones «políticas» entre entidades y CNMV, pero por ahora lo dejaremos ahí :).
XT: ¿Cuáles son tus películas y libros de trading favoritos?
JS: Bueno, tampoco es un género que trabaje mucho, pero recuerdo que me gustaron películas o documentales como Inside Job, Margin Call, The Big Short… Creo que dan cierta perspectiva sobre el funcionamiento de los mercados, técnica e institucionalmente. En cuanto a libros, pues os dejo una lista con algunos que encontré bastante entretenidos e ilustrativos:
XT: ¿Qué proyectos tienes para el futuro inmediato?
JS: Algunos que me motivan especialmente son las mejoras que estamos trabajando para el modelo de Neural Nets que tenemos para el fondo y en desarrollar uno de Reinforcement Learning. También seguir desarrollando BQuant, con una sección de charlas con gente de la industria para que se conozca mejor su funcionamiento y oportunidades.
Por supuesto estamos preparando más contenido para la web (nuevos cursos y ampliación de los existentes). Y por último, pero no menos importante, estamos desarrollando un motor de análisis y predicción de fondos de inversión para bancas privadas y EAFIs. No puedo hablar mucho más, pero va a ser muy diferenciador, si conseguimos desarrollarlo a tiempo.
XT: Danos una recomendación especial para los lectores de X-Trader.net. Ya sabes, ese pequeño truco que poca gente conoce y que nos puede ahorrar muchas horas de investigación.
Tus pensamientos finales sobre el trading y la despedida de rigor.
Más que un truco que poca gente conozca, probablemente estas son cosas a las que se presta poca atención, pero que pueden ahorrar mucho tiempo igualmente:
Encuentra cuanto antes tu estilo de inversión y trabaja en él. Antes de ello hará falta algo de formación, sí, sobre todo acerca de lo que no funciona en ese campo en el que te sumerjas.
Está bien formarse lo suficiente y conocer lo que se hace ahí fuera y estar al día, pero intentad no leer demasiado y poneos lo antes posible a intentar cosas, a trabajar en ideas. Por un lado, uno podría estar años antes de terminar de estudiar todo lo que hay sobre un campo (pero esta es la tentación de mucha gente, que tras leer cantidad de recursos, sigue pensando que aún no sabe suficiente y no se lanza). Pero además, leer demasiado condiciona tu creatividad
Desarrolla un método sólido y la disciplina para no salirte de él. En los libros de Market Wizards de Jack Schwager parece haber bastante consenso entre traders y gestores en que muchos de los errores más importantes se cometen al salirte de tu método o romper la disciplina. Esto parece obvio, pero es muy fácil caer en la tentación cuando estás en el fragor de la batalla, sobre todo cuando estás perdiendo dinero. Y arreglar esos errores cuesta tiempo también.
Conoce bien cómo funciona de verdad el mercado, para no desarrollar estrategias que no vayan a funcionar de inicio. Por ejemplo, el ex trader de Goldman Sachs, Anton Kreil, y otros sostienen que los particulares e institucionales pequeños no tienen muchas oportunidades en la alta y relativamente alta frecuencia, donde los grandes se llevan el retorno antes. Conoce el comportamiento de las asset classes y de los diferentes mercados.
En fin, espero que con todo esto hasta aquí haya suficiente material y quedo a disposición de quien quiera ampliar más. Dejad que os agradezca enormemente la oportunidad de escribir aquí y de haber pasado un buen rato reflexionando y aprendiendo. ¡Muchas gracias Alberto!
XT: Mil gracias a ti José por contarnos cómo es tu trabajo y por compartir tus insights con nosotros.
