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