31
TRADERS´ 04.2019
PORTADA
es día de carreras ya que es jueves y se disputan en fines
de semana. No ganará porque no hay “volumen” de corre-
dores y los pocos que hay al estar entrenando, su “vola-
tilidad” será baja. Habrá perdido tiempo y esfuerzo y lo
que es peor, desgaste de energía, acumulación de carga
en sus músculos dos días antes de que produzca una
carrera lo que podrá restarle posibilidades de competir
bien. No miró nada más que lo que le interesaba en ese
momento: tenía ganas de hacerlo, se sentía fuerte y nece-
sitaba una victoria.
En el trading pasa algo similar. Sin volumen de negocio,
volatilidad, momento tendencial fuerte es un escenario de
baja probabilidad de éxito. El establecimiento de la regla
de los tres escenarios: Muy probable, probable y poco
probable.
Podremos encontrar navegando por Internet que la
mayoría de los ejemplos buscan la predicción del futuro
del precio. Es decir, saber o adivinar si mañana el precio
va a estar alcista o bajista sabiendo de antemano dónde
empezará y acabará.
Sin embargo podría ser un mal uso de la red neuronal.
Predecir o adivinar no parece una buena estrategia de
negocio. Y en realidad los resultados que se obtienen no
suelen ser brillantes.
Discriminar escenarios según el momento de
mercado
Un planteamiento diferente es tener bien identificado
los escenarios favorables y desfavorables para nuestra
estrategia. Encontrar la manera de discriminarlos puede
ser una actividad de éxito.
Entrenar una red neuronal para que aprenda a decidir
si hoy va a dejar al robot a actuar con un porcentaje
de aciertos suficientemente alto para que no elimine
momentos buenos y no exponga a la cuenta de trading en
los malos es el objetivo que se propone.
Con estas premisas la red será entrenada del siguiente
modo:
1. Período de 10 años, de los cuales 8 serán para entre-
namiento y 2 para test de efectividad.
2. Decidir el escenario más probable: alcista, bajista,
rango
3. Si es alcista permitirá abrir sólo largos mediante una
variable de estado “true” en el algoritmo de compras.
El algoritmo de ventas tendrá la variable en estado
“false”.
4. Si es bajista permitirá abrir sólo cortos mediante una
variable de estado “true” en el algoritmo de ventas.
El algoritmo de compras tendrá la variable en estado
“false”.
5. Si el escenario más probable es que se mueva en
un lateral con un ancho menor al promedio diario
mantener las dos variables en estado “false” lo que
impedirá al robot abrir ningún tipo de posición.
6. Si el resultado final del día es que la operación acabó
con éxito una variable recibirá el estado “1” de acierto.
Si no acertó, recibirá “0” (por ejemplo calculó que el
día sería alcista y la operación correcta era bajista o
lateral, etc.)
7. El marco temporal elegido será el de 5 minutos
debido a que la estrategia ha sido diseñada para huir
del ruido que se genera en esta temporalidad ciertos
momentos del día evitando falsas señales de entrada.
Se expondrá al 80% del período seleccionado y se dejará
que vaya decidiendo qué escenario es el probable, a
continuación los algoritmos de compras o de ventas se
ejecutarán de forma independiente y la red neuronal reci-
birá el resultado del día a modo de 1=acierto, 0=error.
A medida que vaya pasando el tiempo la estadística de
aciertos empezará de forma exponencial a aumentar
hasta alcanzar una cifra entre el 80-90%. Cuando fina-
liza, guardaremos el aprendizaje para su utilización diaria
sin tener que repetir este proceso constantemente. Se
expondrá al 20% restante para ver si mantiene la misma
efectividad que en entrenamiento. Si lo hace habrá que
efectuar procesos más complejos estadísticos como
Montecarlo para finalmente enfrentarlo al mercado real
en una cuenta papel trading que confirme su eficacia
hasta ser validado para su uso comercial.
Usando Python y librerías Machine Learning
Hasta ahora no se ha mencionado el lenguaje de progra-
mación a utilizar, la plataforma. Es bien conocido el dato
de quemuchas plataformas traen incorporado un lenguaje
de programación y permiten escribir estrategias automá-
ticas, que es así como definen al trading algorítmico. Pero
quizás debamos hacer una distinción importante:
Estrategias automáticas:
Mediante un lenguaje de
programación se podrá automatizar una estrategia para
que se ejecute en el gráfico seleccionado. A medida que
van transcurriendo barras o velas se irá reflejando en
Sin volumen de negocio, volatilidad,
momento tendencial fuerte es un escenario
de baja probabilidad de éxito.