Comercio Cuantitativo - página 23

 

Negociación de volatilidad: Negociación con el índice de miedo VIX



Negociación de volatilidad: Negociación con el índice de miedo VIX

La sesión comenzó con el anfitrión y el orador invitado proporcionando una agenda para el seminario web, cuyo objetivo era mejorar la comprensión de los participantes sobre la volatilidad en los mercados financieros. Comenzaron definiendo la volatilidad y su asociación con el VIX, también conocido como el "índice del miedo". El orador profundizó en los diferentes tipos de derivados VIX y basados en VIX, arrojando luz sobre su importancia en el comercio. La sesión también incluyó un enfoque práctico para operar con el VIX y concluyó con una sesión de preguntas y respuestas para abordar cualquier duda de la audiencia.

Para ilustrar el concepto de volatilidad, el anfitrión usó Tesla como ejemplo de una acción altamente volátil, explicando cómo sus rendimientos diarios fluctúan entre -20% y +20%. Este nivel de volatilidad lo convierte en un activo riesgoso de manejar. El anfitrión enfatizó que simplemente mirar el gráfico de precios de un activo no proporciona una idea clara de su volatilidad. En cambio, son los rendimientos diarios los que ofrecen una mejor indicación de la volatilidad de un activo.

El video exploró aún más la aplicación de la volatilidad más allá del comercio de opciones y su utilidad para tomar decisiones sobre la compra de activos en su conjunto. El orador clasificó la volatilidad en función de la magnitud de las fluctuaciones de un activo, que van de alta a baja volatilidad. Se hizo una comparación entre Tesla y el S&P 500, siendo el S&P 500 considerablemente más bajo en volatilidad. Se discutieron varios métodos para medir la volatilidad, incluida la desviación estándar y beta, que proporcionan valores históricos de volatilidad. Se introdujo el concepto de volatilidad implícita, que representa la expectativa del mercado de los movimientos futuros de un activo sin especificar la dirección de esos movimientos.

Luego, el seminario web se centró en explicar el cálculo del VIX, o índice de volatilidad, y su utilización de la volatilidad implícita de diferentes tipos de opciones de índice para medir el potencial de cambios bruscos. El VIX se conoce comúnmente como el "índice del miedo" y se grafica en relación con el S&P 500. Si bien el VIX generalmente apunta a mantenerse bajo, los eventos inesperados pueden hacer que se dispare, lo que genera un mayor temor en el mercado. El cálculo real del VIX lo lleva a cabo la CBOE, que proporciona a los operadores las cifras que necesitan para realizar un seguimiento del viaje del VIX y su relación con el índice subyacente. En general, el VIX sirve como una herramienta esencial para los comerciantes que buscan mitigar el riesgo en el mercado.

El orador discutió más a fondo la relación entre el VIX y el S&P 500, enfatizando que el VIX refleja la expectativa de volatilidad del mercado en el futuro del índice y cómo reacciona en tiempos de incertidumbre cuando el S&P 500 experimenta caídas. El orador citó ejemplos como la guerra comercial entre EE. UU. y China y la pandemia de COVID-19 para ilustrar la correlación entre el VIX y el S&P 500. Si bien el VIX se esfuerza por mantenerse bajo, los eventos inesperados pueden provocar un fuerte aumento de la volatilidad. Sin embargo, a medida que los comerciantes procesan nueva información y disminuye la incertidumbre, también disminuye la volatilidad.

El concepto de índice de miedo o VIX se introdujo como una medida del miedo de los comerciantes con respecto a las noticias negativas que afectan al mercado. Se destacó que el VIX no se limita al S&P 500, sino que se puede aplicar a otras áreas geográficas, como la Bolsa de Valores de Australia, las acciones de la zona euro y el índice Hang Seng, así como a otras clases de activos como materias primas y divisas. La necesidad del VIX surge porque los comerciantes pueden tener expectativas de volatilidad del mercado, pero no es el único factor para determinar las decisiones comerciales, ya que las opciones griegas también juegan un papel. Por lo tanto, el VIX sirve como una herramienta para que los operadores negocien opciones en función de la volatilidad del mercado. Aunque el VIX en sí mismo no tiene un instrumento comercial, los derivados como los futuros y las opciones permiten la estimación de la volatilidad futura, lo que facilita las estrategias comerciales.

Se discutieron los diferentes tipos de futuros de VIX disponibles para negociar, incluidos los vencimientos estándar, del mes cercano, del próximo mes, del mes lejano y los vencimientos semanales. El video destaca que si bien los futuros de VIX pueden ser costosos, hay mini-futuros disponibles a una décima parte del valor, lo que brinda una opción más accesible para los comerciantes. Además, se introdujeron los ETF (fondos cotizados en bolsa) de VIX como una alternativa a la negociación de futuros de VIX. Estos ETF derivan su valor de los futuros de VIX y ofrecen diferentes opciones según las preferencias de los comerciantes. Los ETF de VIX a corto plazo, como VIXY, rastrean los futuros del mes próximo y del próximo mes, mientras que los ETF de VIX a mediano plazo, como VIXM, rastrean los futuros a mediano plazo. También se mencionaron los ETF de VIX inversos, como SVXY, ya que se mueven en la dirección opuesta a los futuros de VIX, aumentando su valor cuando los futuros bajan. Los comerciantes pueden elegir entre estos diversos tipos de futuros y ETF de VIX en función de sus perspectivas de mercado y estrategias comerciales.

A continuación, el video exploró otros derivados basados en VIX, incluidos los ETF de VIX y los ETN (notas negociables en bolsa) de VIX. Se explicó que los ETF de VIX tienen futuros de VIX subyacentes, lo que brinda exposición a la volatilidad en el mercado. Por otro lado, se destacó que los ETN de VIX no tienen un activo subyacente. El orador mencionó el popular VXX como un ejemplo de VIX ETN. Se enfatizó que el comercio de derivados basados en VIX conlleva riesgos, y es crucial que los comerciantes comprendan estos riesgos antes de participar en tales actividades comerciales. Se recomendaron estrategias de prueba y backtesting en un entorno de comercio de papel antes de operar con capital real. Los ETN, en particular, conllevan un riesgo de emisor, lo que significa que si la empresa que emite los ETN no cumple con sus obligaciones, el capital de los inversores podría estar en riesgo. Además, se observó que los futuros de VIX tienen un efecto de contango que introduce ciertos riesgos y consideraciones para los comerciantes.

El orador profundizó en el tema de la convergencia de futuros VIX a medida que se acercan a su fecha de vencimiento. Explicaron que a medida que se acerca la fecha de vencimiento, los precios de los futuros del VIX tienden a converger. Se hizo hincapié en que estar en el lado correcto del comercio antes de esta convergencia es crucial para los comerciantes involucrados en el comercio de futuros VIX. Luego, el video presentó una estrategia simple basada en VIX que implica el uso de VIX para cubrir una cartera durante tiempos de declive al ir en largo en futuros de VIX. Esta estrategia se probó y se descubrió que generaba rendimientos tres veces más altos entre 2011 y 2021 cuando se combinaba con una cartera del S&P 500. Se enfatizó la importancia de realizar pruebas retrospectivas de las ideas y practicarlas en un entorno de operaciones en papel como medio para ganar confianza antes de implementarlas. en escenarios comerciales reales.

Los anfitriones del seminario web compartieron información sobre un curso que han desarrollado llamado "Estrategias de comercio de volatilidad para principiantes". El curso se enfoca en enseñar a los comerciantes varios métodos para medir la volatilidad, incluidos ATR (rango verdadero promedio), desviación estándar, VIX y beta. Hicieron hincapié en la importancia de equiparse con las herramientas y los conocimientos adecuados para operar sin temor a la volatilidad. Los anfitriones mencionaron que el curso está actualmente disponible con un 67% de descuento por tiempo limitado. Además, a los asistentes al seminario web se les ofreció un descuento adicional del 10 % en el curso utilizando el código de cupón VTS10. Los anfitriones también aprovecharon la oportunidad para abordar algunas preguntas de la audiencia, incluidas preguntas sobre el enfoque en el mercado estadounidense al analizar el VIX y si el VIX actúa como un indicador anticipado o rezagado de los movimientos de precios.

El orador explicó además la reacción casi instantánea del VIX al S&P 500. Si bien no se discutió el rango específico del VIX, se señaló que la volatilidad de 30 días está anualizada y cae dentro de un rango de 0 a 100. El orador destacó diferentes fases del VIX, como la fase baja a media que va de 10 a 20 y la fase media de 20 a 25. El orador reconoció que el pastoreo, o la tendencia de los participantes del mercado a actuar colectivamente, puede afectar el VIX. El video también menciona la disponibilidad de opciones de futuros para India VIX, aunque la liquidez en esas opciones es limitada debido a los altos requisitos de capital.

Durante la sesión de preguntas y respuestas, el video abordó varias preguntas relacionadas con la volatilidad comercial y el VIX. Una pregunta indagó sobre la posibilidad de negociar derivados basados en VIX mientras se encuentra en la India. La respuesta indicó que si bien es una práctica emergente, algunas plataformas comerciales permiten negociar derivados basados en VIX en India. Otra pregunta planteó la idea de incluir el sentimiento de las noticias como un parámetro adicional en los modelos de valoración de opciones. El orador explicó que el VIX pertenece a una clase de activos diferente y no usa los mismos modelos que otras opciones. Sin embargo, el video reconoció que el análisis de sentimientos puede desempeñar un papel en la comprensión de la dinámica del mercado. Además, el video menciona brevemente a UVIX y SVIX como activos subyacentes que pueden tratarse de manera similar a otros activos al considerar estrategias comerciales.

Luego, la discusión se centró en las reglas de una estrategia de cartera combinada, que se mencionó anteriormente en el video. El ponente explicó los criterios para las reglas de entrada y salida en esta estrategia. La regla de entrada se centra en el comportamiento del S&P 500, donde si está cayendo, los operadores pueden reservar capital para ir en largo en el VIX. Se señaló que el VIX generalmente sube cuando el S&P 500 cae. Por otro lado, la regla de salida considera el comportamiento del S&P 500 para determinar si ha salido de un mercado bajista y si la economía en general está funcionando bien, lo que indica un mercado alcista. Se aconsejó a los comerciantes que evaluaran las condiciones del mercado antes de tomar decisiones sobre la entrada o salida de operaciones.

El seminario web proporcionó información detallada sobre el comercio de volatilidad, con un énfasis particular en el VIX como indicador clave. Cubrió temas como la comprensión de la volatilidad, la medición y categorización de la volatilidad, el cálculo del VIX, los diferentes tipos de derivados basados en el VIX y las estrategias para operar con la volatilidad. Los anfitriones también ofrecieron un curso sobre estrategias comerciales de volatilidad para principiantes, alentando a los operadores a equiparse con los conocimientos y herramientas necesarios para navegar el mercado con confianza. El seminario web concluyó con una sesión interactiva de preguntas y respuestas, que abordó varias preguntas de la audiencia y brindó mayor claridad sobre los temas discutidos.

  • 00:00:00 El anfitrión y el orador invitado brindan una agenda para la sesión, comenzando con la definición y comprensión de la volatilidad en los mercados financieros. El orador continúa explicando por qué se hace referencia al VIX como el "índice del miedo" y los diferentes tipos de VIX y derivados basados en VIX. La sesión también incluye un enfoque práctico para negociar el VIX antes de terminar con una sesión de preguntas y respuestas. El anfitrión describe cómo las personas asocian la volatilidad con productos químicos o líquidos inestables y explica cómo se aplica al comercio.

  • 00:05:00 Tesla es un buen ejemplo de una acción altamente volátil, con fluctuaciones en sus rendimientos diarios que oscilan entre -20% y +20%. Esta fuerte fluctuación lo convierte en un activo riesgoso de manejar. Sin embargo, mirar su gráfico de precios por sí solo no proporciona una idea clara de cuán volátil es un activo. Son los rendimientos diarios los que dan una mejor indicación de la volatilidad de un activo.

  • 00:10:00 El video analiza el uso de la volatilidad más allá del comercio de opciones y cómo puede ser útil para tomar decisiones sobre si comprar un activo en su conjunto. El video explica que la volatilidad se puede categorizar en función de cuánto fluctúa un activo, desde volatilidad alta a baja. El S&P 500 se usa como comparación con Tesla, ya que tiene una volatilidad considerablemente menor. El video analiza los métodos utilizados para medir la volatilidad, incluida la desviación estándar y la beta, que proporcionan valores históricos de volatilidad. También se introduce el concepto de volatilidad implícita, que es la expectativa del mercado de cuánto se moverá un activo en el futuro, pero no proporciona una idea de en qué dirección se moverá.

  • 00:15:00 Una comprensión clara de cómo se calcula el VIX, o índice de volatilidad, y cómo utiliza la volatilidad implícita de los diferentes tipos de opciones de índice para dar una idea de cuán bruscos pueden ser los cambios. El VIX a menudo se denomina "índice de miedo" y se grafica en relación con el S&P 500. El VIX generalmente trata de mantenerse bajo, pero los eventos inesperados pueden hacer que se dispare, de ahí el aspecto del miedo. El CBOE realiza el arduo trabajo detrás del cálculo del VIX, que proporciona las cifras a los comerciantes, lo que les permite concentrarse en el viaje del VIX y su relación con el índice subyacente. En general, el VIX es una herramienta importante para los comerciantes que buscan mitigar el riesgo en el mercado.

  • 00:20:00 El orador analiza la relación entre el VIX, también conocido como el índice del miedo, y el S&P 500. Explica que el VIX es la expectativa del mercado de cuán volátil será el índice en el futuro y cómo reacciona cuando el S&P 500 cae por la incertidumbre. El orador usa varios ejemplos, como la guerra comercial entre Estados Unidos y China y la pandemia de COVID-19, para demostrar la correlación entre los dos. Aclaran que el VIX intenta mantenerse bajo pero puede experimentar un fuerte aumento debido a eventos inesperados, lo que resulta en una mayor volatilidad. Sin embargo, a medida que los comerciantes procesan nueva información, el nivel de incertidumbre disminuye, al igual que la volatilidad.

  • 00:25:00 El concepto del índice de miedo o VIX se introduce como una medida de cuánto temen los comerciantes con respecto a las noticias negativas que afectan al mercado. El VIX no solo se aplica al S&P 500, sino que también se puede aplicar a otras áreas geográficas, como la Bolsa de Valores de Australia, las acciones de la zona euro y el índice Hang Seng, e incluso a otras clases de activos, como materias primas y divisas. La necesidad del VIX surge porque los comerciantes pueden tener expectativas de volatilidad del mercado, pero no será el único factor para determinar las decisiones comerciales, ya que las opciones griegas también tienen en cuenta. Como tal, el VIX sirve como una herramienta para que los comerciantes negocien opciones basadas en la volatilidad del mercado y, aunque el VIX no tiene un instrumento de negociación, tiene derivados que permiten la estimación de la volatilidad futura para facilitar la negociación. Estos derivados incluyen futuros y opciones.

  • 00:30:00 El orador explica los diferentes tipos de futuros de VIX disponibles para negociar, que incluyen vencimientos estándar, del mes próximo, del próximo mes y del mes lejano, así como vencimientos semanales. Si bien los futuros de VIX pueden ser costosos, hay mini-futuros disponibles a una décima parte del valor. Además, los ETF de VIX se pueden utilizar como alternativa y derivar su valor de los futuros de VIX. Los ETF de VIX a corto plazo, como VIXY, rastrean los futuros del mes próximo y del próximo mes, mientras que los ETF de VIX a mediano plazo, como VIXM, rastrean los futuros a mediano plazo. El orador también menciona los ETF de VIX inversos, como SVXY, que son completamente inversos a los futuros de VIX y aumentan de valor cuando los futuros bajan. En última instancia, los comerciantes pueden usar estos diferentes tipos de futuros VIX y ETF según su visión del mercado.

  • 00:35:00 Se analizan los diferentes tipos de derivados basados en VIX, incluidos los ETF de VIX y las notas cotizadas en bolsa (ETN) de VIX. Los ETF de VIX tienen futuros de VIX subyacentes, mientras que los ETN de VIX no tienen subyacente. El VXX es un ejemplo de un VIX ETN popular. Sin embargo, es importante tener en cuenta que existen riesgos con los derivados basados en VIX, y es esencial comprenderlos antes de operar. Es recomendable probar y realizar pruebas retrospectivas de las estrategias antes de operar con capital real. Los ETN vienen con el riesgo del emisor, lo que significa que si la empresa que emite los ETN no puede cumplir su promesa, el capital del inversionista está en juego. Además, los futuros de VIX tienen un efecto de contango que puede generar riesgos.

  • 00:40:00 El orador analiza la convergencia de los precios de futuros de VIX a medida que se acercan a su fecha de vencimiento y la importancia de estar en el lado correcto de la operación antes de operar con futuros de VIX. Luego, explican una estrategia simple basada en el VIX, que implica el uso del VIX para cubrir una cartera durante tiempos de declive mediante la compra de futuros del VIX. Esta estrategia se probó en un curso sobre negociación de volatilidad y resultó en rendimientos tres veces mayores entre 2011 y 2021, utilizando una cartera combinada de futuros S&P 500 y VIX. El orador enfatiza la necesidad de probar ideas y probarlas en un entorno de comercio de papel antes de operar a ciegas.

  • 00:45:00 Los anfitriones del webinar discuten un curso que han desarrollado llamado "Estrategias de comercio de volatilidad para principiantes", enfocado en enseñar a los operadores cómo medir la volatilidad usando varios métodos como ATR, desviación estándar, VIX y beta. Destacan la importancia de contar con las herramientas y los conocimientos adecuados para operar sin temor a la volatilidad. El curso está disponible con un 67 % de descuento por tiempo limitado y los asistentes al seminario web reciben un 10 % de descuento adicional con el código de cupón VTS10. Los anfitriones también responden algunas preguntas de la audiencia, incluido por qué se enfocan en el mercado estadounidense cuando analizan el VIX y si el VIX es un indicador anticipado o rezagado de los movimientos de precios.

  • 00:50:00 El orador explica que el VIX tiene una reacción casi instantánea al S&P 500. El rango del VIX no se discute, ya que la volatilidad de 30 días se anualiza y se muestra, pero es de 0 a 100. El VIX tiende a tener una fase diferente entre 10 a 20, que es la fase baja a media, y 20 a 25, que es la fase media. Además, el rebaño puede afectar al VIX, y existen opciones de futuros para el VIX de la India, pero no hay mucha liquidez debido a los altos requisitos de capital.

  • 00:55:00 El video analiza varias cuestiones relacionadas con la volatilidad comercial y el VIX. Una pregunta aborda la posibilidad de operar con derivados basados en VIX desde la India, y la respuesta sugiere que algunas plataformas comerciales lo permiten, aunque todavía es una práctica emergente. Otra pregunta es si el sentimiento de las noticias se puede incluir como un parámetro adicional en los modelos de valoración de opciones. La respuesta señala que el VIX es una clase de activo diferente y no utiliza los mismos modelos que otras opciones. Además, el video analiza los activos subyacentes de UVIX y SVIX y sugiere que pueden tratarse como otros activos a considerar para las estrategias comerciales. Finalmente, una pregunta aborda las reglas para la estrategia de cartera combinada, que implica reservar una parte del capital y reinvertir a medida que el S&P 500 cae.

  • 01:00:00 El ponente explica los criterios para las reglas de entrada y salida en una estrategia de cartera combinada. La regla de entrada se basa en el comportamiento del S&P 500; si está bajando, un comerciante puede reservar capital para ir largo en el VIX. El VIX generalmente sube cuando el S&P 500 cae. La regla de salida, por otro lado, analiza el comportamiento del S&P 500 para determinar si está fuera del mercado bajista y si la economía va bien (lo que indica un mercado alcista). El orador también responde una pregunta sobre si el VIX sigue al S&P 500 o viceversa, explicando que el VIX deriva su valor del S&P 500 y generalmente lo sigue, pero los comerciantes pueden tomar decisiones basadas en los niveles del VIX que pueden afectar el índice.
 

Big Data y el futuro de la inversión minorista


Big Data y el futuro de la inversión minorista

Los mercados financieros generan enormes cantidades de datos cada día. En este seminario web, el orador discutirá la importancia de trabajar con él en el contexto de la inversión y el comercio. También expondrá cómo podemos aprovecharlo para adaptarlo a diferentes estilos de inversión. En el proceso, cubrirá cómo puede cultivar el conocimiento y las habilidades necesarias para prosperar en este campo.

00:00 - Introducción

04:00 - Descargo de responsabilidad

05:44 - Agenda

11:04
- Datos

14:31 - Grandes datos

20:01 - Los albores del análisis de datos

23:29 - Panorama actual de comercio e inversión

23:36 - Enfoque de análisis de datos clásico

27:43 - Análisis de datos moderno

31:29 - Por qué y cómo se usa la analítica en los mercados financieros

37:00 - Tipos de datos

43:58 - Desafíos para los inversores minoristas

52:38 - Preguntas y respuestas

 

Trading de pares en Brasil y Short Straddles en los mercados de EE. UU. [Algo Trading Projects]



Trading de pares en Brasil y Short Straddles en los mercados de EE. UU. [Algo Trading Projects]

El webinar comienza con la presentación del anfitrión, el Dr. Luis Guidas, ex alumno de EPAT, quien presenta su proyecto sobre negociación de pares en las bolsas de valores de Brasil. El Dr. Guidas es un desarrollador de software con experiencia en la industria de tarjetas de pago y miembro de la facultad que enseña compiladores y lenguajes de programación en la Universidade Federal Fluminense. Ha trabajado extensamente en algoritmos criptográficos, protocolos de comunicación de seguridad y transacciones electrónicas seguras. Luego de completar el programa EPAT en julio de 2021, actualmente es el jefe de análisis cuantitativo en oCam Brasil.

El Dr. Guidas comienza presentando el concepto de arbitraje estadístico, que implica el uso de modelos estadísticos para encontrar pares de activos que neutralicen el riesgo del otro. Explica cómo se pueden usar pares cointegrados para crear una serie temporal estacionaria con una media y una varianza constantes. Para ilustrar esto, utiliza el ejemplo de dos ETF que rastrean el mismo índice, que están cointegrados casi perfectamente y crean un diferencial horizontal con una media y una varianza constantes. Menciona que este proceso implica un período de entrenamiento y un período de prueba para probar la estrategia.

A continuación, el Dr. Guidas profundiza en el proceso de negociación de pares y cómo utilizan una estrategia de negociación de bandas de Bollinger. Seleccionan tickers y sectores, encuentran pares cuantitativos y calculan el índice de cobertura para crear su margen. Para cada par, calculan el diferencial y emplean una estrategia comercial de reversión a la media, comprando cuando el diferencial está por debajo de la media y vendiendo cuando está por encima de la media. También analiza el uso de stop-loss en algoritmos de reversión a la media y destaca que a medida que el precio se desvía más de la media, aumenta la probabilidad de que regrese a la media.

El orador presenta una estrategia llamada tiempo de parada, que consiste en salir de una operación con margen después de un cierto número de días si no se cierra, lo que ayuda a evitar pérdidas. Proporcionan un ejemplo de una estrategia de Banda de Bollinger para el comercio de pares en Brasil, mostrando su rentabilidad durante un período de un año. Sin embargo, debido a la escasez de datos, mencionan el sesgo que puede surgir al utilizar solo empresas existentes en el período de tiempo actual. Para hacer frente a esto, incorporaron otro período de formación de 2018 a 2020, lo que se tradujo en un mayor número de parejas debido a la aparición de nuevas empresas y sectores.

El Dr. Guidas comparte información sobre su experiencia con el comercio de pares en Brasil y analiza su metodología. Simplifican el análisis del diferencial y determinan la duración ideal del período promedio móvil simple al examinar la vida media del diferencial. También destacan los desafíos que enfrenta al operar en el mercado de valores brasileño, particularmente su liquidez, que limita la cantidad de pares viables después de analizar las 100 principales empresas. El orador proporciona métricas de rendimiento, pero reconoce la necesidad de mejorar y sugiere enfoques como el ajuste de hiperparámetros, las comprobaciones de estacionariedad y la fusión de pequeños sectores. Recomiendan leer literatura sobre el tema, mencionando específicamente los libros del Dr. Chang y el Dr. Hippish.

Durante la sesión de preguntas y respuestas, la Dra. Grace responde preguntas de la audiencia sobre las estrategias presentadas en el video. Ella explica que el período de las Bandas de Bollinger es un hiperparámetro que se puede configurar dinámicamente en función de una prueba de cuadrícula de los períodos de vida media de la propagación. Cuando se le pregunta sobre el uso de las Bandas de Bollinger para straddles y strangles, sugiere buscar información de expertos en derivados, ya que se trata de operaciones estructuradas. El Dr. Grace también aborda el tema de las transacciones que no revierten a la media y sugiere que las series sin reversión reviertan a la media calculando su primer momento. Otra pregunta se refiere a la correlación entre Indice Futuro VINFUT y BOVA11, a lo que recomienda estudiar la relación entre los dos para las decisiones comerciales.

A continuación, el Dr. Lewis Elton comparte su experiencia con el programa EPAD de Quantum Trading y cómo cumplió con sus expectativas de comprender por qué el análisis técnico no siempre funciona en el trading. Enfatiza la importancia de estudiar y tomar cursos para adquirir conocimiento y desaconseja tratar de recrear el conocimiento de la humanidad solo. El seminario web también anuncia el lanzamiento de su primer curso en portugués sobre el comercio de impulso.

Siddharth Bhatia toma la palabra para discutir los straddles cortos en los mercados estadounidenses. Explica que un straddle corto implica vender una opción de compra y poner cantidades iguales en el dinero y obtener una ganancia si el activo subyacente se mueve menos que el nivel de ejercicio vendido. Si bien la estrategia se promociona como una estrategia comercial de ingresos, Bhatia advierte que las pérdidas potenciales pueden ser mucho mayores que las ganancias, especialmente en tiempos de volatilidad del mercado. Cita casos de empresas que fueron eliminadas durante períodos como la pandemia de COVID debido a operaciones cortas a horcajadas.

El orador comparte su propia experiencia con el backtesting de una estrategia comercial de straddle corto utilizando un enfoque mecánico. Vendieron 100 unidades at-the-money straddle al comienzo de cada período DTE (días hasta el vencimiento) y mantuvieron las posiciones hasta el vencimiento sin implementar puntos de pérdida o puntos de entrada y salida matizados. Realizaron el backtesting utilizando dos conjuntos de datos, uno con cobertura delta y el otro sin cobertura, y utilizaron dos versiones diferentes con 7 DTE y 60 DTE para cubrir diferentes períodos de tiempo. Recuperaron los datos necesarios para realizar pruebas retrospectivas a través de la API de RATS y los procesaron utilizando pandas de Python para obtener precios de compra y venta. Sin embargo, el orador destaca el desafío de crear el marco de datos, ya que cada línea requería atención individual para garantizar la precisión.

El disertante procede a discutir los resultados de la prueba retrospectiva de las estrategias comerciales de straddle corto en los mercados de Brasil y EE. UU. Revelan que la estrategia funcionó mal en ambos mercados, lo que resultó en reducciones significativas y un bajo índice de Sharpe. Si bien la cobertura delta ayudó a reducir la desviación estándar de P&L (pérdidas y ganancias), no transformó las operaciones perdedoras en rentables. El ponente señala que las órdenes stop-loss son cruciales en este tipo de negociación y menciona artículos académicos que sugieren el uso de filtros de entrada basados en el índice VIX y la estructura de plazos de los futuros VIX. La estrategia short straddle se considera rentable pero arriesgada y requiere una gestión eficaz de las pérdidas a través de varios métodos.

Durante la sesión de preguntas y respuestas, el orador aborda varias preguntas de los espectadores. Una pregunta se refiere a por qué las posiciones de la estrategia no están cubiertas al final del día. El orador explica que la práctica común es cubrirse una vez al día al cierre del mercado, ya que ayuda a reducir la desviación estándar de P&L y minimiza la volatilidad a largo plazo. Sin embargo, enfatizan que las técnicas de cobertura están sujetas a pruebas e investigación. El orador también aborda temas como el cálculo de la CAGR (tasa de crecimiento anual compuesta), los costos de transacción y las ventajas de mantener posiciones durante siete a diez días en lugar de vender diariamente en la estrategia corta de straddle. Además, enfatizan la importancia de la experiencia previa en el comercio manual y no algorítmico, ya que prepara a los operadores para la volatilidad del mercado y la aceptación de pérdidas a corto plazo.

Los oradores continúan respondiendo preguntas de la audiencia, abordando consultas relacionadas con el comercio de pares en Brasil y los straddles cortos en los mercados de EE. UU. Un oyente pregunta si deberían tomar un straddle largo si el VIX está alrededor de 20, a lo que el hablante desaconseja hacerlo, señalando que generalmente resultaría en una pérdida y sugiere acortar el índice si el VIX está por encima de 20. Otra pregunta se refiere a conciliar estrategias de entrada opuestas cuando el VIX está por encima de 30. La recomendación es ser siempre breve y no tener en cuenta la sugerencia de retroceso. Los oradores también reciben preguntas sobre recomendaciones de libros, y uno de los oradores recomienda encarecidamente los tres libros de Eun Sinclair.

Luego, el orador comparte su experiencia con el programa ePAD de Quantum City, destacando cómo ayudó a cerrar las brechas en su conocimiento sobre la codificación y los conceptos de negociación algorítmica. Destacan la importancia de estudiar y convertirse en un estudioso de los mercados. El orador alienta a los recién llegados a abrir cuentas demo y ganar experiencia en asumir pérdidas en el mercado, enfatizando que dominar una habilidad requiere profundizar más y tomar más cursos. Destacan que el programa ePAD de Quantum City es un excelente punto de partida para aquellos que buscan mejorar su comprensión de los mercados. El ponente se hace eco del consejo del Dr. Luis Guidas sobre la importancia de estudiar y aprender continuamente del mercado.

A medida que el seminario web llega a su fin, los anfitriones expresan su agradecimiento al Dr. Luiz por compartir sus valiosos conocimientos sobre el comercio de pares en Brasil. También extienden su agradecimiento a la audiencia por participar activamente en el seminario web y brindar sugerencias para temas futuros. Los anfitriones reconocen los desafíos que implica el lanzamiento de un curso en portugués, pero expresan su entusiasmo por los numerosos desarrollos que ocurren dentro de su comunidad. Animan a la audiencia a compartir sus comentarios a través de una encuesta, lo que les permite recopilar información e ideas valiosas para futuras sesiones.

Con un cálido agradecimiento, los anfitriones se despidieron del Dr. Luiz y de la audiencia, expresando su entusiasmo por los próximos seminarios web y su compromiso de brindar conocimientos e ideas valiosos a la comunidad comercial. Esperan explorar nuevos temas, compartir experiencias y fomentar un entorno de aprendizaje próspero para todos los participantes.

El seminario web ofreció una descripción general completa de la negociación de pares en los mercados bursátiles brasileños y los desafíos asociados con las estrategias de negociación de posiciones cortas en los mercados estadounidenses. Los oradores compartieron sus experiencias, estrategias y puntos de vista, alentando el aprendizaje continuo y la investigación para navegar el panorama dinámico del comercio de manera efectiva.

  • 00:00:00 El presentador presenta al Dr. Luis Guidas, ex alumno de la EPAT, quien presenta su proyecto sobre negociación de pares en las bolsas de valores brasileñas. El Dr. Guidas tiene una amplia experiencia en el desarrollo de software, específicamente en la industria de tarjetas de pago. También es miembro de la facultad que enseña compiladores y lenguajes de programación en la Universidade Federal Fluminense. El Dr. Guidas ha utilizado un enfoque innovador de resolución de problemas en su carrera de desarrollo de software y ha trabajado extensamente en algoritmos criptográficos, protocolos de comunicación de seguridad y transacciones electrónicas seguras. Actualmente es el jefe de análisis cuantitativo en oCam Brasil luego de completar el programa EPAT en julio de 2021.

  • 00:05:00 El orador introduce el concepto de arbitraje estadístico, que es un tipo de comercio en el que un operador utiliza modelos estadísticos para encontrar pares de activos que neutralicen el riesgo del otro. El orador explica cómo se pueden usar pares cointegrados para producir una serie de tiempo estacionaria, que tiene una media y una varianza constantes. Usan el ejemplo de dos ETF que rastrean el mismo índice, que están cointegrados casi perfectamente y producen un diferencial horizontal que tiene una media y una varianza constantes. El orador explica que este proceso implica un período de entrenamiento y un período de prueba y se utiliza para probar la estrategia.

  • 00:10:00 El orador explica el proceso de negociación de pares y cómo utilizan una estrategia de negociación de bandas de Bollinger. Seleccionan tickers y sectores y encuentran pares cuantitativos para obtener la relación de cobertura para combinar para hacer su propagación. Para cada par, calculan el diferencial y utilizan una estrategia comercial de reversión a la media que implica comprar cuando el diferencial está por debajo de la media y vender cuando está por encima de la media. El orador también analiza el uso de stop-loss en algoritmos de reversión a la media y por qué puede no ser un buen enfoque, ya que cuanto más se aleja el precio de la media, mayor es la probabilidad de que regrese a la media.

  • 00:15:00 El orador analiza una estrategia llamada tiempo de parada, que implica salir de una transacción para una operación con margen después de un cierto número de días si no se cierra, lo que puede ayudar a prevenir pérdidas. También comparten un ejemplo de una estrategia de Banda de Bollinger para el comercio de pares en Brasil y cómo genera una ganancia decente con una transacción de un año. Sin embargo, debido a los datos limitados, el orador tuvo que usar empresas que existían en el período de tiempo actual, lo que podría causar un sesgo en los resultados de su prueba retrospectiva. Por lo tanto, también utilizaron otro período de capacitación de 2018 a 2020 con datos frescos, lo que resultó en un mayor número de pares debido a la aparición de nuevas empresas y sectores.

  • 00:20:00 El orador habla sobre su experiencia con el comercio de pares en Brasil y brinda información sobre su metodología. Hablan sobre el uso de un enfoque simplificado para analizar el diferencial y la vida media de la operación para determinar la duración ideal del período promedio móvil simple. También destacan los desafíos que enfrentan al operar en el mercado de valores brasileño debido a su liquidez, explicando cómo solo unos pocos pares sobrevivieron después de analizar las 100 principales empresas. El orador comparte algunas métricas de rendimiento, pero reconoce que siempre hay margen de mejora y sugiere el ajuste de hiperparámetros, las comprobaciones de estacionariedad y la fusión de pequeños sectores como posibles enfoques. Recomiendan leer literatura sobre el tema, en particular los libros del Dr. Chang y el Dr. Hippish.

  • 00:25:00 El presentador responde a varias preguntas de la audiencia sobre las estrategias presentadas en el video. Cuando se le pregunta sobre el período de las Bandas de Bollinger, explica que se trata de un hiperparámetro que se puede configurar dinámicamente en función de una prueba de cuadrícula de los períodos de vida media del diferencial. En respuesta a si las Bandas de Bollinger se pueden usar para straddles y strangles, señala que se trata de operaciones estructuradas con derivados y sugiere que trabajar con expertos en derivados puede proporcionar mejores conocimientos. También explica que cuando las operaciones ya no tienen reversión media, cierra la posición y sugiere que, en lugar de operar con pares, las series sin reversión pueden revertirse calculando su primer momento. Finalmente, cuando se le pregunta sobre la correlación entre Indice Futuro VINFUT y BOVA11, recomienda
    estudiar la relación entre los dos y usar esa información para tomar decisiones comerciales.

  • 00:30:00 El presentador comenta su experiencia con el programa Quantum Trading EPAD y cómo cumplió sus expectativas de entender por qué el análisis técnico no siempre funciona en el trading. Recomienda estudiar y tomar cursos para adquirir conocimiento y no ser lo suficientemente arrogante como para tratar de recrear el conocimiento de la humanidad solo. El seminario web también anuncia el lanzamiento de su primer curso en portugués sobre el comercio de impulso.

  • 00:35:00 Siddharth Bhatia analiza los straddles cortos en los mercados estadounidenses. Los straddles cortos implican vender una opción de compra y poner cantidades iguales en el dinero y ganar dinero si el subyacente se mueve menos que el nivel de la pared vendida. Se ha demostrado que la estrategia es rentable y se vende como una estrategia comercial de ingresos, pero Bhatia advierte que las pérdidas son mucho mayores que las ganancias, especialmente en tiempos de volatilidad del mercado. Advierte que los straddles cortos pueden generar grandes pérdidas y menciona empresas que fueron eliminadas en tiempos como la pandemia de COVID.

  • 00:40:00 El orador habla sobre una operación de straddle corto y su experiencia al realizar una prueba retrospectiva utilizando una estrategia mecánica en la que vendieron 100 unidades en el straddle de dinero al comienzo de cada período DTE y se mantuvieron hasta el vencimiento, sin stop loss ni entradas matizadas. o salidas. Utilizaron dos conjuntos, uno con cobertura delta y el otro sin cobertura, y dos versiones diferentes con 7 DTE y 60 DTE para muestrear diferentes períodos. Usaron la API de RATS para recuperar los datos para su backtesting y usaron pandas de Python para procesar los datos para obtener precios de compra y venta. El verdadero desafío del proyecto fue crear el marco de datos, ya que cada línea necesitaba atención individual para garantizar que los datos fueran correctos. Luego del backtesting obtuvieron los resultados, y es evidente que el DT semanal sin cobertura delta incurrió en grandes detracciones.

  • 00:45:00 El disertante analiza los resultados del backtesting de las estrategias de trading de short straddle en los mercados brasileño y estadounidense. La estrategia se desempeñó mal en ambos mercados, con una reducción significativa y un índice bajo. La cobertura delta ayudó a reducir la desviación estándar de las pérdidas y ganancias, pero no hizo rentable una operación perdedora. El ponente señala que las órdenes de stop-loss son obligatorias para este tipo de negociación y también menciona artículos académicos que sugieren el uso de filtros de entrada basados en el índice VIX y la estructura de plazos de los futuros VIX. La estrategia se considera rentable pero arriesgada, y requiere gestionar las pérdidas a través de varios métodos.

  • 00:50:00 El orador responde varias preguntas de los espectadores, incluido por qué las posiciones para la estrategia no están cubiertas al final del día. Explica que la forma más simple y común de cubrirse es hacerlo una vez al día al cierre porque ayuda a reducir la desviación estándar de P&L y minimiza la volatilidad a largo plazo. Sin embargo, menciona que las técnicas de cobertura están sujetas a pruebas e investigación. El orador también menciona el cálculo de CAGR, los costos de transacción y las ventajas de mantener posiciones durante siete a diez días en lugar de venderlas diariamente en la estrategia corta de straddle. Además, enfatiza la importancia de tener experiencia previa en operaciones manuales y no algorítmicas, ya que prepara a los operadores para la volatilidad del mercado y la aceptación de pérdidas a corto plazo.

  • 00:55:00 Los oradores responden más preguntas de la audiencia sobre el comercio de pares en Brasil y los straddles cortos en los mercados de EE. UU. Un oyente preguntó si podían tomar straddle largo si el VIX está alrededor de 20, a lo que la respuesta fue que generalmente resultaría en una pérdida, y es mejor acortar el índice si la mezcla está por encima de 20. Otra pregunta fue sobre cómo reconciliar estrategias de entrada opuestas al ingresar operaciones cuando el VIX está por encima de 30. La recomendación aquí fue siempre ser breve e ignorar la sugerencia de retroceso. Los oradores también recibieron preguntas sobre recomendaciones de libros, y uno de los oradores recomendó mucho los tres libros de Eun Sinclair.

  • 01:00:00 El orador habla sobre su experiencia con el programa ePAD de Quantum City y cómo lo ayudó a llenar los vacíos en su conocimiento sobre la codificación y los conceptos de negociación algorítmica. Enfatiza la importancia de estudiar y ser un estudiante de los mercados y aconseja a los recién llegados que abran cuentas demo y adquieran experiencia en la toma de pérdidas en el mercado. También menciona que dominar una habilidad requiere profundizar y hacer más cursos, y que el programa ePAD de Quantum City es un excelente lugar para comenzar. El ponente se hace eco de los consejos del Dr. Luis Gide sobre la importancia de estudiar y ser estudioso de los mercados.

  • 01:05:00 Los anfitriones agradecen al Dr. Luiz por compartir su experiencia sobre el comercio de pares en Brasil, así como también agradecen a la audiencia por participar y sugerir temas futuros para seminarios web. Los anfitriones mencionan el desafío de comenzar un curso de portugués, pero están emocionados por las muchas cosas que suceden en su comunidad. Animan a la audiencia a compartir sus comentarios a través de una encuesta, sugiriendo temas para futuras sesiones. Los anfitriones expresan su agradecimiento y se despiden del Dr. Luiz y de la audiencia.
 

Certificado En Análisis De Sentimiento Y Datos Alternativos Para Finanzas - CSAF™ [SESIÓN DE INFORMACIÓN GRATUITA]



Certificado En Análisis De Sentimiento Y Datos Alternativos Para Finanzas - CSAF™ [SESIÓN DE INFORMACIÓN GRATUITA]

Los anfitriones del seminario web comienzan presentando el programa Certificado en análisis de sentimiento y datos alternativos para finanzas (CSAF). Destacan que el programa está dirigido por dos profesores experimentados, el profesor Gautam Mitra y la profesora Christina Alvin Sayer. El programa tiene una duración de cinco meses e incluye una serie de conferencias destinadas a proporcionar teoría fundamental y casos prácticos de uso presentados por disertantes invitados que son profesionales en la industria financiera.

Los anfitriones brindan una descripción general de los módulos del programa, comenzando con los primeros dos módulos que se enfocan en los conceptos básicos del sentimiento y los datos del sentimiento. Los módulos 3 y 4 profundizan en fuentes de datos alternativas y su relevancia para la predicción y el modelado financiero, incluidos los datos satelitales y de correo electrónico, así como el análisis de texto. El curso también cubre los conceptos básicos de modelado, varios modelos financieros y la aplicación de datos de sentimiento a áreas como la gestión de riesgos, la optimización de carteras y el comercio automatizado. Además, hay un módulo específicamente dedicado a datos alternativos, que enfatiza el papel de la IA, el aprendizaje automático y los modelos cuantitativos en el análisis de sentimientos.

Para enriquecer aún más el seminario web, se presentan dos invitados especiales, Amit Arora y Abhijit Desai, ex alumnos de CSAF. Comparten sus experiencias de tomar la versión anterior del curso llamado EPAT NSA. Amit explica cómo la orientación práctica del curso lo ayudó a desarrollar sus propias ideas comerciales, lo que lo llevó a dedicar más tiempo al comercio real, lo que arrojó resultados mejores de los esperados. Abhijit enfatiza la importancia del compromiso, la dedicación y la curiosidad para aprovechar al máximo el curso.

El seminario web también incluye discusiones con varias personas que han experimentado el programa CSAF. Comparten sus desafíos y éxitos en la comprensión y aplicación del análisis de sentimientos y datos alternativos en sus estrategias comerciales. Los oradores responden preguntas de la audiencia, cubriendo temas como la combinación de sentimientos y volatilidad comercial, el significado de datos alternativos, la importancia de la certificación en inversión y comercio, la inclusión del análisis de sentimiento en las estrategias comerciales y la notificación en tiempo real de noticias en comercio.

A lo largo del seminario web, los oradores enfatizan la importancia del aprendizaje estructurado a través de cursos de certificación como CSAF para desarrollar una perspectiva y un enfoque integrales. Resaltan la importancia de comprender los mercados y modelos financieros para aplicar de manera efectiva el análisis de sentimiento y los datos alternativos. Los oradores también enfatizan la aplicación práctica del conocimiento, el uso de marcos cuantitativos y el valor de los estudios de casos para mostrar el uso de datos de sentimiento.

Los anfitriones expresan su agradecimiento a la audiencia por participar en el seminario web y participar activamente en la información sobre el programa CSAF. Animan a los espectadores a proporcionar sus comentarios y preguntas a través de una encuesta y agradecen a los oradores y a los demás por sus contribuciones al éxito del seminario web. Los anfitriones expresan su placer por compartir conocimientos y su compromiso de fomentar un entorno de aprendizaje para todos los participantes.

  • 00:00:00 Los anfitriones del seminario web presentan el programa CSAF, que significa Certificado en Análisis de Sentimiento y Datos Alternativos para Finanzas. El programa está dirigido por dos profesores experimentados: el profesor Gautam Mitra y la profesora Christina Alvin Sayer. El programa CSAF ofrece conferencias que se extienden durante cinco meses, cubriendo tanto conferencias básicas para presentar la teoría como conferencias de casos de uso impartidas por profesores invitados que son profesionales en la industria financiera. Los anfitriones también mencionan que habrá una sesión de preguntas y respuestas al final del seminario web y presentan a dos invitados especiales, Amit Arora y Abhijit Desai, quienes compartirán sus experiencias como ex alumnos de CSAF.

  • 00:05:00 El orador describe un programa de Certificado en Análisis de Sentimiento y Datos Alternativos para Finanzas y sus módulos, que se enfocan en enseñar a los participantes sobre el sentimiento, sus diversos tipos y el uso de datos alternativos. Los módulos son impartidos por profesores principales y profesores invitados, como Antonio Gerni y Classifying Ironing, que comparten sus conocimientos prácticos sobre finanzas y análisis de sentimientos. El programa también incluye nueve conferencias fundamentales que ayudan a explicar los conceptos con mayor detalle. Las conferencias están respaldadas por apuntes y, al final del programa, se realiza un examen.

  • 00:10:00 Christina brinda una descripción general del programa Certificate in Sentiment Analysis and Alternative Data for Finance (CSAF), destacando los módulos clave del curso. Los primeros dos módulos se enfocan en enseñar los conceptos básicos de sentimiento y datos de sentimiento. Pasando a los módulos 3 y 4, el curso profundiza en fuentes de datos alternativas y su relevancia para la predicción y el modelado financiero, incluidos datos satelitales y de correo electrónico y análisis de texto. El curso también cubre los conceptos básicos y marcos de modelado, varios modelos financieros y cómo los datos de sentimiento se pueden aplicar a la gestión de riesgos, la optimización de carteras y el comercio automatizado. Por último, el curso incluye un módulo sobre datos alternativos y enfatiza el papel de la IA, el aprendizaje automático y los modelos cuantitativos en el análisis de sentimientos.

  • 00:15:00 Un alumno llamado Amit comparte su experiencia de tomar la versión anterior del curso llamado EPAT NSA. Se unió al curso por interés y no esperaba mucho de él, pero la orientación práctica del curso lo ayudó a desarrollar sus propias ideas comerciales. Después de terminar el curso, se alejó de la consultoría de gestión del cambio activo y dedicó más tiempo a desarrollar sus propias ideas. Durante los últimos tres meses, ha estado dedicando la mayor parte de su tiempo al comercio real y los resultados han sido mejores de lo esperado. Otro ex alumno llamado Avirup también comparte su experiencia y enfatiza la importancia del compromiso, la dedicación y la curiosidad para aprovechar al máximo el curso.

  • 00:20:00 Varias personas comentan sus experiencias con el curso Certificate in Sentiment Analysis and Alternative Data for Finance (CSAF). Una persona explica que estaban buscando algo desafiante en términos de comercio de algoritmos y descubrieron que los datos de sentimiento y las noticias son difíciles de analizar y distinguir qué conocimiento es útil para ganar dinero. Sin embargo, el curso les ayudó a comprender Python y desarrollar sus propios modelos. El lenguaje utilizado para los módulos de aprendizaje automático es principalmente Python, y algunas personas también usan R. El seminario web también se grabó y se compartirá con los participantes registrados que no pudieron asistir.

  • 00:25:00 Los oradores discuten el manual, que es un conjunto de áreas temáticas necesarias para tener una base para aplicar el análisis de sentimiento o algunos datos al comercio. Incluye información sobre las autoridades con respecto a la predicción de anomalías o cómo realizar la medición del rendimiento. La cartilla no tiene una duración establecida ya que se entrega a los estudiantes antes de que comience el curso. Cada módulo, por otro lado, tiene una duración de unas tres horas por clase sabatina, lo que está respaldado por notas de clase. Las conferencias de casos de uso varían en duración de una a dos horas e incluyen sesiones de preguntas y respuestas con profesores invitados. En respuesta a la pregunta de un espectador sobre si el análisis de sentimientos es necesario para operar, los oradores explican que el análisis de sentimientos puede ayudar a encontrar fuentes de alfa o generar retornos de las inversiones, incluso si la eficiencia del mercado finalmente asimila todos los sentimientos y noticias.

  • 00:30:00 Los oradores discuten cómo el análisis de sentimientos proporciona datos valiosos para las decisiones comerciales debido a su capacidad para analizar de forma rápida y cuantitativa las noticias que afectan las actividades del mercado. Señalan que el análisis de sentimientos se ha vuelto cada vez más importante con la abundancia de datos disponibles de fuentes como Twitter y otros medios de comunicación social. Los oradores también abordan la cuestión de qué tipo de fuentes de datos se utilizan generalmente para el análisis de sentimientos y mencionan que los medios de comunicación y las plataformas de redes sociales son fuentes comunes, pero que el uso de estos datos requiere el permiso de los proveedores. También abordan el tema del uso de diagramas de Vader para el análisis de sentimientos.

  • 00:35:00 Los oradores discuten el análisis de sentimientos y el procesamiento del lenguaje natural con respecto al análisis financiero. Explican cómo los datos de opinión, que ya han sido analizados y calculados por los proveedores de opinión, se pueden utilizar de forma cuantitativa para optimizar carteras y tomar decisiones de asignación de activos. También mencionan a los principales actores de la industria, como Bloomberg y Graffiti, que proporcionan dichos datos. Los oradores advierten contra el uso del procesamiento del lenguaje natural únicamente con fines comerciales y enfatizan la importancia de comprender los mercados financieros para usar el análisis de datos de manera efectiva. En respuesta a una pregunta sobre seguir una carrera en análisis de datos o IA, los oradores enfatizan la necesidad de tener una sólida comprensión de los mercados y modelos financieros para aplicar el análisis de datos de manera efectiva.

  • 00:40:00 Los oradores responden preguntas de los espectadores. La primera pregunta se trata de combinar el comercio de sentimientos y volatilidad, y aunque no se cubre directamente en el curso, los instructores brindan herramientas y métodos para lograrlo. Mencionan que el comercio involucrado en este índice, o equivalente en otros mercados, es un tema importante, pero está en el dominio de la investigación de vanguardia. La siguiente pregunta indaga sobre qué se entiende por datos alternativos, que los oradores explican que es una nueva área de crecimiento en el mercado, refiriéndose a los datos proporcionados por los participantes del mercado que afectan el mercado, como datos de sentimiento o datos de noticias. Agregan que los datos satelitales, las bandejas de entrada de correo electrónico y los pedidos de empresas como Amazon o proveedores de pizza son ejemplos de datos alternativos.

  • 00:45:00 Los oradores discuten la importancia de la certificación en la inversión y el comercio. Si bien es valioso aprender de todas las fuentes, el aprendizaje estructurado a través de cursos de certificación es necesario para desarrollar una perspectiva y un enfoque que el aprendizaje no estructurado no puede proporcionar. Sin embargo, las empresas comerciales no siempre confían en el certificado en sí. También abordan una pregunta sobre la importancia de las noticias políticas diarias y otras noticias en el comercio. Si bien el conocimiento técnico es importante, mantenerse al día con los eventos actuales puede brindarles a los operadores una mejor comprensión de las tendencias del mercado y ayudarlos a tomar decisiones más informadas.

  • 00:50:00 Los oradores discuten la inclusión del análisis de sentimientos en las estrategias comerciales. Explican que, si bien el análisis técnico y el comercio son bien conocidos, el efecto de las noticias y el sentimiento también se tiene en cuenta en varias estrategias. Los comerciantes informados toman las noticias y las analizan antes de usar la discreción para realizar transacciones, mientras que los comerciantes de ruido reaccionan inmediatamente a las noticias. También sugieren que la combinación de diferentes modelos e información, incluido el análisis de sentimientos, puede conducir a decisiones más informadas. Cuando se trata de opiniones individuales, el proveedor de opiniones puede tener un grupo de personas que son relevantes para el mercado y, a menudo, es útil filtrar a los profesionales del mercado financiero para el análisis de opiniones de las redes sociales.

  • 00:55:00 Los oradores abordan si el curso cubre la notificación en tiempo real de noticias y comunicados de prensa, lo cual es importante en el comercio automatizado o sistemático. Explican que si bien la llegada de noticias es crucial en el análisis de sentimientos y puede afectar los rendimientos rápidamente, no puede dominar una estrategia comercial. El curso está orientado a la aplicación y es práctico, pero la teoría fundamental también es importante para proporcionar una forma estructurada de representar la información. Los oradores enfatizan el uso de marcos cuantitativos y estudios de casos interesantes para resaltar el uso de datos de sentimiento.

  • 01:00:00 Los oradores discuten cómo se puede aplicar el rigor académico al comercio y cómo el curso CSAF se diferencia del curso EPAT. El curso EPAT cubre el aprendizaje automático y las habilidades de Python, pero el curso CSAF agrega conocimientos adicionales en análisis de sentimientos y datos alternativos en el contexto de casos de uso y estudios de casos. Los oradores también responden una pregunta final sobre cómo el curso CSAF puede beneficiar a alguien que ya tomó el curso EPAT, con Amit y Abhijit destacando que el curso CSAF se basa en el trabajo preliminar proporcionado por el curso EPAT y brinda conocimientos y habilidades adicionales para desarrollar ideas comerciales La sesión termina con un recordatorio para hacer preguntas adicionales en la encuesta y un agradecimiento a los oradores por su tiempo.

  • 01:05:00 Los ponentes expresan su agradecimiento a la audiencia por asistir a la sesión informativa sobre el programa Certificate in Sentiment Analysis and Alternative Data for Finance (CSAF). Animan a los televidentes a expresar sus preguntas e inquietudes sobre el programa y agradecen a todos por su participación. Los oradores terminan el video agradeciéndose unos a otros por hacerlo exitoso y expresan su placer de compartir conocimientos con los demás.
 

Cómo configurar el comercio automatizado



Cómo configurar el comercio automatizado

Durante la presentación, el ponente profundiza en las ventajas del trading automatizado y las razones por las que es necesaria la automatización. Destacan que el comercio automatizado permite a los comerciantes manejar una mayor cantidad de activos simultáneamente y ejecutar operaciones basadas en reglas predefinidas. Este enfoque ayuda a reducir el riesgo de errores y elimina el comercio impulsado por las emociones. El orador enfatiza que la automatización simplifica el proceso al realizar pedidos automáticamente una vez que se cumplen las reglas especificadas, eliminando cualquier retraso de tiempo. Además, explican que la automatización libera el tiempo y los recursos de los comerciantes, lo que les permite concentrarse en desarrollar mejores estrategias comerciales.

El orador aborda un concepto erróneo común sobre la automatización que reemplaza por completo la intervención humana. Destacan la importancia de analizar periódicamente el rendimiento de los sistemas comerciales automatizados sofisticados para realizar ajustes en la estrategia comercial cuando sea necesario. Destacan que la automatización permite a los comerciantes explorar otras tareas o activos que quizás no hayan intentado manualmente. Luego, la presentación pasa a discutir los tres pasos esenciales en el comercio: adquisición de datos, análisis (que puede ser basado en reglas o discrecional) y ejecución comercial.

Para automatizar una parte del proceso comercial, el orador recomienda usar datos y codificación para recuperar datos históricos de los activos preferidos. Mencionan que Google Finance ha integrado su API en Google Sheets, lo que permite a los usuarios recuperar datos fácilmente especificando parámetros como el símbolo de cotización, las fechas de inicio y finalización y el tipo de datos. Estos datos recopilados se pueden utilizar para crear gráficos de precios, realizar cálculos (p. ej., generar indicadores personalizados o calcular cambios porcentuales) y automatizar el proceso de recopilación de datos, agilizando las estrategias comerciales.

Una demostración en el video muestra el proceso de backtesting de una estrategia comercial utilizando el indicador del índice de fuerza relativa (RSI) en datos anteriores. El valor RSI, que va de 0 a 100, determina la acción a realizar. Si el valor RSI es inferior a 30, lo que indica que el activo está sobrevendido, se vuelve atractivo para los compradores, lo que los impulsa a comprar el activo. Un valor entre 30 y 70 sugiere que no hay acción, mientras que un valor superior a 70 indica que el activo está sobrecomprado, lo que provoca una venta masiva. El orador valida la efectividad de estas reglas mediante la automatización de pruebas retrospectivas en datos anteriores, utilizando programación visual en un conjunto de datos de acciones de EE. UU.

El orador presenta la plataforma Blue Shift para el comercio automatizado, que ofrece funciones como backtesting, comercio en papel y comercio en vivo. Destacan que la plataforma brinda opciones de programación visual que no requieren conocimientos de codificación. El orador demuestra cómo configurar una estrategia comercial utilizando el indicador RSI y explica las condiciones para tomar posiciones largas y cortas. Finalmente, presentan los resultados del backtest, que exhiben una rentabilidad del 14 %, un índice de Sharpe de 1,22 y una reducción máxima del -13 %. En general, Blue Shift es elogiado como una plataforma fácil de usar para crear y probar estrategias comerciales automatizadas.

El orador pasa a discutir el proceso de implementación de una estrategia comercial automatizada en el comercio en vivo. Recomiendan comenzar con el comercio de papel, que utiliza datos en tiempo real pero no dinero real, para observar el rendimiento de la estrategia en el entorno de mercado actual. El orador guía a la audiencia a través de los pasos para configurar el comercio en papel y la transición al comercio en vivo, incluida la selección de un corredor, la determinación de la asignación de capital y la confirmación de órdenes. Destacan la importancia de monitorear regularmente el desempeño de la estrategia y hacer los ajustes necesarios. El orador también menciona que las sesiones anteriores que cubren el comercio en vivo utilizando otras plataformas están disponibles en su canal de YouTube.

Aunque no todos los corredores ofrecen API para el comercio automatizado, el orador destaca a Interactive Brokers como una plataforma disponible en la mayoría de las regiones, que brinda soporte API. Mencionan que el uso de un puente IBridge Py con Interactive Brokers permite la automatización comercial desde cualquier lugar del mundo, incluido Singapur. El orador señala que si bien es posible obtener datos de las acciones de NSE, es esencial encontrar el símbolo de cotización apropiado y usar Yahoo Finance para acceder a los datos históricos necesarios.

El orador explica que los datos a nivel de minutos no están ampliamente disponibles de forma gratuita y señala que los requisitos de datos se vuelven más exigentes a ese nivel. Para obtener datos a nivel de minutos, el ponente sugiere abrir una cuenta con un bróker como Interactive Brokers. Sin embargo, mencionan que, según la geografía y el corredor elegido, se puede requerir una tarifa. El orador menciona brevemente la función de frecuencia comercial y dirige a la audiencia a consultar la documentación de Blue Shift para obtener más información sobre cómo crear una estrategia comercial. También enfatizan la importancia de establecer niveles de stop-loss al desarrollar una estrategia comercial.

Continuando, el orador analiza la importancia de establecer niveles apropiados de stop-loss para diferentes tipos de activos. Recomiendan usar diferentes valores de stop-loss basados en la volatilidad de los activos, con stop-loss más altos para activos que experimentan fluctuaciones de precios significativas, como Tesla. El orador también señala que determinar los valores ideales para alfa y beta depende de los objetivos del operador y del marco de tiempo deseado para lograr un porcentaje específico de ganancias. Además, responden preguntas sobre la automatización del comercio en los mercados indios, el seguimiento de estrategias y la creación de estrategias de opciones utilizando la plataforma. Por último, el ponente subraya la importancia de mantenerse alerta durante eventos inesperados del mercado y determinar si pausar o continuar la negociación en función de la capacidad de la estrategia para resistir la volatilidad.

El orador amplía aún más la automatización en el comercio y cómo funciona. Explican que la automatización está disponible para los mercados indios a través de la plataforma Blueshift, que facilita las estrategias de backtesting y el comercio en vivo a través de asociaciones con varios corredores. Al enfatizar la importancia de tener reglas predefinidas en el comercio, el orador destaca el valor de probar estas reglas a través de pruebas retrospectivas y comercio en papel, que utiliza dinero virtual para evaluar el desempeño de la estrategia en las condiciones actuales del mercado. El orador también menciona que el aprendizaje automático se puede aplicar en el comercio y cuenta con el respaldo de Blueshift para desarrollar estrategias comerciales.

Al abordar la posibilidad del comercio automatizado en dispositivos móviles, el ponente reconoce que, si bien las plataformas basadas en dispositivos móviles pueden no tener tantas funciones como las plataformas basadas en la web, el comercio automatizado en teléfonos móviles puede volverse más frecuente a medida que la industria avanza hacia soluciones basadas en la nube. . Sugieren que los principiantes comiencen poco a poco y amplíen gradualmente sus conocimientos aprendiendo más y estableciendo una regla o estrategia comercial. El orador destaca que Blue Shift, una plataforma de aprendizaje, backtesting y negociación, es completamente gratuita y se puede utilizar para experimentar con estrategias de negociación. También responden preguntas sobre las características de la plataforma y mencionan planes para agregar más corredores en el futuro. Finalmente, el orador reconoce una consulta sobre el comercio automático de Bitcoin en cualquier plataforma.

Con respecto al soporte de corredores para el comercio automatizado, el orador aclara que no todos los corredores ofrecen esta funcionalidad, y los usuarios deben verificar si la plataforma elegida lo admite. Explican que la industria está cambiando cada vez más hacia el comercio automatizado, y la mayoría de las órdenes se ejecutan con la ayuda de sistemas de comercio automatizados. En términos de combinar el aprendizaje automático, las redes neuronales y la IA para el comercio algorítmico, el orador describe el proceso de capacitación y prueba de datos en un modelo de aprendizaje automático y el aprovechamiento del resultado previsto para el comercio algorítmico. Por último, abordan una pregunta de un profesional en activo y señalan que el comercio automatizado puede ayudar a los profesionales a administrar las actividades comerciales mientras minimizan el tiempo frente a la pantalla, lo que les permite concentrarse en las demandas de su trabajo.

El orador reitera que la automatización de una estrategia comercial es factible para los profesionales que trabajan, pero es crucial revisar periódicamente el rendimiento del sistema automatizado ya que las condiciones del mercado pueden cambiar. Sugieren que si bien es posible crear una estrategia comercial sin aprender Python o cualquier lenguaje de codificación utilizando varias plataformas, las estrategias avanzadas pueden requerir competencia en Python u otros lenguajes de programación. El orador asegura a la audiencia que aprender Python no es tan desafiante como parece y puede brindar una ventaja adicional. Destacan la importancia de evaluar periódicamente el desempeño para modificar la estrategia en consecuencia.

Finalmente, el disertante invita a la audiencia a completar una encuesta para cualquier pregunta sin respuesta y los anima a aprovechar una oferta por tiempo limitado, brindando un 70% de descuento y un 25% de descuento adicional para inscribirse en todos los cursos. Expresan su agradecimiento por el apoyo recibido y aseguran a la audiencia su compromiso de organizar más webinars en el futuro. El orador pide sugerencias sobre posibles temas para planificar mejores sesiones que se adapten a los intereses y necesidades de la audiencia. Al concluir la presentación, el orador extiende cálidos deseos de un feliz Holi y expresa su agradecimiento a todos los asistentes por su participación en la sesión.

  • 00:00:00 El orador analiza los beneficios del comercio automatizado y por qué se requiere la automatización. Con la automatización, los comerciantes pueden administrar una mayor cantidad de activos en paralelo y ejecutar operaciones basadas en reglas predeterminadas, lo que reduce el riesgo de errores y evita el comercio impulsado por emociones. El proceso se simplifica ya que el sistema realiza el pedido automáticamente una vez que se cumplen las reglas, evitando cualquier retraso de tiempo. Además, el orador explica que la automatización puede liberar tiempo y recursos para que los comerciantes se concentren en desarrollar mejores estrategias comerciales.

  • 00:05:00 El orador analiza la idea errónea de que la automatización elimina por completo la intervención humana y enfatiza la importancia de analizar periódicamente el rendimiento de los sistemas comerciales automatizados sofisticados para ajustar la estrategia comercial cuando sea necesario. El uso de la automatización permite a los comerciantes concentrarse en otras tareas o activos que de otro modo no habrían intentado manualmente. Luego, el orador pasa a discutir los tres pasos en el comercio, comenzando con la adquisición de datos, seguido por el análisis, que puede ser basado en reglas o discrecional, y finalmente, la ejecución de operaciones.

  • 00:10:00 Si desea automatizar parte de su proceso comercial, puede usar datos y codificación para recuperar datos históricos de sus activos favoritos. Google Finance ha integrado su API en Google Sheets, lo que facilita la recuperación de datos simplemente escribiendo parámetros como el símbolo de cotización, las fechas de inicio y finalización y el tipo de datos. Estos datos se pueden usar para crear gráficos de precios o realizar cálculos, como crear sus propios indicadores o calcular cambios porcentuales. Con esta herramienta, los comerciantes pueden automatizar su proceso de recopilación de datos y optimizar sus estrategias comerciales.

  • 00:15:00 El video muestra cómo realizar una prueba retrospectiva o probar una estrategia comercial utilizando el indicador del índice de fuerza relativa (RSI) en datos anteriores. El valor RSI oscila entre 0 y 100, y dependiendo de su valor se realiza una acción diferente. Si el valor RSI es inferior a 30, significa que muchas personas venden el activo, lo que hace que el precio sea atractivo para los compradores, por lo que compran el activo. Si el valor RSI está entre 30 y 70, no se realiza ninguna acción, y si el valor RSI es superior a 70, significa que la gente ha comprado el activo, elevando el nivel de precios, por lo que es un buen momento para salir de la operación. vendiendo el activo. Luego, la efectividad de estas reglas se verifica mediante la automatización de pruebas retroactivas en datos anteriores utilizando programación visual en un conjunto de datos de acciones de EE. UU.

  • 00:20:00 El orador analiza el uso de la plataforma Blue Shift para el comercio automatizado, que permite a los usuarios realizar pruebas retrospectivas, comercio en papel y comenzar a funcionar. La plataforma ofrece programación visual que no requiere codificación. El orador demuestra cómo configurar una estrategia comercial utilizando el indicador RSI y explica las condiciones largas y cortas. Finalmente, muestra los resultados del backtest, que ofrecen un rendimiento del 14 por ciento, una relación de Sharpe de 1,22 y una reducción máxima de menos 13. En general, Blue Shift es una plataforma fácil de usar para crear y probar estrategias comerciales automatizadas.

  • 00:25:00 El orador analiza el proceso de poner en marcha una estrategia comercial automatizada. Recomienda comenzar con el comercio de papel, utilizando datos en tiempo real pero no dinero real, para ver cómo se comporta la estrategia en el entorno de mercado actual. El orador recorre el proceso de configuración del comercio en papel y luego la puesta en marcha, incluida la selección de un corredor, el establecimiento de capital y la confirmación de órdenes. Él enfatiza la importancia de monitorear regularmente el desempeño de la estrategia y ajustarla según sea necesario. El orador también menciona que hay sesiones anteriores disponibles en su canal de YouTube que cubren el comercio en vivo usando otras plataformas.

  • 00:30:00 Si bien no todos los corredores ofrecen API, Interactive Brokers es una plataforma que está disponible en casi todas partes y ofrece API para operaciones automatizadas. Se puede usar un puente IBridge Py con Interactive Brokers para automatizar transacciones desde cualquier parte del mundo, incluido Singapur. Es importante tener en cuenta que también es posible obtener datos de las acciones de NSE, pero es necesario buscar el símbolo de cotización adecuado y usar Yahoo Finance para obtener los datos históricos necesarios.

  • 00:35:00 El orador explica cómo los datos de nivel minuto no están ampliamente disponibles de forma gratuita y que los requisitos de datos se vuelven altos a ese nivel. Sugiere abrir una cuenta con un bróker como Interactive Brokers para obtener datos a nivel de minuto, pero menciona que es posible que se requiera una tarifa según su ubicación geográfica y el bróker elegido. El orador aborda brevemente la función de frecuencia comercial y recomienda la documentación de Blue Shift para obtener más información sobre cómo crear una estrategia comercial. También aclaran que Blue Shift se puede usar para programación o codificación visual y que los niveles de stop loss deben establecerse al crear una estrategia comercial.

  • 00:40:00 El orador analiza la importancia de establecer niveles apropiados de stop-loss para diferentes tipos de activos. Recomienda usar diferentes stop loss para diferentes activos en función de su volatilidad, con stop loss más altos para activos con altas tasas de fluctuación como Tesla. El orador también señala que los valores ideales para alfa y beta dependen de los objetivos del comerciante y el período de tiempo en el que desea lograr un porcentaje particular de ganancias. Además, el orador responde preguntas sobre la automatización del comercio en los mercados indios, el monitoreo de estrategias y la capacidad de crear estrategias de opciones con la plataforma. Finalmente, el orador enfatiza la importancia de mantenerse alerta ante eventos inesperados del mercado y determinar si se debe dejar de operar por completo o continuar en función de la capacidad de la estrategia para resistir la volatilidad.

  • 00:45:00 El orador analiza la automatización en el comercio y cómo funciona. Explican que la automatización está disponible para los mercados indios a través de la plataforma Blueshift, que permite a los usuarios realizar pruebas retrospectivas de estrategias y pago por operación o comercio en vivo a través de asociaciones con varios corredores. El orador enfatiza la importancia de tener ciertas reglas en el comercio y poder probarlas a través de backtesting y paper trading, que utiliza dinero virtual para ver cómo se comporta la estrategia en el mercado actual. El orador también menciona que el aprendizaje automático se puede aplicar en el comercio y es compatible con Blueshift para estrategias comerciales.

  • 00:50:00 El orador habla sobre la posibilidad de utilizar el comercio automatizado en un teléfono móvil y señala que, si bien las plataformas basadas en dispositivos móviles no tienen tantas funciones como las plataformas basadas en la web, es posible que el comercio automatizado pronto llegue a los teléfonos móviles, ya que todo está en movimiento. hacia estar más basado en la nube. El orador sugiere que los principiantes pueden comenzar poco a poco y avanzar aprendiendo más y teniendo una regla o estrategia comercial en su lugar. El orador también menciona que Blue Shift, una plataforma de aprendizaje, backtesting y negociación, es completamente gratuita y se puede utilizar para probar estrategias de negociación. Además, abordan preguntas sobre la plataforma y señalan que se agregarán más corredores en el futuro. Finalmente, el orador responde una pregunta sobre el uso de cualquier plataforma para el comercio automático de bitcoins.

  • 00:55:00 El orador aborda la cuestión de si todos los corredores admiten el comercio automatizado y aclara que no todos los corredores ofrecen soporte para el comercio automatizado, y los usuarios deberán verificar si la plataforma que se utiliza lo admite. El orador señala que la industria se está moviendo en gran medida hacia el comercio automatizado, y la mayoría de los pedidos se realizan con la ayuda de sistemas de comercio automatizados. Con respecto a la combinación de aprendizaje automático, redes neuronales e inteligencia artificial para el comercio algorítmico, el proceso implica entrenar y probar datos en el modelo de aprendizaje automático, utilizando el resultado previsto para el comercio algorítmico. Por último, el orador responde a una pregunta de un profesional en activo y señala que el comercio automatizado se puede utilizar para ayudarlos a concentrarse en las demandas de su trabajo al ocuparse de las actividades comerciales y minimizar el tiempo de pantalla.

  • 01:00:00 El objetivo es automatizar su estrategia comercial, es factible incluso para profesionales que trabajan. Sin embargo, es importante revisar periódicamente el rendimiento del sistema automatizado porque el escenario puede cambiar y lo que funcionó antes podría no funcionar ahora. Si bien es posible crear una estrategia comercial sin aprender Python o cualquier lenguaje de codificación utilizando varias plataformas, si desea ajustar o probar estrategias más avanzadas, es posible que deba aprender Python u otros lenguajes de programación. Aprender Python puede ser una ventaja adicional y descubrirá que no es tan difícil como la gente cree. En cualquier caso, la revisión periódica del desempeño es fundamental para modificar la estrategia en consecuencia.

  • 01:05:00 El orador recuerda a la audiencia que complete una encuesta para cualquier pregunta sin respuesta y los alienta a aprovechar la oferta por tiempo limitado para obtener un 70% de descuento y un 25% adicional si se inscribe en todos los cursos. Expresan su gratitud por el apoyo y planean continuar con los seminarios web, y piden sugerencias sobre temas futuros para planificar mejores sesiones. El orador termina deseando a todos un feliz Holi y agradeciendo a la audiencia por asistir a la sesión.
 

Análisis de datos cuantitativos de criptomonedas



Análisis de datos cuantitativos de criptomonedas

En esta sesión informativa sobre análisis de datos cuantitativos para criptomonedas, la ponente, Udisha Alook, se presenta como investigadora cuantitativa en Quant Institute, especializada en blockchain, Bitcoin, Ethereum y Ripple. Ella destaca la importancia de realizar la debida diligencia antes de invertir en criptomonedas y describe la agenda de la sesión.

El orador comienza brindando una descripción general de las criptomonedas, enfatizando que son monedas digitales o virtuales aseguradas por criptografía y carecen de una forma física. Ella explica que las criptomonedas garantizan la seguridad a través de la criptografía, operan de manera descentralizada utilizando la tecnología blockchain y eliminan el riesgo de doble gasto.

A continuación, el ponente profundiza en los principales temas a tratar en la sesión. Ella menciona que la sesión explorará las principales criptomonedas, discutirá dónde obtener datos sobre las criptomonedas y brindará información sobre el comercio en el mercado de criptomonedas. El orador enfatiza que el enfoque central estará en analizar los datos de las principales criptomonedas.

En el futuro, el orador presenta Quantinsti, una empresa comercial cuantitativa, y sus ofertas. Destaca el programa de certificación profesional en Algorithmic Trading (EPAT), el certificado en Sentiment Analysis and Alternative Data for Finance (CSAF) y los cursos autodidactas disponibles bajo Quantra. Además, el orador presenta BlueShift, una plataforma basada en la nube para el desarrollo de estrategias, investigación, backtesting, operaciones en papel y operaciones en vivo.

Volviendo al tema principal de las criptomonedas, el orador analiza las seis criptomonedas principales en función de su capitalización de mercado y brinda una breve descripción general de sus funcionalidades. Bitcoin, la primera y más conocida criptomoneda, se menciona como la única actualmente adoptada como moneda de curso legal en El Salvador. Ethereum, que ocupa el segundo lugar en términos de capitalización de mercado, se destaca por presentar la funcionalidad de contrato inteligente. Ripple, diseñado como un mecanismo intermedio de intercambio, se menciona como la sexta criptomoneda en la lista. El orador también presenta Binance Coin, que ha hecho la transición a su propia cadena de bloques, y Tether y USD Coin, monedas estables vinculadas al dólar estadounidense que ofrecen funcionalidad de criptomoneda con la estabilidad de las monedas fiduciarias.

Con respecto a las fuentes de datos para las criptomonedas, el orador menciona a CryptoWatch y CoinAPI como fuentes confiables de datos históricos de criptomonedas. También proporciona una lista de las principales plataformas globales de comercio de criptomonedas, incluidas Binance, Coinbase, Etoro, Gemini y Kraken.

Continuando con la sesión, el disertante compara los precios de varias criptomonedas e ilustra su desempeño en una escala logarítmica. Bitcoin emerge como la criptomoneda dominante en términos de precio, seguida por Ethereum y Binance Coin. Se observa que Ripple ha experimentado una disminución en el rendimiento, mientras que las monedas estables se mantienen estables debido a su naturaleza. El orador calcula además los rendimientos acumulativos, destacando que Binance Coin ha exhibido los rendimientos más altos, seguido de Ethereum y Bitcoin. Se describe que la volatilidad en las cuatro criptomonedas principales fluctúa significativamente, con picos que ocurren durante ciertos períodos, mientras que las monedas estables mantienen la estabilidad de manera constante.

Luego, el video se enfoca en analizar la volatilidad y los riesgos asociados de invertir en criptomonedas. El orador observa que los rendimientos de las criptomonedas muestran una alta curtosis, lo que indica la probabilidad de rendimientos extremos, tanto positivos como negativos. Esto se atribuye a la negociación basada en el impulso, en la que los inversores tienden a comprar cuando los precios suben y venden por pánico cuando los precios bajan. Se presentan diagramas de caja de rendimientos diarios para demostrar la presencia de numerosos valores atípicos, lo que respalda aún más la noción de que las criptomonedas implican un nivel de riesgo significativo. Sin embargo, se observa que las monedas estables exhiben menos volatilidad.

En el siguiente segmento, el orador examina el impacto de eliminar los valores atípicos en los valores medianos de las criptomonedas populares como Bitcoin, Ethereum, Binance Coin, Ripple, USD Coin y USDC. Las monedas estables se destacan como diseñadas para mantener un valor cercano a un dólar estadounidense, lo que las hace particularmente atractivas para muchos usuarios. Ripple, por otro lado, se distingue de otras criptomonedas debido a su cadena de bloques de permisos única diseñada para instituciones financieras. El caso en curso de la SEC contra los fundadores de Ripple se menciona como un factor que ha causado fluctuaciones e incertidumbre para los inversores.

Continuando, el orador agrupa los factores que influyen en las criptomonedas en cinco categorías principales. Estos incluyen la ley de la oferta y la demanda, que afecta la escasez y el valor de las criptomonedas. La percepción del valor, impulsada por el sentimiento del mercado y el sentimiento de los inversores, también juega un papel importante. Los avances tecnológicos, como las actualizaciones de los protocolos de la cadena de bloques y las mejoras en la escalabilidad, pueden afectar el rendimiento de las criptomonedas. Las regulaciones y políticas gubernamentales, incluidos los marcos legales y las acciones regulatorias, tienen un impacto considerable en el mercado de criptomonedas. Finalmente, el sentimiento del mercado, moldeado por la cobertura de los medios, los eventos políticos y las tendencias generales del mercado, puede influir en gran medida en los precios de las criptomonedas.

El orador explora la influencia de los medios, los eventos políticos, los cambios regulatorios y las modificaciones de blockchain en los precios de las criptomonedas. Se destaca que la cobertura de noticias positivas o negativas tiene un impacto significativo en los precios de las criptomonedas, ya que puede alentar o disuadir a las personas de invertir. También se observa que los respaldos de criptomonedas por parte de empresas o individuos de renombre aumentan su confiabilidad y confiabilidad. Los eventos políticos y los cambios regulatorios, como las crisis económicas o las intervenciones gubernamentales, pueden influir en la confianza de los inversores en la moneda tradicional y llevarlos hacia las criptomonedas. El orador menciona la alta correlación entre varias criptomonedas, especialmente con Bitcoin como la criptomoneda dominante. Sin embargo, se observa que las monedas estables no están correlacionadas con las criptomonedas tradicionales, lo que las convierte en una clase de activo única.

El video analiza más a fondo el proceso de intercambio de criptomonedas por moneda fiduciaria. Se explica que la mayoría de los intercambios admiten el comercio de las principales criptomonedas como Bitcoin y Ethereum. Por lo tanto, a menudo es necesario cambiar altcoins por una de estas criptomonedas principales antes de convertirlas en moneda fiduciaria. El video también explora las estrategias comerciales adecuadas para las criptomonedas, incluidas las estrategias basadas en indicadores de impulso y el arbitraje, aprovechando la alta volatilidad del mercado. Se presentan ejemplos de codificación que utilizan indicadores como el Índice de Fuerza Relativa, la Divergencia de Convergencia de la Media Móvil y el Oscilador Impresionante para ilustrar las estrategias basadas en el impulso.

Hacia el final de la sesión, el presentador recapitula los principales puntos tratados y enfatiza el potencial de las monedas estables para la diversificación de la cartera debido a su baja volatilidad y falta de correlación con otras criptomonedas. Se proporcionan recursos adicionales para aprender sobre el comercio algorítmico y las criptomonedas, incluidos libros y cursos gratuitos, así como la plataforma de investigación y comercio Blue Shift. El orador menciona el Programa Ejecutivo en Comercio Algorítmico, diseñado para personas interesadas en comenzar su propia mesa de comercio algorítmico o seguir una carrera en comercio algorítmico con la tutoría de profesionales de la industria. También se destaca la disponibilidad de descuentos por reserva anticipada para el programa.

En la parte final, el orador aborda varias preguntas de la audiencia relacionadas con las criptomonedas y la cadena de bloques. Se discute la viabilidad a largo plazo de las criptomonedas sin respaldo regulatorio, y el orador destaca que algunos países ya han aprobado leyes que las regulan, tratándolas como inversiones a largo plazo. La creciente aceptación y desarrollo de la tecnología blockchain también contribuye a la comodidad de las personas con las criptomonedas. El futuro de las finanzas descentralizadas (DeFi) se reconoce como un espacio en evolución con varios conceptos y tipos de arbitraje aún por explorar. El orador enfatiza que el comercio de criptomonedas va más allá de la extracción de datos y los indicadores técnicos, lo que subraya la importancia de comprender la tecnología blockchain y sus aplicaciones.

Además, se analiza el impacto potencial de las próximas regulaciones de EE. UU. en el criptomercado. El orador reconoce que el gobierno podría regular blockchain en los EE. UU., pero destaca el desafío de controlar la naturaleza descentralizada de la tecnología. Por lo tanto, si bien las decisiones regulatorias pueden afectar los precios de las criptomonedas, puede ser difícil lograr un control total sobre el mercado. También se aborda el capital mínimo requerido para el comercio de criptomonedas y el uso potencial de las criptomonedas en transacciones del mundo real. Finalmente, se menciona brevemente el auge de las monedas digitales de los bancos centrales (CBDC) y su impacto potencial en la naturaleza descentralizada de las criptomonedas.

En los comentarios finales, los oradores enfatizan la creciente exploración de la tecnología blockchain para resolver problemas como la emisión de identidad y la gestión de la cadena de suministro. Anticipan una gran demanda de desarrolladores de blockchain en el futuro debido al desarrollo continuo en el campo. Se destaca la ventaja de las criptomonedas, como su capacidad para negociarse las 24 horas. Se alienta a la audiencia a proporcionar comentarios y plantear cualquier pregunta sin respuesta para discusiones futuras.

Al concluir la sesión, el orador resume los puntos clave, enfatizando la necesidad de un análisis de datos adecuado y técnicas cuantitativas para navegar por la alta volatilidad de las criptomonedas. El análisis técnico y cuantitativo, junto con el backtesting, se destacan como herramientas esenciales para mitigar el riesgo. El orador también aborda una pregunta sobre el impacto de las intervenciones geopolíticas en los mercados de criptomonedas, señalando que las decisiones gubernamentales sí tienen un impacto, pero la naturaleza descentralizada de las criptomonedas puede llevar a las personas a recurrir a ellas en situaciones en las que la confianza en la moneda tradicional o el gobierno es baja. Por último, se enfatizan los beneficios de las monedas estables, ya que ofrecen un valor más estable y predecible en comparación con otras criptomonedas, lo que las hace más adecuadas para las transacciones cotidianas.

En respuesta a una pregunta sobre el impacto potencial de las próximas regulaciones de EE. UU. en el criptomercado, el orador reconoce la posibilidad de una regulación gubernamental, pero enfatiza los desafíos para controlar completamente la naturaleza descentralizada de las criptomonedas. Si bien las regulaciones pueden afectar los precios de las criptomonedas, el orador sugiere que podría ser difícil lograr un control total sobre el mercado. También se menciona el auge de las monedas digitales de los bancos centrales (CBDC), y se analiza brevemente su impacto potencial en la naturaleza descentralizada de las criptomonedas.

En la parte final, los oradores analizan la creciente exploración de la tecnología blockchain para resolver problemas del mundo real, como la emisión de identidades y la gestión de la cadena de suministro. Expresan optimismo sobre la demanda futura de desarrolladores de blockchain y el crecimiento continuo de la industria de blockchain. Se destacan las ventajas de las criptomonedas, como su capacidad para negociarse las 24 horas del día, los 7 días de la semana. Se alienta a la audiencia a proporcionar comentarios y compartir cualquier pregunta restante para futuras sesiones.

La sesión dirigida por Udisha Alook brinda información valiosa sobre el análisis de datos cuantitativos para las criptomonedas. Enfatiza la importancia de la diligencia debida antes de invertir, brinda una descripción general de las criptomonedas y sus funcionalidades, explora las fuentes de datos y las plataformas comerciales, analiza los movimientos y la volatilidad de los precios, analiza los factores que influyen en los precios de las criptomonedas y aborda las preguntas de la audiencia relacionadas con las regulaciones, estrategias comerciales y el futuro de las criptomonedas. La sesión sirve como una introducción integral al análisis cuantitativo en el mercado de criptomonedas, brindando a los participantes el conocimiento necesario para tomar decisiones de inversión informadas.

  • 00:00:00 El orador introduce el tema del análisis de datos cuantitativos para criptomonedas. La sesión está a cargo de Udisha Alook, quien trabaja como investigadora cuantitativa en Quant Institute y es experta en blockchain, Bitcoin, Ethereum y Ripple. El orador enfatiza la importancia de la diligencia debida antes de invertir en criptomonedas y explica la agenda de la sesión, que incluye una descripción general de las criptomonedas, las principales criptomonedas y dónde obtener datos e intercambiar criptomonedas. La parte principal de la sesión se centra en analizar los datos de las principales criptomonedas.

  • 00:05:00 El video presenta Quantitative Trading Firm, Quantinsti, y sus diversas ofertas, incluido el programa de certificación profesional en Algorithmic Trading (EPAT), el certificado en Sentiment Analysis and Alternative Data for Finance (CSAF), y el auto- cursos a ritmo bajo Quantra. Además, el video analiza BlueShift, una plataforma de desarrollo de estrategias basada en la nube para investigación, backtesting, operaciones en papel y operaciones en vivo. El tema principal del video son las criptomonedas, definidas como monedas digitales o virtuales aseguradas por criptografía, sin un medio físico de existencia. Las criptomonedas son seguras porque usan criptografía, están descentralizadas a través de la tecnología blockchain y evitan el doble gasto.

  • 00:10:00 El orador analiza las seis principales criptomonedas en términos de capitalización de mercado y explica brevemente sus funcionalidades. Bitcoin es la primera criptomoneda y la única que ha sido adoptada como moneda de curso legal por El Salvador. Ethereum ocupa el segundo lugar después de Bitcoin en términos de capitalización de mercado e introdujo la funcionalidad de contrato inteligente. Ripple, diseñado como un mecanismo intermedio de intercambio, ocupa el sexto lugar en la lista. Binance Coin, emitida por el intercambio Binance, se ha trasladado a su propia cadena de bloques. Tether y USD Coin, ambas monedas estables vinculadas al dólar estadounidense, ofrecen la funcionalidad de las criptomonedas pero la estabilidad de las monedas fiduciarias. El orador también menciona que existen buenas fuentes de criptodatos históricos, como CryptoWatch y CoinAPI, y enumera las principales plataformas globales de criptocomercio como Binance, Coinbase, Etoro, Gemini y Kraken.

  • 00:15:00 El orador compara los precios de varias criptomonedas y muestra su desempeño en una escala logarítmica. Bitcoin domina todas las demás criptomonedas en términos de precios, seguido de Ethereum y Binance Coin. A Ripple no le ha ido bien y las monedas estables se mantienen estables debido a su naturaleza. Luego, el orador calcula los rendimientos acumulativos y muestra que Binance Coin tiene los rendimientos más altos, seguido de Ethereum y Bitcoin. La volatilidad de las cuatro principales criptomonedas ha estado por todas partes, con picos en algunos períodos, mientras que las monedas estables se mantienen estables.

  • 00:20:00 El video analiza la volatilidad y el riesgo asociado con invertir en criptomonedas. Observa que los rendimientos de las criptomonedas tienen una alta curtosis, lo que indica que se pueden esperar rendimientos extremos, tanto positivos como negativos. Esto se debe a la negociación basada en el impulso, en la que los inversores tienden a comprar cuando los precios suben y venden por pánico cuando los precios bajan. El video también muestra diagramas de caja de rendimientos diarios de criptomonedas, que tienen numerosos valores atípicos. Estos datos históricos prueban que las criptomonedas son una inversión arriesgada, aunque las monedas estables son menos arriesgadas.

  • 00:25:00 El orador analiza cómo la eliminación de valores atípicos afecta el valor medio de las criptomonedas populares como Bitcoin, Ethereum, Finance Coin, Ripple, USD y USDC. Las monedas estables se crean para mantener su valor cercano a un dólar estadounidense, que es el objetivo principal de la mayoría de estas monedas estables. Ripple, por otro lado, se distingue de otras criptomonedas porque es un tipo diferente de cadena de bloques que es una cadena de bloques de permisos diseñada para instituciones financieras. El orador también analiza cómo el caso en curso de la SEC contra los fundadores de Ripple ha causado fluctuaciones e incertidumbre para los inversores. Finalmente, el orador agrupa los factores que afectan a las criptomonedas en cinco factores principales: la ley de la oferta y la demanda, la percepción del valor, los avances tecnológicos, las regulaciones gubernamentales y el sentimiento del mercado.

  • 00:30:00 Se discute la influencia de los medios, eventos políticos, cambios regulatorios y modificaciones de blockchain en los precios de las criptomonedas. Se observa que los medios tienen un impacto significativo en los precios de las criptomonedas, ya que las noticias positivas pueden alentar a las personas a comprar, mientras que la prensa negativa puede disuadirlas. Además, el respaldo de las criptomonedas por parte de empresas o personas de renombre puede aumentar su fiabilidad y confiabilidad. Los eventos políticos y los cambios regulatorios, como la crisis griega en 2015, también pueden influir en la confianza de los inversores en los gobiernos y llevarlos hacia las criptomonedas. La correlación entre varias criptomonedas, como bitcoin y ethereum, es alta, ya que la mayoría de las criptomonedas están basadas en blockchain y se basan en gran medida en bitcoin. Finalmente, se observa que las monedas estables no están correlacionadas con las criptomonedas tradicionales.

  • 00:35:00 El video analiza el proceso de intercambio de criptomonedas por moneda fiduciaria. La mayoría de los intercambios solo admiten el intercambio de las principales criptomonedas, como Bitcoin y Ethereum, por lo que es necesario intercambiar primero altcoins por una de estas principales criptomonedas antes de cambiar por moneda fiduciaria. El video también explora las estrategias comerciales que pueden funcionar bien para las criptomonedas, incluidas las estrategias basadas en indicadores de impulso y el arbitraje debido a la volatilidad de las criptomonedas. El video presenta la codificación de estrategias basadas en el impulso utilizando indicadores como el Índice de Fuerza Relativa, la Divergencia de Convergencia de la Media Móvil y el Oscilador Impresionante.

  • 00:40:00 El presentador resume los puntos principales cubiertos en el video y enfatiza el potencial de las monedas estables para ser buenas candidatas para la diversificación de cartera debido a su baja volatilidad y falta de correlación con otras criptomonedas. El presentador también proporciona recursos adicionales para aquellos interesados en aprender más sobre el comercio algorítmico y las criptomonedas, incluidos libros y cursos gratuitos, así como una plataforma de investigación y comercio llamada Blue Shift. La sección finaliza con una discusión sobre el Programa Ejecutivo en Operaciones Algorítmicas, que está diseñado para personas que desean iniciar su propia mesa de operaciones algorítmicas o desarrollar una carrera en operaciones algorítmicas con la tutoría de profesionales de la industria. Los descuentos por reserva anticipada están actualmente disponibles.

  • 00:45:00 El orador analiza varias cuestiones relacionadas con las criptomonedas y la cadena de bloques. Cuando se le preguntó acerca de la viabilidad a largo plazo de las criptomonedas sin respaldo regulatorio, el orador señala que algunos países, como Malta, ya han aprobado leyes que las regulan y las tratan como inversiones a largo plazo. La tecnología Blockchain también ha crecido y ganado aceptación en los últimos años, lo que hace que las personas se sientan más cómodas con las criptomonedas. El orador cree que puede ser difícil controlar las criptomonedas, pero los gobiernos y los reguladores están tomando medidas para regularlas. Cuando se le preguntó sobre el futuro de las finanzas descentralizadas, el orador reconoce que se está poniendo al día, pero todavía hay diferentes tipos de arbitraje y otros conceptos a considerar. Finalmente, cuando se le preguntó sobre el comercio de criptomonedas, el orador menciona que no se trata solo de minería de datos e indicadores técnicos, sino que también implica comprender la tecnología blockchain y sus usos.

  • 00:50:00 El orador discute la importancia de realizar un análisis de datos adecuado antes de invertir en criptomonedas debido a su alta volatilidad. Ella enfatiza el uso de análisis técnico y cuantitativo, así como backtesting, para mitigar el riesgo. El orador también aborda una pregunta sobre el impacto de las intervenciones geopolíticas en los mercados de criptomonedas, enfatizando que las decisiones gubernamentales sí tienen un impacto, pero la naturaleza descentralizada de las criptomonedas significa que las personas pueden recurrir a ellas si su confianza en la moneda tradicional o el gobierno es menor. Por último, el disertante analiza los beneficios de las monedas estables, que alivian parte de la volatilidad asociada con las criptomonedas, haciéndolas más útiles en las transacciones diarias.

  • 00:55:00 El orador analiza el impacto potencial de las próximas regulaciones de EE. UU. en el criptomercado. Si bien es cierto que el gobierno podría regular blockchain en los EE. UU., puede resultar difícil controlar la naturaleza descentralizada de la tecnología. Como resultado, la decisión del gobierno sobre la criptorregulación podría afectar el precio, pero no necesariamente controlarlo por completo. El orador también aborda preguntas sobre el capital mínimo requerido para operar con criptomonedas y el potencial de las criptomonedas para usarse en transacciones del mundo real. Finalmente, el ponente habla sobre el auge de las monedas digitales de los bancos centrales y el posible impacto en la naturaleza descentralizada de las criptomonedas.

  • 01:00:00 Los oradores discuten la creciente exploración de la tecnología blockchain para resolver problemas como la emisión de identidad y la gestión de la cadena de suministro. Creen que todavía hay mucho desarrollo y trabajo por hacer en el espacio de blockchain y que habrá una buena demanda de desarrolladores de blockchain. Las criptomonedas se pueden negociar las 24 horas del día, lo cual es una de sus ventajas. Los oradores también alientan a la audiencia a brindar comentarios sobre la sesión y mencionar cualquier pregunta sin respuesta, que tratarán de responder en el futuro.
 

Introducción práctica al comercio cuantitativo | Escuela de Administración de Yale



Introducción práctica al comercio cuantitativo | Escuela de Administración de Yale

En el seminario sobre comercio cuantitativo introductorio, el orador profundiza en la creación, evaluación y despliegue de algoritmos comerciales utilizando ejemplos de código. La sesión comienza con la introducción del concepto de comercio cuantitativo, que implica el uso de modelos matemáticos y estadísticos para identificar oportunidades comerciales y ejecutar operaciones. Se explican varios tipos de estrategias comerciales cuantitativas, incluido el comercio de impulso, los sistemas comerciales de desviación media, los modelos matemáticos, el comercio de alta frecuencia y los sistemas comerciales basados en noticias. El orador enfatiza que los algoritmos no solo se usan para negociar, sino también para crear mercados y aprovechar las ineficiencias de los precios para generar ganancias.

Luego se explica la estructura básica de un sistema de comercio cuantitativo. Incluye la recopilación de datos, la creación de una estrategia comercial, backtesting, ejecución y gestión de riesgos. Los datos de precios, fundamentales, económicos y de noticias se utilizan comúnmente para los algoritmos comerciales. Se pueden emplear análisis técnicos, estadísticos y matemáticos para diseñar reglas comerciales para la estrategia. El backtesting consiste en probar las reglas sobre datos históricos para evaluar su desempeño. La ejecución puede ser manual o automática, y la gestión de riesgos es crucial para la asignación de capital y el establecimiento de parámetros de riesgo como el stop loss. El orador proporciona ejemplos en vivo de estrategias comerciales cuantitativas para ilustrar estos conceptos.

Se destaca la estrategia basada en tendencias y se utilizan indicadores técnicos como la media móvil exponencial (EMA), el SM parabólico y el oscilador estocástico para diseñar el algoritmo. Se presenta la plataforma Contra, que ofrece videotutoriales, ejercicios interactivos y exposición práctica sin necesidad de instalación de software. Los módulos de Python se importan para ayudar a crear el algoritmo y los datos se importan desde un archivo CSV para definir las reglas comerciales y monitorear el rendimiento de la estrategia. El módulo TLA Python se utiliza para establecer los parámetros de los indicadores técnicos, lo que simplifica el proceso de diseño.

El instructor explica cómo definir reglas comerciales y generar señales comerciales utilizando indicadores técnicos como EMA, osciladores estocásticos rápidos y estocásticos lentos. Se describen cinco condiciones comerciales para generar señales de compra y también se diseñan reglas comerciales para posiciones cortas. El siguiente paso es realizar una prueba retrospectiva de la estrategia utilizando un cuaderno de Python para evaluar su rendimiento práctico. El gráfico de los rendimientos de la estrategia demuestra que el algoritmo inicialmente incurrió en pérdidas, pero ganó impulso a partir de 2018 y, en última instancia, generó ganancias al final del período de prueba. Se presenta BlueShift, una plataforma que permite la investigación, construcción y backtesting de algoritmos con facilidad.

A continuación se muestra una demostración de backtesting en acciones de Bank of America utilizando la plataforma BlueShift. La plataforma proporciona mantenimiento de datos y una simple línea de código para importar datos a Python. Se definen indicadores y reglas de negociación, y las transacciones se ejecutan automáticamente en función del cumplimiento de condiciones largas y cortas. El backtest se lleva a cabo desde enero de 2020 hasta octubre de 2021 con un capital de $10,000 y el rendimiento se compara con el índice de referencia S&P 500. Los resultados revelan un retorno de la inversión del 113%. Se pueden obtener resultados detallados de pruebas retrospectivas para analizar los rendimientos mensuales, las operaciones ejecutadas y el margen utilizado, lo que facilita mejores decisiones comerciales.

El orador demuestra cómo acceder a resultados completos de pruebas retrospectivas en la plataforma BlueShift, incluidas representaciones visuales de métricas de rendimiento, como retornos de algoritmos y mapas de calor de retornos mensuales. Se analizan las posiciones tomadas por el algoritmo y se examinan métricas clave como el beneficio total de los lados largos y cortos. Los parámetros de riesgo y los límites de las órdenes se pueden configurar antes de implementar la estrategia en tiempo real, ya sea a través del comercio en papel o con capital real.

Se explica el proceso de selección de un bróker y especificación de parámetros de capital y algoritmos para el comercio en papel utilizando la plataforma de negociación BlueShift. Los usuarios pueden elegir entre varias opciones, como Alpaca para acciones de EE. UU., OANDA para divisas y Master Trust para operar en los mercados indios. El orador demuestra cómo se usa BlueShift para especificar la matriz de riesgo con un límite de reducción del 30 % y límites de orden y tamaño de 1000 y 10 000, respectivamente. Los usuarios tienen la flexibilidad de optar por la ejecución automática o el método de confirmación de un clic según sus preferencias. Una vez que el usuario hace clic en confirmar, el algoritmo comienza a ejecutarse y BlueShift establece una conexión con la fracción comercial de papel de Alpaca. El tablero actualiza continuamente el capital comercial, las transacciones, las posiciones y otra información relevante en tiempo real.

El ponente destaca dos productos esenciales para el comercio cuantitativo: Conda y BlueShift. Conda se utiliza para obtener datos de varias fuentes, incluidos precios de acciones, criptomonedas, noticias y redes sociales. El curso explica cómo acceder a informes fundamentales o extraer datos de redes sociales en sistemas comerciales utilizando API. BlueShift, el segundo producto, se utiliza para diseñar y probar estrategias, empleando modelos econométricos y análisis de series temporales. El curso proporciona ejemplos y códigos para diversas estrategias comerciales, como estrategias comerciales de desviación media, estrategias comerciales de impulso y estrategias comerciales diarias. Además, el curso cubre "Gestión de carteras mediante la disparidad jerárquica de aprendizaje automático" para facilitar la gestión de carteras y el control de riesgos mediante métodos de aprendizaje automático. BlueShift permite realizar pruebas retrospectivas de estrategias comerciales en una amplia gama de conjuntos de datos.

Se analiza la disponibilidad de diferentes conjuntos de datos para practicar el comercio cuantitativo, que abarca acciones estadounidenses, criptomonedas, forex, acciones indias y datos de propiedad. Se explican las implementaciones basadas en la nube y en el escritorio, y el corredor se encarga de la ejecución basada en la nube. La integración basada en escritorio se puede lograr utilizando el software IBridgePy, que se conecta a corredores como Interactive Brokers o eTrade. A los estudiantes que asisten a la sesión se les ofrece un código de descuento del 60 % en todos los cursos disponibles en el sitio web de ContraQuant. El sitio web ofrece cursos adecuados para principiantes, comerciantes intermedios y comerciantes avanzados, que cubren una amplia gama de conceptos como redes neuronales, procesamiento de lenguaje natural (NLP), estrategias de impulso, opciones, futuros y comercio de pares.

  • 00:00:00 Se discute un seminario sobre comercio cuantitativo introductorio, que cubre la creación, evaluación e implementación de algoritmos comerciales utilizando ejemplos de código. La sesión introduce los conceptos de negociación cuantitativa, incluido el uso de modelos matemáticos y estadísticos para identificar oportunidades comerciales y ejecutar operaciones. Se explican varios tipos de estrategias comerciales cuantitativas, como el comercio de impulso, los sistemas comerciales de desviación media, los modelos matemáticos, el comercio de alta frecuencia y los sistemas comerciales basados en noticias. Por último, se señala que los algoritmos también se utilizan en la creación de mercado y para aprovechar las ineficiencias en los precios para obtener ganancias.

  • 00:05:00 El orador explica la estructura básica de un sistema de comercio cuantitativo, que incluye la recopilación de datos, la creación de una estrategia comercial, backtesting, ejecución y gestión de riesgos. Los datos más comúnmente utilizados para los algoritmos comerciales son los datos de precios, fundamentales, económicos y de noticias. El análisis técnico, estadístico y matemático se puede utilizar para diseñar reglas comerciales para la estrategia. En backtesting, las reglas se prueban en datos históricos para evaluar su desempeño. La ejecución puede ser manual o automática, y la gestión de riesgos ayuda con la asignación de capital y el establecimiento de parámetros de riesgo como stop loss. El orador también proporciona ejemplos en vivo de estrategias comerciales cuantitativas.

  • 00:10:00 El orador analiza la estrategia basada en tendencias utilizada en el comercio cuantitativo y cómo se puede diseñar utilizando indicadores técnicos como el promedio móvil exponencial, el SM parabólico y el oscilador estocástico en la plataforma Contra. La plataforma ofrece videotutoriales, ejercicios interactivos y exposición práctica sin necesidad de que el usuario instale ningún software. El orador importa módulos de Python para ayudar a crear el algoritmo e importa datos de un archivo CSV que se usa para definir reglas comerciales y monitorear el desempeño de la estrategia. Los parámetros del indicador técnico se establecen utilizando el módulo TLA Python que facilita el diseño de estos indicadores.

  • 00:15:00 El instructor explica cómo definir reglas comerciales y generar señales comerciales utilizando indicadores técnicos como EMA, osciladores estocásticos rápidos y estocásticos lentos. Describen cinco condiciones comerciales que deben cumplirse para generar una señal de compra y también diseñan reglas comerciales para posiciones cortas. El siguiente paso es hacer una prueba retrospectiva de la estrategia para ver qué tan bien funciona en la práctica, lo que hacen usando un cuaderno de Python. El gráfico de los rendimientos de la estrategia muestra que el algoritmo tuvo pérdidas a principios de 2017, pero se recuperó a partir de 2018 y generó ganancias al final del período de prueba. También presentan BlueShift, una plataforma que permite a los usuarios investigar, construir y probar algoritmos con solo hacer clic en un botón.

  • 00:20:00 Vemos una demostración de backtesting en las acciones del Bank of America usando la plataforma Blue Shift. La plataforma proporciona mantenimiento de datos y una simple línea de código para importar datos a Python. Los indicadores y las reglas comerciales se definen y las operaciones se realizan automáticamente en función de las condiciones largas y cortas que se cumplan. El backtest se ejecuta desde enero de 2020 hasta octubre de 2021 con un capital de $10,000 y el rendimiento se compara con el índice de referencia S&P 500. Los resultados muestran un retorno de la inversión del 113%. Se puede ejecutar una prueba retrospectiva más profunda para obtener detalles sobre los rendimientos mensuales, las operaciones realizadas y el margen utilizado, lo que permite tomar mejores decisiones comerciales.

  • 00:25:00 El orador demuestra cómo acceder a los resultados completos del backtest en la plataforma Blueshift, incluidas las representaciones visuales de las métricas de rendimiento, como los retornos de algoritmos y los mapas de calor de retornos mensuales. También explican cómo analizar las posiciones tomadas por el algoritmo y examinar métricas clave como el beneficio total obtenido de los lados largos y cortos. Luego, el orador muestra cómo configurar los parámetros de riesgo y los límites de las órdenes antes de implementar la estrategia en tiempo real, ya sea a través del comercio de papel o con capital real.

  • 00:30:00 El orador explica cómo seleccionar un corredor y especificar los parámetros de capital y algoritmo para el comercio de papel utilizando la plataforma de negociación BlueShift. El usuario puede seleccionar entre varias opciones, como Alpaca para acciones de EE. UU., OANDA para divisas y Master Trust para operar en los mercados indios. El orador demuestra cómo usar BlueShift para especificar la matriz de riesgo con un límite de reducción del 30 % y límites de orden y tamaño de 1000 y 10 000, respectivamente. Los usuarios tienen la opción de ejecución automática o el método de confirmación de un clic según su preferencia. El algoritmo comienza a ejecutarse una vez que el usuario hace clic en confirmar y BlueShift comienza a conectarse con la fracción comercial de papel de Alpaca. El tablero muestra el capital comercial, las operaciones, las posiciones y las actualizaciones cada milisegundo.

  • 00:35:00 El orador analiza los dos productos que se utilizarán para el comercio cuantitativo, Conda y Blueshift. Conda se utiliza para obtener datos de varias fuentes, desde precios de acciones y criptomonedas hasta noticias y redes sociales. El curso describe cómo acceder a informes fundamentales o extraer datos de redes sociales en sistemas comerciales utilizando API. El segundo producto, Blueshift, sirve para diseñar y probar las estrategias, utilizando modelos econométricos y análisis de series temporales. El curso ofrece ejemplos y código para varias estrategias comerciales, como estrategias comerciales de división media, estrategias comerciales de impulso y estrategias comerciales diarias. Además, para realizar la gestión de carteras y controlar el riesgo, ofrecen "Gestión de carteras mediante disparidad jerárquica de aprendizaje automático" utilizando métodos de aprendizaje automático. Blueshift permite realizar pruebas retrospectivas de las estrategias comerciales en una amplia gama de conjuntos de datos.

  • 00:40:00 El orador analiza los diferentes conjuntos de datos disponibles para practicar el comercio cuantitativo, incluidas las acciones estadounidenses, las criptomonedas, las divisas, las acciones indias y los datos de propiedades. Hay dos tipos de implementaciones disponibles, basadas en la nube y basadas en escritorio, y el corredor se encarga de la ejecución basada en la nube. La integración basada en escritorio se puede realizar utilizando el software IBridgePy para conectarse a corredores como Interactive Brokers o eTrade. Los estudiantes que asisten a la sesión reciben un código para un 60% de descuento en todos los cursos disponibles en el sitio web de ContraQuant, que ofrece cursos adecuados para operadores principiantes, intermedios y avanzados y cubre una amplia gama de conceptos como redes neuronales, NLP, estrategias de impulso, comercio de opciones, futuros y pares.
 

Prediga los precios diarios de las acciones y automatice una estrategia comercial diaria



Prediga los precios diarios de las acciones y automatice una estrategia comercial diaria

En el seminario web introductorio, el anfitrión presenta el tema principal de la sesión, que es predecir los precios diarios de las acciones y automatizar una estrategia de negociación diaria. La sesión incluye dos presentaciones de proyectos. La primera presentación es de Renato Otto del Reino Unido, quien analiza la predicción de los precios diarios de las acciones utilizando un clasificador de bosque aleatorio, indicadores técnicos y datos de sentimiento. Renato Otto se presenta como una persona experimentada involucrada en el desarrollo de software y herramientas para el análisis cuantitativo y la identificación sistemática de la manipulación del mercado energético del Reino Unido.

Renato Otto comparte la motivación detrás de completar el proyecto y explica que fue una oportunidad para consolidar su conocimiento en programación Python, ingeniería de datos y aprendizaje automático en un proyecto de extremo a extremo. El proyecto tenía como objetivo mejorar sus habilidades y explorar el poder del aprendizaje automático y el procesamiento del lenguaje natural en el comercio. Además, el objetivo era crear algo reutilizable para que otros lo usaran en sus propios análisis o implementaciones de estrategias. El proyecto consta de nueve pasos, comenzando con la definición de los detalles del análisis en un diccionario y la inicialización de una canalización. Luego, el programa se ejecuta para obtener el conjunto de datos requerido para los cálculos de backtesting. El presentador destaca la importancia de probar la usabilidad del programa y asegurar la fiabilidad de las cifras finales.

El orador explica los métodos involucrados en el backtesting de una estrategia de operaciones diarias. Analizan la clase de estrategia de prueba retrospectiva, que consta de varios métodos para el preprocesamiento de datos, el entrenamiento y las pruebas de modelos, y el análisis del rendimiento de la estrategia. El resultado del proceso de backtesting incluye tablas y gráficos que muestran el retorno de la inversión, la relación aguda, la reducción máxima y otros parámetros relevantes. Si bien el backtesting ayuda a determinar la rentabilidad potencial de la estrategia, el orador advierte que simplifica ciertos aspectos que pueden no ser ciertos en el comercio real. El orador menciona la última mejora del programa, que implica la actualización de los parámetros para reflejar las condiciones comerciales reales, incluidas las tarifas de transacción y el tamaño de la cuenta.

Durante la presentación, el disertante también analiza los desafíos enfrentados durante el desarrollo del programa. Un desafío fue implementar un menú interactivo que solicita a los usuarios que ingresen datos, lo que requirió un esfuerzo adicional de pensamiento y desarrollo. Sin embargo, el orador afirma que valió la pena ya que hizo que el programa fuera más fácil de usar. Otros desafíos incluyeron encontrar soluciones para el cálculo de métricas de rendimiento y mantener un equilibrio entre el trabajo y la vida personal. Para superar estos desafíos, el presentador recomienda estrategias como dibujar diagramas, escribir comentarios como un trampolín para codificar, tomar descansos, realizar búsquedas en línea y consolidar el conocimiento. El presentador también destaca los logros obtenidos a través del proyecto, como consolidar el conocimiento en finanzas cuantitativas y habilidades de programación, ganar confianza en la gestión de un proyecto de principio a fin y demostrar el poder del aprendizaje automático para predecir los precios de las acciones.

El orador analiza sus planes para proyectos futuros después de completar el actual. Mencionan su intención de estudiar nuevas estrategias con diferentes activos, ampliar su conocimiento a través de su blog e interacciones con otros entusiastas, investigar nuevas estrategias y modelos de aprendizaje automático y, finalmente, implementar estrategias rentables en el comercio en vivo. El orador comparte su información de contacto para más preguntas o consultas sobre el proyecto. La audiencia hace varias preguntas, incluida la cantidad de noches pasadas en el proyecto y si el programa se puede usar para el comercio de criptomonedas.

Con respecto a los datos utilizados para el proyecto, el creador explica que entrenaron al modelo utilizando los precios diarios de Tesla desde el inicio de la empresa en 2009. El proceso de entrenamiento tomó cinco meses y el modelo fue probado durante un par de años. En términos de reducción de riesgos, el creador menciona que no se puede hacer mucho en un modelo de aprendizaje automático para reducir el riesgo, pero evaluaron una cantidad razonable de operaciones para asegurarse de que la mayoría de ellas fueran rentables. El creador también responde preguntas sobre el marco de tiempo para predecir precios y la necesidad de una PC de alta potencia para entrenar el modelo.

El orador explica el proceso de entrenamiento de un modelo y analiza las ventajas del comercio algorítmico sobre los sistemas discrecionales. Mencionan que es posible entrenar un modelo usando una computadora sin GPU, aunque puede llevar varias horas llegar a un modelo que funcione. Sin embargo, desaconsejan confiar en este enfoque con regularidad. Al discutir los beneficios del comercio algorítmico, el orador enfatiza la confianza estadística en que la mayoría de los intercambios son rentables, lo que lo hace más lucrativo en comparación con el comercio discrecional. Por último, el ponente expresa sus expectativas del programa EPAC, afirmando que les ha proporcionado los fundamentos para entender el trading algorítmico y las herramientas necesarias para elegir su especialización.

A continuación, se presenta al segundo orador, Usual Agrawal de la India, como comerciante cuantitativo y propietario de un negocio. Agrawal comparte su experiencia comercial en los mercados indios durante los últimos cuatro años y los desafíos que enfrentaron mientras administraban su negocio junto con el comercio a tiempo completo. Para superar estos desafíos, Agrawal decidió automatizar sus configuraciones comerciales con la ayuda del curso EPAT y el apoyo incondicional del equipo de Quantum City. En su presentación, Agrawal muestra su configuración comercial totalmente automatizada llamada "straddles intradía", que combina configuraciones no correlacionadas para generar rendimientos decentes con retiros mínimos. Discuten su enfoque para la recopilación de datos, las pruebas retrospectivas, las pruebas frontales, la implementación y la evaluación del rendimiento de su estrategia comercial.

Durante la presentación, el orador se sumerge en los detalles de los datos, sistemas y parámetros utilizados para realizar una prueba retrospectiva de su estrategia comercial diaria. Su estrategia consiste en crear straddles y strangles para los datos de futuros y opciones de Nifty y Bank Nifty utilizando un marco de tiempo de un minuto. El orador usó datos de dos años desde marzo de 2019 hasta marzo de 2021, que cubrieron tanto un período de baja volatilidad como la pandemia de COVID-19. Explican las diferentes clases utilizadas para el backtesting y los parámetros probados, incluidas las variaciones en los niveles de stop loss. Finalmente, el ponente presenta los resultados del proceso de backtesting.

El presentador procede a discutir los resultados de sus pruebas retrospectivas y frontales de la estrategia de operaciones diarias. Durante la fase de backtesting, lograron una rentabilidad neta de 3,15 lakhs, equivalente a una rentabilidad anual del 52,9%. La proporción de aciertos se calculó de manera normal y normalizada, y esta última proporcionó una imagen más realista. Se determinó que la relación aguda era de 3,78, y la curva de acciones recibió un buen apoyo de un promedio móvil simple de tres meses. Sin embargo, durante la fase de prueba inicial, la estrategia no funcionó como se esperaba, ganando solo 70 000 rupias en 11 meses, lo que corresponde a un rendimiento anual del 25 %. La curva de renta variable se mantuvo plana, lo que indica que es posible que la estrategia no esté funcionando bien actualmente y requiere un análisis más profundo. El presentador también comparte los desafíos clave que se enfrentaron y las lecciones aprendidas a lo largo del proyecto, con importantes dificultades que surgieron durante la recopilación de datos.

El orador analiza algunos de los desafíos encontrados al desarrollar la estrategia de operaciones diarias. Un obstáculo importante fue obtener datos de opciones intradía confiables, lo que requería comprarlos a proveedores externos. Otro desafío fue el posible sesgo de muestreo debido a centrarse únicamente en los últimos dos años de datos, que podrían no representar con precisión el rendimiento general de la estrategia. Además, el orador observa un efecto de hacinamiento en el mercado, con muchos comerciantes empleando estrategias similares. El orador explica su decisión de desarrollar la estrategia de forma independiente, lo que permite ajustes personalizados. Finalmente, se destacan las evaluaciones en curso de la estrategia y los esfuerzos para diversificarla para mejorar la eficiencia.

El orador aborda las preguntas de la audiencia, incluso si el programa se ejecuta de forma manual o automatizada utilizando plataformas en la nube, y cómo seleccionaron las acciones para vender straddles y la distancia típica de stop-loss en relación con la prima. La estrategia se aplica solo al índice Nifty y al índice Bank Nifty por problemas de liquidez, y el orador limpia los datos a través de prueba y error, rectificando cambios de formato y eliminando días con errores de datos.

El orador responde a dos preguntas adicionales relacionadas con su estrategia de transacciones diarias. Discuten el porcentaje de stop loss utilizado para las pruebas y los desafíos que enfrentaron en la programación sin experiencia en ingeniería informática. Explican cómo superaron estos desafíos con la ayuda del programa EPAT y la tutoría de Quadency. Además, el orador ofrece consejos a los aspirantes a comerciantes cuantitativos y algorítmicos, enfatizando la importancia de tener precaución e implementar una gestión de riesgos adecuada al aplicar cualquier estrategia comercial en la práctica.

El orador destaca la importancia de diversificar las estrategias comerciales y cómo puede ayudar a navegar las fases de reducción en una estrategia mientras que otras continúan funcionando bien. Hacen hincapié en la necesidad de realizar pruebas exhaustivas y dedicar tiempo a cada estrategia para aprender sus matices y combinarlos de manera efectiva. Es importante tener en cuenta que la información compartida durante la sesión no pretende ser un consejo comercial.

El anfitrión concluye el seminario web expresando su agradecimiento al orador, Visual, por compartir su proyecto y experiencias. Informan a la audiencia que la grabación de la sesión estará disponible en su canal de YouTube y que los participantes recibirán un correo electrónico con los códigos necesarios y los enlaces de GitHub relacionados con las estrategias discutidas. El anfitrión espera organizar sesiones más interesantes en los próximos meses, enriqueciendo aún más el conocimiento y la comprensión de la audiencia.

El seminario web proporcionó información valiosa sobre cómo predecir los precios diarios de las acciones y automatizar las estrategias de negociación diaria. La primera presentación de Renato Otto se centró en la predicción de precios de acciones utilizando un clasificador de bosque aleatorio, indicadores técnicos y datos de sentimiento. La segunda presentación de Usual Agrawal mostró su configuración comercial totalmente automatizada, "Intraday Straddles", que combinó configuraciones no correlacionadas para generar rendimientos con reducciones mínimas. Ambos presentadores compartieron sus desafíos, logros y aprendizajes, ofreciendo valiosas lecciones a la audiencia. El seminario web sirvió como plataforma para explorar el poder del aprendizaje automático y el procesamiento del lenguaje natural en el comercio y brindó un vistazo al apasionante mundo del comercio algorítmico.

  • 00:00:00 El anfitrión presenta el tema del seminario web, que es predecir los precios diarios de las acciones y automatizar una estrategia comercial diaria. Se darán dos presentaciones de proyectos, la primera será sobre la predicción de los precios diarios de las acciones con indicadores técnicos de clasificador de bosque aleatorio y datos de sentimiento, presentada por Renato Otto del Reino Unido, y la segunda sobre cómo automatizar una estrategia de negociación de opciones diarias, presentada por Usual. Agrawal de la India. El presentador presenta a Renato Otto y brinda una breve reseña sobre él, incluida su experiencia y participación en el desarrollo de software y herramientas para el análisis cuantitativo y la identificación sistemática de la manipulación del mercado energético del Reino Unido.

  • 00:05:00 El presentador analiza su motivación para completar un proyecto que implica predecir los precios diarios de las acciones y automatizar una estrategia de transacciones diarias. Querían consolidar su conocimiento en programación Python, ingeniería de datos y aprendizaje automático en un proyecto integral que mejoraría sus habilidades y exploraría el poder del aprendizaje automático y el procesamiento del lenguaje natural en el comercio. Además, su objetivo era construir algo reutilizable para que otros lo usaran en su propio análisis o implementando estrategias. El programa consta de nueve pasos, comenzando con proporcionar detalles en un diccionario para definir el análisis, seguido de la inicialización de una canalización y la ejecución del programa para obtener el conjunto de datos para los cálculos de backtesting. El presentador toca la importancia de probar la usabilidad del programa y asegurarse de que las cifras al final sean confiables.

  • 00:10:00 El orador explica los diferentes métodos involucrados en la prueba retrospectiva de una estrategia comercial diaria. La clase de estrategia de back-test consta de varios métodos que pueden preprocesar datos, entrenar y probar modelos y analizar el rendimiento de la estrategia. El resultado comprende tablas y gráficos que muestran el retorno de la inversión, la proporción aguda y la reducción máxima, entre otros parámetros. Si bien el método de prueba retrospectiva es útil para determinar la rentabilidad potencial de la estrategia, el orador advierte que hace varias simplificaciones que pueden no ser válidas para el comercio en vivo. La última mejora del programa incluye la actualización de los parámetros para incluir las tarifas de transacción y el tamaño de la cuenta para reflejar las condiciones comerciales reales.

  • 00:15:00 El presentador analiza los desafíos que encontró al desarrollar el programa para predecir los precios diarios de las acciones y automatizar el comercio diario. Uno de los desafíos fue la complejidad de implementar un menú interactivo que solicita a los usuarios que ingresen datos. Esto requirió pensar y desarrollar más, pero al final valió la pena porque el programa es fácil de usar. Otros desafíos incluyeron encontrar soluciones para el cálculo de métricas de rendimiento y mantener el equilibrio entre el trabajo y la vida personal. Para superar estos desafíos, el presentador recomienda dibujar diagramas, escribir comentarios como un trampolín hacia el código real, tomar descansos, buscar problemas en Google y consolidar el conocimiento. El presentador también analiza los logros obtenidos a través de este proyecto, como la consolidación del conocimiento en finanzas cuantitativas y habilidades de programación, ganar confianza en la gestión de un proyecto de principio a fin y demostrar cómo el aprendizaje automático puede ser poderoso para predecir el precio de las acciones del día siguiente.

  • 00:20:00 El orador analiza sus planes para proyectos futuros después de completar el proyecto actual sobre la predicción de los precios diarios de las acciones y la automatización de una estrategia de transacciones diarias. Menciona estudiar nuevas estrategias con diferentes activos, ampliar el conocimiento con otros entusiastas a través de su blog, investigar nuevas estrategias y modelos de aprendizaje automático y, finalmente, implementar estrategias rentables en un entorno comercial en vivo. Además, el orador comparte su información de contacto para aquellos que quieran hacer preguntas o aprender más sobre el proyecto. La audiencia también hace varias preguntas, entre ellas, cuántas trasnochadas tuvo el orador durante el proyecto y si el programa se puede usar en criptomonedas.

  • 00:25:00 El creador utilizó los precios diarios de Tesla desde el inicio de la empresa en 2009 para entrenar el modelo. El proceso de formación duró cinco meses y el modelo se probó durante un par de años. Con respecto a la reducción del riesgo, el creador mencionó que no hay mucho que se pueda hacer en un modelo de aprendizaje automático para reducir el riesgo. Aún así, evaluaron una cantidad razonable o aceptable de operaciones para garantizar que la mayoría de ellas fueran rentables. El creador también respondió preguntas relacionadas con el marco de tiempo para predecir precios y la necesidad de una PC de alta potencia para entrenar el modelo.

  • 00:30:00 El orador analiza el proceso de entrenamiento de un modelo y las ventajas del comercio algorítmico sobre los sistemas discrecionales. Él explica que es posible entrenar un modelo usando una computadora sin GPU, y puede llevar varias horas llegar a un modelo que funcione. Señala que es factible hacer esto una vez, pero no se recomienda para un uso regular. Cuando se le preguntó acerca de los beneficios del comercio algorítmico, el orador afirma que existe una confianza estadística en que la mayoría de los comercios son rentables, lo que lo hace más rentable que el comercio discrecional. Finalmente, el orador comparte sus expectativas del programa epac, afirmando que le proporcionó los fundamentos para comprender el comercio algorítmico y los instrumentos para elegir su especialización.

  • 00:35:00 El segundo orador del video, Usual Agrawal, se presenta como comerciante cuantitativo y propietario de un negocio de la India. Agrawal ha estado operando en los mercados indios durante los últimos cuatro años y enfrentó dificultades para administrar su negocio mientras operaba a tiempo completo. Esto lo llevó a automatizar sus configuraciones comerciales con la ayuda del curso EPAD y el apoyo incondicional del equipo de Quantum City. Durante la segunda presentación, Agrawal muestra su configuración de negociación totalmente automatizada "Intraday Straddles", que combina configuraciones no correlacionadas para generar rendimientos decentes con reducciones mínimas. También describe su enfoque de recopilación de datos, pruebas retrospectivas, pruebas frontales, implementación y evaluación del rendimiento de su estrategia comercial.

  • 00:40:00 El orador analiza los datos, los sistemas y los parámetros utilizados para realizar una prueba retrospectiva de una estrategia comercial diaria básica que implica la creación de straddles y strangles para los datos de opciones y futuros de Nifty y Bankruptcy utilizando un marco de tiempo de un minuto. El orador usó datos de dos años desde marzo de 2019 hasta marzo de 2021, que incluyeron un período de baja volatilidad y la pandemia de COVID-19. Luego, el orador continúa explicando las diferentes clases utilizadas para el backtesting y los parámetros probados, incluidos los diferentes niveles de stop loss. Finalmente, el ponente presenta los resultados del backtesting.

  • 00:45:00 El presentador analiza los resultados de sus pruebas retrospectivas y frontales de una estrategia de negociación diaria. En la fase de backtesting, obtuvieron un rendimiento neto de 3,15 lakhs, lo que se traduce en un rendimiento anual del 52,9 %. La proporción de aciertos se calculó tanto de forma normal como normalizada, dando esta última una imagen más realista. La relación aguda fue de 3,78 y la curva de renta variable tuvo un buen apoyo de un promedio móvil simple de tres meses. Sin embargo, durante la fase de prueba inicial, la estrategia no funcionó como se esperaba, ganando solo 70 000 rupias en 11 meses, lo que equivale a un rendimiento anual del 25 %. La curva de capital era plana, lo que indica que es posible que la estrategia no esté funcionando bien actualmente y debe analizarse. El presentador también comparte sus principales desafíos y aprendizajes durante este proyecto, con los principales problemas que surgieron durante la recopilación de datos.

  • 00:50:00 El orador analiza algunos de los desafíos que se enfrentan al desarrollar una estrategia de transacciones diarias. Un problema importante fue obtener datos confiables de opciones intradía, lo que requería comprarlos a proveedores externos. Otro desafío fue el sesgo de muestreo, ya que el análisis solo se centró en los últimos dos años de datos, que pueden no representar con precisión el rendimiento general de la estrategia. Además, el orador notó un efecto de hacinamiento en el mercado ya que muchos comerciantes están empleando estrategias similares. Luego, el orador comparte la razón por la que eligió desarrollar la estrategia de forma independiente, lo que permitió ajustes personalizados. Finalmente, el orador analiza las evaluaciones en curso de la estrategia y los esfuerzos para diversificarla para una mayor eficiencia.

  • 00:55:00 El orador responde a las preguntas de la audiencia, incluso si el programa se ejecuta de forma manual o automatizada mediante plataformas en la nube, y cómo eligieron qué acciones vender straddle y qué tan lejos estaba el stop-loss típico en relación con la prima. La estrategia solo se aplica al índice Nifty y al índice Bank Nifty por problemas de liquidez, y el orador limpia los datos a través de prueba y error, rectificando cambios de formato y eliminando días con errores de datos.

  • 01:00:00 El orador responde dos preguntas sobre su estrategia de comercio diario, incluido el porcentaje de límite de pérdida que usaron para las pruebas y los desafíos que enfrentaron en la programación sin experiencia en ingeniería informática. Discuten cómo superaron estos desafíos con la ayuda del programa EPAT y la tutoría de Quadency. El disertante también da consejos a los aspirantes a comerciantes cuantitativos y algorítmicos, enfatizando que aunque la estrategia presentada puede parecer simple, es importante tener precaución y una adecuada gestión de riesgos al aplicarla en la práctica.

  • 01:05:00 El orador analiza la importancia de diversificar las estrategias comerciales y cómo puede ayudar cuando una estrategia se encuentra en una fase de reducción mientras que las otras funcionan bien. Él enfatiza la necesidad de probar y pasar tiempo con las estrategias para aprender y combinarlas de la manera que funcione mejor. Proporciona un descargo de responsabilidad de que esto no es un consejo comercial y expresa su gratitud a Visual por compartir su proyecto y experiencias. La grabación de la sesión estará disponible en su canal de YouTube y los participantes recibirán un correo electrónico con los códigos necesarios y los enlaces de GitHub. El anfitrión espera más sesiones interesantes en los próximos meses.
 

Implementación del modelo de fijación de precios y la asignación dinámica de activos: seminario web del proyecto Algo Trading



Implementación del modelo de fijación de precios y la asignación dinámica de activos: seminario web del proyecto Algo Trading

Durante el seminario web, el presentador presenta al primer orador, Evgeny Teshkin, analista cuantitativo sénior de Rusia. Teshkin presenta su proyecto sobre la implementación de un modelo de precios utilizando filtrado de Kalman adaptativo a los regímenes de mercado. Explica que el proyecto sirve como un ejemplo educativo de cómo usar técnicas cuantitativas de aprendizaje automático en línea para crear estrategias de desarrollo.

Teshkin enfatiza las ventajas de las técnicas de aprendizaje en línea, que permiten una automatización más profunda y el comercio en tiempo real, lo que lo hace más eficiente que el reciclaje del modelo tradicional. El objetivo principal de su proyecto es crear estrategias comerciales que mejoren la inversión en sectores simples, con un enfoque específico en el sector de la gran tecnología del mercado de valores de EE. UU., incluidas empresas como Facebook, Apple, Netflix, Google, Amazon y Microsoft.

El orador continúa discutiendo el enfoque que usó para implementar un modelo de precios y asignación dinámica de activos para su proyecto de negociación de algoritmos. Explica que empleó técnicas estadísticas y cuantitativas para posiciones largas, seleccionando puntos de entrada y salida, y determinando precios infravalorados o sobrevalorados en relación con otras acciones del sector.

Para lograr esto, Teshkin utilizó varios modelos, como la regresión lineal, el análisis de componentes principales (PCA) y el filtro de Kalman. Estos modelos ayudaron a calcular los residuos y encontrar coeficientes óptimos para la distribución lineal estadística entre acciones correlacionadas dentro del sector. Destaca la importancia del valor relativo y explica que el enfoque de aprendizaje en línea utilizó una ventana retrospectiva de un año, teniendo en cuenta datos como el precio de las acciones y el índice de los dentistas.

El orador profundiza en los diferentes modelos que empleó para abordar los problemas de análisis de datos en su proyecto de negociación de algoritmos. Menciona el uso de técnicas como la extracción de componentes de varianza ortonormales no correlacionados, el filtro de Kalman y modelos ocultos de Markov. Explica cómo se incorporaron estos modelos en su enfoque y proporciona recursos para un mayor aprendizaje. Además, analiza los resultados de su proyecto y comparte algunos trucos que utilizó para aumentar las posiciones potencialmente rentables.

A continuación, el orador analiza cómo logró ganarle al mercado comprando y vendiendo acciones basándose en simples cotizaciones y deltas al final del día. Explica que los riesgos asociados con esta estrategia se superaron mediante el uso de múltiples entradas y salidas determinadas por técnicas de precios relativos en línea. Explora el concepto de precios relativos de acciones para determinar las entradas y salidas, junto con el uso del aprendizaje automático en línea para crear modelos de precios automatizados en tiempo real.

El orador alienta a la audiencia a explorar su proyecto en línea, ofreciendo la oportunidad de descargar el código y contactarlos si tienen más preguntas. También mencionan que el seminario web se grabará y estará disponible en su canal de YouTube, junto con el archivo de presentación y los enlaces relevantes. Durante la sesión, el orador interactúa con la audiencia, responde preguntas sobre su participación en competencias de comercio de algoritmos y aclara si los resultados presentados fueron de operaciones reales o simplemente de pruebas retrospectivas.

Después de la presentación, el presentador del seminario web aborda varias preguntas de los espectadores sobre el proyecto de negociación de algoritmos. Cubren temas como el uso de la regresión lineal para una correlación óptima, el rendimiento de la estrategia de compra y retención en comparación con la estrategia comercial optimizada y la inclusión de estados ocultos en el modelo estadístico. El presentador proporciona respuestas perspicaces, ampliando los detalles del proyecto y explicando la toma de decisiones detrás de su enfoque.

Luego, el seminario web pasa a la introducción del próximo proyecto, que se centra en la asignación dinámica de activos mediante redes neuronales. El orador explica que su proyecto tiene como objetivo construir un sistema automatizado para la estrategia "compre hoy, venda mañana" en acciones bancarias con una mínima intervención manual. Discuten el desarrollo del modelo, la implementación de la estrategia y los aspectos de gestión de riesgos de su proyecto, enfatizando el uso de modelos de aprendizaje profundo entrenados en datos históricos para acciones bancarias ingeniosas.

El orador elabora la estrategia, que consiste en combinar los resultados de diferentes modelos para determinar el rendimiento esperado de cada acción. Sobre la base de estas proporciones, los fondos se distribuyen en las acciones respectivas. La parte de gestión de riesgos del proyecto se ocupa de cuestiones como el costo de transacción y la automatización. El orador enfatiza la importancia de administrar el riesgo de manera efectiva en el algoritmo comercial.

Continuando, el orador brinda más información sobre la estrategia, la gestión de riesgos y los desafíos que se enfrentan durante el desarrollo del algoritmo comercial. Explican la implementación de una arquitectura convergente tanto para el modelo de retorno probabilístico como para el modelo de retorno. La estrategia consiste en calcular el rendimiento esperado de cada acción y dividirlo por la volatilidad del rendimiento para obtener un índice. Luego, los fondos disponibles se asignan proporcionalmente a las acciones con índices positivos, mientras que las carteras se venden en proporción a las pérdidas esperadas. El algoritmo se actualiza continuamente y se aplican mecanismos de stop-loss para mitigar el riesgo. El disertante reconoce desafíos en la automatización del proceso de actualización y menciona la ausencia de una estrategia de microestructura de mercado para determinar precios óptimos de compra o venta.

El orador procede a discutir los resultados de sus esfuerzos de backtesting y la selección de una combinación de 20 días como la más apropiada para su modelo. También mencionan los próximos pasos en el proyecto, incluida la integración de puntajes de noticias textuales para acciones bancarias y el desarrollo de una solución basada en una aplicación de Android para una mayor automatización. La audiencia tiene la oportunidad de hacer preguntas, lo que lleva a debates sobre temas como los resultados de las pruebas retrospectivas y el uso de mecanismos de stop-loss en el modelo. El orador comparte que los rendimientos de las pruebas retrospectivas han sido decentes, proporcionando patrones de aproximadamente el 5% durante un período de tiempo específico. También mencionan una fase de prueba beta que arrojó un rendimiento cercano al 10% en los últimos seis meses.

En respuesta a una pregunta de la audiencia sobre la implementación de un stop loss, el orador explica que han incorporado un stop loss del cinco por ciento del valor de la cartera por valor de inversión para cada acción. Cuando la pérdida de una acción alcanza el cinco por ciento de la inversión, se elimina automáticamente de la cartera para limitar la pérdida máxima al cinco por ciento. El orador aborda además las consultas sobre el rendimiento de la asignación dinámica de activos en comparación con una simple estrategia de compra y retención. Destacan que la evaluación comparativa con Nifty Bank mostró un rendimiento razonable, cerca del cinco por ciento de rendimiento. El orador también explica su decisión de centrarse en el sector bancario debido a su reflejo de las condiciones generales del mercado y menciona que su experiencia en aprendizaje automático facilitó su mejora para el proyecto.

Después de las presentaciones del proyecto, un participante comparte su experiencia positiva con EPAT, enfatizando su valor en términos de aprendizaje teórico e implementación práctica. Expresan su agradecimiento por obtener una comprensión matemática de las opciones y los precios de futuros y elogian el sistema de soporte del programa y el administrador de desempeño dedicado, quienes brindaron una valiosa orientación. Aunque el curso fue desafiante, el participante cree que fue esencial para su crecimiento personal y profesional. Animan a los aspirantes a comerciantes a explorar y expandir sus conocimientos más allá de sus fortalezas actuales, ya que gradualmente se volverán expertos en operaciones comerciales.

En la parte final, los ponentes destacan la importancia de aplicar los conocimientos adquiridos en escenarios de la vida real lo más rápido posible. Recomiendan utilizar el curso de iPad para experimentos comerciales diarios, lo que facilita el aprendizaje y el crecimiento continuos. El seminario web concluye con la gratitud extendida a los oradores y la audiencia, junto con una solicitud de sugerencias de temas para futuros seminarios web.

  • 00:00:00 El presentador del seminario web presenta al primer orador, Evgeny Teshkin, un analista cuantitativo sénior de Rusia, quien presenta su proyecto sobre la implementación de un modelo de fijación de precios utilizando el filtro de Kalman adaptable a los regímenes de mercado. Teshkin explica que el proyecto es un ejemplo educativo de cómo usar técnicas cuantitativas de aprendizaje automático en línea para crear estrategias de desarrollo. Él enfatiza que la técnica de aprendizaje en línea permite una automatización más profunda y el comercio en tiempo real, que es más eficiente que el modelo tradicional de reentrenamiento. El objetivo del proyecto es crear estrategias comerciales que mejoren la inversión en sectores simples, centrándose en el sector de gran tecnología del mercado de valores de EE. UU., como Facebook, Apple, Netflix, Google, Amazon y Microsoft.

  • 00:05:00 El orador explica su enfoque para implementar un modelo de fijación de precios y asignación dinámica de activos para un proyecto de negociación de algoritmos. El enfoque involucró el uso de técnicas estadísticas o cuantitativas para posiciones largas únicamente, seleccionando puntos de entrada y salida, y determinando precios infravalorados o sobrevalorados en relación con otras acciones del sector. El orador usó modelos de regresión lineal, análisis de componentes principales y filtros de Kalman para calcular los residuos y encontrar los coeficientes óptimos para la distribución lineal estadística entre las acciones correlacionadas del sector. El punto clave fue el valor relativo de las acciones, y el aprendizaje en línea tuvo una ventana retrospectiva de un año utilizando datos como el precio de las acciones y el índice de dentistas.

  • 00:10:00 El orador analiza los diferentes modelos que usó para resolver problemas de análisis de datos para su proyecto de negociación de algoritmos, incluida la extracción de componentes de varianza ortonormales no correlacionados, el filtro de Kalman y los modelos ocultos de Markov. Explica cómo utiliza estos modelos en su enfoque y proporciona recursos para seguir aprendiendo. Además, analiza los resultados de su proyecto y los trucos que utilizó para aumentar las posiciones potencialmente rentables.

  • 00:15:00 El orador analiza el enfoque utilizado para vencer al mercado mediante la compra y venta de acciones en función de simples cotizaciones y deltas al final del día. También explican cómo han logrado superar los riesgos asociados con esta estrategia mediante el uso de múltiples entradas y salidas determinadas por técnicas de precios relativos en línea. Se explora el concepto de usar precios relativos de acciones para determinar entradas y salidas, así como el uso de aprendizaje automático en línea para construir modelos de precios automatizados en tiempo real. El orador alienta a la audiencia a ver su proyecto en línea y a sentirse libre de descargar su código y contactarlos si tienen más preguntas. El seminario web se grabará y estará disponible en el canal de YouTube, junto con el archivo de presentación y los enlaces. El orador también responde a las preguntas de la audiencia sobre su participación en competencias de comercio de algoritmos y si los resultados presentados fueron de operaciones reales o simplemente de pruebas retrospectivas.

  • 00:20:00 El presentador del seminario web responde varias preguntas de los espectadores sobre su proyecto de comercio de algoritmos. Un espectador preguntó sobre el uso de la regresión lineal para una correlación óptima con la realidad virtual objetivo, y el presentador explicó que las entradas para el modelo de regresión eran simplemente deltas de precios para otras acciones. Otro espectador preguntó por qué la estrategia de comprar y mantener parecía funcionar mejor, a lo que el presentador respondió que, si bien puede proporcionar la mayor ganancia total, el objetivo del proyecto era superar el riesgo, y el rendimiento ajustado al riesgo en realidad era mayor. para la estrategia de tráfico optimizado. El presentador también abordó una pregunta sobre los estados ocultos en el modelo estadístico utilizado en el proyecto.

  • 00:25:00 El orador explica los estados y características que usó para su análisis en el desarrollo de un proyecto de negociación de algo. Eligió dos o tres estados como regímenes de mercado, calculados por parámetros tales como deltas de precios para el sector ETF y grandes deltas como indicadores de mercado observables. Las características que usó fueron simples, como deltas de precios y sus promedios móviles, y también extrajo los componentes primero y segundo de estos deltas para la regresión lineal. En cuanto a la selección de componentes principales a utilizar para PCA, la estrategia fue utilizar el primero y al menos otro componente, ya que explican la mayor parte de la variación en el sector. El orador también menciona que, si bien la predicción de la volatilidad es otra área para explorar, este proyecto se centró en predecir el precio para mejorar el riesgo comercial.

  • 00:30:00 El presentador responde un par de preguntas de la audiencia. Una pregunta es sobre si el modelo de fijación de precios se ha probado en otros instrumentos como crypto o forex, a lo que el presentador explica que aún no lo han hecho, pero que los conceptos podrían aplicarse a una variedad de instrumentos financieros. Otra pregunta es sobre si el comercio de futuros es más fácil de pronosticar que las acciones usando el aprendizaje automático, y el presentador explica que depende del modelo, pero que los principios son los mismos y recomienda mantenerlo simple para evitar el sobreajuste. Luego, el presentador presenta el próximo proyecto, que trata sobre la asignación dinámica de activos utilizando redes neuronales.

  • 00:35:00 El presentador analiza su proyecto sobre "asignación dinámica de activos mediante redes neuronales" destinado a construir un sistema automatizado para la estrategia "compre hoy, venda mañana" en acciones bancarias con una intervención manual mínima. La solución consta de partes de desarrollo de modelos, estrategia y gestión de riesgos. El desarrollo del modelo implica desarrollar un conjunto de tres modelos de aprendizaje profundo, incluido un modelo probabilístico y dos modelos basados en el rendimiento, entrenándolos en cinco años de datos para 12 ingeniosas acciones bancarias. La estrategia consiste en combinar el resultado de estos modelos para llegar a un rendimiento esperado de la acción y luego distribuir los fondos en las acciones respectivas en función de las proporciones. Por último, la parte de gestión de riesgos incluye el tratamiento de cuestiones como el costo de transacción y la automatización.

  • 00:40:00 El orador explica la estrategia, la gestión de riesgos y los desafíos que enfrentaron al desarrollar su algoritmo comercial. Usaron una arquitectura convergente para construir tanto su modelo de retorno probabilístico como su modelo de retorno. La estrategia implicó calcular el rendimiento esperado de cada acción y dividirlo por la volatilidad del rendimiento para obtener una proporción. Luego distribuyeron su efectivo disponible en proporción a los índices s positivos y vendieron las carteras en proporción a las pérdidas esperadas. El algoritmo se actualizó dinámicamente y aplicaron stop-loss a las acciones. Un desafío fue automatizar el proceso de actualización y otro fue no tener una estrategia de microestructura de mercado para sugerir el mejor precio para comprar o vender.

  • 00:45:00 El orador analiza los resultados de su backtesting y cómo llegaron a utilizar una combinación de 20 días como la más adecuada para su modelo. También mencionan los próximos pasos, como la integración de puntajes de noticias textuales para acciones bancarias y la automatización adicional del modelo en una solución basada en una aplicación de Android. El orador también responde preguntas de la audiencia, incluidas preguntas sobre los resultados de las pruebas retrospectivas y el uso de stop loss en su modelo. Los rendimientos de las pruebas retrospectivas han sido decentes, arrojando patrones de alrededor del 5% durante un período de tiempo, y las pruebas beta han arrojado un rendimiento cercano al 10% en los últimos seis meses.

  • 00:50:00 El orador explica que implementaron un stop loss del cinco por ciento del valor de la cartera por valor de inversión en la acción. Cuando una acción pierde el cinco por ciento de lo invertido en ella, se elimina de la cartera para limitar la pérdida máxima al cinco por ciento para cualquier acción. Luego, el orador responde preguntas sobre si la asignación dinámica de activos funciona mejor que la simple compra y retención, y explica que la compararon con Nifty Bank y descubrieron que funciona razonablemente bien, cerca del cinco por ciento. El orador también explica que no utilizaron el ajuste de parámetros híbridos para la red neuronal, y eligieron el tema del proyecto para combinar el aprendizaje profundo y el comercio, centrándose en el sector bancario, ya que el mercado refleja la condición de los bancos. También mencionan que su experiencia en aprendizaje automático les ayudó a mejorar sus habilidades para el proyecto.

  • 00:55:00 Un participante comparte su experiencia positiva con EPAT, afirmando que ha sido útil tanto en términos de aprendizaje teórico como de implementación práctica. Señalan que les ha ayudado a obtener una comprensión matemática de cómo se cotizan las opciones y los futuros. El participante también elogia el sistema de apoyo del programa y el administrador de desempeño dedicado que ayudó a monitorear su progreso. Si bien el curso les resultó desafiante, creen que fue importante para su crecimiento como creadores y profesionales. Se alienta a los aspirantes a comerciantes a explorar y no limitarse a sus fortalezas actuales, ya que eventualmente entenderán cómo funcionan las cosas.

  • 01:00:00 Los ponentes enfatizan el valor del conocimiento práctico sobre el conocimiento teórico e instan a los participantes a aplicar lo aprendido en la vida real lo más rápido posible. Recomiendan usar el curso de iPad para experimentos cotidianos con el comercio para ayudar a los participantes a crecer implementando y aprendiendo más. El seminario web concluye con un agradecimiento a los oradores y la audiencia y una solicitud de sugerencias de temas para futuros seminarios web.
 

Aplicación del aprendizaje automático en el comercio por Ishan Shah y Rekhit Pachanekar | Día 7 de la semana de negociación de Algo



Aplicación del aprendizaje automático en el comercio por Ishan Shah y Rekhit Pachanekar | Día 7 de la semana de negociación de Algo

Ishan Shah y Rekhit Pachanekar, los presentadores del seminario web, comienzan presentándose y expresando su entusiasmo por el último día de la semana de negociación de algoritmos. Anuncian a los ganadores de la competencia de negociación de algoritmos y elogian sus logros. Mencionan que el enfoque de la presentación del día será el aprendizaje automático y sus aplicaciones en el comercio. También informan a la audiencia que habrá una sesión de preguntas y respuestas al final de la presentación.

Rekhit Pachanekar toma la iniciativa al iniciar el seminario web y se sumerge en los conceptos básicos del aprendizaje automático. Utiliza el reconocimiento de imágenes como ejemplo para explicar cómo el aprendizaje automático permite que los algoritmos aprendan de los datos y tomen decisiones sin una programación extensa. Luego analiza el papel del aprendizaje automático en el comercio y la inversión, particularmente en la creación de carteras de inversión personalizadas basadas en varios puntos de datos, como salario, profesión y región. El aprendizaje automático también ayuda a asignar pesos a los activos en una cartera y ayuda a desarrollar estrategias comerciales. Pachanekar destaca la velocidad y las capacidades de análisis de datos del aprendizaje automático, que utilizan los fondos de cobertura, los fondos de pensiones y los fondos mutuos para tomar decisiones comerciales y de inversión.

En el futuro, Ishan Shah y Rekhit Pachanekar profundizan en los siete pasos involucrados en la construcción de un modelo de aprendizaje automático para el comercio. Destacan que incluso los comerciantes minoristas individuales pueden aprovechar la tecnología de aprendizaje automático para crear sus propias estrategias comerciales. El primer paso que analizan es definir el enunciado del problema, que puede variar desde un deseo general de rendimientos positivos hasta objetivos más específicos, como determinar el momento adecuado para invertir en una acción en particular, como JP Morgan. El segundo paso consiste en adquirir datos de buena calidad, asegurándose de que no falten valores duplicados ni valores atípicos. Los presentadores enfatizan la importancia de la calidad de los datos en la construcción de un modelo de aprendizaje automático preciso.

Shah y Pachanekar proceden a explicar el proceso de selección de variables de entrada y salida para un modelo de aprendizaje automático en el comercio. Resaltan la variable de salida, o la variable objetivo, que representa el rendimiento futuro de una acción. Mencionan que a una variable de señal se le asigna un valor de 1 cuando se predice que los rendimientos futuros serán positivos y 0 cuando se predice que serán negativos. Las variables de entrada, o características, deben poseer poder predictivo y cumplir con el requisito de estacionariedad, lo que significa que exhiben una varianza media y constante. Hacen hincapié en que las variables como abierto, bajo, alto y cerrado no son estacionarias y no se pueden usar como características de entrada.

A continuación, los presentadores analizan la selección de características de entrada para su modelo de aprendizaje automático en el comercio. Explican la necesidad de características de entrada estacionarias y lo logran mediante el uso de valores de cambio porcentual para diferentes períodos de tiempo. También enfatizan la importancia de evitar la correlación entre las variables de entrada y demuestran el uso de un mapa de calor de correlación para identificar y eliminar características altamente correlacionadas. La selección final de características de entrada incluye valores de cambio porcentual para diferentes períodos de tiempo, RSI (índice de fuerza relativa) y correlación. Antes de usar el modelo para el comercio en vivo, dividieron el conjunto de datos en conjuntos de entrenamiento y prueba para evaluar su rendimiento.

Los oradores enfatizan la importancia de garantizar la calidad y la relevancia de los conjuntos de datos utilizados en los modelos de aprendizaje automático. Introducen el concepto de árboles de decisión e indagan sobre los procesos de toma de decisiones personales de los asistentes a la hora de comprar acciones o activos, mencionando respuestas que van desde indicadores técnicos hasta recomendaciones de amigos. Afirman la necesidad de establecer un modelo mental para la toma de decisiones basado en experiencias personales al utilizar dichas funciones. Presentan bosques aleatorios como una forma de superar los problemas de sobreajuste y explican el uso de árboles bayesianos como base para los árboles de decisión.

Shah y Pachanekar explican cómo se pueden utilizar los algoritmos de aprendizaje automático, específicamente los árboles de decisión, para crear reglas para el comercio. Estas reglas, que incorporan indicadores técnicos como ADX (índice direccional promedio) y RSI, permiten a los comerciantes tomar decisiones basadas en condiciones predefinidas. Para garantizar que estas reglas no se basen únicamente en la suerte, los presentadores introducen el concepto de un bosque aleatorio. Explican que un bosque aleatorio combina múltiples árboles de decisión para crear una estrategia comercial más generalizada y confiable. Al seleccionar aleatoriamente un subconjunto de características para cada árbol, el bosque aleatorio reduce las posibilidades de sobreajuste y proporciona predicciones más precisas. Los presentadores analizan varios parámetros necesarios para el algoritmo de bosque aleatorio, incluido el número de estimadores, las funciones máximas y la profundidad máxima del árbol.

A continuación, los presentadores profundizan en la implementación de un clasificador de bosque aleatorio para aplicar el aprendizaje automático en el comercio. Hacen hincapié en la importancia de controlar la profundidad del árbol de decisión y seleccionar características aleatoriamente para evitar el sobreajuste y garantizar resultados consistentes. El clasificador de bosque aleatorio aprende reglas de las características de entrada y los resultados esperados, que luego se utilizan para hacer predicciones sobre datos no vistos. También mencionan que el rendimiento del modelo se puede medir utilizando varias métricas.

Luego, los presentadores analizan la importancia de evaluar la efectividad de un modelo de aprendizaje automático antes de realizar inversiones con dinero real en función de sus recomendaciones. Introducen el concepto de precisión, que implica verificar si las predicciones del modelo se alinean con los resultados reales del mercado. Destacan que la precisión de un modelo suele oscilar entre el 50 % y el 60 % y advierten que una tasa de precisión alta no garantiza buenos resultados. Sugieren usar una matriz de confusión para comparar las etiquetas reales con las predichas y calcular métricas de rendimiento como la precisión, la recuperación y la puntuación F1 para evaluar el rendimiento del modelo.

En detalle, la precisión del modelo se analiza a fondo y se realiza una encuesta para establecer su tasa de precisión, que se calcula en un 60 %. Sin embargo, cuando se comprueba la etiqueta, la precisión de la señal larga cae al 33 %. Esto plantea la cuestión de si un aumento en la precisión general dará como resultado un modelo comercial rentable. Los presentadores enfatizan que la precisión es un factor crucial para determinar la efectividad de un modelo para predecir el mercado. Señalan que una alta precisión general no conduce necesariamente a la rentabilidad y que se deben considerar otros factores.

Shah y Pachanekar luego cambiaron su enfoque para discutir diferentes métricas utilizadas para evaluar el rendimiento de un modelo comercial, incluida la precisión, el recuerdo y el puntaje F1. Señalan que si bien la recuperación puede ayudar a superar problemas con datos desequilibrados, puede ser una métrica poco confiable cuando se usa por sí sola. En su lugar, recomiendan utilizar una combinación de precisión y recuperación para calcular la puntuación F1, que proporciona una evaluación más completa del rendimiento del modelo. Destacan la importancia de realizar pruebas retrospectivas del modelo para garantizar su eficacia en escenarios comerciales del mundo real y advierten contra el sobreajuste del modelo.

Los presentadores abordan las preocupaciones del sobreajuste en entornos del mundo real y sugieren estrategias para manejarlo en función del modelo de aprendizaje automático específico utilizado. Destacan la importancia de comprender los parámetros del modelo, limitar la cantidad de características y trabajar en diferentes hiperparámetros para cada tipo de modelo de aprendizaje automático. Destacan la importancia de utilizar datos del mundo real sin manipulación. Además, analizan las aplicaciones del aprendizaje automático en el comercio más allá de la generación de señales, como su potencial en la gestión de riesgos. También abordan el uso de algoritmos de agrupamiento para identificar oportunidades rentables en el mercado.

Ishan Shah y Rekhit Pachanekar concluyen el seminario web discutiendo las ventajas de usar el aprendizaje automático en el comercio, particularmente en el desciframiento de patrones complejos que pueden ser difíciles de identificar para los humanos. Sugieren utilizar el aprendizaje automático como una herramienta complementaria en el proceso de identificación alfa. La sesión finaliza con los presentadores expresando su agradecimiento a los oradores y participantes de Algo Trading Week, e invitan a enviar cualquier pregunta sin respuesta a través de la encuesta.

  • 00:00:00 Los presentadores, Ishan Shah y Rekhit Pachanekar, se presentan y hablan sobre el último día de la semana de negociación de algoritmos. Destacan a los ganadores de la competencia de negociación de algoritmos y presentan a los dos oradores del día. Mencionan que la presentación se centrará en el aprendizaje automático y que habrá una sesión de preguntas y respuestas al final. Rekhit Pachanekar comenzará el seminario web y luego se lo pasará a Ishan Shah.

  • 00:05:00 El video presenta los conceptos básicos del aprendizaje automático, utilizando el reconocimiento de imágenes como ejemplo. El aprendizaje automático permite que los algoritmos aprendan de los datos y tomen decisiones, a diferencia de los programas informáticos convencionales que requieren una programación extensa. Luego, el video explica el papel del aprendizaje automático en el comercio y la inversión, particularmente en la creación de carteras de inversión para individuos en función de datos como salario, profesión, región, etc. El aprendizaje automático también asigna pesos a los activos en una cartera y ayuda en la creación de estrategias comerciales. . Los fondos de cobertura, los fondos de pensiones y los fondos mutuos utilizan la velocidad y la capacidad del aprendizaje automático para analizar grandes cantidades de datos para tomar decisiones de inversión y comercio.

  • 00:10:00 Los presentadores discuten los siete pasos para construir un modelo de aprendizaje automático (ML) para el comercio y cómo incluso los comerciantes minoristas individuales pueden utilizar la tecnología ML para crear sus propias estrategias comerciales. El primer paso implica definir la declaración del problema, que puede ser tan simple como querer obtener rendimientos positivos, pero con un mayor perfeccionamiento, puede volverse más específico, como determinar el momento adecuado para invertir en una acción en particular como JP Morgan. El segundo paso es obtener datos de buena calidad y asegurarse de que no falten valores o estén duplicados, así como tampoco valores atípicos en los datos. Los presentadores enfatizan la importancia de la calidad de los datos en la construcción de un modelo de ML preciso.

  • 00:15:00 Ishan Shah y Rekhit Pachanekar explican el proceso de selección de variables de entrada y salida para un modelo de aprendizaje automático en el comercio. La variable de salida, o la variable objetivo, es el rendimiento futuro de una acción, y a una variable de señal se le asigna un valor de 1 cuando se pronostica que los rendimientos futuros serán positivos y 0 cuando se pronostica que serán negativos. Las variables de entrada, o características, deben tener poder predictivo y cumplir con el requisito de estacionariedad, lo que significa que tienen una varianza media y constante que oscila hacia adelante y hacia atrás como un péndulo. Las variables de apertura, mínimo, máximo y cierre no son estacionarias, por lo que no se pueden utilizar como características de entrada.

  • 00:20:00 Los oradores discuten el proceso de selección de funciones de entrada para su modelo de aprendizaje automático en el comercio. Señalan que el modelo requiere características de entrada estacionarias, que logran tomando valores de cambio porcentual para varios períodos de tiempo. También enfatizan la importancia de evitar la correlación entre las variables de entrada y usan un mapa de calor de correlación para eliminar las características que están altamente correlacionadas. La selección final de características de entrada incluye valores de cambio porcentual para diferentes períodos de tiempo, RSI y correlación. Antes de usar el modelo para el comercio en vivo, dividieron su conjunto de datos en conjuntos de entrenamiento y prueba para evaluar el rendimiento del modelo.

  • 00:25:00 Los oradores analizan la importancia de garantizar la calidad y la relevancia de los conjuntos de datos utilizados en los modelos de aprendizaje automático antes de determinar qué modelo utilizar. También presentan el concepto de árboles de decisión y preguntan a los asistentes cómo deciden personalmente si comprar o no una acción o activo en particular, con respuestas que van desde indicadores técnicos hasta recomendaciones de amigos. Los ponentes afirman que es importante establecer un modelo mental para la toma de decisiones basado en experiencias personales al utilizar dichas funciones. Introducen el concepto de bosques aleatorios y el uso de árboles bayesianos como base para los árboles de decisión.

  • 00:30:00 Los oradores explican cómo usar algoritmos de aprendizaje automático, específicamente un árbol de decisiones, para crear reglas para el comercio. Estas reglas, que podrían incluir indicadores técnicos como ADX y RSI, permiten a los operadores tomar decisiones en función de condiciones predefinidas. Para asegurarse de que estas reglas no se creen basándose únicamente en la suerte, los oradores presentan el concepto de un bosque aleatorio, que utiliza múltiples árboles de decisión para crear una estrategia comercial más generalizada y confiable. Al seleccionar aleatoriamente un subconjunto de características para cada árbol, el bosque aleatorio reduce las posibilidades de sobreajuste y proporciona una predicción más precisa. Los oradores discuten los diversos parámetros necesarios para el algoritmo de bosque aleatorio, incluida la cantidad de estimadores, las funciones máximas y la profundidad máxima del árbol.

  • 00:35:00 Los oradores discuten los parámetros y el código involucrado en la implementación de un clasificador de bosque aleatorio para aplicar el aprendizaje automático en el comercio. Explican la importancia de controlar la profundidad del árbol de decisión y seleccionar características aleatoriamente para evitar el sobreajuste y garantizar resultados consistentes. El clasificador de bosque aleatorio requiere características de entrada y resultados esperados para aprender reglas y crear árboles de decisión que luego se usan para hacer predicciones sobre datos no vistos. El rendimiento del modelo se puede medir utilizando varias métricas.

  • 00:40:00 Los presentadores discuten la importancia de evaluar la efectividad de un modelo de aprendizaje automático antes de invertir dinero real según sus recomendaciones. Introducen el concepto de precisión, que implica verificar si las predicciones del modelo coinciden con lo que realmente sucedió en el mercado. Destacan que la precisión de un modelo suele oscilar entre el 50 % y el 60 % y que una tasa de precisión alta no garantiza necesariamente buenos resultados. Para determinar el rendimiento de un modelo, los presentadores sugieren utilizar una matriz de confusión para comparar las etiquetas reales con las predichas y calcular las métricas de rendimiento, como la precisión, la recuperación y la puntuación F1.

  • 00:45:00 La precisión del modelo se discute en detalle, con una encuesta realizada para establecerlo. Se calcula que la precisión del modelo es del 60 %, aunque cuando se comprueba la etiqueta, la precisión de la señal larga cae al 33 %. Esto plantea la cuestión de si un aumento en la precisión resultará en un modelo comercial rentable. La precisión del modelo es importante, ya que ayuda a determinar qué tan efectivo es para predecir el mercado y, en este caso, una alta precisión general puede no conducir necesariamente a la rentabilidad.

  • 00:50:00 Shah y Pachanekar analizan las diferentes métricas utilizadas para evaluar el rendimiento de un modelo comercial, como la precisión, el recuerdo y la puntuación F1. Señalan que si bien la recuperación puede ayudar a superar problemas con datos desequilibrados, también puede ser una métrica poco confiable por sí sola. En su lugar, recomiendan utilizar una combinación de precisión y recuperación para calcular la puntuación F1. Este puntaje se puede construir fácilmente utilizando una matriz de confusión, y un puntaje F1 alto indica un modelo que vale la pena negociar. También analizan la importancia de realizar pruebas retrospectivas del modelo para asegurarse de que funciona bien en la práctica y advierten contra el ajuste excesivo del modelo.

  • 00:55:00 Los modelos pueden sobreajustarse, lo que significa que se ajustan demasiado a los datos de entrenamiento y es posible que no funcionen bien con datos nuevos. Por otro lado, la optimización excesiva es el resultado de realizar pruebas retrospectivas y ajustar repetidamente una estrategia comercial para obtener el resultado deseado. Esto puede llevar a encontrar un caso especial que funcione bien con datos de entrenamiento y prueba, pero que no funcione con datos en vivo. Para evitar la sobreoptimización, es importante contar con modelos sólidos que funcionen en múltiples clases de activos, utilizar herramientas de gestión de riesgos como mecanismos de límite de pérdida y no sobreajustar ni sobreoptimizar durante el backtesting.

  • 01:00:00 El sobreajuste ocurre cuando el modelo intenta ajustarse demasiado al conjunto de datos de entrenamiento, lo que se indica por una alta tasa de precisión en los datos de entrenamiento. Por otro lado, el ajuste insuficiente ocurre cuando el modelo no puede aprender de los datos como se esperaba, como lo demuestra una tasa de precisión muy baja. Una forma de cuantificar esto es midiendo la tasa de precisión del modelo, con una tasa de precisión de 100 que indica un ajuste excesivo y una tasa de precisión muy baja que indica un ajuste insuficiente.

  • 01:05:00 Los oradores abordan la preocupación del sobreajuste en entornos del mundo real y sugieren formas de manejarlo en función del modelo específico utilizado. Destacan la importancia de comprender los parámetros del modelo, limitar la cantidad de funciones y trabajar en diferentes hiperparámetros para cada tipo de modelo de aprendizaje automático. También afirman que trabajar con datos del mundo real y no manipularlos es esencial. Además, analizan las aplicaciones del aprendizaje automático en el comercio y señalan que es mucho mejor que solo generar señales y tiene mucho espacio en la gestión de riesgos. Por último, abordan el descubrimiento de señales alfa con modelos de aprendizaje automático mediante el uso de algoritmos de agrupamiento para identificar polos rentables en el mercado.

  • 01:10:00 Ishan Shah y Rekhit Pachanekar discuten las ventajas de usar el aprendizaje automático en el comercio, particularmente para descifrar patrones complejos que los humanos pueden tener dificultades para identificar. El aprendizaje automático puede producir alfas más sostenibles y robustos que decaen durante un período de tiempo más largo en lugar de hacerlo inmediatamente. Sugieren utilizar el aprendizaje automático como complemento del proceso de identificación alfa. La sesión finaliza con un agradecimiento a los oradores y participantes de Algo Trading Week, y una invitación para hacer cualquier pregunta que no haya sido respondida en la encuesta.