Más señales alcistas por Sentimentrader

• Un modelo de tendencia compuesto para el índice S&P 500 equal-weighted o de igual ponderación subió hasta una puntuación de diez, sobre diez.
• Cambios similares condujeron a resultados sobresalientes para el índice que asigna la misma ponderación a cada acción del índice.
• El índice S&P 500 con igual ponderación superó a la versión ponderada por capitalización en todos los horizontes temporales.

Es un mercado de acciones, no un mercado de valores.

El último trimestre de 2023 fue testigo de un aumento notable en la mayoría de las acciones, lo que generó múltiples señales de amplitud que apuntaban hacia una participación generalizada. En consecuencia, un modelo compuesto que evalúa diez indicadores de seguimiento de tendencias para el índice S&P 500 de igual ponderación utilizando datos mensuales subió al nivel más alto posible,

Ahora que los indicadores de tendencia internos y externos coinciden, la probabilidad de que la tendencia alcista cíclica que comenzó en octubre de 2022 se sostenga parece aun más probable. Con los vientos de cola a nuestro favor, los traders e inversores deberían concentrarse en identificar los sectores, industrias y acciones más fuertes utilizando un concepto simple pero eficaz como el de fuerza relativa.

Lo que nos dice el estudio

El mercado está sobrecomprado y el sentimiento es optimista, una condición típicamente asociada con los mercados alcistas. Después de nueve semanas consecutivas de subidas en el índice más seguido del mundo, no sería sorprendente que se produjera una consolidación que reajustara las expectativas de los inversores. Nada sube en línea recta. Desde una perspectiva general, la amplitud y las tendencias de precios en todas las capitalizaciones de mercado y metodologías de construcción de índices parecen tan buenas como desde 2021. Teniendo esto en cuenta, los inversores deberían mantener la idea de comprar en las caídas hasta nuevo aviso.

Otro año viendo el peligro por Dr. Ed Yardeni

La loca década de 2020 ha sido, hasta ahora, salvaje. Durante 2020, todos tuvimos que lidiar con la primera ola del Covid. Durante 2021, tuvimos que lidiar con otra ola o dos de Covid. Durante 2022, Rusia invadió Ucrania, la inflación se disparó y la recesión más esperada de todos los tiempos siguió siendo ampliamente anticipada.

Durante 2023, la misma historia se desarrolló durante la mayor parte del año, pero con algunas adiciones: la guerra de Gaza ha estado en pleno apogeo desde el 7 de octubre de 2023. China cayó en una recesión y amenazó repetidamente con invadir Taiwán. Y, por supuesto, algunos criticaron la política de la Fed por ser demasiado laxa durante la pandemia y luego demasiado estricta (o no lo suficientemente estricta) cuando las tasas de interés se dispararon 500 puntos básicos o más, alimentando temores de una inflación persistente y una recesión. Hubo una diferencia importante entre 2022 y 2023: la inflación se moderó significativamente durante el último año, lo que aumentó las expectativas de que la Reserva Federal había terminado con el ajuste y que lo flexibilizaría este año.

Sin embargo, durante esos cuatro años peligrosos, el S&P 500 avanzó un 47,6% desde finales de 2019 hasta finales de 2023 (Fig. 1). Actualmente, los inversores parecen estar despreocupados. Su mantra parece ser: «No tenemos nada que temer excepto al mismo miedo». El año pasado terminó con un estallido de optimismo entre los inversores bursátiles que desencadenó un poderoso repunte (Fig. 2). (Nuestro mantra en tiempos sin preocupaciones como ahora es: «No tenemos nada que temer, pero nada que temer»).

A principios del año pasado, se esperaba ampliamente que el mercado de valores permanecería en un mercado bajista durante la primera mitad del año y se recuperase durante la segunda mitad. Al menos esa fue la opinión mayoritaria de los principales estrategas de inversión de Wall Street. Sucedió lo contrario: el S&P 500 repuntó durante el primer semestre un 19,5%, cayó en una corrección del 10,3% del 31 de julio al 27 de octubre, después terminamos el año con una ganancia total del 24,2%. Cuando casi había alcanzado nuestro objetivo de fin de año de 4.600 el 31 de julio, llegamos a la conclusión de que durante el resto del año el repunte podría detenerse por un tiempo.

Este año, no nos sorprendería que el S&P 500 se estanque durante la primera mitad del año y luego suba a 5400 a finales de año.

Éstos son algunos de los peligros claros y presentes que estaremos monitoreando en los próximos días:

(1) Discurso duro de la Reserva Federal. Lo más probable es que los funcionarios de la Fed comiencen el nuevo año tratando de reducir las expectativas de recortes de tasas este año. A finales del año pasado, el rendimiento de los futuros sobre la tasa de fondos federales a 12 meses bajó al 3,95% (Fig. 3). Eso implica cinco recortes de 25 puntos básicos en la tasa de los fondos federales para finales de este año. El Resumen de Proyecciones Económicas de diciembre del FOMC implicó tres reducciones de este tipo.

Los repuntes de acciones y bonos desde finales de octubre podrían haber descartado una política monetaria más flexible este año de la que probablemente implementarán los funcionarios de la Fed. Eso es incluso si la tasa de inflación cae a su objetivo del 2,0% antes de lo previsto (Gráfico 4). Seguirán dependiendo de los datos. En nuestra opinión, mientras la tasa de desempleo se mantenga por debajo del 4,0%, es probable que posterguen la flexibilización. Esto se debe a que su peor pesadilla sería un repunte de la inflación.

Los ciclos de flexibilización de la Fed son más pronunciados durante las recesiones. No esperamos una recesión este año ni que la Reserva Federal tenga que flexibilizar significativamente su política para evitar una recesión. La tasa de los fondos federales está inversamente correlacionada con la tasa de desempleo, que esperamos que se mantenga por debajo del 4,0% al menos durante el primer semestre de este año (Gráfico 5). Si la inflación continúa cayendo hacia el objetivo del 2,0% de la Reserva Federal y la tasa de desempleo aumenta por encima del 4,2%, entonces es probable que se aplique una política de flexibilización más agresiva.

(2) La parálisis partidista y el mercado de bonos. Una preocupación más inmediata para los inversores probablemente sea una mayor parálisis partidista en el Congreso. Republicanos y demócratas pueden ponerse de acuerdo en cada vez menos cuestiones. También existe un partidismo paralizante dentro de cada uno de los dos partidos. Las dos (o más) partes deben ponerse de acuerdo sobre los objetivos de gasto para 2024 en las próximas semanas. Los conservadores republicanos insisten en que no aceptarán gastar legislación y ayuda militar a Ucrania e Israel sin la aprobación de un importante proyecto de ley de reforma migratoria.

Mientras tanto, nosotros (junto con otros economistas de los mercados financieros) seguiremos el crecimiento del déficit federal, impulsado por los crecientes pagos de intereses sobre la deuda federal (Fig. 6). Todos los participantes del mercado estarán atentos a los resultados de las subastas del Tesoro para ver si la oferta de notas y bonos del Tesoro supera a la demanda, lo que resultará en otro retroceso en los rendimientos como el que ocurrió de agosto a octubre del año pasado.

Cuando Janet Yellen fue presidenta de la Reserva Federal de 2014 a 2018, a menudo nos referíamos a ella como el “Hada Madrina del Mercado de Valores”. Notamos que los precios de las acciones tendieron a subir después de sus discursos y testimonios sobre la economía. Ha sido secretaria del Tesoro desde 2021. Quizás comencemos a llamarla el “Hada Madrina del mercado de bonos”.

Esto se debe a que el repunte del mercado de bonos a finales del año pasado lo provocó el anuncio del Tesoro del 1 de noviembre de que se recaudaría menos en los mercados de pagarés y bonos y más en el mercado de letras para financiar los déficits del gobierno. De hecho, durante los últimos 12 meses hasta noviembre, el aumento neto de las letras del Tesoro frente a los pagarés más bonos fue de 1,9 billones de dólares frente a 0,4 billones de dólares (gráfico 7). Esperemos que la varita mágica de Yellen siga funcionando.

(3) Guerra de Medio Oriente. La guerra de Gaza parece estar convirtiéndose en una guerra regional. El último incidente ocurrió el domingo por la mañana, cuando militantes hutíes de Yemen, en cuatro pequeñas embarcaciones, se acercaron al Maersk Hangzhou, de propiedad danesa y con bandera de Singapur, e intercambiaron disparos con un equipo de seguridad a bordo. Después de que los militantes dispararon contra helicópteros estadounidenses que respondieron a una llamada de socorro del barco, los helicópteros respondieron al fuego, hundiendo tres de los cuatro barcos hutíes y matando a sus tripulantes. Irán respondió enviando un buque de guerra al Mar Rojo.

Hasta ahora, el conflicto y las crecientes tensiones en Oriente Medio no han tenido impacto en el precio del petróleo, que ha estado débil desde el otoño pasado (Gráfico 8). La oferta sigue siendo amplia, mientras que la demanda sigue siendo débil en China y Europa porque ambos están en recesión.

(4) China y Taiwán. El índice de gestores de compras (PMI) de China cayó a 49,0 en diciembre desde 49,4 el mes anterior, según mostró el domingo una encuesta oficial de fábricas (Fig. 9). El subíndice de nuevos pedidos se situó en 48,7, contrayéndose por tercer mes. La débil demanda externa siguió siendo un lastre importante para la actividad fabril, y el índice de nuevos pedidos de exportación registró 45,8 en diciembre, contrayéndose por noveno mes consecutivo. El subíndice de precios en fábrica se situó en 47,7, contrayéndose por tercer mes consecutivo, lo que se suma a los signos de deflación y presión sobre las ganancias empresariales. El PMI oficial no manufacturero, que incluye servicios y construcción, subió a 50,4 desde 50,2 en noviembre, respaldado por una recuperación en el vasto sector de servicios.

Una economía débil debería hacer que el gobierno de China postergue cualquier invasión planeada a Taiwán. Sin embargo, el presidente chino Xi Jinping prometió el domingo la “reunificación” de Beijing con Taiwán en su discurso de fin de año, pocas semanas antes de que la isla autónoma celebre elecciones.

¿Qué viene después de un buen año en el mercado de valores? por Ben Carlson

Los años malos en el mercado de valores suelen ir seguidos de años buenos (pero no siempre):

La pregunta obvia es: ¿Qué sucede después de los buenos años? ¿O con qué frecuencia vemos años buenos seguidos de años buenos?

Hay, por supuesto, años malos que siguen a los años buenos, al igual que hay años buenos que siguen a los años malos. Aquí están todos los años de caídas después de un año ascendente de dos dígitos desde 1928 para el S&P 500:

Esto sucedió en tan solo 2022 después del año de estallido en 2021.

La psicología humana hace que muchos de nosotros nos preocupemos constantemente de que algo malo tenga que suceder después de que algo bueno suceda.

Las ganancias no pueden durar.

Todas las buenas noticias tienen un precio.

Las acciones tienen un precio perfecto, etc, etc, etc.

Ese podría ser el caso en esta ocasión. Tal vez el mercado se haya adelantado a sí mismo. Tal vez las acciones ya han valorado un aterrizaje suave y múltiples recortes de tasas de la Reserva Federal en 2024.

Los buenos tiempos nunca duran para siempre, por lo que es razonable que los inversores consideren los riesgos a la baja después de que las cosas vayan bien.

También es importante recordar que los buenos momentos pueden durar más de lo que crees.

Es difícil imaginar que el mercado de valores podría dar seguimiento a 2023 con otro gran año teniendo en cuenta que el S&P 500 ganó más del 26 % el año pasado.

Pero los buenos años tienden a agruparse en el mercado de valores.

Miré hacia atrás a los rendimientos anuales del S&P 500 desde 1928 para encontrar momentos en los que las grandes ganancias fueron seguidas de mayores ganancias.

Sucede más a menudo de lo que crees.

Aquí están los años en los que vimos resultados de dígitos seguidos por años de dos dígitos también:

Encontré 16 grupos separados que abarcan 40 años en total. Eso es más del 40 % del tiempo.

No tienes que ir demasiado atrás en la historia del mercado de valores para encontrar un momento en el que tuvimos una serie de buenos años seguidos. El tramo 2019-2021 fue bastante bueno con +31 %, +18 % y +28 %.

Por supuesto, ese tramo fue seguido por la terrible actuación de 2022.

El aumento de la burbuja de las puntocom de 1995-1999 fue un movimiento increíble con cinco años seguidos de más del 20 % de ganancias, pero ha habido muchos períodos en los que los buenos años se agrupan.

Hubo cuatro años de buenos resultados entre 1942-1945 y 1949-1952. También tuvimos rendimientos bastante buenos de 2012 a 2014.

Estos son los rendimientos medios del S&P 500 en el año siguiente después de las ganancias del 10 % o más, del 15 % o más y del 20 % o más:

Hubo ganancias el 70 % del tiempo después de más del 10% de ganancias, el 70 % del tiempo después de más del 15 % de ganancias y el 65 % del tiempo después de más del 20 % de ganancias.

Todo lo cual es para decir que no hay mucho que puedas obtener de los retornos de 2023 si estás buscando algún tipo de patrón.

Muchas veces, los buenos rendimientos van seguidos de buenos rendimientos, pero a veces los buenos rendimientos van seguidos de pérdidas.

Esto es lo que hace que invertir en el mercado de valores sea a partes igualmente estimulante y exasperante, especialmente a corto plazo.

¿Qué tal las rentabilidades a largo plazo?

Los rendimientos totales medios de 10 años después del 10%+, 15%+ y 20%+ años fueron +173%, +234% y +188%, respectivamente, en los últimos 95 años.

Los retornos a largo plazo son los únicos que importan, pero los retornos a corto plazo reciben toda la atención.

Los inversores sabios se centran en el largo plazo y evitan permitir que el corto plazo dicte las decisiones de inversión.

La Recesión más esperada de la historia todavía está por llegar por Logan Kane

• Los inversores han empujado el mercado a máximos casi históricos, pero la historia muestra que los mercados se mueven entre ciclos de codicia y miedo extremo.
• Las altas valoraciones, las bajas tasas de ahorro y el empeoramiento de los principales indicadores económicos están señalando problemas para la economía en este año electoral que comenzamos.
• Los consumidores más jóvenes de 30 a 39 años son los que muestran más estrés y están más endeudados que sus compañeros en 2007.
• Si bien la recesión se ha retrasado, no se evitará. Las recesiones pasadas han visto caídas en el mercado de valores que oscilan entre el 30 % y el 60 % desde máximos hasta mínimos.

«Aquellos que no recuerdan el pasado están condenados a repetirlo».

-Benjamin Graham, El Inversor Inteligente.

Los inversores recientemente empujaron el S&P 500 (SPY) y el NASDAQ (QQQ) cerca de los máximos históricos en un eufórico frenesí de compras de fin de año. El consenso de los analistas de Wall Street es que este año será aún mejor. Sin embargo, es probable que el consenso sea incorrecto. La historia nos muestra que los mercados se mueven entre ciclos de codicia y miedo extremo. Las altas valoraciones en relación con las ganancias, las bajas tasas de ahorro y el sentimiento alcista de los inversores han demostrado una y otra vez que son advertencias, no señales claras. Esto es incluso antes de considerar el ciclo económico, barajando a millones de trabajadores estadounidenses dentro y fuera de la fuerza laboral dependiendo de las condiciones económicas globales. En los últimos 25 años, ha habido tres recesiones, con mercados bajistas del S&P 500 de ~-49 % desde la caída de las dot-com de 2000-2002, ~-57 % desde la crisis financiera global de 2007-2009 y ~-34 % durante los confinamientos de la pandemia de 2020. La próxima recesión probablemente verá caídas de una magnitud similar, lo que traerá el máximo dolor a aquellos que tengan sobreapalancamiento y una enorme oportunidad para aquellos con dinero en efectivo.

Las Recesiones Ocurren: ¿Pero Por Qué?

En los últimos 25 años, hemos visto dos caídas de aproximadamente el 50 % en el mercado de valores y probablemente habríamos visto una tercera si el gobierno de los Estados Unidos no hubiera lanzado el paquete de estímulo más grande de la historia durante la pandemia. Las caídas generales de la actividad económica tendían a ser más leves que las caídas de los precios de los activos, pero ¿por qué ocurre esto periódicamente?

La respuesta principal, por supuesto, es que la gente colectivamente hace cosas muy mal con el dinero de otras personas (OPM). Es relativamente fácil comprar una casa de un millón de dólares con una hipoteca a 30 años (o con un pago global), pero no necesariamente sabes con certeza si tus ingresos podrán pagarla en los próximos 30 años. Mis datos muestran que los datos de la relación entre deuda e ingresos de los compradores de viviendas está en máximos históricos, más que en 2007. Desde que la Reserva Federal comenzó a mover los tipos, los constructores de viviendas están a punto de vender millones de casas con compras temporales de tasas hipotecarias, pero no se oirá hablar de ello en la televisión. Es aún más fácil comprar una camioneta de 90 000 $ con una TAE del 10,99 % en 84 meses. Como joven con un par de pequeñas empresas, me sorprende la cantidad de crédito que los bancos están dispuestos a ofrecerme. Si estuviera loco, podría pedir prestado cientos de miles de dólares sin garantía en mis diversas líneas de crédito, maximizar todo pasando el rato en Las Vegas/LA/Miami, apostar el resto en crypto, y luego pagar poco o nada si no saliera bien. Mi estado natal de Texas es mundialmente famoso por ser amigable con los deudores. No estoy seguro de si los prestamistas tendrían muchos recursos.

Hasta cierto punto, la gente siempre ha hecho cosas locas a crédito. Pero viviendo en Texas y Florida durante la mayor parte de mi vida adulta, he aprendido que un porcentaje significativo de personas actuará muy mal si se les da la oportunidad. Cosas muy similares las vimos en Florida y California en la década de los 2000, en el sur de Europa en la década de 2000 y en el mundo de las «.com» en la década de 1990. Si nos fijamos en la economía de EE. UU. en general, parece menos endeudada, pero esto no tiene en cuenta el ciclo de vida de los consumidores. La razón por la que el estadounidense típico tiene menos deuda ahora que en 2007 es que el estadounidense típico es mayor. En lugar de tener demasiada deuda, tienen muy pocos ahorros para la jubilación, como vemos con el saldo típico de las cuentas 401k siendo más bajos en términos ajustados por inflación hoy de lo que era hace cinco años.

Escuchas historias sobre préstamos y movimientos especulativos donde quiera que vayas, pero rara vez parecen salir a la luz en los medios. ¿Por qué más del 40 % de las acciones que cotizan en EE. UU. están perdiendo dinero? ¿Qué pasa con todos estos prestamistas no bancarios que se han apoderado rápidamente del mundo hipotecario? ¿Quién está en mora en los préstamos y por qué?

Inicialmente, te inclinarías a culpar a las personas, pero cuando profundizas más, argumentaría que es en gran medida el sistema el que tiene la culpa. Los consumidores estadounidenses con las tasas de incumplimiento más altas suelen tener entre 18 y 29 años. Esto tiene mucho sentido: universitarios, personas que trabajan en la industria de servicios, vacaciones de primavera, etc. Pero lo que sucedió en la recesión de 2008 fue que esto cambió. Las tasas de morosidad más altas en realidad terminaron siendo las de 30 a 39 años, muchas de las cuales comenzaron con un gran crédito. Hicieron lo que les dijeron sus padres, jefes, profesores, los medios de comunicación, corredores hipotecarios, etc., y firmaron en el resultado final. Llevaron la peor parte de esa recesión, y todavía están detrás de los mayores y más jóvenes de hoy en día en relación con las generaciones pasadas.

¿Adivina qué grupo está mostrando más estrés ahora en relación con la prepandemia? Es el mismo grupo clave de consumidores de 30 a 39 años, y están aún más endeudados que sus compañeros en 2007. Esto tiene sentido, ya que los Boomers con casas pagadas se están beneficiando paradójicamente de tasas más altas: no tienen deudas más dinero en efectivo. Pero el ciclo económico vive y muere por las finanzas de las familias jóvenes, y creo que los medios de comunicación y la industria financiera las han establecido colosalmente. No escucharás mucho sobre esto ahora, pero seguro que lo harás durante la próxima recesión.

Las ganancias del primer trimestre mostrarán el primer trimestre de las ganancias de las acciones desde que los préstamos estudiantiles han regresado, y supongo que estarán un poco en el lado blando. La deuda corporativa se está refinanciando constantemente a tasas más altas, y el impuesto de recompra de la Administración Biden y el ciclo normal del impuesto sobre las ganancias de capital sacarán algo de liquidez del mercado. Si bien el momento de la próxima recesión es siempre incierto, no es exagerado pensar que 2024 será más volátil para las acciones que 2023. Las apuestas contra los principales indicadores económicos históricamente nunca han funcionado, a pesar de los movimientos alcistas en 2007 y 2023.

Retasos y algunas Variables

Una idea clave que la Reserva Federal repite sobre el ciclo económico es que la política monetaria funciona con retraso. Las tasas de interés de hoy afectan a las decisiones sobre los proyectos que se completarán en años futuros.

Las tasas de interés fueron del 0 % durante aproximadamente 14 años, pero ahora el capital es bastante caro. La mayoría de los observadores del mercado (incluyéndome a mí) esperaban que se diera una recesión una vez que las empresas y proyectos zombis tuvieran que empezar a obtener ganancias para existir. Eso aún no ha sucedido, en gran parte porque las grandes empresas extendieron los términos de su deuda cuando las tasas eran bajas durante la pandemia, y ahora se están beneficiando manteniendo el dinero en efectivo. Esto significó grandes pérdidas inesperadas para Corporate America, y por Corporate America me refiero principalmente a grandes empresas financieras de tecnología, grandes farmacéuticas y no bancarias. Todos nos perdimos esto.

Si la Reserva Federal reduce las tasas a cero, esto afectaría seriamente los márgenes de beneficio generales para el S&P 500. Si la Reserva Federal hace una pausa y mantiene las tasas donde están o las reduce un poco, este número aumentará constantemente a medida que se refinancia la deuda antigua. Los gastos de intereses no tienen a dónde ir más que para las grandes empresas. También sin ningún lugar a donde ir, pero con más que subir en relación a los impuestos corporativos. Estos se combinaron para contribuir con aproximadamente el 40 % del rendimiento del S&P 500 en los últimos 25 años, y ambos estarán a la inversa en los próximos 25 años.

El aumento de las tasas ha ayudado inicialmente al mercado, pero a largo plazo, la evidencia es clara: las altas tasas obligan a las empresas no rentables a dejar de operar, ralentizan la actividad comercial y los préstamos, y alientan a las empresas a retirar el apalancamiento. Este proceso no ha hecho más que empezar. Dos años después del inicio de la QE y las tasas del 0 % en 2011, las acciones todavía eran muy baratas. Pero debajo de la superficie, las empresas estaban refinanciando silenciosamente la deuda antigua a tasas más baratas, la liquidez fluía y las ganancias aumentaban lentamente. Dos años después del inicio de las tasas de interés normalizadas, las acciones siguen siendo muy caras. Pero a medida que la vieja deuda se refinancia lentamente a tasas mucho más altas, la liquidez se drena y las ganancias se estancan, el resultado opuesto está en las cartas para los inversores de acciones esta década.

A la luz de este gráfico anterior, es posible que no quieras ver un movimiento rápido de la Fed si eres alcista. Esto es tan bueno como se pone en términos de los pocos gastos netos que las acciones que hemos denominado Corporate America tienen que pagar por su deuda. Menos afortunadas son millones de pequeñas empresas que están viendo mayores costos de endeudamiento y estándares de préstamo más estrictos. Usar la política monetaria para frenar la economía funciona con retraso, pero sí funciona. Esto también es cierto para utilizar la política monetaria para estimular la economía.

No temas a la Recesión, prepárate

¿Qué haces con el dinero cuando las tasas de interés son altas, las acciones parecen sobrevaloradas y los gurús te dicen que no te lo pierdas?

¡Respuesta fácil!

Paga la deuda, almacena dinero en efectivo y no te preocupes por lo que piense nadie. Rara vez tiene sentido tener todo dentro o fuera del mercado de acciones, pero lo más probable es que tengas algo de flexibilidad en tu asignación de activos. Cuando las acciones suben mucho en un corto período de tiempo y no puedes encontrar una buena razón por la que, a menudo vale la pena pensar en reequilibrarlas. Por el contrario, cuando las acciones caen sin ninguna razón o parecen estar reaccionando de forma exagerada, puedes comprar.

La inversión pasiva es un enfoque perfectamente bueno, pero cuando los mercados hacen cosas sin sentido, significa esto una oportunidad para ti. Cuanto más volátiles sean los mercados, más oportunidades te darán. La mejor manera de aprovechar la enorme volatilidad en los mercados: es encontrar algo con mal precio, comprarlo y luego olvidarse de él.

Si obtuste un 25 % o más de las magníficas 7 acciones tecnológicas en 2023, entonces felicidades. Sin embargo, respeta a tus compañeros más cautelosos, para que no te compren tus acciones a bajo precio en el próximo mercado bajista. Fácil de llegar, fácil de hacer. Con los fondos del mercado monetario pagando alrededor del 5,5 % ahora, los inversores pacientes están obteniendo un freeroll a largo plazo en los operadores de alto vuelo que están cargados de acciones de impulso que aprovechan la tendencia. Si los pacientes inversores se equivocan, todavía ganarán un 5,5 %, y harán que una tonelada de acciones tengan una caída similar a la de las recesiones anteriores. Si los alcistas se equivocan, la historia muestra que pueden estar bajo el agua o más en un -50% en el peor de los casos y durante mucho tiempo.

Balance final

Después de que la inflación obligara a la Reserva Federal a aumentar agresivamente las tasas, los observadores del mercado han esperado ampliamente que una recesión queme los 14 años de madera económica creada por las tasas del 0 %. Hasta ahora, ninguno ha llegado, aunque los principales indicadores están mostrando cantidades cada vez mayores de estrés en las áreas habituales de la economía. Si bien está de moda pensar que una recesión no vendrá y que esta vez no es diferente, la historia nos dice que es probable que no lo sea. Afortunadamente, los inversores tienen alternativas. Una opción es fijarnos en las inversiones de nicho que pueden ofrecerle un rendimiento mientras espera ver qué sucede con los mercados y la economía.

¿Cuál es la perspectiva de la FED sobre las sorpresas de inflación y los rendimientos de las acciones? por Quantpedia

El período de alta inflación en la década de 1970 llevó a los investigadores a examinar cuidadosamente la relación entre la inflación y los rendimientos de las acciones y a buscar formas de evitar una inflación inesperada. El año 2022 trajo de vuelta presiones inflacionarias a la economía de los Estados Unidos que no se habían visto en más de 40 años, y esto ha estimulado nuevos esfuerzos para responder a preguntas de larga data sobre la inflación y los precios de los activos. Los autores de el  Board of Governors of the Federal Reserve System (2023) (Junta de Gobernadores del Sistema de la Reserva Federal) aportan una nueva perspectiva sobre este tema, y su documento nos permite obtener la opinión de un experto de la FED sobre una cuestión tan importante de cómo la inflación afecta a los rendimientos de las acciones.

Los autores contribuyen a este último esfuerzo examinando la respuesta del precio de las acciones a las sorpresas de inflación en torno al momento de los anuncios de inflación para un gran grupo de empresas estadounidenses que cotizan en bolsa. El enfoque original es que, en contraste con la mayoría de los estudios anteriores, que se centran en la inflación básica, se centran en la inflación global porque (i) la inflación subyacente o básica (core inflation) no se ve afectada por el comportamiento volátil de los precios de los alimentos y la  energía, y (ii) la inflación subyacente o básica parece ser más relevante para las decisiones de política monetaria.

Utilizando una gran muestra representativa de empresas que cotizan en bolsa de EE. UU. y sus correspondientes rendimientos cercanos a la apertura en torno a los anuncios de inflación, descubrieron que la reacción promedio de la empresa pública estadounidense a las sorpresas de inflación básica es significativamente negativa. Esta respuesta moderada varía con el tiempo y se vuelve más fuerte (es decir, más negativa) cuando las expectativas de inflación y la brecha de producción están por encima de sus objetivos a largo plazo, destacando así un canal de expectativas de política monetaria como un motor importante de estos hallazgos.

Además, identifican cinco características a nivel de empresa que afectan significativamente la propagación de las sorpresas de inflación en la sección transversal de los rendimientos de los valores: apalancamiento neto, margen de beneficio, capitalización bursátil, libro a mercado y beta de CAPM. Estas características se pueden utilizar para identificar empresas sensibles a la inflación e insensibles a la inflación y construir rendimientos en exceso ajustados al riesgo (spread basado en la inflación) que podrían utilizarse potencialmente para cubrirse contra las sorpresas de inflación.

A partir de muchas cifras y datos en las tablas, destacamos la Figura 9, que muestra el rendimiento acumulativo del factor sorpresa de inflación, y la Figura 4, que muestra la sensibilidad de las acciones a las sorpresas positivas de inflación, junto con el correspondiente intervalo de confianza del 90 % sobre una base móvil de 18 meses.

Autores: Antonio Gil de Rubio Cruz, Emilio Osambela, Berardino Palazzo, Francisco Palomino y Gustavo Suárez

Título: Inflation Surprises and Equity Returns (Sorpresas de inflación y rendimientos de capital).

Enlace: https://papers.ssrn.com/sol3/papers.cfm? abstract_id=4280699

Resumen:

La respuesta de las acciones de EE. UU. a las sorpresas por inflación es, en promedio, robustamente negativa y muestra una marcada variabilidad de las series temporales. De acuerdo con la visión de que los precios de las acciones responden a las sorpresas de inflación que afectan la postura de la política monetaria, documentamos la mayor sensibilidad del mercado de valores durante los períodos en los que las expectativas de inflación y la brecha de producción son altas. Durante estos períodos, las empresas con bajo apalancamiento neto, gran capitalización bursátil, alta beta de mercado, baja reserva a mercado y bajos márgenes son especialmente susceptibles a las sorpresas de inflación.

Y; como siempre, presentamos varias figuras y tablas interesantes:

Citas notables del trabajo de investigación académica:

La primera parte de nuestro análisis aborda la pregunta: ¿Cuándo importan las sorpresas de inflación para los rendimientos de las acciones? Para responder a esta pregunta, utilizamos el gran panel de empresas que cotizan en bolsa de EE. UU. para estudiar la respuesta promedio de los precios de las acciones a las sorpresas de inflación al retroceder en los rendimientos de las acciones cercanas a la apertura de las sorpresas de inflación. Es cierto que los rendimientos de acciones casi abiertos no son ideales para fines de identificación de alta frecuencia, ya que es muy probable que estén contaminados por otras noticias sistemáticas como anuncios de ganancias, noticias del extranjero o cualquier otra noticia sistemática que se revele cuando los mercados de valores de los Estados Unidos están cerrados. Para mitigar esta preocupación, utilizamos futuros del S&P500 para calcular el rendimiento de las acciones en todo el mercado incluso cuando esté cerrado el mercado de contado. Específicamente, incluimos en nuestra regresión el retorno del mercado desde el cierre hasta las 8.25 a.m. y desde las 9.15 a.m. hasta la apertura del mercado el día del anuncio. De esta manera, se tienen en cuenta todas las noticias sistemáticas fuera de nuestra ventana de anuncio de inflación (8.25 a.m.-9.15 a.m.).

Comenzamos mostrando que la respuesta promedio del precio de las acciones a las sorpresas de la inflación es muy negativa con respecto a nuestra muestra de 1993-2023. Por cada sorpresa de 0,1 puntos porcentuales en la inflación básica mensual, los precios de las acciones, en promedio, caen alrededor del 0,18 %. También mostramos que (i) las sorpresas de inflación general no importan cuando se controlan las sorpresas de inflación subyacente o básica, (ii) que la reacción del precio de las acciones se limita a la apertura y no se detecta una respuesta residual significativa en los primeros 5 minutos de negociación en el mercado o en el resto del día de negociación, y (iii) que la respuesta de las acciones es robustamente negativa en una serie de industrias ampliamente definidas y es más débil en valor absoluto para las industrias en las que los ajustes de precios son más frecuentes.

A continuación, documentamos una variación sustancial en el tiempo en la respuesta promedio del precio de las acciones a las sorpresas de inflación. En particular, cuando dividimos la sorpresa de inflación central en sorpresas negativas y positivas, encontramos que la respuesta a las sorpresas de inflación negativa fluctúa relativamente menos con el tiempo que la respuesta a las sorpresas positivas de inflación. Este último varía drásticamente con el tiempo y se vuelve positivo en varias coyunturas de nuestra muestra, generalmente alrededor de períodos de recesión. Este hallazgo está en consonancia con la opinión de que los choques positivos por la inflación son buenas noticias en los malos tiempos económicos, ya que podrían indicar una recuperación económica (por ejemplo, Knif, Kolari y Pynn¨onen (2008)).
Durante el reciente ciclo de ajuste de la política monetaria, que comenzó en marzo de 2022, los precios de las acciones tuvieron, en promedio, la mayor sensibilidad de nuestra muestra a las sorpresas de inflación tanto positivas como negativas. Esto es de esperar cuando las sorpresas de inflación están estrechamente asociadas con los movimientos en las expectativas de la política monetaria.³ Por ejemplo, una sorpresa de inflación positiva puede mover las expectativas del mercado hacia un ajuste de la tasa de política más agresivo, que tiene un efecto negativo en los precios de las acciones a través de una tasa de descuento y un canal de flujos de efectivo esperados. […]

En la segunda parte del documento, aprovechamos la gran sección transversal de empresas para responder a la siguiente pregunta: ¿Qué acciones reaccionan más cuando el mercado de valores es particularmente susceptible a las sorpresas de inflación? Los buscamos la respuesta interactuando con la medida sorpresa de inflación con una batería de características y control simultáneo para los efectos fijos del día del anuncio, eliminando así cualquier noticia sistemática que pueda afectar a los rendimientos de las acciones en un día de anuncio en particular. El coeficiente estimado en los términos de interacción nos dice cuánto más (o menos) las acciones reaccionan a las sorpresas de inflación dependiendo de una característica determinada.

Encontramos que el apalancamiento neto, los márgenes, la capitalización de mercado (tamaño), el libro a mercado y la beta del mercado afectan significativamente la forma en que las acciones individuales responden a un anuncio de inflación inesperado y sus signos estimados son consistentes con lo que se ha documentado por separado en estudios anteriores. Después de un choque de inflación positivo, las empresas con un alto apalancamiento neto, un alto balanceo y altos márgenes de beneficio experimentan una disminución más leve en los precios de sus acciones, mientras que las grandes empresas y las empresas con una alta beta de CAPM sufren una caída más fuerte. La importancia de estos resultados no cambia mucho (i) si dividimos la muestra en la crisis financiera anterior y posterior a la crisis financiera global o (ii) si miramos las acciones pequeñas y grandes por separado.

La tabla 2 informa de los resultados de nuestro análisis de referencia. Todas las regresiones tienen efectos fijos firmes y las estadísticas t reportadas se calculan utilizando errores estándar agrupados tanto en la empresa como en el nivel del día del anuncio. Restringimos la muestra a los días en que los datos de futuros del S&P500 intradía están disponibles para facilitar la comparación entre las diferentes especificaciones. En la columna 1, informamos de la respuesta incondicional de los rendimientos nocturnos a nivel de empresa a las sorpresas de inflación. El coeficiente estimado es negativo y muy significativo, lo que implica que los rendimientos de las acciones caen, en promedio, en alrededor del 0,18% después de una sorpresa de inflación central positiva de 0,1 puntos porcentuales (aproximadamente una sorpresa de 1 desviación estándar).

Los tres mejores hábitos de los traders de éxito por Brett N. Steenbarger

Mejor hábito #1: Pasar del trading reactivo al trading planificado

Muy a menudo, los desafíos psicológicos a los que se enfrentan los traders se dan porque están tomando decisiones en base al calor del momento, cuando es más probable que estén estresados y sean más impulsivos. Los traders de éxito han estudiado intensamente sus operaciones con mayores beneficios y saben que es lo que mejor saben hacer. Después convierten sus mejores hábitos en reglas, para que sepan exactamente qué tipo de oportunidades buscar en los mercados, cómo expresar esas oportunidades, cómo dimensionar las posiciones y gestionarlas, etc. Lo bueno de saber lo que haces mejor y cómo lo haces es que después puedes ensayar mentalmente las acciones correctas como parte de la preparación para el día ese día. Los métodos de biorretroalimentación y visualización pueden ser útiles en ese ensayo mental. Mantener el tipo correcto de diario de trading también ayuda en gran medida a centrarse en las lecciones que aprendemos. Conocer su mejor trading también le permite diferenciarse de los mercados cuando no hay oportunidades. Los mejores traders con los que trabajo esperan pacientemente su oportunidad y no sienten la necesidad de operar. Son como el bateador de béisbol que conoce bien al lanzador y está dispuesto a esperar un buen lanzamiento en la zona de ataque.

Mejor hábito #2: Aprovechando tus puntos fuertes

Los traders que tienen éxito con los que he trabajado saben quiénes son, en qué son buenos y qué los motiva y desafía. También son conscientes de sus defectos y pueden convertirlos en fortalezas. Debido a que encuentran formas de hacer trading que aprovechan sus fortalezas y son significativas para ellos, no tienen ningún problema en mantenerse comprometidos en los mercados durante los tiempos difíciles. También se basan en sus fortalezas fuera de su participación en los mercados, por lo que sus actividades personales son una fuente continua de satisfacción. El equilibrio adecuado entre el trabajo y la vida privada no es solo pasar tiempo en actividades fuera del mercado; es hacer uso de lo mejor de ti en las relaciones y en las actividades personales. El riesgo laboral número uno para los traders a tiempo completo es el agotamiento. Cuando no logramos el equilibrio entre el trabajo y la vida privada basado en lo que es significativo para nosotros, perdemos la eficiencia laboral y nos volvemos menos creativos. A menudo he aconsejado a los traders que siempre se aseguren de tener pasiones en la vida mayores que su pasión por el trading. Si tu única fortaleza es el trading, eso te convierte en vulnerable.

Mejor hábito #3: Creatividad

La mayor debilidad de los traders en general es que están mirando los mismos mercados, procesando la misma información y operando desde los mismos gráficos e ideas que otros. Hay muy poco de original en su pensamiento o trading. Son como el dueño de un negocio que establece una tienda para competir con los negocios circundantes, pero que copia lo que hacen. Si no haces cosas diferentes y distintivas en los mercados, no lograrás resultados diferentes y distintivos. Este es un tema que abordo en el libro Trading Psychology 2.0. Como enfatiza el libro, hay técnicas y procesos específicos que podemos aprender para convertirnos en generadores de ideas mejores y más diferenciados. La clave es mirar la nueva información e integrar la información de nuevas maneras. El trabajo en equipo, la red con otros que tienen antecedentes y habilidades diferentes a nosotros, es una práctica valiosa que puede ayudarnos a ampliar nuestros horizontes. En mi propia operativa, he encontrado los mejores resultados al centrarme en datos que otros no miran, desde medidas de alta frecuencia de compra y venta hasta patrones de amplitud a través de marcos de tiempo entre los sectores de acciones.

Ratio Consistency-Weighted Return (CWR): Una Medida Alternativa para Evaluar Estrategias de Trading por Carlos Barredo Lago

• En el vasto mundo del trading cuantitativo y las métricas de inversión, el foco a menudo recae sobre los retornos como ratio más destacado. Las estrategias que presumen de enormes beneficios pueden acaparar la atención, pero ¿son consistentemente confiables? Hablemos del Ratio Consistency-Weighted Return (CWR).
• Artículo publicado en Hispatrading 56.

El ratio Consistency-Weighted Return (CWR) es una métrica diseñada para combinar el beneficio bruto con la consistencia de la estrategia que puede ayudarnos a medir de forma fiable una estrategia de trading.

¿Qué es el Consistency-Weighted Return (CWR)?

En el ámbito del trading y la inversión, una curva de rentabilidad ascendente y constante en las ganancias a menudo se considera el «santo grial». Esta consistencia deseada es más que un sueño; es un reflejo de la estabilidad y confiabilidad en la estrategia elegida.

El CWR ofrece un enfoque analítico para medir cuán cerca está una estrategia de trading de este escenario ideal. Combina los retornos totales de una estrategia con su valor R², también conocido como el coeficiente de determinación.

¿Pero qué es exactamente este R² o coeficiente de determinación? En la disciplina de las estadísticas, cuando buscamos entender la linealidad de un conjunto de puntos de datos, utilizamos un método llamado regresión lineal. A través de este método, nos esforzamos por ajustar una línea (a menudo referida como la «línea de mejor ajuste») entre estos puntos. El valor R² proviene de este procedimiento. Cuantifica la proporción de varianza en la variable dependiente (en este contexto, los retornos de una estrategia de trading) que es predecible a partir de la(s) variable(s) independiente(s). Esencialmente, un valor R² de 1 denota una relación lineal perfecta, lo que implica que los datos se alinean impecablemente con la línea de mejor ajuste. Por el contrario, un valor cercano a 0 sugiere una falta de linealidad, indicando que los puntos de datos están ampliamente dispersos alrededor de la línea.

Por lo tanto, el CWR no es simplemente un reflejo de las ganancias absolutas de una estrategia. Plantea una pregunta más intrincada: «¿Al generar estas ganancias, la estrategia mantuvo una apariencia de uniformidad y previsibilidad?»

Fórmula: CWR = R² × Retornos Anualizados

Donde:

R² (Coeficiente de Determinación): Es una métrica de confiabilidad. Un indicador de cuán armoniosamente los retornos de la estrategia se adhirieron a una regresión lineal.

Retornos Anualizados: Esta es la suma de todas las ganancias y pérdidas del período, escalada para representar un retorno anual. Específicamente, la fórmula para anualizar retornos simples es:

Retornos Anualizados = Retornos Totales × (duración en períodos / períodos por año)

Donde:

• Retornos Totales: Los Retornos Totales son la suma acumulativa de los retornos diarios.
• períodos por año: períodos por año sería 365 para criptomonedas y 252 para la mayoría de otros activos.
• duración en períodos: la duración en períodos es el número total de días en su serie temporal.

¿Por qué CWR? La Ventaja de la Consistencia

1. Pronósticos Confiables: Las estrategias con mayor consistencia son más predecibles. Tienden a mostrar menos fluctuaciones extremas, lo que las hace más fáciles de manejar y menos estresantes para los traders.
2. Menor Riesgo: Retornos consistentes pueden sugerir que la estrategia no depende de grandes victorias ocasionales (que pueden ser seguidas de grandes pérdidas). Esto reduce el riesgo de pérdidas severas.
3. Viabilidad a Largo Plazo: Si bien las estrategias de ‘éxito efímero’ pueden ofrecer retornos dramáticos durante un corto período, a menudo se desvanecen. Las estrategias consistentes, por otro lado, pueden ofrecer un rendimiento sostenido.

Calculando el ratio CWR con Python

En el proceso de obtención del ratio Consistency-Weighted Return (CWR), un componente crítico es el valor R², que esencialmente mide la consistencia de los retornos.

Para calcular R², el primer paso es realizar una regresión lineal en nuestro conjunto de datos para determinar la línea de mejor ajuste. Una distinción importante en nuestro enfoque es que optamos por no usar un intercepto u ordenada en el origen. Esta elección se basa en el principio fundamental de que se supone inherentemente que una curva de rentabilidad comienza en cero.

En esta sección, exploraremos dos métodos distintos para realizar la regresión lineal y, posteriormente, obtener el valor R²:

1. Mínimos Cuadrados Ordinarios (OLS): Un método ampliamente utilizado en estadística, especialmente cuando se trata de datos multivariable. Utilizaremos la librería statsmodels en Python para este método.
2. Método de Cálculo Directo: Este método, diseñado para la regresión lineal univariable, calcula la pendiente de la regresión usando la covarianza entre las variables y la varianza de la variable independiente. Utilizaremos este método para determinar el valor R², diferenciando entre la variación total y la variación explicada por el modelo de regresión.

Profundicemos en ambos métodos. Aquí hay una guía paso a paso usando un dataframe hipotético llamado trades:

1. Prepara tu entorno:

import numpy as np
import pandas as pd
import matplotlib.pyplot as plt
import statsmodels.api as sm

2. Crea un dataframe de trades de muestra:

# Simulando una serie pnl aleatoria pero rentable
bias = 0.25  # Esta constante asegura una tendencia ascendente en promedio
data = {
    ‘time’: pd.date_range(start=’2023-06-01′, periods=100, freq=’D’),
    ‘pnl’: np.random.randn(100) + bias
}
trades = pd.DataFrame(data)

trades[‘pnl’] = trades[‘pnl’] / len(trades)

3. Calcula los retornos acumulados y extrae los arrays ‘X’ e ‘y’:

# Retornos acumulados.

trades[‘cumpnl’] = trades[‘pnl’].cumsum()

# Crea el array X basado en la longitud de trades.

X = np.array(range(len(trades)))

# Crea ‘y’ basado en la columna ‘cumpnl’ de trades.
y = trades[‘cumpnl’].values

4.1. Calcula R² usando OLS:

# Ajusta el modelo OLS sin ordenada al origen.
model = sm.OLS(y, X).fit()

# Extrae R^2 directamente del modelo.
r_squared_ols = model.rsquared

4.2. Calcula R² usando el método directo:

# Calcula el coeficiente beta sin ordenada al origen.
beta = np.sum(X * y) / np.sum(X**2)

# Predice y usando el beta calculado.
y_pred_direct = beta * X

# Calcula R^2 directamente para el modelo sin ordenada al origen.
ss_tot_direct = np.sum(y**2)
ss_res_direct = np.sum((y – y_pred_direct)**2)
r_squared_direct = 1 – (ss_res_direct / ss_tot_direct)

5. Calcula CWR:

# Parámetros para la anualización
periods_per_year = 365  # Usando 365 para activos como criptomonedas

# Calcula la duración en periodos (días en este caso, ya que ‘trades’ es un dataframe de datos diarios)
duration_in_periods = len(trades)

# Calcula los retornos anualizados
annualized_returns_ols = trades[‘cumpnl’].iloc[-1] * (periods_per_year / duration_in_periods)
annualized_returns_direct = trades[‘cumpnl’].iloc[-1] * (periods_per_year / duration_in_periods)

# Calcula los CWR usando los valores R^2 y los retornos anualizados
cwr_ols = annualized_returns_ols * r_squared_ols
cwr_direct = annualized_returns_direct * r_squared_direct

# Imprime los resultados para una rápida comparación
print(f»CWR using OLS method: {cwr_ols:.6f}»)
print(f»CWR using Direct Calculation method: {cwr_direct:.6f}»)

CWR using OLS method: 0.935333
CWR using Direct Calculation method: 0.935333

6. Grafica los retornos comparados con las regresiones lineales:

# Línea de regresión para el método OLS:
regression_line_ols = model.predict(X)

# Línea de regresión para el método de cálculo directo:
regression_line_direct = beta * X

# Gráfico
plt.figure(figsize=(12, 5))

# Grafica el retorno acumulado real
plt.plot(trades[‘time’], trades[‘cumpnl’], label=’Cumulative PnL’, color=’green’)

# Grafica la línea de regresión obtenida del método OLS
plt.plot(trades[‘time’], regression_line_ols, label=’Regression (OLS)’, color=’black’, linestyle=’–‘)

# Grafica la línea de regresión obtenida del método de cálculo directo
plt.plot(trades[‘time’], regression_line_direct, label=’Regression (Direct)’, color=’grey’, linestyle=’–‘)

# Estableciendo títulos y etiquetas
plt.title(‘Cumulative PnL compared with Regression Lines’)
plt.xlabel(‘Time’)
plt.ylabel(‘Cumulative PnL’)
plt.legend()
plt.grid(True)
plt.tight_layout()
plt.show()

Rendimientos Espectaculares vs. Crecimiento Estable

Ilustremos la importancia del CWR con un ejemplo práctico.

Imagina dos estrategias de trading a lo largo de 100 días:

• Estrategia A: Caracterizada por rendimientos espectaculares, esta estrategia a menudo ofrece ganancias significativas seguidas de caídas pronunciadas, asemejándose a una montaña rusa financiera. Es importante señalar que, por diseño, la Estrategia A termina con un rendimiento que es un 10% más alto que el de la Estrategia B al final del período.
• Estrategia B: Esta estrategia enfatiza un crecimiento más estable. Aunque los rendimientos son más consistentes, hay un toque de ruido realista, lo que la hace menos predecible pero mucho más estable que la Estrategia A.

# Estableciendo la semilla para reproducibilidad
np.random.seed(17)

# Estrategia A: Retornos más volátiles
volatile_returns = np.random.randn(100) * 0.1
# Estrategia B: Retornos estables pero con ligero ruido
steady_returns = np.full(100, 0.005) + np.random.randn(100) * 0.01

# Ajustando A para asegurar que termine con un retorno un 10% más alto al final del período
cum_returns_A = volatile_returns.cumsum()
target_final_return = steady_returns.cumsum()[-1] + 0.10  # 10% más retorno que la estrategia B
scale_factor = target_final_return / cum_returns_A[-1] volatile_returns *= scale_factor

# Creando DataFrames para ambas estrategias
time_range = pd.date_range(start=’2023-06-01′, periods=100, freq=’D’)
trades_A = pd.DataFrame({‘time’: time_range, ‘returns’: volatile_returns})
trades_B = pd.DataFrame({‘time’: time_range, ‘returns’: steady_returns})

# Calculando el retorno acumulado para ambas estrategias
trades_A[‘cumpnl’] = trades_A[‘returns’].cumsum()
trades_B[‘cumpnl’] = trades_B[‘returns’].cumsum()

# Gráfico
plt.figure(figsize=(12, 6))
plt.plot(trades_A[‘time’], trades_A[‘cumpnl’], label=’Strategy A’, color=’red’)
plt.plot(trades_B[‘time’], trades_B[‘cumpnl’], label=’Strategy B’, color=’green’)
plt.title(‘Comparison of Cumulative PnL: Flashy Returns vs. Steady Growth’)
plt.xlabel(‘Time’)
plt.ylabel(‘Cumulative PnL’)
plt.legend()
plt.grid(True)
plt.tight_layout()
plt.show()

A pesar de que la Estrategia A tiene un retorno acumulado más alto al final de los 100 días, sus trayectorias difieren significativamente. Cuando evaluamos estas estrategias con la métrica CWR, emerge una visión más reveladora.

# Parámetros para anualización
periods_per_year = 365  # Usando 365 para activos como criptomonedas

# Calcular la duración en periodos (días en este caso, ya que trades_A y trades_B son dataframes de datos diarios)
duration_in_periods = len(trades_A)  # Suponiendo que trades_A y trades_B tienen la misma duración

# Estrategia A: Cálculo de CWR
X = np.arange(len(trades_A))
y_A = trades_A[‘cumpnl’].values
model_A = sm.OLS(y_A, X)
results_A = model_A.fit()
r_squared_A = results_A.rsquared
annualized_returns_A = trades_A[‘cumpnl’].iloc[-1] * (periods_per_year / duration_in_periods)
cwr_A = annualized_returns_A * r_squared_A

# Estrategia B: Cálculo de CWR
y_B = trades_B[‘cumpnl’].values
model_B = sm.OLS(y_B, X)
results_B = model_B.fit()
r_squared_B = results_B.rsquared
annualized_returns_B = trades_B[‘cumpnl’].iloc[-1] * (periods_per_year / duration_in_periods)
cwr_B = annualized_returns_B * r_squared_B

# Imprimiendo el CWR para ambas estrategias
print(f»CWR for Strategy A: {cwr_A:.4f}»)
print(f»CWR for Strategy B: {cwr_B:.4f}»)

CWR for Strategy A: 1.6648
CWR for Strategy B: 1.8462

Al calcular el ratio CWR para ambas estrategias usando el método OLS, la Estrategia B mostró un valor más alto, enfatizando su fiabilidad a pesar de tener un rendimiento total más bajo que la Estrategia A.

Este ratio no solo tiene en cuenta el “destino” sino también el “trayecto” realizado. Una estrategia con un crecimiento más predecible y constante probablemente tendrá un CWR más alto, destacando su rendimiento consistente. Esta consistencia puede ser más atractiva para los traders e inversores, ya que reduce la imprevisibilidad y el potencial estrés de los cambios erráticos en el rendimiento.

Incorporando el ratio CWR en la evaluación de tus estrategias:

1. Compara y Contrasta: Usa CWR junto con otras métricas como el Ratio de Sharpe, Ratio de Sortino o el Máximo Drawdown para obtener una visión más integral del rendimiento de una estrategia.
2. Construcción de Cartera: Para carteras diversificadas, asegúrate de tener una combinación de estrategias. Prioriza aquellas con un CWR más alto para aportar más estabilidad a tu cartera.
3. Gestión de Riesgos: Identifica las estrategias con CWRs más bajos ya que pueden introducir más volatilidad. Ajusta tu asignación de capital en consecuencia.

Conclusión

Aunque los rendimientos brutos siempre serán una piedra angular al evaluar el rendimiento, el ratio Consistency-Weighted Return (CWR) ofrece una perspectiva novedosa, enfatizando la importancia de un crecimiento constante y confiable. En los mares tumultuosos del mundo del trading, una estrategia consistente puede ser el ancla que asegura el éxito a largo plazo.

Recuerda, al explorar nuevas métricas como CWR, es vital entender sus limitaciones y usarlas en conjunto con otras herramientas y ratios. ¡Buen trading!

¿Qué Está Pasando En México? [Dirty Dozen] por Alex Barrow

1. 2023 ha quedado atrás y aquí están los ganadores y perdedores en los mercados de valores globales.

El Nasdaq fue el líder claro con México y Brasil ocupando el segundo y tercer lugar. El Dow se puso en cuarto puesto y terminó el año con el principal índice de acciones de EE. UU. muy fuerte desde un punto de vista técnico. El gran perdedor fue China, cayendo un -11,5% en el año (gráfico de Koyfin).

2. Haciendo zoom hasta 3 meses atrás para ver dónde está cambiando el impulso, podemos ver tanto a Brasil como a México tomando los dos primeros lugares, mientras que el Nasdaq está perdiendo algo de fuerza, y China continúa sin fuerza (gráfico de Koyfin).

3. El impulso es uno de los factores más fiables en los mercados, ya que las tendencias en movimiento tienden a mantenerse en movimiento. Creo que es una apuesta bastante buena que México (EWW) cotizará a niveles más altos el próximo año, y probablemente mantendrá su fuerte rendimiento relativo.

Veamos un gráfico anual que muestra el ETF EWW rompiendo este año un rango de consolidación lateral de 7 años. Hay mucha energía en espiral que podría impulsar esta tendencia en los próximos años.

4. Y claramente ha habido un cambio significativo en México que hace que valga la pena prestar más atención al mercado. Veamos un gráfico anual del peso mexicano que muestra cómo ha roto con fuerza su canal descendente de 20 años frente al USD, también emergiendo de un suelo lateral de 7 años.

5. Veamos un gráfico mensual de las acciones de mayor rendimiento en el ETF EWW el año pasado, el Grupo Carso, S.A.B. de C.V., una gran empresa industrial/de infraestructuras. Con nuestro indicador de fragilidad de tendencia al 100 %, nombres como este serán buenas compras una vez que termine este movimiento parabólico y obtengamos un retroceso de varias semanas/meses.

6. De los principales mercados de valores a nivel mundial, el índice Nikkei 225 tiene el gráfico anual más fuerte. Japón puede parecer una elección confusa desde una perspectiva sentimental porque se ha convertido en un mercado popularmente atractivo.

Apuesto a que Japón tendrá un rendimiento superior en los próximos años.

7. Nuestro indicador de liquidez de Macro Ops (una combinación de datos de estrés financiero) entró en terreno positivo por primera vez desde el verano pasado y sigue aumentando. Esto indica una mejora de la liquidez, algo que hemos estado señalando durante meses.

Y con la caída de la inflación, Powell no está dispuesto a sacudir el barco en un año electoral en el que Trump es el rival, es probable que veamos que las condiciones se mantengan relativamente fáciles en el futuro previsible.

8. No sé cuándo terminará este movimiento parabólico alcista, es por eso que hacemos un seguimiento de los elementos internos y la amplitud y nos movemos a medida que el gráfico también se mueve. Pero eche un vistazo a los principales flujos de fondos promedio del índice de EE. UU. que ahora se han disparado a los niveles del 21 de diciembre.

9. Esperamos que la eventual corrección sea un retroceso dentro de una tendencia alcista primaria más amplia. Los signos continuos de fuerza subyacente, como el índice de suma McClellan que podemos ver a continuación, apuntan a una continuidad alcista. Aquí está SentimenTrader comentando sobre las diferencias en la sobrecompra a corto plazo frente a la fuerza a largo plazo:

«La historia está clara de que este tipo de avance de «línea recta» solo puede continuar durante mucho tiempo. Sin embargo, la historia también deja claro que la compra de base amplia necesaria para desencadenar esta señal a menudo indica el impulso que tiende a ver el mercado seguir adelante durante muchos meses».

10. Hace un mes señalamos el repunte de las exportaciones de Corea del Sur, que sirve como un indicador fiable para mejorar el crecimiento global.

Bueno, las exportaciones asiáticas siguen mejorando respecto a un año atrás. En general, esto debería atraer flujos de capital de los costosos mercados estadounidenses y pesar sobre el USD.

11. Este gráfico muestra el crecimiento del PIB nominal de EE. UU. (línea blanca), los rendimientos a 10 años de la UST (azul), el margen entre los dos (gráfico verde/rojo) y el rendimiento real a 10 años (línea naranja).

Muchos comentaristas han estado diciendo últimamente que EE. UU. no entrará en recesión este año porque el PIB nominal es muy alto. Esto ha sido cierto, pero lo que importa es la diferencia entre el crecimiento y los rendimientos, que están empezando a ajustarse.

Tenga en cuenta cómo, cuando en el pasado el crecimiento nominal ha caído por debajo de los rendimientos a 10 años, pronto se produjo una recesión. Solo algo a tener en un ojo.

12. Con Japón empezando a recibir un poco más de atención, es posible que quieras echar un vistazo a Nintendo.

A continuación se muestra un gráfico mensual que muestra un fuerte impulso alcista desde un suelo considerable (nota: estamos largos).

Hablemos de la curva de rendimiento invertida por Sentimentrader

• El rendimiento de los bonos del Tesoro a 10 años menos la curva de rendimiento de los bonos a 2 años ha estado invertido durante 17 meses.
• Esto ha desencadenado un flujo interminable de señales de alarma por parte de los expertos.
• Si bien una curva de rendimiento invertida indica algo anormal en la economía, el historial como señal de advertencia bajista no ha sido tan claro como podríamos pensar.

Una curva de tipos invertida avisa de algo anormal en la economía o en los mercados financieros

La definición de «curva de rendimiento» es la diferencia entre las tasas de interés a distintos vencimientos. Por ejemplo, se podría trazar una curva de rendimiento simple trazando el rendimiento actual de un bono del Tesoro a 30 años, una nota del Tesoro a 10 años, una nota del Tesoro a 5 años y una letra del Tesoro a 3 meses. En un entorno «normal», esperamos que los rendimientos sean más altos en el tramo largo y más bajos en el corto. Sin embargo, este no es siempre el caso debido a desequilibrios o circunstancias anormales en los mercados financieros y/o la economía en general.

Hay muchas formas de medir la curva de rendimiento. Entre otras están los bonos del Tesoro a 10 años menos los de 2 años, los bonos del tesoro a 10 años menos los de 3 meses, los bonos a 10 años menos la tasa de fondos federales, los bonos a 30 años menos cualquiera o menos todos los anteriores, etc. Otro enfoque Implica observar el porcentaje de curvas de rendimiento individuales invertidas en un momento dado.

Examinaremos el rendimiento del Tesoro a 10 años menos el rendimiento del Tesoro a 2 años al final de cada semana. La siguiente imagen (cortesía de FRED) muestra este diferencial.

Lo que nos dice el estudio

Entonces, ¿hemos «desacreditado» la idea de que una curva de rendimiento invertida proporciona una señal de alarma? En realidad no, porque a veces sí que han avisado de un mercado bajista. Así, seamos claros acerca de las implicaciones. El mensaje aquí NO ES que los inversores deban ignorar la curva de rendimiento ni ahora ni en el futuro. El punto importante es entender que la curva de rendimiento es sólo un factor que puede afectar el mercado de valores. La curva de rendimiento puede transmitir información potencialmente importante como parte de un enfoque de «peso de la evidencia». Sin embargo, deja mucho que desear como modelo de trading. Demasiados inversores que dan mucha importancia a la curva de rendimiento como indicador del mercado de valores se perdieron el repunte de los últimos 14 meses.

Tres modelos mentales útiles para invertir por Brandon Beylo

• Esta semana comencé a investigar una nueva y emocionante idea de inversión que compartiré con ustedes en breve. El concepto combina tres de nuestros modelos mentales de inversión favoritos: El experimento de los caramelos, las comunidades de culto y la paradoja de la elección. 

Como tal, pensé en escribir una nota que describa qué son estos modelos, por qué los apreciamos tanto y cómo los expresamos en nuestro portafolio actualmente.

El experimento de los caramelos: construyendo el modelo de negocio del mañana, hoy

Todo el mundo conoce el experimento de los caramelos, un experimento psicológico en el que guardas un caramelo ahora para obtener más después. La premisa es simple: se le recompensa por adoptar una visión a largo plazo a pesar de los antojos emocionales que pueda tener en un determinado momento.

Los padres usan caramelos para que sus hijos coman verduras, corten el césped o vacíen el lavavajillas. Los empleadores los utilizan para retener a sus empleados con más talento. El objetivo es entrenar la mente de los empleados (o de los niños) para que vean que a menudo les conviene posponer la gratificación un poco más.

Este modelo no solo funciona para la educación de los padres y la retención de empleados, sino también para las empresas que intentan innovar y cambiar una industria.

Esta es una forma sencilla de aplicar el experimento de los caramelos en las empresas. Cualquier empresa que difiera las ganancias de hoy por el éxito de mañana está construyendo un modelo de negocio que pasaría con éxito el experimento de los caramelos. 

Clayton Christensen, el renombrado pensador en innovación empresarial, explicó este fenómeno en su libro Seeing What’s Next (énfasis mío):

“Resolver los problemas difíciles permite a las empresas capturar valor. Las empresas con visión de futuro avanzan para resolver los problemas difíciles del mañana, porque resolver los problemas difíciles del mañana genera las ganancias del mañana”.

Resolver los complejos problemas del mañana tiene sus problemas. Nunca hay garantía de que el aplazamiento de los beneficios del mañana produzca recompensas. El período de tiempo puede cambiar, los nuevos participantes pueden destruir sus oportunidades o la gerencia simplemente tomar malas decisiones.

Sin embargo, para los ganadores, resolver los desafiantes problemas del mañana genera grandes riquezas para la empresa, sus empleados y sus accionistas. Y es por eso que nos encanta invertir en estos negocios.

Fíjese en Redfin (RDFN), por ejemplo. RDFN está construyendo un negocio basado en un conjunto completamente diferente de supuestos de toda la industria: esto es, que las comisiones de bienes raíces eventualmente llegarán a cero.

RDFN convirtió a sus agentes de bienes raíces en empleados asalariados de tiempo completo con beneficios de salud / 401K para capturar las ganancias del mañana. Están comprando casas a los clientes a través de iBuying. Lo más importante es que están devolviendo todos esos ahorros al cliente: el comprador / vendedor de la vivienda.

El modelo de negocio de RDFN es perfecto para la industria del mañana cuando llegue. Mientras tanto, el modelo representa un riesgo significativo. ¿Por qué una empresa profundamente cíclica sumaría empleados a tiempo completo a su pila de gastos?

Cómo pensar / encontrar estas empresas

Invertir en negocios que pasarían con éxito el experimento de los caramelos requiere un estómago a prueba de bombas. Después de todo, estas empresas renunciarán a las ganancias hoy con la esperanza de generar más mañana. Los inversores deberían esperar un menor crecimiento de los ingresos y las ganancias durante los últimos trimestres.

Hágase preguntas como: “¿Sé, por unidad, lo que la empresa podría ganar en cinco años?” o “Si la empresa dejara de invertir en expansión mañana, ¿cómo sería su perfil de margen?”

Además, escanee las transcripciones de los ingresos en busca de frases como “mentalidad a largo plazo” o “aplazamiento de los beneficios”. Asegúrese de que las acciones y palabras de la gerencia sean consistentes con su modelo del experimento de los caramelos.

Encontrar estos negocios también es difícil. Una buena acción del “experimento de los caramelos” podría verse así:

• Crecimiento de ingresos a 3 años CAGR> 15%
• Margen de utilidad bruta CAGR> 0%

Sí, es un poco exagerado, pero es a propósito. Las empresas del “experimento de los caramelos” deberían experimentar altas tasas de crecimiento de ingresos y una expansión del % de GM. Hagas lo que hagas, no filtres por los ingresos operativos. Recuerde, estos negocios están optimizados para la creación de valor a largo plazo, no para las ganancias operativas a corto plazo.

Comunidades de culto: aprovechando nuestro deseo evolutivo de encontrar a “nuestra gente”

Las empresas que aprovechan nuestro deseo de reunirnos y afiliarnos con personas de ideas afines pueden generar una gran riqueza para los accionistas. Hemos cubierto las acciones de culto ampliamente a lo largo de nuestra investigación, más recientemente con Figs Inc (lea aquí ).

El modelo de comunidad de culto es simple: encuentra cosas que la gente usa para señalar el estatus social, luego crea una marca que una a esas personas. 

Esta idea, una comunidad de culto, se remonta a la red del tiempo evolutivo. Los científicos han documentado la cultura y el comportamiento de culto en los monos bonobos, el carbonero común (¡es un pájaro!) Y sí, los humanos. Pero aquí está el truco. La cultura y el comportamiento de culto aumentan en proporción al tamaño del cerebro de un animal.

Andrew Whiten y su equipo explican este fenómeno en el artículo de la revista El alcance del cultivo genético, coevolución en animales  (énfasis mío):

“La cultura se basa no solo en el aprendizaje social, sino también en la innovación conductual intermitente, y análisis comparativos similares han identificado relaciones entre los registros de innovación y el tamaño del cerebro tanto en primates como en aves. Reforzando estos análisis correlacionales, un modelo mecanicista reciente de la evolución del cerebro concluyó que “nuestros resultados son consistentes con aspectos de varias hipótesis culturales para la evolución del cerebro.”

En otras palabras, los cerebros más grandes predisponen a los humanos a favorecer a las tribus y grupos sobre el individuo. Como resultado, las empresas que explotan este deseo innato de formar grupos deberían ganar más que las que no lo hacen. Vemos evidencia de esto cuando vemos los rendimientos a 5 años de algunas de las marcas de culto favoritas del mercado como Yeti, Inc (YETI), Peloton (PTON), Apple (AAPL) y Lululemon (LULU) a continuación.

Crear una marca de culto es simple en teoría, increíblemente difícil en la práctica. Es una mezcla de atrapar un rayo en una botella y crear un producto que indique virtud o estatus. Expliqué esto en el artículo de FIGS (el énfasis es mío):

“Tome un artículo comercializado (automóviles, ropa deportiva, bicicletas estáticas y neveras portátiles) y conviértalo en un símbolo de estatus social. Ahora, no solo conduce cualquier vehículo; conduces un Tesla. No estás haciendo ejercicio con sudaderas, sino con ropa de Lulu. ¿Esa bicicleta estática? No es un perchero de ropa; es una Peloton, un portal a una comunidad de fanáticos del ciclismo y el fitness.

Quita la marca y matas al culto.

Pero aquí está el truco: no todos los productos básicos pueden (o deberían) ser un culto. Los cultos se forman en torno a productos sociables. Artículos que puede llevar a la casa de un amigo o publicar en Instagram. Nadie está etiquetando con hash su última compra de papel higiénico, y por una buena razón. Solo compartimos cosas que nos dan “puntos” en el interminable juego de estatus social de la vida”.

Nintendo (NTDOY) es un excelente ejemplo de una empresa de culto en nuestra cartera actual. NTDOY tiene una de las marcas e IP más sólidas del mundo. Millones de fanáticos acérrimos acudirán en masa a los nuevos parques de diversiones de Nintendo World anualmente una vez que abra sus puertas.

Hay torneos globales dedicados exclusivamente a los videojuegos de Nintendo (como Super Smash). La ropa / juguetes de marca de la compañía vuelan de los estantes. Además, NTDOY es una rara empresa de culto que cruza fronteras generacionales.

Mis padres jugaban juegos de Nintendo cuando eran pequeños, al igual que yo. La naturaleza simple y fácil de aprender de cada juego creó un hilo que conecta a los jugadores de todos los grupos demográficos.

Nos encanta invertir en comunidades de culto porque son fundamentales para nuestra evolución como especie. Los humanos forman grupos, tribus e identidades alrededor de cosas aparentemente más grandes que ellos mismos. Apostar por esos primeros deseos principales es uno de los juegos más rentables que existen.

Cómo pensar / encontrar estas empresas

La mentalidad de un consumidor es la mejor herramienta para encontrar empresas de culto. Mire alrededor de su vida diaria. ¿Qué lleva la gente? ¿Qué están discutiendo en las fiestas? ¿Ha notado algún producto nuevo que sus amigos usen como símbolos de estatus social?

La respuesta a estas preguntas puede producir el último caldo de cultivo parecido a un culto. Por ejemplo, uno de mis amigos no puede dejar de hablar de su parrilla Traeger. Está en un grupo de Facebook con otros tipos que también tienen Traegers. Publican recetas y comparten técnicas para asar a la parrilla. No lo entiendo, pero él (y miles de otros maestros de la parrilla) están enganchados.

Mi amigo ha entrado en una comunidad social completamente nueva (es decir, un culto) porque es dueño de una parrilla Traeger.

Desafortunadamente, no puede detectar acciones de culto. Dicho esto, hay algunos factores a tener en cuenta, que incluyen:

• Grupos dedicados de Facebook / Discord que giran en torno al producto
• Fuerte presencia / seguimiento en las redes sociales
• Alto índice de NPS
• Producto / mercado de nicho
• Altas tasas de crecimiento de ingresos

Encontrar estos factores requiere buscar en Google y buscar en las redes sociales, pero es un trabajo que otros no harán. Además, utilizo dos sitios web para encontrar calificaciones de NPS fuera de la presentación para inversionistas de una empresa o S-1: Comparablemente y CustomerGauge. 

La paradoja de la elección: suma por resta

El tercer tipo de modelo en el que invertimos ayuda a los clientes a resolver el problema de la paradoja de la elección. Popularizada por el psicólogo Bary Schwartz, la paradoja de la elección es simplemente la idea de que tener muchas opciones puede provocar estrés en los consumidores y traer problemas a la toma de decisiones.

Si aún no lo ha hecho, le recomiendo encarecidamente escuchar el Ted Talk de Schwartz ( aquí ) y leer su libro, Paradox of Choice (enlace del libro electrónico aquí ).

Como consumidores, todos los días experimentamos problemas de Paradoja de la elección. Es decidir qué condimentos conseguir en Chipotle o un nuevo par de calcetines. Tener un sinfín de opciones parece liberador, pero nos obliga a utilizar las valiosas reservas cerebrales incluso para las compras más triviales.

Por ejemplo, Mark Zuckerberg usa el mismo atuendo para escapar de la paradoja de la elección.

Ayudar a los clientes a resolver la paradoja de la elección es un esfuerzo valioso y altamente rentable. Las empresas hacen esto a través de algunos mecanismos, como la confianza en la marca, los algoritmos seleccionados y la escasez.

Analicemos cada uno de estos.

La confianza en una marca es un concepto simple. Los clientes encuentran una marca que han comprado antes y disfrutado, por lo que, por defecto, tienden a confiar en productos similares de la misma marca. Mercedez-Benz es un gran ejemplo. La marca Mercedes-Benz está asociada con el lujo y la calidad. Los clientes saben lo que están comprando cuando ven la marca.

La escasez es diferente pero igualmente poderosa. Las empresas basadas en la escasez ofrecen solo unos pocos productos, y eso es todo. Ejemplos de empresas de escasez incluyen marcas de consumo directo como Harry’s o All Birds. Ambas empresas ofrecen básicamente un producto, pero ambas han experimentado un enorme crecimiento de ingresos y clientes.

Los algoritmos de curación son la categoría final y la que se encuentra en nuestro portafolio actual. Los algoritmos seleccionados utilizan el aprendizaje automático (ML), la inteligencia artificial (IA) o equipos humanos para hacer recomendaciones de productos. La mejor parte es que la selección mejora constantemente para mostrar al cliente lo que quiere cuando lo quiere, gracias al ciclo de retroalimentación de datos que se refuerza a sí mismo.

Westwing AG (WEW) es un ejemplo perfecto de este modelo. WEW ayuda a los clientes a descubrir muebles para el hogar / decoración únicos y de moda a través de una experiencia de compra personalizada en línea. Piense en ello como una revista de compras digitales seleccionada personalmente para cada individuo.

En otras palabras, cuanto más compra un cliente con WEW, más personalizada es la experiencia de compra. Es esta mayor personalización la que reduce el problema de la paradoja de la elección. En lugar de elegir entre 50-100 variaciones de lámpara, los clientes de WEW eligen entre sus 3-5 artículos seleccionados personalmente.

El modelo de Westwing funciona. El 85% de sus clientes utilizan la aplicación más de 100 veces al año. Todo gracias a la reducción de ese problema de Paradox.

Otro ejemplo de algoritmos de curación es Adore Beauty Group (ABY.ASX). Al igual que WEW, ABY selecciona personalmente productos de belleza y maquillaje para sus más de 700.000 clientes activos. ABY ofrece más de 11.000 productos en su tienda en línea y un equipo de servicios de belleza dedicado para ayudar a los clientes a encontrar lo que es mejor para ellos.

Como empresa de comercio electrónico de belleza líder en Australia, ABY puede aprovechar los datos de sus clientes para proporcionar artículos más específicos (es decir, seleccionados) a sus clientes. Luego, la empresa puede crear sus propios artículos de marca para reemplazar los productos de terceros con márgenes cada vez más altos.

Esté atento a una inmersión profunda en DBY en las próximas semanas.

Cómo pensar / encontrar estas empresas

Supongamos que hay una tesis central subyacente a la miríada de ejemplos de negocios de la Paradoja de la elección. En ese caso, es esto: los negocios de Paradoja de la elección ayudan a los clientes a tomar decisiones mejores y más rápidas sobre cosas en las que realmente no quieren pensar. 

A los clientes, de una forma u otra, les gusta que les digan qué ponerse o qué comprar. Es la razón por la que empresas como HelloFresh (HFG) y Stitch Fix tienen mucho éxito. HelloFresh elimina la pregunta “¿qué cenaremos?” mientras Stitch Fix resuelve “¿Qué conjunto debo comprar a continuación?”.

Ahora, la última parte de nuestra tesis central es fundamental: “sobre cosas en las que realmente no quieren pensar”. Los consumidores quieren pensar en decisiones de compra importantes, como una nueva casa, automóvil o cónyuge. Los algoritmos de curación, la escasez y la confianza en la marca aún juegan un papel en este tipo de decisiones. Pero pasan a un segundo plano en la deliberación final del individuo.

Esto es importante porque refina nuestro universo potencial de inversión. El mejor lugar para encontrar negocios de Paradoja de la elección es en productos pequeños orientados al consumidor o en áreas donde los consumidores pueden revertir fácilmente una mala decisión. Cosas como ropa, comida, música, maquillaje, muebles / decoración, etc.

Ideas finales: tres modelos mentales potentes

Invertir es simple. Encuentra las 1-3 cosas que realmente importan para el éxito a largo plazo de una empresa y apuesta por la probabilidad de que esas cosas sucedan. La mayor parte de lo que realmente importa no se encuentra en la educación financiera, sino en las ciencias sociales, la psicología y la biología evolutiva.

En Macro Ops, aprovechamos estos modelos mentales simples pero profundamente duraderos para nuestro beneficio. Invertimos en empresas que satisfacen nuestro deseo de pertenencia (comunidades de culto), ayudan a eliminar la paradoja de la elección (algoritmos de selección) y renunciamos a las ganancias hoy para resolver los problemas complejos del mañana (experimento de los caramelos).

El universo inversor es propicio para este tipo de negocios. Solo es nuestro trabajo encontrarlos.

Hiperparámetros: Optimización y ajuste para el aprendizaje automático por Quantinsti

Los hiperparámetros no son más que los valores que el modelo utiliza para aprender los parámetros óptimos con el fin de asignar correctamente las características de entrada (variables independientes) a las etiquetas o objetivos (variable dependiente).

Por ejemplo, el parámetro son los pesos en una red neuronal artificial (ANN). Los hiperparámetros son los parámetros específicos que optimizan y controlan el proceso de entrenamiento.

Confundido, ¿verdad? No te preocupes.

¡Veremos todo, desde cuáles son los parámetros y los hiperparámetros hasta cómo se pueden utilizar los hiperparámetros para mejorar el rendimiento de su estrategia!

Por lo tanto, los hiperparámetros son un grupo de parámetros que ayudan a entrenar un modelo de aprendizaje automático para proporcionar los resultados necesarios en todo momento.

En este artículo, discutiremos todo sobre los parámetros, los hiperparámetros y el ajuste de hiperparámetros. Este artículo cubre:

• ¿Cuáles son los parámetros?
• ¿Qué es el ajuste de hiperparámetros e hiperparámetros?
• Ejemplos de hiperparámetros
• Importancia de los hiperparámetros
• Hiperparámetros frente a parámetros
• Categorización de hiperparámetros para el modelo de aprendizaje automático de entrenamiento
• Hiperparámetros para la optimización
• Hiperparámetros para modelos específicos
• ¿Cómo ajustar los hiperparámetros?

¿Cuáles son los parámetros?

Los parámetros son aprendidos por el modelo puramente a partir de los datos de entrenamiento durante el proceso de entrenamiento. El algoritmo de aprendizaje automático utilizado intenta aprender la asignación entre las características de entrada y los objetivos o la(s) salida(es) deseada(s).

El entrenamiento del modelo normalmente comienza con los parámetros que se establecen en valores aleatorios o en ceros. A medida que avanza el entrenamiento/aprendizaje, los valores iniciales se actualizan utilizando un algoritmo de optimización. Un ejemplo de un algoritmo de optimización es el descenso de gradiente.

Al final del proceso de aprendizaje, los parámetros del modelo conducen a la formación del modelo.

Ejemplos de parámetros

Algunos ejemplos de parámetros en el aprendizaje automático son los siguientes:

• Los pesos de los modelos de regresión lineal y logística.
• Los centroides del clúster en la agrupación

¿Qué es el ajuste de hiperparámetros e hiperparámetros?

Un hiperparámetro es un parámetro establecido antes de que comience el proceso de aprendizaje para un modelo de aprendizaje automático. Por lo tanto, el algoritmo utiliza hiperparámetros para aprender los parámetros.

Estos parámetros se pueden ajustar de acuerdo con los requisitos del usuario y, por lo tanto, afectan directamente a la forma en que se entrenan los modelos.

Al crear un modelo de aprendizaje automático, hay múltiples opciones de diseño sobre cómo definir la arquitectura del modelo. Por lo general, explorar una gama de posibilidades o probabilidades ayuda a decidir la arquitectura óptima del modelo. Para que un modelo de aprendizaje automático aprenda con forma adecuada, es mejor pedirle a la máquina que realice esta exploración y seleccione automáticamente la arquitectura óptima del modelo.

Los parámetros, que definen la arquitectura del modelo, se conocen como hiperparámetros. Por lo tanto, este proceso de búsqueda de la arquitectura del modelo ideal y, por lo tanto, el hiperparámetro, se conoce como «ajuste de hiperparámetros».

Por ejemplo, los pesos aprendidos mientras se entrena un modelo de regresión lineal son parámetros, pero la tasa de aprendizaje en el descenso de gradiente es un hiperparámetro.

El rendimiento de un modelo en un conjunto de datos depende significativamente del ajuste adecuado, es decir, de encontrar la mejor combinación de los hiperparámetros del modelo.

Ejemplos de hiperparámetros

Algunos ejemplos de hiperparámetros en el aprendizaje automático son los siguientes:

• La k en el algoritmo KNN o K-Nearest Neighbour
• Tasa de aprendizaje para entrenar una red neuronal
• Número de épocas. Una época equivale a un ciclo para entrenar un modelo de aprendizaje automático. El número de épocas sigue aumentando hasta que el error de validación se reduce.
• Ramas en el árbol de decisiones

Importancia de los hiperparámetros

El ajuste de hiperparámetros es bastante importante mientras se entrena un modelo de aprendizaje automático.

El ajuste de hiperparámetros aborda el diseño del modelo con preguntas como:

• ¿Qué grado de características polinómicas debo usar para mi modelo lineal?
• ¿Cuántos árboles debo incluir en mi bosque al azar?
• ¿Cuántas neuronas debería tener en mi capa de red neuronal?
• ¿Cuál debería ser la profundidad máxima permitida para mi árbol de decisiones?

Hiperparámetros frente a parámetros

Categorización de hiperparámetros para el modelo de aprendizaje automático de entrenamiento

En términos generales, los hiperparámetros se pueden dividir en dos categorías, que se indican a continuación:

1. Hiperparámetros para la optimización
2. Hiperparámetros para modelos específicos

Hiperparámetros para la optimización

El proceso de selección de los mejores hiperparámetros para usar se conoce como ajuste de hiperparámetros, y el proceso de ajuste también se conoce como optimización de hiperparámetros. Los parámetros de optimización se utilizan para optimizar el modelo.

Algunos de los parámetros de optimización populares se dan a continuación:

• Tasa de aprendizaje: La tasa de aprendizaje es el hiperparámetro en los algoritmos de optimización que controla cuánto necesita cambiar el modelo en respuesta al error estimado para cada vez que se actualizan los pesos del modelo. Es uno de los parámetros cruciales al construir una red neuronal, y también determina la frecuencia de la comprobación cruzada con los parámetros del modelo. Seleccionar la tasa de aprendizaje optimizada es una tarea difícil porque si la tasa de aprendizaje es mucho menor, entonces puede ralentizar el proceso de formación. Por otro lado, si la tasa de aprendizaje es demasiado alta, es posible que no optimice el modelo correctamente.
• Tamaño del lote: para mejorar la velocidad del proceso de aprendizaje, el conjunto de entrenamiento se divide en diferentes subconjuntos, conocidos como lote.
• Número de épocas: Una época se puede definir como el ciclo completo para entrenar el modelo de aprendizaje automático. Epoch representa un proceso de aprendizaje iterativo. El número de épocas varía de un modelo a otro, y se crean varios modelos con más de una época. Para determinar el número correcto de épocas, se tiene en cuenta un error de validación. El número de épocas aumenta hasta que hay una reducción en un error de validación. Si no hay ninguna mejora en el error de reducción para las épocas consecutivas, entonces indica que se debe dejar de aumentar el número de épocas.

Hiperparámetros para modelos específicos

Los hiperparámetros que están involucrados en la estructura del modelo se conocen como hiperparámetros para modelos específicos. Estos se dan a continuación:

• Una serie de unidades ocultas: las unidades ocultas forman parte de las redes neuronales, que se refieren a los componentes que comprenden las capas de procesadores entre las unidades de entrada y salida en una red neuronal.

Es importante especificar el número de unidades ocultas en el hiperparámetro de la red neuronal. Debe estar entre el tamaño de la capa de entrada y el tamaño de la capa de salida. Más específicamente, el número de unidades ocultas debe ser 2/3 del tamaño de la capa de entrada, más el tamaño de la capa de salida.

Para funciones complejas, es necesario especificar el número de unidades ocultas, pero no debe sobreencajar el modelo.

• Número de capas: una red neuronal se compone de componentes dispuestos verticalmente, que se llaman capas. Hay principalmente capas de entrada, capas ocultas y capas de salida. Una red neuronal de 3 capas ofrece un mejor rendimiento que una red de 2 capas. Para una red neuronal convolucional, un mayor número de capas, idealmente 5-7, hacen un mejor modelo.

¿Cómo ajustar los hiperparámetros?

Para entrenar adecuadamente el modelo de aprendizaje automático, se requiere ajustar los hiperparámetros. Los siguientes son los pasos para ajustar los hiperparámetros:

• Selecciona el tipo de modelo correcto
• Revisa la lista de parámetros del modelo y construye el espacio de hiperparámetros
• Encontrar los métodos para buscar en el espacio de hiperparámetros
• Aplicación del enfoque del esquema de validación cruzada
• Evaluar la puntuación del modelo para evaluar el modelo

Ahora, veamos las dos técnicas más utilizadas para el ajuste de hiperparámetros. Estas dos técnicas son:

• Búsqueda en cuadrícula
• Búsqueda aleatoria

Búsqueda en cuadrícula

La búsqueda en cuadrícula es la técnica de búsqueda exhaustiva a través de cada combinación de los valores de hiperparámetros especificados.

La búsqueda de cuadrícula es el algoritmo más simple para el ajuste de hiperparámetros. Básicamente, dividimos el dominio de los hiperparámetros en una cuadrícula discreta. Luego, probamos cada combinación de valores de esta cuadrícula, calculando algunas métricas de rendimiento utilizando la validación cruzada.

El punto de la cuadrícula que maximiza el valor promedio en la validación cruzada es la combinación óptima de los valores de los hiperparámetros.

La búsqueda de cuadrícula es un algoritmo exhaustivo que abarca todas las combinaciones, por lo que realmente puede encontrar el mejor punto en el dominio. Un inconveniente es que es muy lento. Comprobar cada combinación del espacio requiere mucho tiempo que, a veces, no está disponible.

Cada punto de la cuadrícula necesita una validación cruzada de k-fold, lo que requiere k pasos de entrenamiento. Por lo tanto, ajustar los hiperparámetros de un modelo de esta manera puede ser bastante complejo y costoso. Sin embargo, si buscamos la mejor combinación de valores de los hiperparámetros, la búsqueda de cuadrícula es una muy buena idea.

Búsqueda aleatoria

En caso de búsqueda aleatoria, a diferencia de la búsqueda en cuadrícula, no se prueban todos los valores de parámetros dados.

Por lo tanto, se muestrea un número fijo de ajustes de parámetros a partir de la distribución de valores especificada.

Para cada hiperparámetro, se puede especificar una distribución de valores posibles o una lista de valores discretos (que se muestrearán de manera uniforme).

El proceso de muestreo en una búsqueda aleatoria se puede especificar de antemano. Para cada hiperparámetro, se puede especificar una distribución sobre posibles valores o una lista de valores discretos (que se muestrearán de manera uniforme).

Cuanto más pequeño sea este subconjunto, más rápida pero menos precisa será la optimización. Cuanto más grande sea este conjunto de datos, más precisa será la optimización, pero más cerca de una búsqueda en cuadrícula.

La búsqueda aleatoria es una opción muy útil cuando tienes varios hiperparámetros con una cuadrícula de valores de grano fino.

Usando un subconjunto hecho por 5-100 puntos seleccionados al azar, podemos obtener un conjunto razonablemente bueno de valores de los hiperparámetros.

No es probable que sea el mejor punto, pero aún así puede ser un buen conjunto de valores que nos dé un buen modelo.

Conclusión

Los hiperparámetros y el ajuste de hiperparámetros son muy importantes para garantizar que el modelo de aprendizaje automático almacene la información correcta para mapear las entradas con las salidas correctas.

Con el conocimiento adecuado con respecto a los hiperparámetros, se puede entrenar el modelo de aprendizaje automático para las acciones requeridas.

Una breve historia del Nasdaq 100 por Ben Carlson

El Nasdaq 100 ha subido más del 50 % este año.

El índice de tecnología está a punto de obtener la primera posición, en cuanto a rendimiento, desde 2009.

Las acciones de Magnificent 7 han contribuido a las ganancias explosivas de este año, pero también ayuda el hecho de que el Nasdaq se desplomara el año pasado, cayendo más del 32 %.

De hecho, si miras los rendimientos totales desde el comienzo de 2022, cotiza solo ligeramente en positivo:

También es cierto que las grandes ganancias en este índice han sido la norma desde hace bastante tiempo.

Estos son los rendimientos anuales desde 2013:

Cinco de los últimos siete años han visto ganancias superiores al 25 %. Cuatro de esos siete años fueron del +30% o más. Ocho de los últimos once años han visto movimientos de dos dígitos en cualquier dirección (en su mayoría al alza).

Las grandes ganancias y las grandes pérdidas son la norma para el Nasdaq, incluso más que para el resto del mercado de valores.

Eche un vistazo al ciclo de rendimiento utilizando algunos años seleccionados para el Nasdaq 100, S&P 500 y Russell 2000:

Todo es más grande en Texas, el Nasdaq.

Esa carrera en la década de 1990 fue de otro mundo. Tuviste un 38 % de rendimientos anuales de 1991-1999 a medida que la burbuja se hinchaba. El otro lado de esa carrera de locos fue un desplome del 83 % cuando la burbuja se desinfló junto con rendimientos negativos desde 2000 hasta algún momento de 2013.

La compensación durante casi una década de rendimientos anuales de casi el 40 % hizo que el índice no fue a ninguna parte durante casi una década y media.

Como siempre, el riesgo y la recompensa están unidos a la cadera.

No obtienes un 19 % de rendimientos anuales desde 2012 sin la perspectiva de una década perdida de más de lo que conduce a estos maravillosos rendimientos.

Mucha gente está preocupada por la concentración del Nasdaq 100 y los enormes rendimientos que esas acciones han experimentado en este ciclo.

Mientras que las 10 principales acciones del S&P 500 representan aproximadamente el 30 % del índice, las 10 principales representan más del 50 % de la capitalización de mercado en el Nasdaq 100.

Me gusta el argumento de que la reversión a la media debería jugar sus cartas en el futuro. No se pueden esperar que continúen ganancias de casi el 20 % al año.

Pero el Nasdaq de este siglo se parece mucho a los retornos de 2022 y 2023 juntos. Desde principios de 2000, el Nasdaq 100 ha subido un 6,4 % al año. Una vez más, esa es una fecha de inicio seleccionada a la altura de una enorme burbuja, pero es importante mirar un ciclo completo al medir el rendimiento.

No confío en mi capacidad para predecir los rendimientos futuros del mercado. Simplemente hay demasiadas variables en juego.

Confío más en la idea de que los inversores en el Nasdaq 100 experimentarán máximos y mínimos más bajos que el mercado de valores en general cuando se trata de rendimientos debido a la concentración y los tipos de acciones que posee el índice.

El riesgo es mucho más fácil de predecir que los rendimientos.

Si quieres tener grandes ganancias, tienes que estar dispuesto a superar grandes pérdidas.

¿Puede continuar este repunte del mercado? por Brett N. Steenbarger

El mercado de valores de EE. UU. se ha recuperado bruscamente de sus mínimos de finales de octubre, lo que nos ha llevado a nuevos máximos en varios de los principales índices. El jueves pasado vimos una fuerza de amplitud especial con más de 2500 acciones en los principales índices que registraron nuevos máximos mensuales y más de 1700 haciendo nuevos máximos de tres meses. Al mismo tiempo, solo 188 y 86 acciones alcanzaron nuevos mínimos de uno y tres meses. Gracias al cambio de la Reserva Federal y a un cambio dramático en la bajada de las tasas de interés, la compra fue amplia, elevando tanto las acciones de pequeña como de gran capitalización. Cuando vemos grandes movimientos en todas las clases de activos (renta fija, divisas, acciones), sabemos que algo fundamental está en marcha entre los inversores. Pero, ¿qué viene ahora? Después de una fuerza tan amplia, ¿veremos más impulso alcista o por el contrario veremos un giro? Echemos un vistazo a la historia reciente del mercado.

Como he indicado en el pasado, la fuerza (medida por el número de acciones que hacen nuevos máximos) y la debilidad (medida por nuevos mínimos) deben considerarse como variables relativamente independientes. Sin duda, las dos están relacionadas, desde 2016 (casi 2000 días de mercado), la correlación entre los nuevos máximos y mínimos de 1 mes es de -.54 y entre los nuevos máximos y mínimos de 3 meses es de -.46. Lo que esto significa es que solo alrededor del 25 % de la variación en nuevos mínimos se explica por el número de nuevos máximos y viceversa. (Todos los datos están sacados de Barchart.com).

Cuando examinamos los datos históricos desde 2016, podemos ver la importancia de considerar la fortaleza y la debilidad por separado. Por ejemplo, solo hemos tenido 24 días en ese tiempo en los que los nuevos máximos de tres meses superaron los 1000. Durante las siguientes 10 sesiones de negociación, el SPY promedió una pérdida del -,11%, en comparación con el +,23% para el resto de la muestra. Sin embargo, durante las siguientes 50 sesiones de negociación, SPY ganó un promedio de +3,81%, mucho más que la ganancia promedio de +2,39% para el resto de la muestra. De hecho, cuando hemos tenido una explosión de nuevos máximos, el mercado subió 21 veces, solo 3 en los próximos 50 días. Durante los siguientes 10 días, subió 11 veces, bajó 13.

Por el contrario, cuando los nuevos mínimos de tres meses están por debajo de 100 (N = 475), los rendimientos han sido superiores durante las próximas 20 sesiones de negociación, con una ganancia promedio del +1,99% frente a una ganancia promedio del +,59% para el resto de la muestra. En otras palabras, cuando los nuevos máximos se dan a niveles altos, hemos visto un impulso a lo largo de un horizonte temporal más largo; cuando los nuevos mínimos han sido en niveles bajos, vemos un impulso al alza a corto plazo. Cuando los nuevos máximos son altos *y* los nuevos mínimos son bajos, el patrón ha sido similar al de los nuevos máximos elevados: rendimientos débiles durante las próximas diez sesiones de negociación; rendimientos superiores en un horizonte de 50 días.

Sin duda, las noticias sobre la inflación y el crecimiento afectarán a los mercados de tasas y eso, a su vez, podría mover las acciones. Durante el aumento de los mercados de tendencia/impulso, me ha resultado útil buscar puntos de sobreventa a corto plazo en el mercado (puntos durante los cuales la mayoría de las acciones cierran por debajo de sus promedios móviles de 3 y/o 5 días) que se producen a precios más bajos. Esas caídas son oportunidades para participar en la tendencia más amplia y también crear puntos lógicos para poner nuestros stops si se rompe la tendencia alcista. Al menos por ahora, los mercados están tratando las noticias de la Reserva Federal como un cambio de juego. La evidencia histórica reciente sugiere que la marea creciente que levanta hace flotar a todos los barcos a menudo continúa, aunque no necesariamente a corto plazo.

La diversificación de sistemas, el verdadero Santo Grial del trading  por Kevin Davey

• ¿Cómo superar los posibles baches del mercado? La diversificación de sistemas es clave.
• Artículo publicado en Hispatrading 56.

La mayoría de los nuevos traders entran a la arena del trading con el símbolo del dólar reflejándose en sus ojos. Están buscando el “Santo Grial” que convertirá sus sueños en realidad. Este sueño está fuertemente promovido algunas firmas de trading sin escrúpulos, que solo muestran el lado positivo y la rentabilidad del trading. ¿No es sorprendente cuántas estrategias que se venden parecen estar libres de drawdown?

Por supuesto, la realidad para la mayoría de los traders es todo lo contrario. Los traders prueban un método o estrategia, ponen todo su capital en él y lo operan. Cuando el nuevo sistema inevitablemente llega a un drawdown, aquellos que tienen la suerte de escapar con algo de su capital simplemente pasan al siguiente «Santo Grial» que encuentran. Y la historia se repite, una y otra vez.  Este fenómeno es una de las muchas razones por las que la mayoría de los traders pierden dinero.

Entonces, esto plantea la pregunta: «¿hay un mejor enfoque para el trading, una alternativa a la búsqueda del Santo Grial?”. Afortunadamente, la hay, aunque la mayoría de la gente no habla mucho de ello.  La mejor manera se resume con una palabra: «diversificación». En otras palabras, sistemas de trading diversificados. Este artículo explica qué es la diversificación, por qué es tan valiosa y, lo que es más importante, cómo lograrla.

¿Qué es la diversificación en el trading?

En términos simples, crear un sistema de trading diversificado significa que el trader no se basa en un solo enfoque de los mercados. En el trading de acciones, por ejemplo, muchos traders diversifican operando acciones en diferentes industrias o con diferentes grados de correlación (valores beta) con el mercado de valores general. Los beneficios de este tipo de diversificación han sido bien documentados en la investigación académica durante décadas, por lo que la mayoría de la gente lo sabe.

En el trading de futuros, la diversificación se puede lograr de muchas maneras. Un trader podría incorporar varios estilos «macro» al mismo mercado. Por ejemplo, un trader podría operar con soja con un enfoque de trading de spreads basados en el calendario, aprovechando los cambios de precios entre los diferenciales de precios del año de cosecha anterior y el nuevo año de cosecha. También podría emplear una estrategia de venta de opciones, aprovechando los períodos planos para cobrar la prima.  El trader también podría operar en futuros de soja direccionalmente, con la esperanza de saltar a una tendencia.  Cada una de estas técnicas podría emplearse simultáneamente.  Aunque todas las estrategias hacen trading con soja o sus derivados, los resultados de cada estrategia pueden no estar correlacionados con las otras estrategias.  Eso proporciona diversificación.

Otra forma de diversificar en futuros es operar la misma estrategia con diferentes marcos de tiempo (tamaños de barra) o diferentes mercados. Un operador discrecional podría, por ejemplo, utilizar ese enfoque para operar en mercados no correlacionados. Un trader algorítmico puede emplear el mismo enfoque, operando la misma estrategia con diferentes mercados. O bien, podría operar en diferentes estrategias con diferentes mercados. Cada uno de estos enfoques también podría proporcionar la diversificación deseada.

La clave de la diversificación, sin importar cuál sea el mercado o el tipo de trader, simplemente se convierte en operar de múltiples maneras diferentes.

Por qué la diversificación es tan poderosa

La razón por la que la diversificación funciona tan bien se puede resumir en una frase simple: «las ganancias se suman, las pérdidas no». Un simple ejemplo ilustra este hecho.  Considere dos buenas, pero no excelentes, estrategias de trading de futuros, como se muestra en la siguiente figura. Una estrategia opera con Lean Hogs, una estrategia diferente opera con el mini S&P. Cada estrategia por sí sola es rentable, con, por supuesto, su propio dradown inevitable. Claramente, ¡ninguna estrategia es el Santo Grial por sí misma!

El verdadero poder de operar con estas dos estrategias está en operarlas juntas. La pérdida máxima para la cartera combinada de Hogs y mini S&P es en realidad menor que operar cada sistema por sí mismo, como se muestra en la tabla 1. Mientras que una estrategia está en pérdidas, la otra estrategia está alcanzando nuevos máximos de renta variable, y viceversa. Por lo tanto, con el tiempo, las pérdidas se suavizan, mientras que las ganancias de cada una simplemente se suman. Este es el beneficio de la diversificación.

¿Por qué diversificar?

Este efecto de suavizado del drawdown se puede mejorar aún más añadiendo estrategias de trading adicionales. Siempre que las estrategias no estén correlacionadas, o solo estén ligeramente correlacionadas, el drawdown general de la cuenta en términos porcentuales se puede disminuir agregando más estrategias.

Cómo diversificar

La clave para lograr la diversificación es operar simultáneamente en estrategias no correlacionadas. Pero ¿Cómo hace uno eso? Una forma de garantizar la diversificación es medir el coeficiente de correlación (R^2) entre 2 estrategias, como se muestra en la figura 2. Esto se puede hacer en Excel o con cualquier software. Cuanto menor sea el coeficiente de correlación, mayor será la diversificación que proporcionarán las estrategias.

Este efecto de suavizado del drawdown se puede mejorar aún más añadiendo estrategias de trading adicionales. Siempre que las estrategias no estén correlacionadas, o solo estén ligeramente correlacionadas, el drawdown general de la cuenta en términos porcentuales se puede disminuir agregando más estrategias.

Sin embargo, este método se vuelve engorroso al verificar la correlación de muchas estrategias. Cada estrategia debe verificarse con cualquier otra estrategia, y eso puede llevar mucho tiempo completar el análisis. Afortunadamente, existe una alternativa relativamente fácil.

Dado que el objetivo final de la diversificación es mejorar las características de la curva de renta variable, simplemente se podría medir la relación entre el beneficio y la pérdida máxima de la curva de renta variable resultante. Una estrategia que mejore el rendimiento general de las ganancias a la pérdida añadirá diversificación a la cartera, lo que resultará en un menor drawdown para una cantidad equivalente de ganancias.

Una nueva forma de ver la diversificación

Dos de las preguntas más importantes que surgen con la diversificación son:

1. ¿Cómo sé si una nueva estrategia está añadiendo o restando a la diversificación de mi cartera?

2. ¿Cómo sé cuándo tengo suficientes estrategias de trading para diversificarme completamente?

Dado que estas son preguntas que mis estudiantes hacen con frecuencia, decidí armar una gran herramienta nueva. Yo lo llamo el Diversificator™.

Esta herramienta de Excel, incluida sin costo en el taller de Strategy Factory, le da al trader la capacidad de:

A.  Obtener rápidamente datos de rendimiento de múltiples informes de Tradestation y visualizar las curvas de capital y drawdown de la cartera.

B.  Comprobar y ver si una estrategia se suma a la diversificación o resta diversificación.

C.  Determinar cuántas estrategias se necesitan para lograr la diversificación.

Esta herramienta hace mucho por usted con respecto a la diversificación. Con ella, puedes ver fácilmente cómo lograr y mejorar la diversificación de tu cartera.

Sistema de trading diversificado

¿Cómo puedes saber de antemano que una nueva estrategia no estará correlacionada con otras estrategias? La experiencia ha demostrado que simplemente hacer las cosas de manera diferente generalmente conduce a la diversificación. Por ejemplo, un trader puede incorporar al menos una, e idealmente muchas, de las siguientes diferencias para obtener una estrategia diversificada:

• Diferentes parámetros de la estrategia.
• Estrategia completamente diferente (diferentes enfoques para el seguimiento de tendencias) – Como ejemplo, mis libros de trading proporcionan muchas estrategias de ejemplo diferentes.
• Enfoque de estrategia diferente (contra tendencia o reversión a la media versus seguimiento de tendencia).
• Diferente longitud de barra (barras de X minutos en lugar de barras diarias)
• Diferentes mercados (trading de algunos granos, algunos futuros de energía, algunas divisas, etc.)

Cualquiera de estos por sí mismo puede proporcionar una estrategia no correlacionada a una estrategia existente. Cree una estrategia con dos o más de estas diferencias, y la diversificación puede ser aún más evidente.

Inconvenientes de la diversificación

Por muy buena que sea la diversificación, no está exenta de inconvenientes. Por ejemplo, operar en múltiples estrategias requiere más capital. Un trader con una cuenta de $5.000 simplemente no tiene suficiente capital para diversificarse bien. En segundo lugar, en tiempos de crisis, todos los mercados pueden llegar a estar temporalmente altamente correlacionados. Esto ocurrió durante la crisis financiera de 2008-9.  También podría ocurrir si sucediera algo dramático, como la devaluación del dólar estadounidense. En tal situación, todo podría ir en contra del trader a la vez.

Un inconveniente final de la diversificación es que el posible rendimiento alcista es limitado. Un trader concentrado en operar solo con una estrategia tiene muchas más posibilidades de tener un muy buen año que un trader diversificado, si la estrategia del trader concentrado tiene un año tremendo. El trader diversificado, por otro lado, probablemente tendrá algunos sistemas de bajo rendimiento en un año determinado, lo que limitará el total de su cuenta al alza. Pero, esto también significa que el trader concentrado también tiene un mayor riesgo de meterse en problemas, si su estrategia tiene un año realmente malo. Sin embargo, si no se requiere proteger las posiciones, un trader podría estar en mejores condiciones si permanece no diversificado y busca grandes ganancias.

Resumen

Muchos traders veteranos te dirán que diversificar es la mejor manera de hacerlo. La filosofía opuesta, «poner todos los huevos en la misma cesta», no es necesariamente el mejor camino a seguir, especialmente si la cesta se puede caer en cualquier momento. Poner los huevos en múltiples cestas, en otras palabras, diversificarse, disminuye la posibilidad de una pérdida catastrófica.  Si un trader opera con 20 estrategias, una o dos pueden dejar de funcionar sin destruir la cuenta en general. Desafortunadamente, un trader con una sola estrategia no puede decir lo mismo. Estar diversificado puede conducir a rendimientos más suaves y a un menor riesgo de ruina. Muchos traders consideran que esta es una situación ideal.

¿Un nuevo mercado alcista en las acciones de pequeña capitalización? por Alex Barrow

1. El SPX se encuentra en un régimen de mercado alcista neutral. Ya van siete semanas alcistas consecutivas, lo que es una rara demostración de fuerza. Nuestra puntuación de fragilidad de tendencia (una combinación de posicionamiento y sentimiento) ha aumentado desde sus mínimos del 24% a principios de noviembre hasta el 83 % de hoy, un signo de optimismo extremo, aunque todavía un 7% menos para desencadenar una señal de venta adecuada.

Esta semana entra en uno de sus períodos más fuertes de estacionalidad, aunque la cinta se encuentra en 2std+ de compra extrema a través de múltiples medidas.

2. La línea naranja es una acumulación del porcentaje de acciones del SPX que operan por encima de sus medias móviles de 10, 20, 50 y 200 días. Las lecturas extremas pueden indicar tanto sobrecompra como sobreventa y mostrar la fuerza/debilidad relativa del impulso subyacente a la tendencia.

En este momento, el 87 % de las acciones del SPX están operando por encima de las cuatro medias móviles, lo que históricamente es bastante fuerte (los círculos amarillos marcan casos anteriores).

3. En los últimos 20 años, ha habido 62 casos por encima del 85 %. 46 de estos mostraron rendimientos positivos en los siguientes 40 días con un rendimiento medio del 3,9 % (línea amarilla = promedio).

4. Por lo tanto, si bien los niveles de sobrecompra aumentan el riesgo a corto plazo de ver una consolidación/corrección, un mercado de sobrecompra es a menudo un signo de fuerza de la demanda que precede a nuevas ganancias. Se necesita más contexto para ayudar a distinguir entre los dos posibles escenarios.

Una entrada contextual que rastreamos regularmente son los sectores internos del mercado. Y continúan sugiriendo que la tendencia alcista está viva y bien y que el camino a seguir subiendo está en pie por ahora. Nos volveremos más cautelosos cuando estos se rolen y/o nuestra puntuación de TF supere el 90 %.

5. El Russell 2000 (RTY) está chocando tanto en la parte superior de su rango lateral de 18 meses como en su banda semanal de Bollinger. Es probable que lo veamos consolidarse en estos niveles, pero los datos recientes (a continuación) sugieren que pronto lo veremos salir al alza.

6. SentimenTrader señaló la semana pasada que «el porcentaje de acciones de Russell 2000 que registraron un máximo de 63 días aumentó al 48 %, alcanzando el quinto nivel más alto de la historia».

7. Y «cuando el porcentaje de acciones de Russell 2000 que registraron un máximo de 63 días aumentó por encima del 38 %, los rendimientos, las tasas de ganancia y las puntuaciones z para el índice de pequeña capitalización fueron sobresalientes. Un año después, el índice siempre cotizó a niveles más altos».

8. Hemos estado comprados en bonos durante las últimas semanas debido al posicionamiento/sentimiento, un patrón técnico confirmado, y nuestros indicadores de rendimiento que divergen a la baja, lo que sugiere que los rendimientos pronto seguirían ese camino (es decir, bonos hacia arriba).

Sin embargo la situación actual nos hace que ejecutemos algunas ganancias o, al menos, que ajustemos nuestros stops loss. Aquí podemos ver que nuestro indicador de rendimiento (línea roja) diverge fuertemente al alza.

9. Los futuros de las notas a 10 años (ZN1) se están enfrentando a su banda de Bollinger semanal superior. Esto no significa que sea hora de volverse bajista. Solo significa que las probabilidades de una corrección/consolidación en los bonos han aumentado, por lo que deberíamos gestionarlo en consecuencia.

10. Mira los sectores/industrias con los rendimientos consecutivos más fuertes en nuestro mapa de calor de rendimiento. Tenemos construcción de viviendas, constructores de viviendas, semiconductores y consumidores discrecionales.

Este no es el tipo de movimientos que ves si te diriges directo a una recesión. Esta es una acción de precios cíclicamente alcista, que se alinea con el peso más amplio de la evidencia que dice que la tendencia principal es para los activos de riesgo.

11. Hablando de acciones de pequeña capitalización, estamos viendo mucha fuerza técnica en los transportistas (petroleros, graneles secos, contenedores, etc.). Esto se alinea con los datos que sugieren que la economía mundial ya ha hecho mínimos y, por lo tanto, deberíamos ver una recuperación en el comercio mundial.

Hay varias gráficas con muy aspecto técnico en este sector y uno de los nombres que nos gustan es Navios Maritime Partners (NMM). El siguiente gráfico es semanal

12. La acción no solo se está rompiendo un patrón de cuña de 2 años, sino que también está cotizando a precios bajos… He aquí un vistazo a su valoración actual en relación con sus múltiplos históricos, así como a sus pares. (gráfico a través de Koyfin).

Gracias por leer.