Conceptos para adaptarse al mercado
Rutinas que permiten mejorar los sistemas
A la hora de analizar, estudiar o probar un sistema automático de trading, independientemente de la plataforma o el lenguaje en el que esté programado, debemos fijarnos en las rutinas que implementa para adaptarse al mercado o cómo aprende de él. Es sabido que el mercado cambia con el paso del tiempo debido al comportamiento y las expectativas de los operadores de este mercado. Donde antes funcionaban las estrategias de breakout ahora han dejado de hacerlo, o los sistemas que contaban ondas de impulso ahora falla sistemáticamente en la onda 3.
Como hemos dicho otras veces, puede ser que los patrones estén en la mente de quien analiza el mercado, y el mercado se mueva de una forma con un coeficiente de aleatoriedad más o menos grande. Una de las posibilidades que tenemos a la hora de adaptar nuestros sistemas automáticos a la variabilidad de patrones es con técnicas de optimización avanzadas o añadiendo filtros o rutinas que permitan recoger datos del mercado y adaptarlos a las reglas del sistema, como pueden ser el caso de las redes neuronales y más concretamente al algoritmo K-means.
¿En qué consiste el algoritmo K-means?
El algoritmo K-means se puede definir como un método que utiliza situaciones de agrupamiento o clustering, con lo que busca o tiene como objetivo encontrar grupos o conjuntos de observaciones con características similares o que estén más cercanas a la media. Estas observaciones deben ser parecidas a las otras observaciones de otros grupos pero con el grado de diferencia suficiente que no permita poderlas incluir en los otros grupos.
Lo que se busca con este método es maximizar las variaciones entre grupos y minimizar las variaciones del mismo grupo. Todas las variables que intervienen en el proceso son tratadas con el mismo status y no son dependientes. Cuando existen pocas variables es relativamente sencillo tratar el agrupamiento, no así cuando en el método están involucradas N variables, pudiéndose utilizar otro tipo de modelos para su solución.
Sin embargo el algoritmo K-means puede ser fácil de implementar con un gran conjunto de datos, o como se llama habitualmente con minería de datos.
Los pasos para trabajar con el algoritmo K-means se pueden simplificar en:
- Cuántos clusters K existen en la muestra.
- Tomar K observaciones al azar para convertirlos como centros de las observaciones.
- Calcular la distancia del resto de observaciones a cada uno de los centros.
- Cada observación individual es asignada a su centro más cercano.
- Para los nuevos K grupos se le asignan nuevos centros.
- Repetir el proceso hasta que no se puedan asignar más observaciones.
Este forma de trabajar con algoritmo K-means puede resultar compleja si no se está habituado a trabajar en estos entornos de programación o de metodología. Es bastante utilizado como método de agrupamiento en otras disciplinas para realizar estudios de mercado y llegar a un público objetivo.
En nuestro caso aplicado al mercado forex, existen ya rutinas programadas que utilizan el algoritmo K-means donde recopilan los datos de mercado y adaptan sus reglas de entrada a los resultados obtenidos por el algoritmo. De esta forma se consigue que el sistema automático «aprenda por él mismo», se adapte mejor a los cambios de patrones del mercado y se consiga más fiabilidad y calidad en el rendimiento de las operaciones.
Uno de los primeros sistemas automáticos que analizamos en su día, que incorporaba la tecnología de redes neuronales para aprender del mercado y adaptarse a él fue el robot TFOT en sus versiones 8 y posteriores. Evidentemente estos sistemas hay que entrenarlos y realizar una correcta optimización, ya que sin unos parámetros robustos y eficientes en el tiempo, los resultados obtenidos no son tan consistentes.
Hemos querido mostrar esta idea de evolución en los sistemas automáticos. Lo mostramos como una herramienta más a incorporar en nuestra cartera de sistemas y para diversificar la operativa. Evidentemente utilizar este tipo de algoritmos o redes no es sinónimo de éxito, sino que hay que trabajar también en las reglas del sistema. También es importante tener en cuenta que un sistema sin este tipo de método puede ser igualmente rentable y robusto en el tiempo, al final es una cuestión de resultados y estadística.
- Herramientas de trading cuantitativo - abril 29, 2017
- Trading por sensaciones - enero 1, 2017
- 5 motivos por los que deshacer posiciones en renta variable - agosto 14, 2016
