Table of Contents Table of Contents
Previous Page  35 / 84 Next Page
Information
Show Menu
Previous Page 35 / 84 Next Page
Page Background

35

TRADERS´ 04.2019

decida anular los algoritmos que provocan las entradas

en un día determinado se traducirá en algunos cientos

de horas para que el “alma del sistema” siga siendo la

misma sin ser alterado en nada las reglas que componen

la estrategia.

Una vez desarrollada esta fase y ser entrenada de forma

conveniente, comprobado en el mercado en cuenta paper

trading está disponible para la negociación real.

Debajo se podrá valorar dos gráficos, el primero muestra

todas las operaciones que realiza en el año 2018 (roza

las 800 en su totalidad) y el segundo con la red neurona

incorporada que mejora los resultados.

Resulta obvio como desde el principio evita situaciones

negativas. En la imagen 4 se observa una pérdida cercana

a los 1.000 € por contrato del mini DAX en el mes de enero.

Sin embargo, queda amortiguada tras ser “manipulado”

su funcionamiento por la RNA no dejando que actúe en

escenarios cuya probabilidad de ser negativos es sufi-

cientemente alta sabiendo reconocerlos.

Todo sistema por bueno que sea es susceptible de ser

mejorado. La forma en que se decida y haga hará que el

objetivo sea alcanzable o que el resultado sea contrario a

la esperanza matemática que se espere.

Cómo comenzar

Publicaciones en formato libro las hay. En español

Fernando Berzal ha publicado varios volúmenes con el

título “Redes neuronales & Deep Learning”. Victor Viera y

Maritza Palacios poseen una publicación con ejemplos

en Python muy prácticos: “Aprendizaje de máquinas.

Redes neuronales”. En inglés Ernert P. Chan nos ofrece

uno específico para el trading: “Machine Trading”. Estas

son algunas referencias aunque la mayor parte del

material estará en inglés. Lo mismo ocurre con el dispo-

nible en internet. Aunque hay webs como Quantopian.

com que son un fondo de inversión pero que desde su

plataforma web ofrece la posibilidad de programar en

Python con material de aprendizaje en formato vídeo

y texto incluyendo machine learning. Si el código pasa

las pruebas podrá competir contra el de otros progra-

madores y ser usado por Quantopian ganando dinero

en premios y derechos de uso. El grado de dificultad es

medio-alto y aunque anuncia el comenzar desde cero la

realidad es que es mejor llegar ya con buenos conoci-

mientos previos.

Conclusión

Hoy en día se sigue recurriendo al paradigma sobre la

informática refiriéndose a la actividad del futuro cuando

en realidad hace tiempo que no es así, lo ha sido en el

pasado reciente y lo es en el presente. Puede que sea un

error aprovechar una parte de los beneficios que aporta el

software dedicado al mundo del trading y dejar de lado a

otra parte por pereza al aprendizaje, temor a lo que no se

conoce, amplificar errores por falta de formación, visión

de mercado, estrategia ganadora o porque se pueda llegar

a pensar que no está al alcance de uno mismo.

No se tiene que saber de programación, porque incluso

teniendo esos conocimientos no hay una relación directa

con tener los conocimientos y saber programar . Automa-

tizar una estrategia puede llevar cientos o miles de horas

dependiendo de su complejidad y eficiencia y eso lleva

un coste económico cuya media puede alcanzar decenas

de miles de euros o dólares. No se debe menospreciar la

actividad ni embarcarse en un proyecto de este tipo sin

haber valorado muy bien todos esos aspectos.

Sin embargo, el encontrar a disposición de cualquier

particular o sociedad sistemas automáticos que incluyan

machine learning producidos por un trader programador

o empresas especialistas empieza a ser una tarea que

poco a poco es menos ardua. No se puede generalizar

con argumentos de que todos fallan a la larga o que son

un engaño por el mero hecho de haber ocurrido en el

pasado incluso a día de hoy. Igual que no todos los inter-

mediarios a los que se compra y vende los contratos y/o

acciones son unos estafadores y no se deja de elegir un

bróker y negociar a diario por esa creencia tampoco se

debería dejar de hacer uso del trading algorítmico.

Lo que hay que hacer es buscar en el mercado cosas que

se adapten a nuestras circunstancias: poder de adqui-

sición, tamaño de la cuenta de trading y de las posi-

ciones, estrategias que sean bien explicadas y no se esté

comprando una “caja negra” como decía Alexander Elder

y que detrás haya alguien que respalde y de soporte. El

“boca-a-boca” de usuarios reales aportan un plus a la

hora de decidir. Como en todo compra sopesar los dife-

rentes valores a la hora de decidirse.

Si se tiene buena experiencia en trading con éxito, cono-

cimientos de programación e incluso ya se

está utilizando el trading algorítmico hecho por uno

mismo, dotarlo de una red neuronal podría ayudar a dar

un salto cualitativo.

Se especula que más del 80% de los movimientos que

vemos en cualquier producto financiero está actual-

mente generado por trading algorítmico y que más de

las dos terceras partes llevan implícito redes neuronales

(incluso redes neuronales colaborativas, una red entrena

a la otra). No parece la mejor idea quedarse anclado al

click del ratón para colocar la orden y quedarse mirando

la pantalla.

PORTADA