Hay una pregunta que todo sistema de trading algorítmico debería hacerse constantemente:
¿Sigue siendo válido el entorno en el que fue diseñada esta estrategia?
Esta cuestión parece sencilla, pero probablemente sea una de las más difíciles de resolver en trading cuantitativo.
Un modelo de Machine Learning puede alcanzar excelentes resultados durante un periodo determinado y, sin embargo, comenzar a fallar cuando las condiciones del mercado cambian.
El problema no tiene por qué estar en el modelo.
Puede estar en el mercado.
El mercado no se comporta siempre igual
Los mercados atraviesan diferentes regímenes.
En determinados momentos predominan las tendencias. En otros, la cotización permanece atrapada dentro de un rango. También existen periodos de elevada volatilidad, fases de compresión, movimientos impulsados por noticias o situaciones en las que las correlaciones históricas entre activos dejan temporalmente de funcionar.
Una estrategia diseñada para aprovechar tendencias puede funcionar extraordinariamente bien durante un mercado direccional.
Pero esa misma estrategia puede acumular operaciones perdedoras durante una fase lateral.
Y aquí aparece uno de los grandes errores del trading algorítmico:
confundir una estrategia rentable con una estrategia universal.
No son lo mismo.
La IA puede intentar identificar el régimen
En lugar de preguntarle únicamente a un modelo:
¿Subirá o bajará el precio?
podemos plantearle una pregunta diferente:
¿En qué tipo de mercado nos encontramos?
Esta diferencia es fundamental.
Un modelo especializado en clasificación de regímenes podría analizar variables como:
- volatilidad del ATR;
- pendiente de medias móviles;
- distancia respecto a una EMA;
- amplitud de las Bandas de Bollinger;
- ADX;
- volumen;
- Chaikin Money Flow;
- momentum;
- correlaciones entre activos;
- estructura de máximos y mínimos;
- rango medio de las últimas sesiones.
A partir de estas variables, el sistema podría intentar clasificar el mercado, por ejemplo, como:
Tendencia alcista → Tendencia bajista → Lateral → Alta volatilidad → Baja volatilidad
No necesitamos necesariamente predecir el precio para obtener información útil.
A veces es mucho más importante saber qué tipo de mercado tenemos delante.
Una estrategia diferente para cada escenario
Imaginemos un sistema compuesto por tres estrategias.
La primera está especializada en breakout.
La segunda busca reversión a la media.
La tercera utiliza momentum.
No tendría demasiado sentido permitir que las tres tengan siempre exactamente el mismo peso.
Si el modelo detecta una fuerte tendencia, podría aumentar la ponderación de momentum y breakout.
Si detecta una fase lateral, podría reducir la exposición de las estrategias tendenciales y favorecer la reversión a la media.
Y si la volatilidad aumenta de forma extraordinaria, el sistema podría reducir el riesgo total.
La IA no estaría intentando adivinar el próximo movimiento.
Estaría intentando determinar qué estrategia tiene mayor probabilidad de funcionar en las condiciones actuales.
Esto cambia completamente el concepto de Machine Learning
Aquí aparece una idea especialmente interesante.
El objetivo de un sistema de IA para trading no debería ser necesariamente encontrar:
la mejor estrategia.
Podría ser mucho más robusto construir un sistema capaz de decidir:
qué estrategia utilizar y cuánto riesgo asumir.
Es una arquitectura mucho más cercana a un sistema de decisión dinámico.
Podríamos representarla así:
Datos de mercado → Identificación del régimen → Selección de estrategia → Señal → Gestión del riesgo → Ejecución
El Machine Learning se convierte entonces en una capa de inteligencia situada por encima de las estrategias tradicionales.
El riesgo también debería adaptarse
El cambio de régimen no debería afectar únicamente a las señales de entrada.
También debería modificar el tamaño de las posiciones.
Supongamos que nuestro sistema normalmente arriesga el 1% del capital por operación.
Si el mercado entra en una fase extremadamente volátil, mantener exactamente ese riesgo puede ser innecesario.
El sistema podría reducir progresivamente la exposición.
Por ejemplo:
Régimen estable → 1,00%
Volatilidad elevada → 0,75%
Volatilidad extrema → 0,50%
Mercado anómalo → 0,00%
Esta última opción es especialmente importante.
A veces la mejor decisión de un algoritmo no es comprar ni vender.
Es no operar.
El problema de detectar los cambios demasiado tarde
Pero existe una dificultad importante.
Cuando el algoritmo confirma que el régimen ha cambiado, es posible que una parte importante del movimiento ya haya ocurrido.
Por eso no basta con utilizar una clasificación rígida.
Una alternativa interesante consiste en trabajar con probabilidades.
Por ejemplo:
Tendencia alcista: 72%
Lateral: 18%
Alta volatilidad: 10%
En lugar de decir simplemente "el mercado es alcista", el sistema puede trabajar con una distribución de probabilidades.
Eso permite construir una exposición progresiva.
Si la probabilidad de tendencia aumenta, aumenta también el peso de las estrategias tendenciales.
Si disminuye, la exposición se reduce.
La transición deja de ser brusca y se convierte en un proceso adaptativo.
La importancia del walk-forward
Aquí aparece otro concepto fundamental para cualquier proyecto de Machine Learning aplicado al trading:
walk-forward analysis.
Un modelo puede funcionar extraordinariamente bien en backtesting y fracasar inmediatamente en condiciones reales.
¿Por qué?
Porque durante el desarrollo podemos terminar utilizando información que, directa o indirectamente, pertenece al futuro.
El walk-forward intenta reproducir una situación más realista:
Entrenamiento → Validación → Operación → Avance temporal → Nuevo entrenamiento
De esta manera podemos comprobar si el modelo continúa funcionando cuando abandona los datos que utilizó para aprender.
Y esto es especialmente importante cuando estamos intentando detectar cambios de régimen.
La verdadera prueba no es ganar dinero en el pasado
Un backtest espectacular puede ser una señal positiva.
Pero también puede ser una trampa.
Una estrategia con una curva de capital casi perfecta puede estar sobreajustada a un determinado periodo histórico.
La pregunta realmente interesante es otra:
¿Qué ocurre cuando desaparecen las condiciones que hicieron rentable al sistema?
Ahí es donde se diferencia un modelo aparentemente inteligente de un sistema verdaderamente robusto.
La robustez no consiste en encontrar una configuración que funcione perfectamente.
Consiste en construir un sistema capaz de sobrevivir cuando las condiciones dejan de ser perfectas.
Hacia un trading realmente adaptativo
El siguiente paso en la evolución del trading algorítmico probablemente no consista en añadir más indicadores.
Tampoco en construir modelos cada vez más complejos.
La evolución puede encontrarse en algo mucho más sencillo:
hacer que el sistema entienda que el mercado cambia.
Un algoritmo que utiliza siempre las mismas reglas estático puede ser eficaz mientras el mercado se comporte como espera.
Un sistema adaptativo intenta reconocer cuándo esa premisa deja de cumplirse.
Y ahí es donde Machine Learning puede aportar algo realmente interesante.
No necesariamente para predecir el futuro.
Sino para reconocer el presente.
La idea clave
En trading, una estrategia no debería preguntarse únicamente:
"¿Tengo una señal?"
Debería preguntarse también:
"¿Es este el mercado adecuado para ejecutar esta señal?"
Esa segunda pregunta puede marcar una diferencia enorme.
Porque quizá el futuro del trading algorítmico no esté en desarrollar un algoritmo que opere más.
Quizá esté en desarrollar algoritmos que sepan cuándo operar, cuándo reducir riesgo y, sobre todo, cuándo quedarse fuera del mercado.
ArousaFX | Trading Algorítmico, Python, Inteligencia Artificial y MetaTrader 5
La inteligencia artificial no elimina la incertidumbre del mercado. Pero puede ayudarnos a reconocer cuándo la incertidumbre ha cambiado de naturaleza.
Este artículo tiene carácter educativo y no constituye asesoramiento financiero.
No hay comentarios:
Publicar un comentario