post list
QuantDare
categories
all

Neural Networks

alarije

all

Foreseeing the future: a user’s guide

Jose Leiva

all

Stochastic portfolio theory, revisited!

P. López

all

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

ogonzalez

all

Playing with Prophet on Financial Time Series (Again)

rcobo

all

Interviewing prices: Don’t settle for less

jramos

all

The Simpson Paradox

kalinda

all

Seeing the market through the trees

xristica

all

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

jsanchezalmaraz

all

What to expect when you are the SPX

mrivera

all

K-Means in investment solutions: fact or fiction

T. Fuertes

all

Lévy Flights. Foraging in a Finance blog. Part II

mplanaslasa

all

How to… use bootstrapping in Portfolio Management

psanchezcri

all

What is the difference between Artificial Intelligence and Machine Learning?

ogonzalez

all

Playing with Prophet on Financial Time Series

rcobo

all

Prices Transformation Cheat Sheet

fjrodriguez2

all

Dual Momentum Analysis

J. González

all

Random forest: many are better than one

xristica

all

Non-parametric Estimation

T. Fuertes

all

Classification trees in MATLAB

xristica

all

Using Multidimensional Scaling on financial time series

rcobo

all

Applying Genetic Algorithms to define a Trading System

aparra

all

Graph theory: connections in the market

T. Fuertes

all

Lévy flights. Foraging in a finance blog

mplanaslasa

all

Data Cleansing & Data Transformation

psanchezcri

all

Principal Component Analysis

j3

all

Comparing ETF Sector Exposure Using Chord Diagrams

rcobo

all

Learning with kernels: an introductory approach

ogonzalez

all

SVM versus a monkey. Make your bets.

P. López

all

Clustering: “Two’s company, three’s a crowd”

libesa

all

Euro Stoxx Strategy with Machine Learning

fjrodriguez2

all

Visualizing Fixed Income ETFs with T-SNE

j3

all

Hierarchical clustering, using it to invest

T. Fuertes

all

Lasso applied in Portfolio Management

psanchezcri

all

Markov Switching Regimes say… bear or bullish?

mplanaslasa

all

Exploring Extreme Asset Returns

rcobo

all

Playing around with future contracts

J. González

all

“K-Means never fails”, they said…

fjrodriguez2

all

What is the difference between Bagging and Boosting?

xristica

all

BETA: Upside Downside

j3

all

Outliers: Looking For A Needle In A Haystack

T. Fuertes

all

Autoregressive model in S&P 500 and Euro Stoxx 50

psanchezcri

all

“Let’s make a deal”: from TV shows to identifying trends

mplanaslasa

all

Machine Learning: A Brief Breakdown

libesa

all

Approach to Dividend Adjustment Factor Calculation

J. González

all

Are Low-Volatility Stocks Expensive?

jsanchezalmaraz

all

Predict returns using historical patterns

fjrodriguez2

all

Dream team: Combining classifiers

xristica

all

Stock classification with ISOMAP

j3

all

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

T. Fuertes

all

Central Limit Theorem: Visual demonstration

kalinda

all

Sir Bayes: all but not naïve!

mplanaslasa

all

Returns clustering with k-Means algorithm

psanchezcri

all

Correlation and Cointegration

j3

all

Momentum premium factor (II): Dual momentum

J. González

all

Dynamic Markowitz Efficient Frontier

plopezcasado

all

Confusion matrix & MCC statistic

mplanaslasa

all

Prices convolution, a practical approach

fuzzyperson

all

‘Sell in May and go away’…

jsanchezalmaraz

all

S&P 500 y Relative Strength Index II

Tech

all

Performance and correlated assets

T. Fuertes

all

Reproducing the S&P500 by clustering

fuzzyperson

all

Retrocesos y Extensiones de Fibonacci

fjrodriguez2

all

Size Effect Anomaly

T. Fuertes

all

Predicting Gold using Currencies

libesa

all

La Paradoja de Simpson

kalinda

all

Inverse ETFs versus short selling: a misleading equivalence

J. González

all

Random forest vs Simple tree

xristica

all

S&P 500 y Relative Strength Index

Tech

all

Cointegración: Seguimiento sobre cruces cointegrados

T. Fuertes

all

Seasonality systems

J. González

all

Una aproximación Risk Parity

mplanaslasa

all

Números de Fibonacci

fjrodriguez2

all

Using Decomposition to Improve Time Series Prediction

libesa

all

Las cadenas de Markov

j3

all

Clasificando el mercado mediante árboles de decisión

xristica

all

Momentum premium factor sobre S&P 500

J. González

all

Árboles de clasificación en Matlab

xristica

all

Fractales y series financieras II

Tech

all

Redes Neuronales II

alarije

all

El gestor vago o inteligente…

jsanchezalmaraz

all

In less of a Bayes haze…

libesa

all

Teoría de Valores Extremos II

kalinda

all

De Matlab a Octave

fuzzyperson

all

Cointegración

T. Fuertes

all

Cópulas: una alternativa en la medición de riesgos

mplanaslasa

all

¿Por qué usar rendimientos logarítmicos?

jsanchezalmaraz

all

Análisis de Componentes Principales

j3

all

Vecinos cercanos en una serie temporal

xristica

all

Redes Neuronales

alarije

all

Fuzzy Logic

fuzzyperson

all

El filtro de Kalman

mplanaslasa

all

Estimación no paramétrica

T. Fuertes

all

Fractales y series financieras

Tech

all

In a Bayes haze…

libesa

all

Volatility of volatility. A new premium factor?

J. González

all

Caso Práctico: Multidimensional Scaling

rcobo

all

Teoría de Valores Extremos

kalinda

all

Efecto Herding

alarije

20/11/2014

No Comments
Efecto Herding

Una persona busca un sitio donde cenar y encuentra una calle donde hay dos restaurantes. Los dos tienen buena pinta pero están vacíos porque todavía es un poco pronto. Aleatoriamente, dicha persona decide entrar en el restaurante A. Al momento llega una pareja también con intenciones de cenar. Cualquiera de los dos restaurantes les parece un buen lugar pero, al ver que el restaurante A tiene una persona, deciden entrar, basándose en que si en un restaurante hay gente y otro está vacío, el primero debe ser mejor. Las siguientes personas que busquen un sitio para cenar probablemente lleguen a la misma conclusión. Como consecuencia, el restaurante A estará lleno mientras el B seguirá vacío, aunque en principio cualquiera de los dos son igualmente buenos.

Esta situación está a la orden del día. ¿Cuántos de nosotros acudimos a un determinado médico, peluquería o taller sólo porque nos lo recomienda un amigo que ya ha estado aunque conozcamos también otros que parecen igual de buenos? Está claro que la información de la que disponemos es útil pero en ocasiones nos influye en gran medida las decisiones que tomaron antes otras personas.

Esto mismo ocurre en los mercados financieros. Cada agente recibe información privada (señales) acerca de cómo debería actuar. Además conoce también las decisiones que han tomado sus predecesores, aunque desconoce las señales que recibieron. Usando estos conocimientos, cada agente toma su propia decisión.

Pero este desconocimiento de las señales que recibieron los anteriores puede hacernos a veces ignorar nuestras propias señales y adoptar las mismas decisiones que adoptaron otros anteriormente. Este efecto en economía se conoce como efecto rebaño o efecto herding. Muchos consideran este fenómeno como una de las principales causas del inicio de momentos de histeria colectiva o pánico (bubbles/crashes) que han ocurrido a lo largo de la historia.

Definición

Decimos que existe efecto herding en los mercados financieros cuando un grupo de inversores ignora su propia información y actúa únicamente siguiendo las decisiones de otros inversores.

Existen estudios que tratan este efecto como un fenómeno intradiario. Intuitivamente tiene sentido. Es más probable que los inversores imiten a otros antes que interpretar la información que reciben cuando tienen poco tiempo para tomar decisiones de inversión. En los últimos años se ha estudiado este efecto basándose en el modelo de cascadas de información.

Según este modelo, los inversores reciben una señal imperfecta acerca del valor futuro de un activo (V) que les indica que el precio subirá (S) o bajará (B).

Los inversores conocen su propia señal, pero desconocen cuál es la señal recibida por los demás, aunque sí que pueden observar sus acciones.  La decisión de inversión se toma de forma secuencial, de modo que las decisiones de los participantes precedentes son cruciales a la hora de tomar la decisión propia. El esquema sería el siguiente:

esquema

El primer inversor (I#1) que ha de tomar la decisión observa su propia señal y actúa en consecuencia. El segundo inversor (I#2) contará con dos tipos de información: la señal que él mismo ha recibido y la mostrada por I#1 con su decisión. Si I#1 compró y la información recibida por I#2 es S, el segundo inversor comprará.  Si las señales son contradictorias, se deduce que la probabilidad de beneficio es 0,5. En este caso I#2 tomará la decisión de invertir o no invertir por puro azar al encontrarse en la más incierta de las situaciones posibles.

Supongamos que los dos primeros inversores han invertido. Cuando el tercero (I#3) tenga que tomar su decisión inferirá que la señal de I#1 era una S, y que aunque la de I#2 podría ser tanto S como B es más probable que la señal fuera también positiva. Por tanto, I#3 invertirá incluso si su señal es B. El siguiente inversor (I#4) no obtendrá ninguna información adicional de la decisión tomada por éste último, ya que no está basada en su propia información, sino en la de los primeros inversores. Estará en la misma tesitura que el tercero y, por tanto, invertirá independientemente de cuál sea la señal recibida. Lo mismo ocurrirá para todos y cada uno de los siguientes inversores. Ha dado comienzo una cascada de compra. Una cascada en sentido contrario daría comienzo de la misma forma si tanto el primer inversor en tomar la decisión como el segundo decidieran no invertir.

Si se da este fenómeno y los inversores comienzan a obviar sus creencias a favor de las observadas en las acciones de los demás, esperaremos encontrar secuencias más largas de compras o ventas a lo largo de la sesión de lo que cabría esperar si no existieran estas cascadas de información y cada inversor siguiera su propia información.

¿Cómo se mide este fenómeno cuantitativamente?

Lo más recomendable es usar datos intradiarios de operaciones.

El primer paso es buscar el sentido de las transacciones, para saber si han sido iniciadas por el comprador o el vendedor. Dos de los métodos más utilizados proporcionan resultados similares:

  • Tick-test: Una transacción se clasifica como iniciada por el comprador (up-tick) si el precio al que se establece es superior al de la transacción anterior. Lo contrario para considerarla como iniciada por el vendedor (down-tick). Si el precio no cambia se distingue un tercer grupo (cero-tick).
  • Algoritmo de Lee y Ready: Usando los precios bid y ask precedentes, clasifica las transacciones como iniciadas por el comprador (up-tick) si ocurren a un precio por encima del punto medio del spread, o iniciadas por el vendedor (down-tick) si se realizan por debajo. Si es al mismo, se consideran transacciones cero-tick.

Denominamos secuencia al conjunto de transacciones sucesivas pertenecientes a un mismo tipo.

Sea x(i,j,t) un tipo de secuencia i (alza, baja, cero) del activo j en la fecha t.

formula x

Siendo,

          ri: número de secuencias del tipo i (alza, baja o cero).

          n: número total de transacciones realizadas en el activo j en el día t.

          1/2: parámetro de ajuste por discontinuidad.

          pi: probabilidad de encontrar una secuencia de tipo i (a priori pi=1/3 )

x(i,j,t) se distribuye asintóticamente como una normal con media cero y varianza:

formula varianza

De esta forma, queda definido uno de los estadísticos más utilizados para medir la intensidad de herding (Patterson y Sharma (2006)):

formula herding

Si los inversores imitan, el número real de secuencias iniciadas será inferior al esperado, y por tanto los valores del estadístico deberían ser negativos y significativos. Cuanto más negativos, mayor será la probabilidad de que exista herding.

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

add a comment

wpDiscuz