post list
QuantDare
categories
risk management

Playing with Prophet on Financial Time Series (Again)

rcobo

risk management

Seeing the market through the trees

xristica

risk management

Lévy Flights. Foraging in a Finance blog. Part II

mplanaslasa

risk management

Playing with Prophet on Financial Time Series

rcobo

risk management

Principal Component Analysis

j3

risk management

Exploring Extreme Asset Returns

rcobo

risk management

Playing around with future contracts

J. González

risk management

BETA: Upside Downside

j3

risk management

Returns clustering with k-Means algorithm

psanchezcri

risk management

Predicting Gold using Currencies

libesa

risk management

Inverse ETFs versus short selling: a misleading equivalence

J. González

risk management

Cointegración: Seguimiento sobre cruces cointegrados

T. Fuertes

risk management

Using Decomposition to Improve Time Series Prediction

libesa

risk management

In less of a Bayes haze…

libesa

risk management

Cointegración

T. Fuertes

risk management

Cópulas: una alternativa en la medición de riesgos

mplanaslasa

risk management

¿Por qué usar rendimientos logarítmicos?

jsanchezalmaraz

risk management

In a Bayes haze…

libesa

risk management

Teoría de Valores Extremos

kalinda

risk management

Clasificando el mercado mediante árboles de decisión

xristica

05/09/2014

1
Clasificando el mercado mediante árboles de decisión

En los resultados de cualquier sistema de trading se alternan periodos ganadores y no tan ganadores.

Y es que lo normal es que estén diseñados para funcionar en determinadas condiciones, pero desafortunadamente el mercado no se mantiene siempre bajo esos supuestos. Esto es un problema, pero tiene solución.

“Reflexiona con lentitud, pero ejecuta rápidamente tus decisiones” Isócrates

 

El problema…

Ilustramos el problema con un ejemplo: hemos dividido la serie EURUSD según el tipo de mercado. Distinguimos los momentos tendenciales de aquellos otros en los el movimiento no es claro, momentos laterales, también denominados periodos de ranged market.

classes

Apostar adecuadamente por el sentido de la tendencia es relativamente sencillo. Podríamos tomar, por ejemplo, el signo de la pendiente de la regresión lineal y seguro que distinguiría los momentos alcistas de los bajistas con una probabilidad de éxito alta.

Lo que no resulta para nada sencillo es que esa misma regresión – o cualquier otro método de seguimiento de tendencias – funcione cuando no existe tendencia, cuando el mercado es lateral.

Cuando las condiciones son inversas a aquellas en las que nuestra estrategia tenía éxito, su funcionamiento será el inverso. Perderá en estos momentos parte de lo que hemos ganado durante la tendencia y la estrategia inicialmente exitosa se tornará mediocre. Eso si no lo pierde todo, que entonces será desastrosa.

¿La solución?

Mmmm… pues parece que estaría bien desactivar la estrategia durante los momentos laterales. Me conformo con no perder… bueno, no. Todavía mejor. ¡Activaré una segunda estrategia que funcione para el mercado lateral! ¡Así gano siempre! Espera, espera… empecemos por el principio. ¿Soy capaz de identificar esos momentos?

La separación anterior tan “perfecta” ha sido construida a posteriori, conociendo lo que va a ocurrir. La realidad es que al aproximarse a cada problema concreto, local, ya no resultan tan diferentes los rendimientos del precio que se dan en tendencias y en mercado lateral.

¿De verdad las características son suficientemente distintas como para que sea posible identificarlos mientras están ocurriendo?

Para poder dar respuesta resulta lógico empezar por determinar cuáles son las características interesantes y comprobar si estos factores están realmente relacionados con el tipo de mercado.

¡El método!

¿Hoy es mercado lateral o tendencial? ¿Activo o desactivo mi/s sistema/s? La construcción automática de árboles de clasificación puede servir de alternativa a los métodos manuales de extracción del conocimiento. Dejemos que un árbol tome la decisión por mí…

Reúno todas las características a analizar. Por ejemplo: la volatilidad, la eficiencia, etc. Y fijo un conjunto de entrenamiento en el que etiqueto cada día como “TR” o “RM”, tendencia o ranged market. Lo habitual es que este conjunto sea una parte del histórico disponible para que nos permita verificar el resultado de la estrategia en el resto del periodo.

tree-ex

La construcción del árbol de decisión consiste en priorizar la relevancia de todos los valores de todos los atributos de acuerdo con la clasificación fijada.

Así se van determinando los criterios más adecuados para valorar los nuevos puntos cuya clasificación se desconoce y debe ser estimada. Y su aplicación es sumamente sencilla, pues basta con evaluar los atributos conocidos del momento actual y recorrer el camino propuesto por el árbol hasta alcanzar un punto terminal: tendencia o ranged market.

El resultado

Cada uno de los nodos terminales tiene asignada, además de su correspondiente clase, la probabilidad de ésta. Teniendo en cuenta los patrones observados en el conjunto de aprendizaje (en el ejemplo hasta el año 1997), se toma el porcentaje de casos que efectivamente tienen asignada la clase mayoritaria.

Utilizando este dato, podemos hacer una división del mercado gradual en función de la estimación de la tendencialidad de cada momento:

estimation

Esta herramienta puede ser muy útil como complemento al sistema inicial, pues puede ayudar a reducir las pérdidas que derivan de las situaciones desfavorables, aquellas para las que el sistema no ha sido diseñado.

Podéis encontrar teoría y herramientas en el siguiente post: Árboles de clasificación en Matlab

Tweet about this on TwitterShare on LinkedInShare on FacebookShare on Google+Email this to someone

add a comment

[…] Podéis encontrar una aplicación práctica aquí: Clasificando el mercado mediante árboles de decisión […]

wpDiscuz