Estrategias De Negociación Journal

Análisis Cluster para la Evaluación de Estrategias de Trading Jeff Bacidore, Kathryn Berkow, Ben Polidoro y Nigam Saraiya En este artículo, presentamos una nueva metodología para identificar empíricamente las principales estrategias utilizadas por un operador que utiliza sólo los datos de relleno post-negociación. Para ello, aplicamos una técnica de agrupación estadística bien establecida llamada k - significa a una muestra de cuadros de progreso, que representa la parte de la orden completada por cada punto en el día como una medida de la agresividad de un comercio. Nuestra metodología se identifican las principales estrategias utilizadas por un operador y determina que la estrategia del operador utilizado para cada orden en la muestra. Una vez identificada la estrategia utilizada para cada orden, el análisis de costos de comercio puede ser realizada por estrategia. También discutimos formas de explotar esta técnica para caracterizar el comportamiento del mercado, evaluar el desempeño del operador, y sugerir los puntos de referencia apropiados para cada estrategia comercial distinta. Jeff Bacidore Jeff Bacidore es el director gerente y jefe de Trading algorítmico en ITG, Inc. en Nueva York, NY. jeff. bacidoreitg Kathryn Berkow Kathryn Berkow es un analista cuantitativo para Trading algorítmico en ITG, Inc. en Nueva York, NY. kathryn. berkowitg Ben Polidoro es el director de Trading algorítmico en ITG, Inc. en Nueva York, NY. benjamin. polidoreitg Nigam Saraiya Nigam Saraiya es uno de los vicepresidentes de Trading algorítmico en ITG, Inc. en Nueva York, NY. nigam. saraiyaitg Alessio Emanuele Biondo Afiliación: Dipartimento di Economia e Impresa, Universitá di Catania, Catania, Italia Alessandro Pluchino Afiliaciones: Dipartimento di Fisica e Astronomía, Università di Catania, Catania, Italia, INFN sezione di Catania, Catania, Italia Andrea Rapisarda Afiliaciones: Dipartimento di Fisica e Astronomía, Università di Catania, Catania, Italia, INFN sezione di Catania, Catania, Italia Dirk Helbing En este trabajo se explora el papel específico de la aleatoriedad en los mercados financieros, inspirado en el papel beneficioso de ruido en muchos sistemas físicos y en las aplicaciones anteriores a los sistemas socio-económicos complejos. Después de una breve introducción, se estudia el comportamiento de algunas de las estrategias comerciales más utilizados en la predicción de la dinámica de los mercados financieros para diferentes índices bursátiles internacionales, con el objetivo de compararlas con el rendimiento de una estrategia completamente al azar. En este sentido, los datos históricos para FTSE en el Reino Unido, el FTSE-MIB, DAX, y los índices S P500 se tienen en cuenta por un período de alrededor de 15 a 20 años (desde su creación hasta la actualidad). Cita: Biondo AE, Pluchino A, Rapisarda A, Helbing D (2013) son estrategias comerciales azar más éxito que los técnicos? PLoS ONE 8 (7): e68344. doi: 10.1371 / journal. pone.0068344 Recibido: 04 de abril 2013; Aceptado: 27 de mayo 2013; Publicado: 11 de julio 2013 : 2013 Biondo et al. Este es un artículo de acceso abierto distribuido bajo los términos de la licencia Creative Commons Attribution License, que permite el uso ilimitado, distribución y reproducción en cualquier medio, siempre que el autor original y la fuente se acreditan. Financiación: Los autores no tienen apoyo o financiamiento para reportar. Conflicto de intereses: Los autores han declarado que no existen intereses en competencia. Introducción En física, tanto a nivel clásica y cuántica, muchos sistemas reales funcionan bien y de manera más eficiente debido a la función de utilidad de un ruido débil al azar [1] - [6]. Pero no sólo los sistemas de beneficios físicos del trastorno. De hecho, el ruido tiene una gran influencia sobre la dinámica de las células, las neuronas y otras entidades biológicas, sino también en los sistemas ecológicos, geofísicos y socio-económicos. Siguiendo esta línea de investigación, se ha investigado recientemente cómo las estrategias aleatorias pueden ayudar a mejorar la eficiencia de un grupo jerárquico con el fin de enfrentar el principio de Peter [7] - [9] o una institución pública, como un Parlamento [10]. Otros grupos han explorado con éxito estrategias similares en minoría y juegos Parrondo [11]. [12]. en la cartera de la evaluación del desempeño [13] y en el contexto de la doble subasta continua [14]. Recientemente Taleb ha discutido brillantemente en sus libros de éxito [15]. [16] cómo el azar y cisnes negros gobiernan nuestra vida, sino también la economía y el comportamiento de los mercados financieros más allá de nuestras expectativas o de control personales y racionales. En realidad, el azar entra en nuestra vida cotidiana a pesar de que casi no reconocemos. Por lo tanto, aun sin ser escéptico tanto como Taleb, uno podría fácilmente decir que a menudo nos entendemos mal los fenómenos que nos rodean y son engañados por las conexiones aparentes que son sólo por casualidad. Los sistemas económicos están inevitablemente afectados por las expectativas, tanto presentes y pasados, ya que las creencias de los agentes influyen fuertemente en sus dinámicas futuras. Si hoy una muy buena expectativa surgió sobre el rendimiento de cualquier valor, todo el mundo sería tratar de comprarlo y esta ocurrencia implicaría un aumento de su precio. Entonces, mañana, esta seguridad tendría un precio más alto que hoy, y este hecho no sería más que la consecuencia de la propia expectativa del mercado. Esta profunda dependencia de las expectativas hizo economistas financieros tratan de construir mecanismos para predecir los precios de los activos futuros. El objetivo de este estudio es precisamente para comprobar si estos mecanismos, que se describirán en detalle en las siguientes secciones, son más eficaces en la predicción de la dinámica del mercado en comparación con una estrategia completamente al azar. En un artículo anterior [17]. motivado también por algunos experimentos interesantes en que un niño, un chimpancé y dardos fueron utilizados con éxito para las inversiones remunerativos [18]. [19]. que ya encontraron algunas pruebas a favor de estrategias aleatorias para el mercado bursátil FTSE-Reino Unido. Aquí vamos a extender esta investigación a otros mercados financieros y de nuevas estrategias comerciales. El documento está organizado de la siguiente manera. La sección 2 presenta una breve introducción al debate sobre la previsibilidad de los mercados financieros. En la Sección 3 se introduce la serie de tiempo financiera considerados en nuestro estudio y realicemos un análisis sin tendencia en la búsqueda de posibles correlaciones de algún tipo. En la Sección 4 se definen las estrategias comerciales utilizadas en nuestras simulaciones, mientras que en Sección 5, se discuten los principales resultados obtenidos. Por último, en la Sección 6, sacamos nuestras conclusiones, lo que sugiere también algunas implicaciones políticas contrarias a la intuición. Expectativas y previsibilidad de los mercados financieros Como Simon [20] señaló, las personas asumen su decisión sobre la base de un conocimiento limitado acerca de su entorno y por lo tanto se enfrentan a altos costos de búsqueda para obtener la información necesaria. Sin embargo, por lo general, no pueden reunir toda la información que deberían. Por lo tanto, los agentes actúan sobre la base de la racionalidad limitada. lo que conduce a sesgos significativos en la maximización de la utilidad esperada que persiguen. Por el contrario, Friedman [21] defendió el enfoque agente racional, que considera que el comportamiento de los agentes puede ser mejor descrito asumiendo su racionalidad, ya que los agentes no racionales no sobreviven la competencia en el mercado y son expulsados ​​de ella. Sesgos tanto, ni sistemáticas en la utilidad esperada, ni racionalidad limitada se pueden utilizar para describir los comportamientos de los agentes y de sus expectativas. Sin ningún temor a equivocarme, se podría decir que hoy en día dos principales modelos de referencia de las expectativas han sido ampliamente establecido en la literatura económica: el modelo de expectativas adaptativas y el modelo de expectativas racionales. Aquí no vamos a dar ninguna definición formal de estos paradigmas. Para nuestros propósitos, es suficiente para recordar su razón de ser. El modelo de expectativas adaptativas se basa en una serie ponderada de alguna manera de los valores retrógrados (de modo que el valor esperado de una variable es el resultado de la combinación de sus valores pasados). Por el contrario, el modelo de expectativas racionales hipótesis de que todos los agentes tengan acceso a toda la información disponible y, por lo tanto, saben exactamente el modelo que describe el sistema económico (el valor esperado de una variable es entonces la predicción objetivo previsto por la teoría). Estas dos teorías se remonta a contribuciones muy relevantes, entre los que sólo se refiere a Friedman [21]. [22]. Phelps [23]. y Cagan [24] para las expectativas adaptativas (que es, sin embargo vale la pena notar que la noción de "expectativas adaptativas" se ha introducido por primera vez por Arrow y Nerlove [25]). Para expectativas racionales nos referimos a Muth [26]. Lucas [27]. y Sargent-Wallace [28]. Los mercados financieros se toman a menudo como ejemplo de dinámicas complejas y la volatilidad peligrosa. Esto sugiere de alguna manera la idea de imprevisibilidad. No obstante, debido al papel relevante de los mercados en el sistema económico, una gran cantidad de literatura ha sido desarrollado para obtener algunas predicciones fiables. Como cuestión de hecho, la previsión es el punto clave de los mercados financieros. Desde Fama [29]. decimos que un mercado es eficiente si se produce el arbitraje perfecto. Esto significa que el caso de ineficiencia implica la existencia de oportunidades de ganancias no explotadas y, por supuesto, los comerciantes podrían operar de inmediato posiciones largas o cortas hasta cualquier otra posibilidad de ganancia desaparece. Jensen [30] afirma precisamente que un mercado se considera eficiente con respecto a un conjunto de información si es imposible obtener ganancias por el comercio sobre la base de ese conjunto de información dado. Esto es consistente con Malkiel [31]. quien sostiene que un mercado eficiente refleja a la perfección toda la información en la determinación de los precios de activos. A medida que el lector pueda comprender fácilmente, la parte más importante de esta definición de eficiencia se basa en la integridad del conjunto de la información. De hecho, Fama [29] distingue tres formas de la eficiencia del mercado, de acuerdo con el grado de exhaustividad del conjunto informativo (es decir, "débil", "semi-fuerte", y "fuerte"). Por lo tanto, los comerciantes y los analistas financieros buscan continuamente para ampliar su información establecida para ganar la oportunidad de elegir la mejor estrategia: este proceso consiste en agentes tanto en las fluctuaciones de precios que, al final del día, se podría decir que su actividad se reduce a una conjetura sistemática. La globalización completa de los mercados financieros amplifica este proceso y, finalmente, estamos experimentando décadas de variabilidad extrema y alta volatilidad. Keynes argumentaba, hace muchos años, que la racionalidad de los agentes y de la psicología de masas (los llamados "espíritus animales") no debe interpretarse como si fueran la misma cosa. El autor presentó el ejemplo muy famoso concurso de belleza para explicar la lógica debajo de los mercados financieros. En su Teoría General [32] escribió que "la inversión basada en genuinas expectativas a largo plazo es tan difícil como para ser apenas practicable. El que intenta que debe conducir con seguridad mucho más laborioso día y correr mayores riesgos que el que trata de adivinar mejor que la multitud cómo la multitud se comportará; y, dada la igualdad de la inteligencia, puede cometer errores más desastrosos. "En otras palabras, con el fin de predecir el ganador del concurso de belleza, uno debe tratar de interpretar la belleza preferido por el jurado, en lugar de prestar atención en el ideal de la belleza objetiva. En los mercados financieros, es exactamente lo mismo. Parece imposible pronosticar los precios de acciones y sin errores. La razón es que ningún inversor puede saber de antemano la opinión "del jurado", es decir, de una masa extendida, heterogénea y muy sustancial de los inversores que reduce cualquier posible predicción a sólo una suposición. A pesar de las consideraciones de este tipo, la llamada hipótesis del mercado eficiente (cuyo principal fundamento teórico es la teoría de las expectativas racionales), describe el caso de los mercados perfectamente competitivos y agentes perfectamente racionales, dotados de toda la información disponible, que eligen a las mejores estrategias ( ya que de lo contrario el mecanismo de facilitación competitiva pondría fuera del mercado). Hay evidencia de que esta interpretación de un mecanismo de arbitraje perfecto completamente de trabajo no es suficiente para analizar los mercados financieros como, por ejemplo: Cutler et al. [33]. que muestra que los grandes movimientos de precios se producen incluso cuando poca o ninguna nueva información está disponible; Engle [34] que informó de que la volatilidad de precios está fuertemente correlacionado temporalmente; Mandelbrot [35]. [36]. Lux [37]. Mantegna y Stanley [38], que argumentan que las fluctuaciones de corta duración de los precios no son normales; o el último, pero no menos. Campbell y Shiller [39], que explican que los precios pueden no reflejar con precisión las valoraciones racionales. Muy interesante, una gran cantidad de modelos de agentes heterogéneos se han introducido en el campo de la literatura financiera. En estos modelos, coexisten diferentes grupos de comerciantes, con diferentes expectativas, influyendo entre sí por medio de las consecuencias de sus comportamientos. Una vez más, nuestra discusión no puede ser exhaustiva aquí, pero podemos mencionar fructíferamente al menos contribuciones por Brock [40]. [41]. Brock y Hommes [42]. Chiarella [43]. Chiarella y Él [44]. DeGrauwe et al. [45]. Frankel y Froot [46]. Lux [47]. Wang [48]. y Zeeman [49]. Parte de esta literatura se refiere al enfoque, llamado "sistemas de creencias de adaptación", que trata de aplicar la no linealidad y el ruido de los modelos del mercado financiero. Incertidumbre intrínseca acerca de los fundamentos económicos, junto con los errores y la heterogeneidad, conduce a la idea de que, aparte del valor fundamental (es decir, el valor presente descontado de los flujos esperados de dividendos), precios de las acciones fluctúan impredeciblemente debido fases de cualquiera de optimismo o pesimismo de acuerdo a las fases de tendencia alcista y bajista que causan las crisis de mercado correspondiente. ¿Cómo podría este tipo de comportamiento errático ser gestionado para optimizar una estrategia de inversión? Con el fin de explicar la diferente actitud adoptada por los agentes para elegir las estrategias cuando el comercio en los mercados financieros, la distinción se realiza entre los fundamentalistas y los chartistas. Los anteriores basan sus expectativas sobre los precios futuros de activos 'en los fundamentos del mercado y los factores económicos (es decir, ambas variables micro y macroeconómicas, tales como dividendos, ganancias, el crecimiento económico, las tasas de desempleo, etc.). Por el contrario, estos últimos tratan de extrapolar tendencias o características estadísticamente relevantes de series pasado de los datos, con el fin de predecir futuros caminos de precios de los activos (también conocidas como análisis técnico). Teniendo en cuenta que la interacción de estos dos grupos de agentes determina la evolución del mercado, elegimos aquí para centrarse en el comportamiento chartistas '(ya que un análisis cualitativo de las variables macroeconómicas fundamentales es absolutamente subjetiva y difícil de evaluar), tratando de evaluar el ex de los inversores individuales - ante capacidad predictiva. Suponiendo que la falta de información completa, la aleatoriedad desempeña un papel clave, ya que la eficiencia es imposible de ser alcanzado. Esto es particularmente importante para subrayar que nuestro enfoque no se basa en ninguna forma de la eficiente paradigma Mercados hipótesis mencionada anteriormente. Más precisamente, estamos buscando la respuesta a la siguiente pregunta: si un comerciante asume la falta de información completa a través de todo el mercado (es decir, la imprevisibilidad de la dinámica de precios de las acciones [50] - [53]), sería un ex-ante al azar estrategia de negociación de realizar, en promedio, tan buenas estrategias de negociación tan conocidos? Pasamos de la evidencia de que, puesto que cada agente se basa en una información diferente establecido con el fin de construir sus / sus estrategias de negociación, ningún mecanismo eficiente puede ser invocada. En cambio, una compleja red de comportamiento auto-influyendo, debido a la circulación de la información asimétrica, desarrolla sus vínculos y genera comportamientos de manada que seguir algunas señales cuya credibilidad es aceptada. Las crisis financieras muestran que los mercados financieros no son inmunes a los fracasos. Su éxito periódica no es gratis. eventos catastróficos queman enormes valores en dólares y los sistemas económicos en peligro grave. ¿Son los comerciantes tan seguro de que las estrategias elaboradas encajan la dinámica de los mercados? Nuestra simulación sencilla llevará a cabo un análisis comparativo de los resultados de diferentes estrategias de negociación: los comerciantes tendrán que predecir, día a día, si el mercado va a subir (tendencia "alcista") o hacia abajo (tendencia 'bajista'). Estrategias probadas son: el Momentum, el RSI, la UPD, el MACD, y una completamente aleatoria. Expectativas racionales teóricos apostaría inmediatamente que la estrategia aleatoria perdería la competencia, ya que no está haciendo uso de cualquier información, pero, como veremos, los resultados son bastante sorprendentes. Análisis Detrended de las Series de Tiempo Índice Consideramos cuatro índices muy populares de los mercados financieros y, en particular, se analizan las siguientes series de tiempo correspondiente, que se muestra en la Fig. 1: Ampliar Figura 1. Evolución temporal de cuatro importantes índices de los mercados financieros (más de intervalos de tiempo que van de 3714 a 5750 días). Desde la parte superior a la parte inferior, se muestra el FTSE UK índice All-Share, el FTSE MIB índice All-Share, el DAX índice All-Share y el índice S & P 500. Ver el texto para más detalles. doi: 10.1371 / journal. pone.0068344.g001 Más " Índice FTSE UK All-Share. de enero, 1 de 1998 a agosto de tercero de 2012, para un total de T = 3714 días; Índice FTSE MIB All-Share. a partir de diciembre, 31 de 1997 a junio 29 de 2012, para un total de T = 3684 días; Índice DAX All-Share. a partir de noviembre, 26 de 1990 a agosto 09th 2012, para un total de T = 5493 días; S P 500. a partir de septiembre, 11 de 1989 a junio 29 de 2012, para un total de T = 5750 días; En general, la posibilidad de predecir series de tiempo financieras ha sido estimulado por el hallazgo de algún tipo de comportamiento persistente en algunos de ellos [38]. [54]. [55]. El principal propósito de esta sección es investigar la posible presencia de correlaciones en las cuatro series financiero anterior del mercado de valores de Europa y los Estados Unidos todos los índices de las acciones. En este sentido, vamos a calcular el exponente de Hurst en función del tiempo mediante el uso de la técnica de media móvil sin tendencia (DMA) [56]. Comencemos con un resumen del algoritmo DMA. El procedimiento de cálculo se basa en el cálculo de la desviación estándar a lo largo de una serie de tiempo definido como dada donde es la media calculada en cada ventana de tiempo de tamaño. Con el fin de determinar el exponente de Hurst. la función se calcula para aumentar los valores de dentro del intervalo. siendo la longitud de la serie de tiempo, y los valores obtenidos se presentan como una función de en una parcela log-log. En general, presenta una dependencia de ley de potencia con exponente. es decir En particular, si. uno tiene un comportamiento anti-correlación o persistente negativa, mientras que si uno tiene una correlación positiva o comportamiento persistente. El caso de corresponde a un proceso Browniano correlacionadas. En nuestro caso, como primer paso, se calculó el exponente de Hurst teniendo en cuenta la serie completa. Este análisis se ilustra en los cuatro parcelas de la Fig. 2. Aquí, un ajuste lineal a las parcelas log-log revela que todos los valores del índice de Hurst H obtenidos de este modo para la serie de tiempo estudiado son, en promedio, muy cerca de 0,5. Este resultado parece indicar una ausencia de correlaciones en escalas de tiempo grandes y una consistencia con un proceso aleatorio. El comportamiento de ley de potencia de la desviación estándar DMA permite derivar un índice Hurst que, en todos los cuatro casos, oscila alrededor de 0,5, lo que indica una ausencia de correlaciones, en promedio, durante períodos de tiempo grandes. Véase el texto. doi: 10.1371 / journal. pone.0068344.g002 Por otro lado, es interesante para calcular el exponente de Hurst localmente en el tiempo. Con el fin de realizar este análisis, consideramos subconjuntos de la serie completa por medio de ventanas de tamaño de deslizamiento. que se mueven a lo largo de la serie con el paso del tiempo. Esto significa que, en cada momento. se calcula el interior de la ventana deslizante cambiando con la Ec. (1). Por lo tanto, siguiendo el mismo procedimiento descrito anteriormente, una secuencia de valores exponente de Hurst se obtiene como función del tiempo. En la Fig. 3 se muestran los resultados obtenidos para los parámetros. . En este caso, los valores obtenidos para el exponente Hurst difieren mucho localmente a partir de 0,5, lo que indica la presencia de correlaciones locales significativos. Ampliar Figura 3. Dependencia temporal del índice de Hurst para la serie de cuatro: en escalas de tiempo más pequeñas, correlaciones significativas están presentes. doi: 10.1371 / journal. pone.0068344.g003 Esta investigación, que está en línea con lo que se encontró previamente en Ref. [56] para el índice de Dax, parece sugerir que las correlaciones son importantes sólo en una escala temporal local, mientras que se anulan un promedio de más períodos a largo plazo. Como veremos en las siguientes secciones, esta función afectará a las actuaciones de las estrategias comerciales considerados. Estrategias de Trading Descripción En el presente estudio consideramos cinco estrategias comerciales definidas de la siguiente manera: Aleatorio (RND) Estrategia Esta estrategia es la más simple, ya que el comerciante corresponsal hace su / su predicción en el momento completamente al azar (con distribución uniforme). Momentum (MOM) Estrategia Esta estrategia se basa en el llamado indicador de 'momentum', es decir, la diferencia entre el valor y el valor. donde es un intervalo de comercio dado (en días). Entonces sí . el comerciante predice un incremento del índice de cierre para el día siguiente (es decir, se predice que) y viceversa. En las siguientes simulaciones consideraremos día, ya que este es uno de el tiempo que transcurre más utilizado para el indicador de momento. Ver Ref. [57]. Índice de Fuerza Relativa Estrategia (RSI) Esta estrategia se basa en un indicador más complejo llamado 'RSI'. Se considera una medida de la reciente fortaleza de negociación de la acción y su definición es:. donde es la relación entre la suma de los rendimientos positivos y la suma de los rendimientos negativos ocurrido durante los últimos días antes. Una vez calculado el índice RSI para todos los días comprendidos en una ventana de tiempo determinado de duración inmediatamente anterior a la vez. el comerciante que sigue la estrategia RSI hace su / su predicción sobre la base de una posible reversión de la tendencia del mercado, puesto de manifiesto por el llamado "divergencia" entre la serie de tiempo original y el nuevo RSI una. Una divergencia se puede definir en referencia a una comparación entre la serie de datos original y el RSI-series generado, y es la señal para el comercio más significativo emitido por cualquier indicador de estilo oscilador. Es el caso cuando la tendencia significativa entre dos extremos locales se muestra por la tendencia RSI está orientado en la dirección opuesta a la tendencia significativa entre dos extremos (en el mismo lapso de tiempo) mostrado por la serie original. Cuando la línea RSI se inclina de manera diferente de la línea de la serie original, se produce una divergencia. Mira el ejemplo en la Fig. 4: dos máximos locales siguen dos tendencias diferentes inclinadas en sentido opuesto. En el caso que se muestra, el analista interpretará esta divergencia como una expectativa alcista (ya que el oscilador RSI diverge de la serie original: se comienza a aumentar cuando la serie original todavía está disminuyendo). En nuestro modelo simplificado, la presencia de tal divergencia se traduce en un cambio en la predicción de la señal, dependiendo de la tendencia alcista o bajista de los días anteriores. En las siguientes simulaciones vamos a elegir día, ya que - otra vez - este valor es uno de los más utilizados principalmente en estrategias de negociación real basada en el RSI. Ver Ref. [57]. Arriba y Abajo Persistencia Estrategia (UPD) Esta estrategia determinista no viene de análisis técnico. Sin embargo, hemos decidido considerarlo porque parece que sigue la aparentemente simple alternativa "de arriba abajo" el comportamiento de la serie de mercados que cualquier observador puede ver a primera vista. La estrategia se basa en la siguiente regla muy simple: la predicción para el comportamiento futuro del mercado es justo lo contrario de lo que sucedió el día anterior. Si, por ejemplo, uno tiene . la expectativa en el momento en el período será alcista:. y viceversa. Mudanza Divergencia Media Convergence Estrategia (MACD) El 'MACD' es una serie construida por medio de la diferencia entre dos promedios móviles exponenciales (EMA, en adelante) del precio de mercado, se refirió a dos ventanas de tiempo diferentes, uno más pequeño y uno grande. En cualquier momento t. . En particular, la primera es la media móvil exponencial de tomado más de doce días, mientras que la segunda se refiere a veintiséis días. El cálculo de estos EMA en un pre-determinado lapso de tiempo, x. dado un peso proporcionalidad. es ejecutado por la siguiente fórmula recursiva: con. dónde . Una vez que se ha calculado la serie MACD, sus 9 días de media móvil exponencial se obtiene y, por último, la estrategia de negociación para la predicción dinámica del mercado puede definirse: la expectativa para el mercado es alcista (bajista) si (). Ver Ref. [57]. Ampliar Figura 4. ejemplo divergencia RSI. Una divergencia es un desacuerdo entre el indicador (RSI) y el precio subyacente. Por medio de líneas de tendencia, compruebe el analista que las pendientes de ambas series están de acuerdo. Cuando se produce la divergencia, se espera que una inversión de la dinámica de precios. En el ejemplo que se espera un periodo alcista. doi: 10.1371 / journal. pone.0068344.g004 Resultados de base empírica Simulaciones Para cada una de nuestras cuatro series de tiempo financieras de longitud (en días), el objetivo era simplemente para predecir, día a día y para cada estrategia, el movimiento ascendente (alcista) o hacia abajo (bajista) del índice en un día determinado con respecto al valor de cierre un día antes: si la predicción es correcta, el operador gana, de otro modo que él / ella pierde. En este sentido sólo estamos interesados ​​en evaluar el porcentaje de victorias conseguidas por cada estrategia, en el supuesto de que - en cada paso de tiempo - los comerciantes saben perfectamente la historia pasada de los índices, pero no poseen ninguna otra información y tampoco pueden ejercer alguna influencia en el mercado, ni recibió ninguna información sobre los movimientos futuros. A continuación, ponemos a prueba el rendimiento de las cinco estrategias de dividir cada una de las cuatro series de tiempo en una secuencia de ventanas comerciales de igual tamaño (en días) y la evaluación del porcentaje promedio de victorias para cada estrategia dentro de cada ventana, mientras los operadores se mueven a lo largo del día la serie por día, de a. Este procedimiento, cuando se aplica a. nos permite explorar el rendimiento de las diversas estrategias para varias escalas de tiempo (que van, aproximativamente, de meses a años). La motivación detrás de esta elección está conectado con el hecho de que la evolución temporal de cada índice alterna claramente entre períodos de calma y volátiles, que en una resolución más fina revelarían un más allá, auto-similar, alternancia de comportamiento intermitente y regular durante escalas de tiempo más pequeñas, un rasgo característico de los turbulentos mercados financieros [35]. [36]. [38]. [58]. Esta característica hace que cualquier predicción a largo plazo de su comportamiento muy difícil o incluso imposible con instrumentos de análisis financiero estándar. El punto es que, debido a la presencia de correlaciones más pequeñas escalas temporales (como lo confirma el análisis del tiempo exponente de Hurst dependiente en la Fig. 3), se podría esperar que una estrategia de negociación estándar dado, basado en la historia pasada del índices, podrían funcionar mejor que los otros dentro de una ventana de tiempo dado. Pero esto podría depender mucho más de la suerte que en la eficacia real del algoritmo adoptado. Por otro lado, si en un muy gran escala temporal de la evolución temporal de los mercados financieros es un proceso browniano no correlacionados (como indica el exponente promedio Hurst, que se traducen en alrededor de toda la serie de tiempo financiera considerado), se podría también esperar que el desempeño de las estrategias de operación estándar a gran escala de tiempo se hace comparable a los al azar. De hecho, esto es exactamente lo que encontramos como se explica a continuación. En las Figs. 5 -8. nos informan de los resultados de las simulaciones para los cuatro índices bursátiles considerados (FTSE-Reino Unido, el FTSE-MIB, DAX, SP 500). En cada figura, de arriba a abajo, trazamos: las series temporales de mercado en función del tiempo; serie 'devuelve' El corresponsal, determinado como la relación; la volatilidad de los rendimientos, es decir, la varianza de la serie anterior, calculado dentro de cada ventana para aumentar los valores del tamaño de la ventana de comercio (igual a, de izquierda a derecha, y respectivamente..); el porcentaje promedio de victorias de las cinco estrategias de operación considerada, calculado por los mismos cuatro tipos de ventanas (el promedio se realiza sobre todas las ventanas en cada configuración, considerando diferentes corridas de simulación dentro de cada ventana); las correspondientes desviaciones estándar para las victorias de las cinco estrategias. Ampliar Figura 5. Los resultados de la serie de índices FTSE-Reino Unido, dividido en un número creciente de comercio-ventanas de igual tamaño (3,9,18,30), simulando diferentes escalas de tiempo. De arriba a abajo, se presenta la serie de tiempo del índice, la serie temporal rendimientos correspondientes, la volatilidad, los porcentajes de victorias de las cinco estrategias más de todas las ventanas y las correspondientes desviaciones estándar. Las dos últimas cantidades se promedian más de 10 carreras diferentes (eventos) dentro de cada ventana. doi: 10.1371 / journal. pone.0068344.g005 Más »Expandir Figura 6. Resultados de la serie FTSE-MIB índice, dividido en un número creciente de comercio-ventanas de igual tamaño (3,9,18,30), simulando diferentes escalas de tiempo. De arriba a abajo, se presenta la serie de tiempo del índice, la serie temporal rendimientos correspondientes, la volatilidad, los porcentajes de victorias de las cinco estrategias más de todas las ventanas y las correspondientes desviaciones estándar. Las dos últimas cantidades se promedian más de 10 carreras diferentes (eventos) dentro de cada ventana. doi: 10.1371 / journal. pone.0068344.g006 Más »Expandir Figura 7. Resultados de la serie DAX índice, dividido en un número creciente de comercio-ventanas de igual tamaño (3,9,18,30), simulando diferentes escalas de tiempo. De arriba a abajo, se presenta la serie de tiempo del índice, la serie temporal rendimientos correspondientes, la volatilidad, los porcentajes de victorias de las cinco estrategias más de todas las ventanas y las correspondientes desviaciones estándar. Las dos últimas cantidades se promedian más de 10 carreras diferentes (eventos) dentro de cada ventana. doi: 10.1371 / journal. pone.0068344.g007 Más »Expandir Figura 8. Resultados de la serie SP 500 índice, dividido en un número creciente de comercio-ventanas de igual tamaño (3,9,18,30), simulando diferentes escalas de tiempo. De arriba a abajo, se presenta la serie de tiempo del índice, la serie temporal rendimientos correspondientes, la volatilidad, los porcentajes de victorias de las cinco estrategias más de todas las ventanas y las correspondientes desviaciones estándar. Las dos últimas cantidades se promedian más de 10 carreras diferentes (eventos) dentro de cada ventana. doi: 10.1371 / journal. pone.0068344.g008 Observando los últimos dos paneles en cada figura, dos resultados principales son evidentes: Los porcentajes promedio de victorias de las cinco estrategias son siempre comparables y oscilan alrededor. con pequeñas diferencias aleatorias que dependen del índice financiero considerado. El rendimiento de de triunfos para todas las estrategias Puede parecer paradójico, pero depende del procedimiento de promediado sobre todas las ventanas a lo largo de cada serie temporal. En la Fig. 9 nos muestra, por comparación, el comportamiento de las distintas estrategias para los cuatro índices financieros considerados y para el caso (la puntuación en cada ventana se promedia en diferentes eventos): Como se puede ver, dentro de una ventana de negociación dado a cada uno una sola estrategia puede realizar aleatoriamente mucho mejor o peor que. pero en promedio el rendimiento global de las diferentes estrategias es muy similar. Por otra parte, haciendo referencia de nuevo a las Figs. 5 -8. vale la pena notar que la estrategia con el porcentaje más alto promedio de victorias (para la mayoría de las configuraciones de Windows) cambios de un índice a otro: para FTSE en el Reino Unido, la estrategia de MOM parece tener un poco de ventaja; para FTSE-MIB, la UPD parece ser el mejor; [12]. Expresiones de gratitud Conflicto de intereses: Los autores han declarado que no existen intereses en competencia. Introducción [12]. El documento está organizado de la siguiente manera. [22]. [33]. [36]. Más " [55]. En la Fig. . . [36]. [58]. En la Fig. [12]. Expresiones de gratitud