post list
QuantDare
categories
asset management

Foreseeing the future: a user’s guide

Jose Leiva

asset management

Stochastic portfolio theory, revisited!

P. López

asset management

“Past performance is no guarantee of future results”, but helps a bit

ogonzalez

asset management

Playing with Prophet on Financial Time Series (Again)

rcobo

asset management

Shift or Stick? Should we really ‘sell in May’?

jsanchezalmaraz

asset management

What to expect when you are the SPX

mrivera

asset management

K-Means in investment solutions: fact or fiction

T. Fuertes

asset management

How to… use bootstrapping in Portfolio Management

psanchezcri

asset management

Playing with Prophet on Financial Time Series

rcobo

asset management

Dual Momentum Analysis

J. González

asset management

Random forest: many are better than one

xristica

asset management

Using Multidimensional Scaling on financial time series

rcobo

asset management

Comparing ETF Sector Exposure Using Chord Diagrams

rcobo

asset management

Euro Stoxx Strategy with Machine Learning

fjrodriguez2

asset management

Hierarchical clustering, using it to invest

T. Fuertes

asset management

Lasso applied in Portfolio Management

psanchezcri

asset management

Markov Switching Regimes say… bear or bullish?

mplanaslasa

asset management

Exploring Extreme Asset Returns

rcobo

asset management

Playing around with future contracts

J. González

asset management

BETA: Upside Downside

j3

asset management

Approach to Dividend Adjustment Factor Calculation

J. González

asset management

Are Low-Volatility Stocks Expensive?

jsanchezalmaraz

asset management

Predict returns using historical patterns

fjrodriguez2

asset management

Dream team: Combining classifiers

xristica

asset management

Stock classification with ISOMAP

j3

asset management

Could the Stochastic Oscillator be a good way to earn money?

T. Fuertes

asset management

Correlation and Cointegration

j3

asset management

Momentum premium factor (II): Dual momentum

J. González

asset management

Dynamic Markowitz Efficient Frontier

plopezcasado

asset management

‘Sell in May and go away’…

jsanchezalmaraz

asset management

S&P 500 y Relative Strength Index II

Tech

asset management

Performance and correlated assets

T. Fuertes

asset management

Reproducing the S&P500 by clustering

fuzzyperson

asset management

Size Effect Anomaly

T. Fuertes

asset management

Predicting Gold using Currencies

libesa

asset management

Inverse ETFs versus short selling: a misleading equivalence

J. González

asset management

S&P 500 y Relative Strength Index

Tech

asset management

Seasonality systems

J. González

asset management

Una aproximación Risk Parity

mplanaslasa

asset management

Using Decomposition to Improve Time Series Prediction

libesa

asset management

Momentum premium factor sobre S&P 500

J. González

asset management

Fractales y series financieras II

Tech

asset management

El gestor vago o inteligente…

jsanchezalmaraz

asset management

¿Por qué usar rendimientos logarítmicos?

jsanchezalmaraz

asset management

Fuzzy Logic

fuzzyperson

asset management

El filtro de Kalman

mplanaslasa

asset management

Fractales y series financieras

Tech

asset management

Volatility of volatility. A new premium factor?

J. González

asset management

Las cadenas de Markov

j3

11/09/2014

1
Las cadenas de Markov

“Cualquier información que pueda servir para predecir el precio de mañana está contenida en el precio de hoy” (la probabilidad de que ocurra un evento únicamente depende del evento anterior).

Un evento puede ser: que tu serie baje (E1), o que suba (E2).

>¿Entonces, puedo saber si mañana ganaré o perderé observando el movimiento de hoy?

Sí, construyendo un diagrama de estados que modelan la probabilidad de transición entre los eventos que has definido.

transP
Donde P es la probabilidad de pasar de un estado (evento) a otro. Para el ejemplo:

  • P12 muestra la probabilidad de tener mañana un rendimiento positivo habiendo sido hoy negativo.
  • P21 muestra la probabilidad de tener mañana un rendimiento negativo habiendo sido hoy positivo.
  • P11 muestra la probabilidad de tener mañana un rendimiento negativo habiendo sido hoy negativo.
  • P22 muestra la probabilidad de tener mañana un rendimiento positivo habiendo sido hoy positivo.

>¿Y cómo sabes esas probabilidades?

Puedes observarlas en el pasado. En los últimos 20 años de un fondo de renta variable ocurrió esto:
Pmasmenos
> Vale, entonces si el rendimiento de hoy ha sido negativo, mañana lo más probable es que sea negativo de nuevo.

Eso es! Si hoy (T0) es negativo y lo expresamos como:
to
podemos calcular lo que ocurrirá mañana (T1) como:
aa
y 0.6 es la probabilidad de que mañana sea negativo y 0.4 de que mañana sea positivo.

>¿Y dentro de n días?

bb
de forma que D siempre tendrá el primer autovalor = 1 y su autovector asociado será la relación de probabilidad entre E1 y E2 cuando n está en el límite. En este ejemplo, en el infinito, E2 es el doble de probable que E1.

eigen
Fíjate que parece como que el sistema se olvide del estado inicial de donde partías.

>Vale, pero ¿por qué P tiene siempre el primer autovalor igual a uno?

Porque es una propiedad de este tipo de matrices de probabilidades de transición, en las cuales sus columnas siempre suman uno.

>¿Y para qué me sirve esto?

Para no mucho, pero puedes agrandar el problema, definiendo más estados que incluyan la información relevante que consideres que modelice tu serie temporal. Yo he elegido el S&P500. He definido 12 estados que caracterizan la magnitud de los rendimientos medidos en desviaciones estándar y he aprendido la matriz de probabilidades de transición P durante 40 años de historia: superP

Con ella puedes predecir lo que ocurrirá mañana y sabes que cuando pase mucho mucho tiempo el rendimiento estará entre cero y dos desviaciones estándar.
aba

>De forma que has construido tu modelo de S&P500.

Sin título

Sí y puedo generar tantos S&P500’s como quiera con el mismo patrón de dependencias:
En la imagen cada serie es una realización diferente y a lo mejor alguna, el S&P del futuro.

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

add a comment

Me ha encantado esta idea para generar diferentes versiones de una serie. Si he entendido bien, en la construcción de las nuevas series haces algo parecido a bootstrapping sobre las probabilidades de transición dado el estado anterior. ¿Es así? Además la idea también serviría para crear posibles futuros caminos de una serie, ¿no? Gracias j3!

wpDiscuz