Experimento 1 RSCORE-120: Demostrando que el Trading es un Sistema de Apuestas con RTP del 98%

[labconket]

Detalles Experimento
Laboratorio de Probabilidades


¿Y si pudiéramos estudiar el trading de una manera diferente?

En lugar de intentar predecir qué hará el precio en la próxima operación, podemos plantear algo mucho más simple:

Tenemos una cantidad determinada para arriesgar.

Tenemos una cantidad que podemos ganar.

Tenemos un Take Profit.

Tenemos un Stop Loss.

Y finalmente tenemos un resultado.

Ganamos o perdemos.

Si repetimos este proceso cientos, miles o incluso millones de veces, podemos comenzar a estudiar algo mucho más interesante: el comportamiento estadístico de un sistema de apuestas.

Ese es el punto de partida del Laboratorio de Probabilidades de Club Trader Global.

Y este es el primer experimento que estamos utilizando para comenzar a construir la base de RSCORE-120.

Antes de continuar: apostar no es lo mismo que jugar al azar
Cuando hablamos de apuestas, muchas personas piensan inmediatamente en azar.

Pero no son exactamente lo mismo.

Una apuesta puede estar basada completamente en azar, pero también puede estar basada en información, análisis, probabilidades, condiciones previamente definidas o una estrategia.

Una máquina tragamonedas es esencialmente un juego de azar.

Una apuesta deportiva, en cambio, puede utilizar información sobre equipos, jugadores, estadísticas, lesiones, localía, rendimiento histórico y muchas otras variables.

La apuesta sigue siendo una apuesta.

Lo que cambia es la información utilizada para tomar la decisión.

Por eso, en este proyecto, apuesta no significa necesariamente azar.

Existen apuestas con diferentes niveles de retorno esperado y diferentes estructuras de riesgo.

Y precisamente eso es lo que queremos estudiar.

¿Qué es el RTP?
RTP significa Return to Player, o Retorno al Jugador.

Es una forma de expresar cuánto retorna un sistema al jugador, en promedio, cuando una determinada apuesta se repite muchas veces.

Por ejemplo, un sistema con un RTP teórico del 90% significa que, a largo plazo, por cada 100 unidades apostadas, el retorno esperado sería de aproximadamente 90 unidades.

Eso no significa que cada jugador reciba exactamente 90.

Un jugador puede ganar mucho más.

Otro puede perder mucho más.

El RTP describe el comportamiento esperado del sistema cuando observamos una gran cantidad de apuestas.

Como referencia conceptual podemos comparar diferentes sistemas:

Apuestas deportivas: aproximadamente 90% de RTP.

Slots: aproximadamente 94% a 96% de RTP.

Trading mediante una futura infraestructura RSCORE-120: objetivo conceptual del 98% de RTP.

Estos porcentajes son referencias para entender el concepto y no significan que todas las apuestas deportivas o todas las tragamonedas tengan exactamente esos valores.

¿Por qué estamos hablando de un 98%?

Esta es una de las preguntas importantes del proyecto.

El 98% está relacionado con los costes de operar.

El modelo que estamos estudiando está relacionado principalmente con instrumentos y estructuras del mercado cripto donde los costes de entrada y salida pueden ser relativamente bajos.

Por ejemplo:

Futuros.

Futuros apalancados.

Mercados donde se utiliza préstamo para operar.

Operaciones spot con una estructura de riesgo definida.

Opciones vanilla.

Dependiendo del exchange, instrumento, volumen, tipo de usuario y condiciones concretas, las comisiones pueden ser bastante pequeñas.

En determinados casos, una operación puede tener una comisión inferior al 0,5% en cada lado.

Es decir, entrar puede costar menos de 0,5% y salir puede costar menos de 0,5%.

En una situación de este tipo, el coste total de entrada y salida podría mantenerse por debajo del 1%.

Para nuestro modelo general queremos utilizar un escenario conservador y llevar ese coste hasta aproximadamente un 2% como caso borde.

De esta manera tenemos una referencia sencilla:

100% de retorno teórico

menos aproximadamente 2% de costes

igual a aproximadamente 98% de retorno.

Por eso el 98% aparece como objetivo conceptual del modelo general.

Pero hay una diferencia importante:

El Experimento 1 todavía no aplica ese coste.

En el Experimento 1 trabajamos con RTP 100%
Para mantener el primer experimento lo más limpio posible, no aplicamos comisiones.

Es decir, en el Experimento 1 tratamos este sistema de apuestas como un modelo con:

RTP teórico: 100%.

Esto es deliberado.

Queremos estudiar primero el comportamiento matemático básico del sistema sin introducir todavía el coste real de las operaciones.

De esta manera podemos separar dos preguntas diferentes.

Primero:

¿Qué ocurre con el sistema cuando no existen costes?

Después:

¿Qué ocurre cuando incorporamos costes reales?

Por eso el 100% corresponde al modelo experimental inicial.

El 98% pertenece al objetivo conceptual que queremos estudiar posteriormente para una infraestructura aplicada a condiciones más cercanas al mercado real.

¿Dónde se pueden realizar estas «apuestas»?

Cuando hablamos de una «apuesta» sobre el precio, no necesariamente necesitamos un producto que se llame apuesta.

Podemos utilizar diferentes instrumentos financieros para construir una posición cuyo resultado dependa de lo que ocurra con el precio.

Por ejemplo:

Futuros apalancados.

Compra de activos utilizando préstamo.

Operaciones spot con una estructura de Stop Loss.

Opciones vanilla.

Cada instrumento tiene sus propias características, costes y riesgos.

Pero desde el nivel de abstracción que estamos utilizando en este laboratorio, podemos observar algo común:

Estamos tomando una posición cuyo resultado depende de un movimiento futuro del precio.

El nombre del instrumento no cambia el concepto
Para entenderlo de una manera sencilla:

«Futuros apalancados» puede representar una apuesta sobre el precio.

«Compra spot con Stop Loss» puede representar una apuesta sobre el precio.

«Compra utilizando un préstamo» puede representar una apuesta sobre el precio.

«Una opción vanilla» puede representar una apuesta sobre el precio.

El instrumento financiero cambia.

La infraestructura matemática que queremos estudiar puede mantenerse.

En todos los casos podemos definir:

Un punto de entrada.

Un riesgo máximo determinado.

Un objetivo.

Una posible ganancia.

Y un resultado final.

Eso es lo que nos interesa.

No el nombre comercial del producto.

Pero hay una diferencia importante
Que podamos representar diferentes instrumentos como una estructura de apuesta no significa que todos tengan exactamente el mismo riesgo.

Un futuro apalancado, una posición spot, una opción vanilla y una operación financiada mediante préstamo tienen características diferentes.

También pueden tener diferentes comisiones, spreads, slippage, funding, vencimientos y condiciones de liquidación.

Por eso el experimento utiliza un modelo simplificado.

Primero queremos estudiar la infraestructura matemática.

Después podremos incorporar las diferencias reales de cada instrumento.

Definiciones del Experimento 1


Ahora podemos definir exactamente cómo funciona la primera prueba.

Estas reglas forman parte del experimento y se mantienen iguales para las operaciones que participan en él.

120 bots disponibles
El experimento cuenta con 120 bots.

Pero no los 120 operan al mismo tiempo.

Cada hora se seleccionan 20 bots.

Esos 20 bots realizan sus respectivas operaciones.

Después continúa el experimento y se genera una nueva selección.

Con el paso del tiempo, el laboratorio acumula una gran cantidad de operaciones.

El objetivo no es observar qué ocurre con un solo bot.

Queremos estudiar qué ocurre con el conjunto.

Operaciones completamente aleatorias
El Experimento 1 no utiliza análisis del precio para decidir la dirección de las operaciones.

No se utilizan tendencias.

No se utilizan soportes.

No se utilizan resistencias.

No se utilizan indicadores.

No se intenta anticipar noticias.

La dirección de la operación es aleatoria.

Esto es deliberado.

Queremos comenzar con un sistema donde eliminamos, en la medida de lo posible, la capacidad de tomar decisiones direccionales y nos concentramos en la estructura matemática de la operación.

En operaciones reales, evidentemente, esto no tiene por qué ser así.

Los experimentos posteriores podrán incorporar diferentes formas de tomar decisiones.

Precio de entrada
Cada operación recibe un precio de entrada calculado a partir del precio de mercado existente en el momento en que la operación es registrada.

La entrada se establece entre un 1,00% y un 2,50% de distancia respecto al precio de mercado de ese momento.

Por lo tanto, la operación no entra necesariamente al precio actual del mercado.

Existe una distancia definida entre el precio registrado y el precio de entrada.

Esta condición forma parte de las reglas del Experimento 1.

Take Profit y Stop Loss
Una vez definido el precio de entrada, la operación tiene dos niveles principales:

Take Profit.

Stop Loss.

La relación riesgo/beneficio es siempre 1 a 1.

Si arriesgamos X, buscamos ganar X.

Por ejemplo:

Riesgo: 100.

Ganancia posible: 100.

Si el precio alcanza primero el Take Profit, la operación gana.

Si alcanza primero el Stop Loss, la operación pierde.

No se utiliza Break Even.

La operación no modifica su riesgo una vez iniciada.

Vida de una operación pendiente
No todas las operaciones necesariamente llegan a ejecutarse.

Por eso existe un tiempo máximo para que una operación pendiente pueda entrar al mercado.

Una operación tiene un ciclo de vida de 10 días para ser ejecutada.

Si durante esos 10 días el precio nunca alcanza el nivel de entrada establecido, la operación se anula.

Esto evita que una operación pueda permanecer indefinidamente esperando una entrada.

Una vez transcurrido el plazo de 10 días, deja de formar parte de las operaciones pendientes del experimento.

¿Qué ocurre si la operación ya entró?

Una vez que la operación alcanza su precio de entrada, comienza su ciclo como operación activa.

A partir de ese momento se aplican las reglas de Take Profit y Stop Loss.

La operación continúa abierta hasta que ocurre uno de los resultados definidos.

Pero también existe un límite máximo.

Si una operación permanece abierta durante 12 días desde su entrada y todavía no ha alcanzado ni el Take Profit ni el Stop Loss, la operación se anula.

De esta manera ninguna operación puede permanecer indefinidamente abierta.

Tenemos entonces dos límites temporales diferentes:

10 días para que una operación pendiente consiga entrar.

12 días de vida máxima una vez ejecutada.

Las operaciones se actualizan cada minuto
Una vez iniciada una operación, su estado se actualiza cada minuto.

El sistema comprueba qué está ocurriendo con el precio y determina si la operación continúa abierta o si ya alcanzó uno de sus objetivos.

Cuando el precio alcanza primero el Take Profit, tenemos una operación ganadora.

Cuando alcanza primero el Stop Loss, tenemos una operación perdedora.

Si transcurren los 12 días de vida máxima sin alcanzar ninguno de los dos niveles, la operación se anula.

Cada resultado pasa a formar parte de los datos del experimento.

¿Por qué utilizamos una cuota 2.00?

Para que el modelo sea fácil de entender desde el punto de vista de las apuestas, utilizamos una cuota de 2.00.

Pero hay que entender bien qué significa.

No estamos diciendo que una operación de trading sea literalmente una apuesta deportiva.

Estamos utilizando el concepto de cuota como una representación sencilla de nuestra relación riesgo/beneficio.

Una cuota 2.00 representa una estructura donde el beneficio posible equivale al riesgo asumido.

Por eso todas las operaciones del experimento mantienen un riesgo/beneficio de 1 a 1.

El mercado utilizado
El Experimento 1 trabaja únicamente con criptomonedas.

No utilizamos acciones, índices ni otros mercados.

Trabajamos con un grupo determinado de activos, entre ellos:

Bitcoin.

Ethereum.

Solana.

XRP.

Chainlink.

Esto permite mantener definido el universo de activos utilizado durante el experimento.

¿Qué esperamos que ocurra?


Aquí aparece una de las partes más interesantes.

Tenemos operaciones aleatorias y una relación riesgo/beneficio de 1 a 1.

Además, en este primer experimento no aplicamos comisiones.

Nuestra hipótesis inicial es que, a largo plazo, el sistema debería aproximarse al equilibrio.

No queremos decir que cada bot vaya a terminar exactamente en cero.

Eso sería imposible.

Algunos tendrán más operaciones ganadoras.

Otros tendrán más operaciones perdedoras.

Algunos tendrán rachas positivas.

Otros tendrán rachas negativas.

Pero cuando aumenta considerablemente la cantidad de operaciones, esperamos que el comportamiento general tienda hacia un equilibrio.

En términos simples:

No buscamos una ventaja.

No buscamos una pérdida.

Buscamos observar qué ocurre cuando repetimos un sistema de apuestas aleatorio con una estructura perfectamente equilibrada.

¿Y si los bots pierden dinero?

Supongamos que después de miles de operaciones observamos que muchos bots terminan perdiendo.

Y que el conjunto presenta una pérdida significativa.

Eso sería un resultado negativo para nuestra hipótesis inicial.

Y debemos considerarlo como un posible fallo del experimento.

Pero hay que entender qué significa «fallar».

No significa que el trading haya fracasado.

Significa que la estructura matemática que estamos probando no produjo el comportamiento esperado.

Tendríamos que investigar por qué.

¿La distancia de entrada introduce algún sesgo?

¿La duración máxima de las operaciones afecta el resultado?

¿El comportamiento del mercado modifica la distribución?

¿Existe alguna característica que no estamos considerando?

Un fallo también genera información.

¿Y qué pasa si hay muchos ganadores?


Este escenario sería todavía más interesante.

Supongamos que las operaciones son realmente aleatorias, pero después de una gran cantidad de operaciones encontramos muchos bots con resultados positivos.

Incluso podríamos encontrar que el conjunto presenta una rentabilidad positiva.

¿Sería un éxito?

No necesariamente.

También podría considerarse un fallo del Experimento 1.

Porque el experimento fue diseñado para crear una referencia de equilibrio.

Si aparece una ventaja positiva inesperada, tenemos que descubrir de dónde salió.

¿Existe un sesgo?

¿Existe alguna característica del mercado que no estamos considerando?

¿La distancia entre el precio actual y la entrada está produciendo algún efecto?

¿Existe un comportamiento estadístico que todavía no entendemos?

¿O hemos encontrado algo que realmente puede convertirse en una ventaja matemática?

Ese sería un fallo muy interesante.

Porque nos obligaría a investigar.

El objetivo no es ganar
Esto es probablemente lo más importante del Experimento 1.

Los bots no están diseñados para ganar dinero.

Tampoco están diseñados para perderlo.

Están diseñados para generar datos.

Queremos crear un escenario donde tengamos muchos bots tomando decisiones aleatorias y observar qué ocurre cuando todos utilizan la misma estructura de gestión de riesgo.

Si después de miles de operaciones el conjunto se aproxima al equilibrio, tendremos una primera referencia importante.

Si pierde demasiado, tendremos que investigar por qué.

Si gana demasiado, también tendremos que investigar por qué.

En los tres casos obtenemos información.

El precio no es el protagonista
En operaciones reales, las decisiones no tienen por qué ser aleatorias.

Un operador puede utilizar análisis técnico, fundamental, tendencias, volumen, volatilidad y muchas otras fuentes de información.

El Experimento 1 no intenta representar eso.

Estamos haciendo deliberadamente algo artificial.

Queremos quitar el análisis del precio de la ecuación.

Queremos observar qué ocurre cuando una estructura de riesgo/beneficio se repite muchas veces.

Después podremos introducir información.

Y ahí comenzará otra etapa del laboratorio.

De la gestión de riesgo a RSCORE-120

El objetivo de RSCORE-120 es construir una infraestructura matemática orientada a las decisiones de riesgo y beneficio.

No queremos que sea simplemente otro indicador que diga:

«Compra.»

«Vende.»

«Bitcoin subirá.»

«Bitcoin bajará.»

Ese no es el objetivo.

Queremos estudiar la estructura que existe detrás de cada decisión.

Cuánto arriesgamos.

Cuánto podemos ganar.

Qué retorno esperamos.

Qué ocurre cuando repetimos la operación.

Cómo se comporta el riesgo.

Y cómo podemos medir todo eso.

El Experimento 1 es el primer ladrillo de esa construcción.

¿El 98% siempre estuvo ahí?

Y aquí aparece una de las preguntas más interesantes del proyecto.

Si después de todos estos experimentos conseguimos demostrar que una infraestructura basada en RSCORE-120 puede trabajar alrededor de un RTP del 98%…

¿Ese retorno siempre estuvo presente?

¿RSCORE-120 simplemente consigue revelarlo y medirlo?

¿O RSCORE-120 está creando artificialmente ese comportamiento mediante su propia estructura de gestión del riesgo?

Todavía no lo sabemos.

Y precisamente por eso estamos experimentando.

¿Qué ocurre si no funciona?
También debemos estar preparados para esta posibilidad.

¿Qué pasa si muchos bots pierden?

¿Qué pasa si el conjunto nunca consigue acercarse al equilibrio?

¿Qué pasa si el comportamiento se aleja demasiado de lo esperado?

Eso también sería un resultado.

Podría significar que nuestra hipótesis inicial era incorrecta.

Podría significar que la infraestructura necesita modificaciones.

Podría significar que existe alguna variable que todavía no estamos considerando.

«Fallar» no significa simplemente perder dinero.

En un experimento, fallar significa que el comportamiento observado no coincide con la hipótesis que queríamos estudiar.

Y descubrir eso también tiene valor.

El comienzo de RSCORE-120
Todavía estamos al principio.

El Experimento 1 trabaja con una hipótesis muy básica:

¿Qué ocurre cuando ponemos a operar un gran conjunto de bots de manera aleatoria, utilizando una estructura de riesgo/beneficio 1 a 1 y sin aplicar comisiones?

Primero queremos observar ese comportamiento.

Después podremos incorporar nuevas variables.

Podremos comparar azar contra estrategia.

Podremos estudiar diferentes condiciones.

Podremos analizar qué ocurre cuando introducimos información sobre el mercado.

Y podremos comenzar a determinar qué elementos realmente deberían formar parte de RSCORE-120.

El proceso es sencillo:

Primero experimentamos.

Después acumulamos datos.

Luego analizamos.

Después formulamos nuevas hipótesis.

Y finalmente construimos la métrica.

El Experimento 1 es el punto de partida.

120 bots.

20 seleccionados cada hora.

Operaciones aleatorias.

Entrada entre 1,00% y 2,50% de distancia del precio de mercado al momento de registrar la operación.

Riesgo/beneficio 1 a 1.

Cuota 2.00.

Take Profit.

Stop Loss.

Sin Break Even.

10 días para conseguir la entrada.

12 días de vida máxima una vez ejecutada.

Actualización cada minuto.

RTP experimental del 100%, sin comisiones.

Mercado de criptomonedas.

Y una hipótesis muy concreta:

Si eliminamos la capacidad de analizar el precio y dejamos solamente una estructura de gestión de riesgo, ¿podemos conseguir que el sistema se comporte de manera estable y cercana al equilibrio?

Y si después incorporamos una infraestructura matemática como RSCORE-120, ¿podremos llevar ese modelo hacia un sistema con un RTP cercano al 98% en condiciones más cercanas al mercado real?

Todavía no tenemos la respuesta.

Por eso estamos haciendo el experimento.

[Fercho]

a ver si entendí, es como que compran un profolio de entradas y salidas, si la media de rendimientos sube o baja de cero (esperanza de un el flip coin), "algo explotable" (signal) hay

Creo que si el mercado cripto sube, ese porfolio de entradas y salidas también (si la marea sube, todos los barcos flotan), y si baja lo contrario... mejor comprar un ETF que replique el índice cripto y ya está... y mejor aún que eso: analizar el histórico de ese índice de criptos, calcularle el promedio anual histórico, y entrar cuando esté por debajo (preferiblemente un crack), o vender cuando esté por encima (burbujeao)

aunque shortear tiene el costo de pérdidas infinitas por eso Warren se queda cash en las burbujas, "no hacer nada es la mayor parte del tiempo el mejor negocio"

A su vez, en ningún momento dice explícitamente "long" y "short", ni confirma que sea 50/50 entre comprar y vender.

Dicho de otro modo: la ambigüedad del texto original es justamente el tipo de cosa que haría sospechar que el "experimento" está mal planteado (o al menos mal explicado) antes de sacar ninguna conclusión sobre si hay "señal" o no.

[labconket]

Sí, entiendo tu punto, y justamente ahí nos faltó aclarar algo importante en el texto.

Los bots no forman un portafolio que esté simplemente "comprado" en el mercado. Cada operación tiene una probabilidad de 50% de ser LONG y 50% de ser SHORT.

Es decir, si Bitcoin sube, las operaciones LONG se benefician y las SHORT se perjudican. Si Bitcoin baja, ocurre lo contrario.

No estamos intentando que todos los bots sigan la tendencia del mercado. Al contrario: en este primer experimento queremos eliminar deliberadamente esa decisión y repartir LONG/SHORT al azar.


Por ejemplo, 100 operaciones podrían terminar siendo 52 LONG y 48 SHORT; en otra muestra podrían ser 47 LONG y 53 SHORT. A medida que aumentan las operaciones, esperamos que la distribución tienda hacia 50/50.


Por eso el experimento no busca demostrar simplemente que "si el mercado sube, el portafolio sube". Queremos ver qué ocurre cuando tienes muchas operaciones, con la misma gestión de riesgo 1:1, pero sin saber previamente si cada una será LONG o SHORT.

Y si aun bajo esas condiciones aparece una desviación importante del equilibrio, ahí es donde empieza lo interesante: tenemos que investigar por qué ocurrió y si existe realmente algún fenómeno explotable.