Filtro de Kalman Aplicado al Trading de Pares
En la última kedada presenté una aplicación del filtro de Kalman al trading de pares. Para los que no pudisteis asistir, aquí tenéis un resumen de mi ponencia junto con el código en R.
En la última kedada presenté una aplicación del filtro de Kalman al trading de pares. Para los que no pudisteis asistir, aquí tenéis un resumen de mi ponencia junto con el código en R.
En el 10º aniversario de Hispatrading, contamos con un excelente artículo de Ignacio Villalonga en el que presenta una curiosa forma de calcular medias móviles.
El test estadístico Z-Score nos permite determinar si los resultados de un sistema de trading son fruto de la casualidad o si realmente hemos encontrado una ineficiencia de mercado que podemos explotar.
Hispatrading comparte con nosotros un nuevo artículo de Andrés García, en el que nos explica cómo añadir ruido a los precios y usarlo para mejorar los sistemas.
Hispatrading comparte este brillante artículo de Andrés García en el que arroja más luz sobre la aplicación de las simulaciones de Montecarlo en el trading.
En este artículo, Esteban Pérez nos explica qué son las redes neuronales y cómo podemos aprovecharlas en el trading algorítmico.
En la Kedada 19 descubrimos una nueva función objetivo para optimizar nuestras estrategias de trading: el Ulcer Performance Index.
Retomamos la serie sobre técnicas de Machine Learning aplicadas al trading. En esta entrega veremos cómo modelizar relaciones entre variables usando la regresión con Splines.
Seguimos con la serie sobre técnicas de Machine Learning aplicadas al trading. En esta ocasión os explicamos qué es el algoritmo KNN.
Continuamos con la serie sobre técnicas de Machine Learning aplicadas al trading. En esta ocasión os explicamos cómo hacer regresiones Ridge y Lasso.
En este artículo os explicamos qué es la multicolinealidad y cómo podemos reducir el impacto negativo de la utilización repetida de la misma información.
En la serie sobre Machine Learning, revisamos la diferencia entre los Métodos Clásicos y el Deep Learning, y analizamos cuáles son más adecuados en cada caso.