59 / 82
59
TRADERS´ 05.2020
en una serie de características como el precio de los N
primeros minutos del día a predecir y la apertura, máximo,
mínimo y cierre de los M días anteriores.
Se probaron múltiples algoritmos de aprendizaje
máquina en la modalidad de clasificación supervisada,
y el que resultó funcionar mejor fue una regresión logís-
tica, con una tasa de acierto entre el 55% y el 65% depen-
diendo del activo y del periodo de tiempo. Puede parecer
una tasa baja pero es buena para este tipo de tarea tan
compleja. Otros algoritmos de aprendizaje máquina
más sofisticados como SVM (Support Vector Machine)
o Random Forest no fueron capaces de obtener mejores
resultados con un número tan bajo de días en el conjunto
de entrenamiento (se usan alrededor de 5000 días para el
conjunto de entrenamiento).
Estrategia de Trading
Basándonos en estas predicciones tenemos que desa-
rrollar una estrategia de trading para operar sobre el
activo. Nuestra estrategia la denominamos ORB predic-
tivo ya que basamos nuestro sistema en el ORB pero
tenemos en cuenta la predicción que hacemos del día
a operar en base a unos parámetros que explicamos a
continuación.
Primero, como dijimos anteriormente, necesitamos
conocer un cierto número de minutos al principio del día
para hacer la predicción, y ese es nuestro primer pará-
metro (lo habíamos llamado N en el apartado anterior).
También necesitamos determinar cuántos días pasados
usamos para nuestra predicción (lo habíamos llamado M
en el apartado anterior). Una vez que el activo ha abierto
y habiendo esperado los N primeros minutos, se realiza
la predicción de acuerdo a nuestro modelo de regresión
logística y operamos en la dirección predicha, es decir,
comprando en días predichos como alcistas y vendiendo
en días predichos como bajistas, sin esperar la rotura del
rango que hubiera marcado el activo hasta ese momento.
Cuando hemos abierto la posición y aunque se podrían
realizar muchas otras estrategias, en este artículo
vamos a considerar que ponemos una orden stop-loss
y una orden límite de toma de beneficios cuya posición
también hemos considerado como parámetros de diseño
de nuestra estrategia.
Una característica adicional y muy relevante de nuestro
sistema ORB predictivo, es que al estar basado en
un modelo de aprendizaje máquina para el problema
de clasificación, no sólo nos proporciona la clasifica-
ción binaria en sí misma (alcista o bajista), también nos
proporciona las probabilidades de que el día pertenezca
a cada una de las dos clases, lo que nos da una idea de
la confianza, que el modelo otorga a la predicción. Una
posible idea para aprovechar esta peculiaridad es que
cuanto mayor sea la confianza se puede arriesgar más
Instantánea de Estrategia
Nombre de la
estrategia:
ORB Predictivo
Tipo de estrategia:
Trend following
Horizonte
temporal:
1-minute chart
Configuración:
Long si el día es clasificado como alcista y
Short si el día es clasificado como bajista,
pocos minutos (4) después de la apertura.
Entrada:
Market order a los pocos minutos (4) después
de la apertura.
Límite de
pérdidas:
A una distancia de la apertura de
(media(bisagras) + 0.25*std(bisagras)) donde
la media y la desviación estándar son sobre las
últimas 20 bisagras.
Toma de
beneficios:
A una distancia de la apertura de
(media(bisagras) + 1.25*std(bisagras)) donde
la media y la desviación estándar son sobre las
últimas 20 bisagras
Beneficio Medio
por Operación:
4.32 puntos
Salida:
Limit order de take profit o al final del día si no
se ha ejecutado.
Gestión de riesgos
y del dinero:
(risk to reward 1:2, max. drawdown 1031 puntos
en el futuro del DAX desde 1997)
Numero de
señales promedio:
La mitad de los días operables
aproximadamente con umbral de confianza en
0.6
Ganancia /Pérdida
promedio:
56% trades ganadores y profit factor 1.18
ESTRATEGIAS
Un rango muy ancho o estrecho puede llevarnos a no etiquetar el día,
o etiquetarlo de manera contraria a nuestros intereses.