Lecturas olvidadas

[agmageton]

Cualquier herramienta matemática aplicada al trading, es aplicar un método científico, el problema es que ese y cualquier método recae en la subjetividad de quien la aplica y no deja de ser menos científica la herramienta.

No Hermes, hablamos de cosas diferentes, método científico no es una herramienta matemática, una herramienta matemática estaría dentro de la cuantificación tal como lo entiendes.

Un método científico no trata sobre matemática exclusivamente sino del análisis de esa quant mediante la modelización estadística pasando por rigurosas pruebas que da lugar a la evidencia de algún fenómeno que no suponga arbitrariedad.

De hecho 2 trader´s con la misma disposición quant y con el mismo objetivo, mediante el método científico de análisis y pruebas debería llegar a la misma conclusión.

Que es lo que falla? la forma en que se cuantifica...

Supongamos que tenemos 3 individuos, el primer individuo, El Sr A, mide la velocidad y la posición de un vehiculo en carrera por la vista, para ello se ayuda de las manos superponiéndolas entre sí y cuantificando su velocidad y distancia recorrida, esta sobre el km 9 de carrera y va a unos 120KM/HORA.

El individuo Mr. B se ha traído de casa un cronometro y gps, y mide la velocdad del vehiculo a cada paso de recta y calcula la distancia mediante el gps.

El individuo Mr C, ha puesto un dispositivo en el vehículo que le calcula la velocidad actual y la distancia recorrida.

Teniendo este supuesto, podemos decir que el Mr A es un analista técnico de la observación, y que su análisis da lugar a la arbitrariedad si lo comparamos con otro individuo que haga las misma mediciones a su lado. Les faltará información o en este caso cuantificación más exacta, por eso no tendrán el mismo criterio que, al final las conclusiones de uno y otro serán arbitrarias y la mayoría de conclusiones predictivas tendrán un error bastante amplio.

Mr B en este caso es un quant analiza la información desde un fuente más exacta desde su cronometro y un dispositivo gps, para determinar a que velocidad va y que distancia recorre, en este caso el error será menor y en niveles de confianza serán cercanos alejándose del polo de la arbitrariedad.

Mr C es un alta frecuencia que ha puesto el servidor de la cuantificación dentro del coche, por lo que dispone de la mejor información y más exacta, teniendo el nivel de error a la propia naturaleza de la tecnología pero acotando al máximo el nivel de incertidumbre de la mediciones.

Con esto quiero decir que ni una herramienta matemática puede ser un buen cuantificador y mucho menos un método científico, si esa herramienta no significa que tenga una fuente de información idónea. Al final depende de la herramienta que se utilice no estará muy lejos del Sr A haciendo las medidas a ojo y con sus manos como líneas de tendencia en un gráfico.

[agmageton]

jolin tarta, primero había leído el post de Hermes y le había contestado y ahora leo el tuyo y toco un poco lo que tu estas diciendo, pero centrándolo con otro enfoque. Estas totalmente en línea...

Un saludo .

[Hermess]

Holas
agma

Si en eso estamos de acuerdo, en definitiva al cuantificar estamos midiendo pero el problema aquí no es de medida

No veo acertado ese ejemplo porque no se trata de medir, se trata de acertar el próximo movimiento, hablamos de incertidumbre y como ejemplo, ponemos el mismo coche desconocido que esta parado en una rotonda en un cruce con 3 bifurcaciones y tenemos que acertar cual tomara. Aunque miremos el cuentakilómetros, el modelo de coche y la dirección que traía desde el punto de partida, la velocidad media, forma de conducir, dirección , velocidad y temperatura del viento etc.., podemos cuantificar científicamente y crear cientos de modelos que no sirven para acertar la dirección correcta con un margen de error asumible
El problema de fondo no es de medida porque puedes medir muchas variables en el histórico y que no aporten ningún valor predictivo
La forma de cuantificar y que cuantificar no deja de ser arbitraria
Podemos cuantificar de muchas formas. porque yo puedo medir ciertas variables con herramientas matemáticas con mucha exactitud y cometer el error de sentar una base falaz que no siga una lógica en los procesos y que no ataque el problema que intento resolver o aunque ataque el problema no resolver nada.
Por mucho que midamos los datos, si esas mediciones no siguen un proceso y filtrado para resolver el problema, no avanzamos nada, porque si fuera un problema de medida hace mucho que la predicción científica del mercado estaría resuelta .
Vuelvo a lo mismo porque ese es el problema y ahora además de las herramientas incluso las variables:
¿Qué variables y con que herramientas las medimos para que aporten algún valor predictivo en la derecha del grafico de forma objetiva?
Tu respuesta solo puede ser arbitraria porque no existe solo un método científico para predecir la evolución del mercado y aunque no sea un método muy científico puede acertar mas. a ver como comemos eso.

Luego te contesto tartarugap

saludos

[agmageton]

Espera que te estaba preparando una respuesta rápida con ejemplos a lo que menciones, me lleva 10 minutos.

[agmageton]

Esto nos lleva a la siguiente pregunta:

¿ Que herramientas matemáticas al alcance de un trader retail, aportan valor predictivo por si mismas desde una perspectiva objetiva?

Disculpa que intervenga en tu hilo , lo hago para que no sea un monologo por tu parte

Saludos

Agradezco tu participación, e interés, esta pregunta que haces es difícil de contestar, porque requiere de código blanco, en mi caso concreto he desarrollado herramientas desde la descomposición del precio creando un proceso de señal sobre factores ocultos que están ligados con criterios de volatilidad ampliado y factores estructurales de un proceso del tiempo, de ahí extraigo una serie de MEDICIONES Y estudios que utilizo para hacer modelos que unos son contextuales y otros predictivos, y que se pueden ajustan unos con los otros.

Por ejemplo y rompo un poco las entregas de los capítulos que iba a definir en el hilo, pero es para darte un poco de explicación aunque sin revelar código blanco, el modelo que denomino INE-A es un modelo predictor de inercia alcista. Quiere decir que la probabilidad de que el precio tenga inercia alcista que puede ser análogo a tendencia alcista es alta respecto a su nivel de confianza.

Pongo 4 gráficos de ejemplo, el primero y es el que hemos cogido de Base en el capitulo anterior, esta optimizado sobre los valores y estructura de tiempo de este mismo, llamémosle gráfico A, los 3 (B,C, D) siguientes gráficos corresponden a activos muy diferente y sin optimización que vemos como actúa el fenómeno sin tener unos parámetros optimizados por la propia naturaleza de las mediciones y establecemos los mismos parámetros que un activo totalmente diferente este si optimizado, así podemos hacer un primer test del fenómeno antes de entrar en un análisis más amplio.

El primer factor con que nos vamos a encontrar es de estructural temporal, y es que el activo A tiene una estructura de impacto temporal muy bajo en diferencia con los otros activos, y es que uno cotiza prácticamente las 24 horas con ajuste de los creadores de mercado prácticamente anecdótico menos el cierre de fin de semana, y los otros tienen un horario que en estructura temporal no observada impacta de forma clara en el precio y en un activo de forma exponencial de los ejemplos que expongo.
Aun teniendo el problema de la estructura temporal y no estar optimizados sobre la propia naturaleza que nos da el movimiento para optimizar el modelo (las mediciones en este caso se extraen sólo del intradía no observando el cierre de día), el fenómeno del modelo de predicción sigue un tendencia positiva, sin contar que no se ha ajustado ni en ruido y suavización y mucho menos en estructural temporal, cosas que hacen que la predicción sea más débil como así podemos comprobar.

Esto ya nos pone de manifiesto a pesar de las diferencias mencionadas que el fenómeno existe porque sigue un tendencia de resultados y vale la pena hacer una extensa modelización.

Mi propósito no es llegar al final de este proceso porque no mencionando detalles trascendentales no es una buena guía ni lo pretendo, pero si poner en conocimiento que si aun siendo retails y limitados los traders de calle, podemos llegar a conclusiones válidas desde el punto de vista del fenómeno a explotar, que esto nos lleva a extraer ineficiencias y el modo de tratarlas.

Los gráficos se interpretan que cuando aparece la línea azul en el gráfico la posibilidad de inercia alcista es alta respeto a su nivel de confianza, como podemos observar el fenómeno se representa en el activo A optimizado por estructura temporal y suavización de las mediciones por un orden paramétrico, en los siguiente activos se utilizan los mismos parámetros que anterior, esto quiere decir que se esta modelizando el activo con parámetros no correspondientes a su naturaleza tanto de ruido como de extructura temporal para ver la tendencia y el mal comportamiento, sin ningún nivel de confianza modelizado, simplemente miramos como actúa ha pesar que no tiene la correspondiente optimización de su propia naturaleza, debido a que le hemos impuesto unos parámetros no reales.

[agmageton]

Cerrando el capitulo, hago la siguiente consideración, a la hora de procesar señales del precio mediante su descomposición, podemos elaborar potentes modelos tanto predictivos como contextuales, en este hilo he expuesto el modelo VAVA-B que es un modelo contextual de momento ruidoso, también he expuesto el modelo INE-A que es un modelo predictor de inercia alcista, hay modelos de frecuencia como por ejemplo el modelo FRI (frecuencia de ruido inverso) que es un modelo que descompone el ruido a la inversa y que no es predictor de señal pero sí de ajuste de señales, como por ejemplo estamos en una predicción INE-A con contexto VAVA-B y nos hace establecer una rotura de rango objetivo contrario desde unas condiciones favorables de la posición. Hay modelos propios de señal, que tiene en cuenta estos modelos o el modelo en sí ya es percusor de incluir ese procesamiento desde un objetivo establecido que da como consecuencia la señal de posicionamiento.

En resumidas cuentas, la forma en que procesemos la información que nos da el precio,la estructura temporal o el volumen entre otros mediante la descomposición nos pude dar un ventaja tanto cualitativa como cuantitativa a la hora de elaborar modelos de señal. Y tener un entendimiento de porque se produce el fenómeno, como consecuencia de la actuación de los proveedores de liquidez del mercado o como los altas frecuencia aprovechan esa liquidez para nutrir sus algoritmos.

[Hermess]

Holas


Hola tartarugap

Como siempre ,...... es de agradecer tu intervención
Con el tiempo me voy dando cuenta que captas muy bien el significado de la información dentro del contexto .
Exactamente, es como dices, a eso me refería, la interpretación de la información es arbitraria en este contexto y es arbitrario el acto de elegir la información . Podemos modelizar de mil formas diferentes, tomando premisas de partida diferentes, variables diferentes y en escenarios diferentes. La cuestión principal es que se tenga claro que se pretende conseguir con esa información y partir de bases solidas

Las estadísticas solo son números sobre unas variables, dependiendo de como interpretemos esa información formamos nuestro criterio.
Interpretar la información es subjetivo aunque se trasmita a través de un medio objetivo como el lenguaje escrito o matemático porque depende mucho del contexto donde se vierte la información para que tenga significado objetivo o subjetivo, todos no vemos lo mismo, nuestra percepción es única y subjetiva aunque compartamos hechos objetivos por el lenguaje, todos sabemos como es el color rojo pero tiene muchos matices y tonalidades.
Con el ultimo post de agma me aclaro mucho, hasta ese ultimo mensaje yo no comprendía donde quería llegar, ahora que lo aclaro comprendo el significado que el quería darle a la información y estoy de acuerdo en muchas cosas y discrepo en otras.
La búsqueda de ineficiencias por el tratamiento de datos estadísticos que es lo que entiendo que quiso decir, lo hacemos todos porque buscamos patrones que se repitan, solo que cada uno busca diferentes ineficiencias porque les tiene mas confianza y para ello toma las herramientas apropiadas desde su criterio.
A mi me gusta la tendencia y ahí centro el foco.

En este foro algunos tienen la convicción de que su forma de hacer las cosas es la mejor, es respetable, para mi la mejor es la que de resultados y pueda demostrarse, como ejemplo pongo una simple raya en un grafico. Una raya es algo subjetivo, pero si esa raya une dos pivot semanales en máximos o mínimos al mismo nivel distanciados en tiempo, esa simple raya es una potente herramienta que facilita el análisis visual, el cerebro ve por los ojos, interpreta mucho mejor una imagen que unas frases que describan esa imagen, lo hace mas rápido y capta mas información.
La simple raya no da información, facilita tomar información del contexto , ese es su cometido y parece que en este foro hay algunos poco amigos de las rayas, quizá porque no interpretan el contexto.

Un soporte- resistencia, un techo- suelo de mercado se identifica muy bien si le pintas una raya si es lo que quieres transmitir, es mas eficiente y mas rápido que la palabra escrita.

Entramos en terreno pantanoso jejeje si hablamos de estructura técnica y no la presentamos con rayas, quizá haya alguna forma mas fácil y efectiva de hacerlo pero no la conozco.

Sobre lo que dices de los activos es lo mismo, prima la subjetividad de cada uno por mucho que existan modelos con resultados estadísticos, tendemos hacer las cosas desde nuestro criterio, para eso sirve la experiencia individual, para formar nuestro criterio y elegir tomar decisiones propias , eso no significa despreciar la información acumulada en la cultura o estaríamos todavía en las cavernas.

Yo chicharros trabajo poco pero alguno español si se pone a tiro asumo el riesgo
El ejemplo de Ercros es significativo, alta rentabilidad en poco tiempo si sale bien, si lo ves a tiempo cuando se va calentando y ayudan los fundamentales es una opción a tener en cuenta. Hay quien se dedica exclusivamente a trabajar activos poco líquidos, yo prefiero los mas líquidos pero eso es decision de cada uno, sabes que valores meter en cartera y que capital destinarles. Si nos metemos en cuestión de diversificación se puede alargar mucho el debate y llegaremos al mismo punto de partida, que no existe una sola forma de hacerlo, hay miles de formas que dependen del criterio de cada cual.
Sobre lo que dices de los sistemas, prefiero los que permiten cometer muchos errores porque yo soy muy malo y cometo muchos jejeje . La cuestión es que si me equivoco eso ya lo tenia "casi" asumido porque me equivoco muchas veces, siempre piensas que la operación será buena pero planteas el riesgo por si va mal y si es así a joderse y a por otra porque todas no salen bien. Tiendo a mirar a largo plazo porque si no confías en lo que haces a medio-largo plazo, a corto plazo estas en la cuerda floja.

Hay quien prefiere ganar mucho y rápido y otros nos conformamos con menos asumiendo menor riesgo, para eso esta el mercado tan plural donde cada uno puede hacer lo que quiera jejeje , el único limite esta en el montante de la cuenta para que no nos llamen al margen .
Es como plantear que es mejor para operar alta o baja volatilidad, antes me gustaba alta volatilidad y trabajo roturas de volatilidad esporádicamente, pero como el mercado pasa tantos tiempos en trance en baja volatilidad, he tratado de adaptarme y tengo algunas estrategias para baja volatilidad que se ajustan muy bien a mi forma de ser y funcionan relativamente bien, hay que tener mas paciencia pero en todo hay pros y contras, estoy muy cómodo en baja volatilidad.

Respecto a las ventajas, evidentemente donde no operan las maquinas hay mas defensa si es un activo liquido.
Recuerdo una estrategia del foro de elitetrader, un spread entre dos activos que funciono de maravilla por muchos años y cuando las maquinas se metieron arbitrar con esos activos, la ventaja se esfumo porque el riesgo ya no compensa.
El mercado es muy grande y siempre hay oportunidades si se buscan con mucha paciencia.

Como siempre ,........ es un placer leerte
Saludos

[agmageton]

Por qué los sistemas de aprendizaje automático fallan

Una visión interesante de los problemas asociados con los intentos de implementar el aprendizaje automático en el comercio:

Autores: de Prado

Título: Los 7 motivos por los que la mayoría de los fondos de aprendizaje automático fallan

Enlace: https://papers.ssrn.com/sol3/papers.cfm ... id=3031282

Abstracto:

La tasa de fracaso en las finanzas cuantitativas es alta, y particularmente en el aprendizaje financiero de máquinas. Los pocos gerentes que logran acumular una gran cantidad de activos, y ofrecen un rendimiento excepcionalmente consistente a sus inversores. Sin embargo, ese es un resultado raro, por razones que se harán evidentes en esta presentación. En las últimas dos décadas, he visto aparecer y desaparecer muchas caras, las empresas comenzaron y cerraron. En mi experiencia, hay 7 errores críticos subyacentes a la mayoría de esos fracasos.

Citas notables del trabajo de investigación académica:

• En los últimos 20 años, he visto muchas caras nuevas llegar a la industria financiera, solo para irme poco después.
• La tasa de falla es particularmente alta en aprendizaje automático (ML).
• En mi experiencia, las razones se reducen a 7 errores comunes:
1. El paradigma de Sísifo
2. Diferenciación de enteros
3. Muestreo ineficiente
4. etiquetado incorrecto
5. Ponderación de muestras no IID
6. Fuga de validación cruzada
7. Overfitting Backtest


Pitfall # 1:
Las complejidades involucradas en el desarrollo de una verdadera estrategia de inversión son abrumadoras. Incluso si la empresa le proporciona servicios compartidos en esas áreas, usted es como un trabajador de una fábrica de BMW a quien se le ha pedido que construya todo el automóvil solo, utilizando todos los talleres a su alrededor. Se necesita casi el mismo esfuerzo para producir una verdadera estrategia de inversión que para producir cien. Toda firma cuantitativa exitosa de la que soy consciente aplica el paradigma de metaestrategia. Su empresa debe establecer una fábrica de investigación donde las tareas de la línea de ensamblaje se dividen claramente en subtareas, donde la calidad se mide y monitorea independientemente para cada subtarea, donde el rol de cada cuantización es especializarse en una subtarea particular, para convertirse en el mejor está en ello, al tiempo que tiene una visión holística de todo el proceso.


Pitfall # 2:
Para realizar análisis inferenciales, los investigadores deben trabajar con procesos invariables, como los rendimientos de los precios (o los cambios en los precios del logaritmo), los cambios en el rendimiento, los cambios en la volatilidad. Estas operaciones hacen que la serie sea estacionaria, a expensas de eliminar toda la memoria de la serie original. La memoria es la base del poder predictivo del modelo. El dilema es que los retornos son estacionarios, sin embargo, no tienen memoria; y los precios tienen memoria, pero no son estacionarios.


Obstáculo # 3:
La información no llega al mercado a una tasa de entropía constante. El muestreo de datos en intervalos cronológicos significa que el contenido informativo de las observaciones individuales está lejos de ser constante. Un mejor enfoque es muestrear las observaciones como un proceso subordinado de la cantidad de información intercambiada: Barras comerciales. Barras de volumen Barras de dólar. Volatilidad o corre barras. Ordenar barras de desequilibrio. Barras de entropía.


Obstáculo # 4:
Prácticamente todos los documentos de ML en las observaciones de etiquetas financieras utilizan el método del horizonte de tiempo fijo. Existen varias razones para evitar dicho enfoque de etiquetado: las barras de tiempo no exhiben buenas propiedades estadísticas y se aplica el mismo umbral τ independientemente de la volatilidad observada. Hay un par de alternativas mejores, pero incluso estas mejoras omiten una falla clave del método del horizonte de tiempo fijo: el camino seguido por los precios.


Pitfall # 5:
La mayoría de los investigadores de LD no financieros pueden suponer que las observaciones se extraen de los procesos de IID. Por ejemplo, puede obtener muestras de sangre de un gran número de pacientes y medir su colesterol. Por supuesto, varios factores comunes subyacentes cambiarán la media y la desviación estándar de la distribución de colesterol, pero las muestras son aún independientes: hay una observación por sujeto. Supongamos que tomas esas muestras de sangre y alguien en tu laboratorio derrama sangre de cada tubo a los siguientes 9 tubos a su derecha. Ahora necesita determinar las características predictivas del colesterol alto (dieta, ejercicio, edad, etc.), sin saber con certeza el nivel de colesterol de cada paciente. Ese es el desafío equivalente al que nos enfrentamos en ML financiero.
-Las etiquetas se deciden por resultados.
-Los resultados se deciden sobre múltiples observaciones.
- Debido a que las etiquetas se superponen en el tiempo, no podemos estar seguros de qué características observadas causaron un efecto.


Pitfall # 6:
Una razón por la cual el CV k-fold falla en finanzas se debe a que no se puede asumir que las observaciones provienen de un proceso IID. La fuga ocurre cuando el conjunto de entrenamiento contiene información que también aparece en el conjunto de prueba. En presencia de características irrelevantes, la fuga conduce a descubrimientos falsos. Una forma de reducir las fugas es eliminar del conjunto de entrenamiento todas las observaciones cuyas etiquetas se solapan al mismo tiempo que las etiquetas incluidas en el conjunto de pruebas. Yo llamo a este proceso purgar.


Pitfall # 7:
Backtest overfitting debido al dragado de datos. Solución: utilice la relación de Sharpe desinflado: calcula la probabilidad de que la relación de Sharpe (SR) sea estadísticamente significativa, después de controlar el efecto inflacionario de múltiples ensayos, dragado de datos, retornos no normales y longitudes de muestra más cortas.

[agmageton]

Este último articulo tiene cosas muy interesantes que comentar desde la reflexión según mi opinión.

Se necesita casi el mismo esfuerzo para producir una verdadera estrategia de inversión que para producir cien.

Esto es cierto, puedes ponerte en una plataforma un histórico y empezar a darle a las simulaciones y te empezarán a salir sistemas como churros, el problema será el Overfitting Backtest ,en cambio generar las suficientes pruebas de robustez, comprobación y experimentación, que lleva un tiempo muy superior a estar varios meses sacudiendo la plataforma, nos costará lo mismo sacar 1 que 100, pero un vez has sacado una el saber hacer, adjudica una reducción del tiempo empleado.

el paradigma de metaestrategia

Un trader retail es como un hombre orquesta, las áreas que atesora el trading, son variadas, investigación, comprobación, asignación,monitorización, etc etc. al tener tantas áreas que cubrir es necesario tener un buen control de calidad, para delimitar de la mejor forma posible tanto trabajo a desarrollar, lo que nos confiere mayor eficiencia. Los contras, el enorme trabajo que lleva.


La memoria es la base del poder predictivo del modelo. El dilema es que los retornos son estacionarios, sin embargo, no tienen memoria; y los precios tienen memoria, pero no son estacionarios.

Me encanta este comentario, yo lo traduzco de este modo, podemos tener probabilidad de encontrar una señal de memoria del precio con alta probabilidad, por ejemplo un doble techo o un doble suelo, (el precio se acuerda de ese nivel y vuelve a él), pero no podemos asignar con una probabilidad alta el retorno esperado, ya que este no tiene memoria, por lo que estaríamos en probabilidad 50% en el mejor de los casos y con los desvíos de la media podríamos tener fases de DD grandes.
Lo ideal es inferir la memoria del precio con el retorno estacionario del precio, de tal modo que la probabilidad de la memoria del precio este delimitada por la probabilidad estacionaria del retorno del precio.

Un mejor enfoque es muestrear las observaciones como un proceso subordinado de la cantidad de información intercambiada

Esto para mí es muy importante, el precio viene muy desordenado, es deseable emplear una serie de mediciones y muestreo de las observaciones desde el punto de vista del procesamiento de elementos ocultos o resumidos, como la volatilidad, volumen, numero n de barras, etc etc.

Prácticamente todos los documentos de ML en las observaciones de etiquetas financieras utilizan el método del horizonte de tiempo fijo. Existen varias razones para evitar dicho enfoque de etiquetado: las barras de tiempo no exhiben buenas propiedades estadísticas y se aplica el mismo umbral τ independientemente de la volatilidad observada. Hay un par de alternativas mejores, pero incluso estas mejoras omiten una falla clave del método del horizonte de tiempo fijo: el camino seguido por los precios.

Las barras de tiempo no exhiben buenas propiedades estadísticas, esto es significativo, al cambiar de marco temporal en las barras vemos unas cosas en un marco y otras en otros marcos, esto lleva a que estadísticamente tengamos un problema de arbitrariedad, cual es el mejor marco para ese momento?

como puedo no depender de un marco fijo de tiempo y no omitir del camino seguido por el precio?, esta pregunta la dejo sin resolver, a ver si alguien sabe responderla.

-Las etiquetas se deciden por resultados.
-Los resultados se deciden sobre múltiples observaciones.
- Debido a que las etiquetas se superponen en el tiempo, no podemos estar seguros de qué características observadas causaron un efecto.


Asignamos las probabilidades por resultados de por ejemplo la observación de un histórico, tenemos la necesidad de saber porque se produce la señal, para estar seguros que es debido a un efecto del fenómeno del precio y no por causas de ajuste a la curva.

La fuga ocurre cuando el conjunto de entrenamiento contiene información que también aparece en el conjunto de prueba.descubrimientos falsos.proceso purgar


Esto tiene varias lecturas, viendo un histórico, podemos tener presente el sesgo del activo y actuar quizás inconscientemente en una serie de condiciones que estén presentes en ese sesgo, o también podemos incurrir en coger una muestra insuficiente de observaciones, donde estén presentes las circunstancias que hacen el sistema en el fuera de muestra, pero sin ser representativas, por lo que hay que ir más allá y. Hacer un proceso de purga o podemos coger varios activos con muestreo paralelo para ampliar las observaciones fuera de muestra y tener mayor seguridad de no incurrir en una muestra insuficiente, o una muestra corrompida.

Backtest overfitting debido al dragado de datos. Solución: utilice la relación de Sharpe desinflado

Aquí nos presenta una prueba de robustez para no incurrir en el Backtest overfitting , sería bueno comprobarlo, como una herramienta más de robustez, queda pendiente.


saludos.

[agmageton]

La importancia de las estrategias de impulso momento, en un portfolio de sistemas. alfa vs beta...diversificación....

Relacionado con todas las estrategias basadas en el impulso:

Autores: Roncalli

Título: Mantener el impulso

Enlace: https://papers.ssrn.com/sol3/papers.cfm ... id=3083921

Abstracto:

La prima por riesgo de momentum es una de las primas de riesgo alternativas más importantes junto con la prima de riesgo carry. Sin embargo, parece que no siempre se entiende bien. Por ejemplo, ¿es una exposición alfa o beta? ¿Es una prima de riesgo de asimetría o una anomalía de mercado? ¿Persigue un objetivo de rendimiento o un objetivo de cobertura? ¿Cuáles son las diferencias entre las series temporales y el impulso de sección transversal? ¿Cuáles son los principales impulsores de los retornos de impulso? ¿Qué significa cuando decimos que es una estrategia convexa y no cóncava? ¿Por qué la prima de riesgo de momento es un motor diversificador y no una estrategia de retorno absoluto?

El objetivo de este documento es proporcionar respuestas específicas y relevantes a todas estas preguntas. Las respuestas ya se pueden encontrar en el documento técnico "Comprensión de la prima de riesgo Momentum", publicado recientemente por Jusselin et al. (2017). Sin embargo, las matemáticas subyacentes pueden ser desalentadoras para los lectores. Por lo tanto, este documento de discusión presenta los mensajes clave y los conocimientos financieros asociados detrás de estos resultados.

Entre los principales hallazgos, un resultado es de la mayor importancia. La tendencia es diversificarse en los malos tiempos. En los buenos tiempos, las estrategias de seguimiento de tendencias no ofrecen un poder de diversificación significativo. De hecho, son estrategias beta. Esto no es un problema, ya que los inversores no necesitan estar diversificados en todo momento. En particular, no necesitan diversificación en los buenos tiempos, porque no quieren que los rendimientos positivos generados por algunos activos se cancelen por los rendimientos negativos de otros activos. Esta es la razón por la cual la diversificación puede destruir el desempeño de la cartera en los buenos tiempos. Los inversores solo necesitan diversificación en los malos tiempos económicos y en los mercados estresados.

Esta asimetría de diversificación es esencial cuando se invierte en estrategias beta como primas de riesgo alternativas. Por el contrario, esta asimetría de diversificación es irrelevante cuando se invierte en estrategias de rentabilidad absoluta. Sin embargo, sabemos que generar rendimiento con estrategias alfa es mucho más difícil que generar un rendimiento con estrategias beta. Por lo tanto, beta es hermosa, pero Beta convexa es preciosa y escasa. Entre las primas de riesgo, el impulso es una de las pocas estrategias para ofrecer esta asimetría de diversificación. Esta es la razón por la cual invertir en impulso es una decisión de construcción de cartera, y no una búsqueda de alfa.

Citas notables del trabajo de investigación académica:

"Key Takeaways:

El rendimiento de las estrategias de momento depende de tres parámetros principales:
- El valor absoluto de las relaciones de Sharpe
- La matriz de correlación de los retornos de activos
- La duración media móvil para estimar las tendencias

El impulso de la serie de tiempo le gusta los activos con correlación cero. Esta es la razón por la que el impulso de la serie temporal tiene sentido en un marco de múltiples activos.

El impulso de sección transversal le gusta a los activos altamente correlacionados. Esta es la razón por la cual el impulso de la sección transversal tiene sentido dentro de un universo de activos homogéneos, por ejemplo, un universo de acciones que pertenecen a la misma región.

El impulso a corto plazo es más riesgoso que el impulso a largo plazo. Por lo tanto, la dispersión de la sección transversal de los retornos de impulso a corto plazo es más amplia que la dispersión de la sección transversal de los rendimientos de momento a largo plazo.

La relación de Sharpe de impulso a largo plazo es más alta que la relación de Sharpe de impulso a corto plazo.

La elección del estimador del promedio móvil es más crucial para el impulso a corto plazo que para el impulso a largo plazo.

Demasiado apalancamiento puede ser perjudicial para la estrategia, ya que las carteras de impulso no son transformaciones homotéticas con respecto al apalancamiento de la cartera.

El beneficio de una estrategia de seguimiento de tendencias es un perfil de opciones de largo plazo. Por lo tanto, las estrategias de seguimiento de tendencias exhiben una recompensa convexa.

Las carteras de seguimiento de tendencias no son estrategias de retorno absolutas. A largo plazo, las estrategias de seguimiento de tendencias presentan una baja correlación moderada con las clases de activos tradicionales. Sin embargo, es una ilusión debido al promedio a largo plazo, ya que presentan una beta positiva alta o una negativa alta.

La principal motivación de la inversión de impulso es la diversificación, no el rendimiento. La convexidad de las estrategias de seguimiento de tendencias mitiga el riesgo de carteras diversificadas en tiempos difíciles. Esta es la razón por la cual las estrategias de impulso deben ubicarse en segmentos diversificados, y no en categorías de retorno absolutas. Por lo tanto, analizar la relación riesgo / rendimiento de las estrategias de impulso de manera independiente no tiene sentido.

Se deduce que la prima de riesgo por impulso es clave para construir una cartera alternativa de primas de riesgo.

"

[tartarugap]

Agma perdona por me meter en este fantastico hylo que nunca me lo pierdo,

(aun no lei el articulo y lo are mas tarde (este fim de semana quando conseguir un poquito de tiempo)

Pero el estudio dice que en la pratica se tiene que misturar operaciones concavas con convexas cierto?

Exemplo: comprar varios ativos + comprar el "seguro de los ativos (comprar sus PUTS)

[agmageton]

Si tarta convexas seria un sistema tendencial o comprar activos como en tu ejemplo, y cóncavas, sería utilizar estrategias de impulso del momento (que seguro están descorrelacionadas tanto en tiempo como en medida y fiabilidad, con los sistemas tendenciales), vender put´s sería un vehículo para la estrategia de impulso por ejemplo. pero vender put´s por vender no tiene ese significado de la bondad de las estrategias de impulso.

Bueno leyendo lo que has puesto, no es un seguro digamos la diversifición alfa del impulso, el tendencial sería beta porque sigue al mercado, el momento e impulso se suscribe más en la dispersión del momento y la prima de riesgo que los inversores o creadores de mercado están dispuestos a aceptar.

ESto genera que el retorno absoluto venga por parte , por ejemplo de una cartera de acciones en tendencia alcista y las coberturas o riesgo diversificable este a cargo de las estrategias de impulso, por lo que no se evalúan independientemente sino como conjunto de una cartera, a grandes rasgos.

Hace poco en un hilo dije que es importante tener estrategias de pequeño espectro, de impulso con tasas altas de fiabilidad y prima de riesgo aceptable, respecto a sistemas tendenciales, para poder diversificar el riesgo que resulta de un sistema tendencial en su timing, por eso he creído interesante pegar este estudio, que viene a justificar lo que mencione en el otro hilo.

saludos.

[agmageton]

Interesante tabla que muestra los resultados sobre gestores modalidades de estrategia y tipos de activos.

El podium ;

ORO

trading earnings y earnings announcement

PLATA

VOLATILITY PREMIUM Y VOLUME EFFECT

BRONCE

REVERSAL Y ACCRUALS EFFECT Y STOCK PICKING

LA SIGUIENTE TABLE NOS MUESTRA LOS RESULTADOS DE LOS MERCADOS, LA COMPLEJIDAD DE LAS ESTRATEGIAS, LOS ACTIVOS Y LOS PERIODOS DE TIEMPO, TAMBIEN SE PUEDE HACER UN PODIUM.


ABRO ENCUESTA DE CLASIFICAR VUESTRAS ESTRATEGIA EN LA TABLA


AGMATETON = VOLATILITY PREMIUM, STOCK PICKING, VOLATILITY EFFECTS, TREND FOLLOWING, mas o menos...