Está en la página 1de 40

Documentos CEDE

ISSN 1657-7191 Edicin electrnica.

Patrones Visuales en Anlisis Tcnico: Identificacin Algortmica y Evaluacin de Estrategias de Inversin

Sergio Mario Ferro Crdenas

AGOSTO DE 2013

39

Centro de Estudios sobre Desarrollo Econmico

CEDE

Serie Documentos Cede, 2013-39 ISSN 1657-7191 Edicin electrnica. Agosto de 2013 2012, Universidad de los AndesFacultad de EconomaCEDE Calle 19A No. 1 37 Este, Bloque W. Bogot, D. C., Colombia Telfonos: 3394949- 3394999, extensiones 2400, 2049, 3233 infocede@uniandes.edu.co http://economia.uniandes.edu.co Ediciones Uniandes Carrera 1 Este No. 19 27, edificio Aulas 6, A. A. 4976 Bogot, D. C., Colombia Telfonos: 3394949- 3394999, extensin 2133, Fax: extensin 2158 infeduni@uniandes.edu.co Edicin y prensa digital: Cadena S.A. Bogot Calle 17 A N 68 - 92 Tel: 57(4) 405 02 00 Ext. 307 Bogot, D. C., Colombia www.cadena.com.co Impreso en Colombia Printed in Colombia El contenido de la presente publicacin se encuentra protegido por las normas internacionales y nacionales vigentes sobre propiedad intelectual, por tanto su utilizacin, reproduccin, comunicacin pblica, transformacin, distribucin, alquiler, prstamo pblico e importacin, total o parcial, en todo o en parte, en formato impreso, digital o en cualquier formato conocido o por conocer, se encuentran prohibidos, y slo sern lcitos en la medida en que se cuente con la autorizacin previa y expresa por escrito del autor o titular. Las limitaciones y excepciones al Derecho de Autor, slo sern aplicables en la medida en que se den dentro de los denominados Usos Honrados (Fair use), estn previa y expresamente establecidas, no causen un grave e injustificado perjuicio a los intereses legtimos del autor o titular, y no atenten contra la normal explotacin de la obra.

Centro de Estudios sobre Desarrollo Econmico

CEDE

Patrones Visuales en Anlisis Tcnico: Identificacin Algortmica y Evaluacin de Estrategias de Inversin


Sergio Mario Ferro Crdenas*

Resumen El anlisis tcnico es un mtodo que busca pronosticar movimientos en los precios a partir de informacin pasada. Aunque la subjetividad asociada a esta tcnica dificulta un estudio cientfico, los fundamentos lgicos del anlisis tcnico permiten la creacin de algoritmos que pueden mitigar dicha subjetividad. Este trabajo utiliza un procedimiento computacional que se aproxima a la capacidad humana para reconocer patrones visuales. Con base en la evaluacin estadstica de los retornos obtenidos a partir del reconocimiento de estos patrones, es posible comprobar que el anlisis tcnico es una forma cientficamente vlida de extraer informacin a partir de los precios de mercado. Asimismo, el algoritmo permite obtener rendimientos positivos y significativos en tasa de cambio, bonos de renta fija y acciones. Palabras clave: Trading basado en seales, Tcnicas Computacionales, Trading Algortmico JEL: C63, C69, G11

* Artculo realizado como tesis de Magster en Economa de la Universidad de los Andes, asesorada por Diego Jara Pinzn. Se agradece la colaboracin y comentarios de las personas que revisaron y comentaron versiones previas de este documento. Quisiera agradecer especialmente la orientacin recibida por el asesor de tesis y los comentarios y asistencia de lvaro Riascos y Ramn Rosales. Los comentarios de los jurados, lvaro Riascos y Camilo Zea contribuyeron de manera invaluable al desarrollo del trabajo. Las opiniones, errores y omisiones son responsabilidad del autor. En ningn caso comprometen al asesor ni a los jurados. Contacto del autor: sferro@credicorpcapital.com

Visual Patterns in Technical Analysis: Algorithmic Identification and Investment Strategies Evaluation
Sergio Mario Ferro Crdenas

Abstract Technical Analysis embodies a set of procedures used to predict market movements. However, the high degree of subjectivity associated with this method has kept academics unwilling to make profound studies on this technique. Logical foundations of Technical Analysis can be translated into algorithms, in order to partially offset this subjectivity. This document applies a smoothing technique which approximates to the human ability to recognize patterns, specially the most complex patterns in Technical Analysis. Finally, a set of strategies applied to each of the patterns, is able to produce statistically significant and positive returns in foreign exchange, fixed income and stocks. Key Words: Technical Signal Based Trading, Computational Techniques, Algorithmic Trading JEL: C63, C69, G11

Introduccin
El anlisis tcnico (AT) es una herramienta para identificar patrones matemticos o geomtricos en las series de precios, que a su vez propone un conjunto de estrategias a seguir una vez se identifican dichos patrones. Debido a la naturaleza visual de algunos de estos estudios, es bastante comn que los patrones observados por un analista puedan ser ignorados por otro. De hecho, la subjetividad del AT es el principal factor detrs del escepticismo de la academia frente a este mtodo. Ahora bien, la introduccin de mtodos computacionales a las finanzas ha permitido la creacin de algoritmos que capturan los principios fundamentales del AT, aislando parcialmente la subjetividad de este tipo de estudios. Esto permite realizar un acercamiento cientfico y objetivo al AT. Al hacer uso de un algoritmo queda implcito que en una serie financiera algunos movimientos sern significativos (i.e. reflejan la entrada de nueva informacin al mercado) y otros aleatorios. En circunstancias normales, el ojo humano filtra esta informacin de manera rpida y precisa, lo que le permite identificar los patrones propuestos por la literatura de AT (Lo, Mamaysky y Wang 2000). A nivel estadstico, existe una clase de estimadores que pueden lograr el mismo objetivo. Las regresiones de tipo Kernel, la expansin de series ortogonales, los estimadores de vecino ms cercano, los splines, y las redes neuronales son ejemplos de este tipo de estimadores no lineales. De esta manera, el principal objetivo de este trabajo es dar fundamentos a la hiptesis de que el AT es una herramienta vlida para utilizar la informacin revelada a travs de los precios de mercado. De hecho, los resultados de las series de precios estudiadas aqu sugieren que es factible aprovechar la informacin obtenida mediante el AT en el mercado local. Esto se sustenta en la obtencin de retornos significativamente distintos de cero al aplicar las estrategias sugeridas. De forma similar, Lo, Mamaysky y Wang (2000) realizaron pruebas estadsticas a los rendimientos obtenidos tras introducir un algoritmo de identificacin de patrones, y concluyeron que los retornos alcanzados al seguir estas estrategias son significativamente distintos de los retornos obtenidos de forma no condicional, es decir sin reconocimiento de patrn alguno. Lo anterior les da pie para sugerir que el AT es una forma cientficamente vlida de obtener informacin del mercado. De la misma manera, Allen y Karjalainen (1999) han argumentado que el AT es una herramienta efectiva para obtener informacin en mercados donde: (i) Los agentes no siempre son racionales: Recientemente, Olivier Blanchard (2011) manifest que los inversionistas se encuentran en un estado esquizofrnico frente a la consolidacin fiscal y el crecimiento econmico. Los mercados de deuda atacan a los pases hasta que estos comienzan a realizar ajustes fiscales, y luego vuelven a atacarlos cuando la consolidacin fiscal se traduce en menor crecimiento. Esto es una clara muestra de comportamiento no racional.

la informacin pblica y gratuita, obtener informacin adicional requiere inversiones en capital humano para depurar y organizar la informacin disponible. De hecho, compaas como Bloomberg o Reuters obtienen sus ingresos a partir de la presentacin oportuna de informacin relevante. En resumen, este documento presenta un acercamiento cientfico al AT mediante el uso de un
(ii) El procesamiento y obtencin de informacin es costoso: Aunque los precios suelen reflejarde toda la informacin y gratuita, obtener informacin adicional requiere inversiones algoritmo identificacin depblica patrones. Lo anterior, genera una racionalidad estadstica y mitiga la en capital humano para depurar y organizar la informacin disponible. De hecho, compaas subjetividad asociada a mtodo. Finalmente, este algoritmo ser para evalua r las distintas como Bloomberg oeste Reuters obtienen sus ingresos a partir de utilizado la presentacin oportuna de informacin relevante. estrategias observadas en trminos de rentabilidad, contribuyendo a la aplicacin prctica de esta

tcnica.

En resumen, este documento presenta un acercamiento cientfico al AT mediante el uso de un algoritmo de identificacin de patrones. Lo anterior, genera una racionalidad estadstica y mitiga Antecedentes la subjetividad asociada a este mtodo. Finalmente, este algoritmo ser utilizado para evaluar las distintas estrategias observadas en trminos de rentabilidad, contribuyendo a la aplicacin prctica de esta tcnica. La automatizacin del AT se divide en 2 grandes escuelas; la modelacin usando algoritmos genticos

y los identificadores de aprendizaje visual. Por un lado, los algoritmos genticos buscan alcanzar un objetivo (e.g. la mayor rentabilidad) introduciendo variaciones aleatorias a las caractersticas de ciertos
La automatizacin del AT se divide en 2 grandes escuelas; la modelacin usando algoritmos cdigos de programacin. genticos y los identificadores de aprendizaje visual. Por un lado, los algoritmos genticos buscan alcanzar un objetivo (e.g. la mayor rentabilidad) introduciendo variaciones aleatorias a Estos algoritmos han encontrado acogida en las estrategias que involucran medias mviles. Como las caractersticas de ciertos gran cdigos de programacin. Antecedentes

recordatorio, las estrategias de medias mviles son formas sencillas de generar alarmas ante un cambio
Estos algoritmos han encontrado gran acogida en las estrategias que involucran medias de tendencia. Al comparar un promedio mvil corto con uno ms largo, se puede plantear que cuando alarmas ante un cambio comparar un promedio mvil corto con uno y ms largo, A el promedio mvil ms cortode setendencia. ubica por Al encima del largo existe una tendencia al alza viceversa. mviles. Como recordatorio, las estrategias de medias mviles son formas sencillas de generar se puede plantear que cuando el promedio mvil ms corto se ubica por encima del largo existe

modo de ejemplo, se presenta una estrategia estndar para medias mviles (MA) de k y n periodos por una tendencia al alza y viceversa. A modo de ejemplo, se presenta una estrategia estndar para
medias mviles (MA) k y n periodos por medio de las ecuaciones 1 y 2. medio de las ecuaciones 1de y 2.

( ) ( )

En este caso, un algoritmo gentico buscara los parmetros k y n que generaran el mayor retorno en En este caso, un algoritmo gentico buscara los parmetros k y n que generaran el mayor
retorno en una serie de precios siguiendo la estrategia sugerida. En su trabajo de 1999, Allen y Karjalainen utilizan algoritmos genticos para identificar reglas de negociacin en el S&P 500 (1928-1995) y concluyen que la rentabilidad de las estrategias no es robusta cuando se tienen en cuenta los costos de transaccin. Una de las hiptesis de este trabajo es que algunos activos son ms aptos para el uso de AT que otros. Las tasas de cambio, por ejemplo, an carecen de un modelo slido y prctico para los movimientos a corto plazo, por lo que las negociaciones en este mercado suelen sustentarse en gran parte en el AT. Neely, Weller y Dittmar (1997) encuentran que las estrategias obtenidas mediante algoritmos genticos para las series de Marco Alemn, Yen, Libra, Franco Suizo, Marco/Yen y Libra/Suizo Franco, generan retornos econmicamente significativos.

Cabe notar que hasta el momento, el uso de algoritmos genticos ha dejado de lado el estudio de patrones que se distinguen por sus caractersticas visuales en lugar de sus caractersticas numricas. El patrn de cabeza y hombros es un ejemplo bastante claro de un patrn de tipo visual (Figura 1).

H1

H2

Figura 1. Patrn de Cabeza y Hombros. Realizado por el autor.

Este patrn se caracteriza por la llegada a un mximo global (la cabeza, C), seguida por un retroceso en los precios hasta un nivel (H2) similar al del penltimo mximo local alcanzado (H1). La identificacin y las estrategias de negociacin asociadas a este patrn se describen con mayor detalle en el libro clsico de Murphy (1999). Por el momento, basta con entender que el reconocimiento de este patrn requiere un acercamiento mucho ms visual que el tradicionalmente usado por los algoritmos genticos. Es aqu cuando la segunda escuela de automatizacin del AT adquiere importancia. Haciendo uso de las herramientas de aprendizaje visual usadas en computacin (Beymer y Poggio, 1996), es posible disear un algoritmo capaz de identificar patrones en los que los traders solan tener una importante ventaja; el ojo humano. Es as como en 1995, Chang y Osler proponen la reduccin del patrn de cabeza y hombros a sus caractersticas geomtricas. Los investigadores definen el patrn como una serie de mximos y mnimos locales con unas caractersticas especiales; el mximo del centro es mayor que los otros dos, por ejemplo. Chang y Osler encuentran que este patrn tiene poder predictivo para el marco alemn y el yen, aunque no para el dlar canadiense, el franco suizo y la libra esterlina. Siguiendo un mtodo similar, Lo, Mamaysky y Wang (2000), en adelante LMW, utilizan una regresin tipo Kernel para suavizar una serie de precios. La nueva serie est conformada por una sucesin de mximos y mnimos, que combinados con las definiciones geomtricas inducidas por los autores generan un algoritmo de reconocimiento de patrones visuales.

Con base en el aporte de estos autores, este trabajo contribuye a la literatura de las matemticas financieras al mejorar la metodologa de suavizamiento de LMW mediante el uso de regresiones lineales locales. Este nuevo mtodo corrige algunos problemas del acercamiento de LMW y genera ventajas para la identificacin de los patrones tcnicos analizados. En particular, permite la estimacin de patrones en tiempo real al eliminar un sesgo en el mtodo de LMW, que reduca la validez de las estimaciones para los ltimos datos de las series de precios (sesgo de los extremos). Adicionalmente, y con el fin de incrementar la eficiencia del algoritmo, se plantea un mtodo para elegir de forma no iterativa uno de los parmetros de suavizamiento para la serie de precios. Esto reduce los tiempos de optimizacin e incrementa la aplicabilidad del algoritmo. Sumado a esto, se introduce la informacin de volumen dentro del algoritmo de identificacin, llevando un paso adelante la metodologa propuesta por LMW. De forma novedosa, se evalan las estrategias en trminos de rentabilidad, luego de un anlisis estadstico que sugiere que el AT es capaz de proveer informacin sobre movimientos de corto plazo en el mercado de valores. De hecho, la evaluacin de los mtodos usados en este trabajo sugiere que es posible obtener retornos estadsticamente significativos y diferentes de cero. Lo anterior implica que est tesis resulta tanto de inters para la academia, debido a la aplicacin de mtodos estadsticos no usados previamente para este tipo de estudios, como para los analistas y negociadores de mercado, pues se realiza una labor importante para reducir los tiempos de clculo y establecimiento de estrategias. Con el fin de mostrar la versatilidad del mtodo, se utiliza el algoritmo de forma exitosa en series diarias de acciones, ttulos de renta fija, y tasa de cambio (USDCOP). Cabe resaltar que la extensin a nuevos mercados, requiere una calibracin que es pasada por alto en LMW, quienes solo aplican el mtodo a acciones. Este estudio de la calibracin del modelo se suma a la serie de innovaciones propuestas en este trabajo. As, la aplicacin del algoritmo a las distintas series, una vez realizada la calibracin correspondiente, genera retornos estadsticamente significativos, confirmando la hiptesis de LMW. Estos retornos son superiores a la tasa libre de riesgo (DTF) en todos los activos y, en lnea con el trabajo de Neely et al. (1997) y Chang y Osler (1995), el algoritmo parece ser ms efectivo en tasa de cambio. En la seccin I, se provee un repaso sobre los estimadores de suavizamiento, haciendo nfasis en las ventajas de la regresin lineal local sobre la regresin tipo Kernel. En particular, se explica el sesgo de los extremos y la forma en la cual el mtodo de regresin lineal local corrige este problema. Lo anterior es fundamental para poder aplicar este mtodo en tiempo real. Asimismo, se presenta la forma en la que la informacin de volumen ser introducida al algoritmo. En particular, el algoritmo se hace ms exigente con el uso de la informacin de volumen, lo que reduce la probabilidad de hallar falsos positivos.

estocstico no observable y.regresin lineal local I. Estimadores de suavizamiento I. Estimadores de y suavizamiento y regresin lineal local I. Estimadores de suavizamiento regresin lineal local I. Estimadores de suavizamiento y regresin lineal local . dos no observable ) yun un factor estocstico compuesto por (ecuacin 3) : el proceso generador Un supuesto fundamental de este elementos trabajo es el planteamiento de la serie de precios Pt (como proceso I. Estimadores de suavizamiento y regresin lineal local ))= = = (( + + , || = = , , , , (3) (3) + ( ) = | , (3) ( ) |3) , , (3) + Un supuesto fundamental depor este trabajo es = el de plantea miento de la plantea serie de precios Pt un proceso . dos no observable )y un factor estocstico compuesto (ecuacin := el proceso generador (como Un supuesto fundamental este trabajo es miento de lacomo serie de precios Pt como un pr Un supuesto fundamental de este elementos trabajo es el plantea miento de la serie de precios Pt un proceso Un supuesto fundamental de este trabajo es el plantea miento de la serie de precios Pt como un proceso ( ) = + | = , , (3) Un supuesto fundamental de este trabajo es series el planteamiento de la serie de precios Pt como un )y un estocstico compuesto por dos.compuesto elementos (ecuacin 3) :originales el series proceso generador ( Con Con el el fin fin de de eliminar eliminar el elruido ruido estadstico estadstico de de las las series originales originales , ,se se realiza realiza r r un unfactor suavizamiento suavizamiento de l Con el fin de eliminar el ruido estadstico de las , se realiza r un suavizamiento de la y de unla estocstico por dos elementos (ecuacin 3) : el proceso generador (de ) estocstico no observable ) y un estocstico compuesto por elementos (ecuacin 3):originales el proceso generador ( suavizamiento Con estocstico el fin de eliminar el dos ruido estadstico de las series se realiza r un la proceso estocstico compuesto por dos elementos (ecuacin el, proceso proceso generador ) y un factor compuesto por dos elementos (ecuacin 3)3): : el generador ( factor ( ) = | = , , (3) + . ruido estocstico no serie. observable serie. Dicho Dicho suavizamiento suavizamiento es esI. en en esencia similar similar al aluso usode de medias medias mviles, con con la laparticularidad particularidad deque qu serie. Dicho suavizamiento es en similar al uso de medias mviles, con la particularidad de que Con el fin de eliminar el estadstico de las series , se realiza rcon un suavizamiento de la quede estocstico no observable .esencia Estimadores de suavizamiento ymviles, regresin lineal local y un factor estocstico no . observable estocstico no observable serie. Dicho suavizamiento esesencia en. esencia similar aloriginales uso de medias mviles, la particularidad de estocstico no observable ( )+ = | = , , (3) los los pesos pesos de de cada cada punto punto dentro dentro de dela lasuavizacin suavizacin son sonentre diferentes diferentes entre entre s. los pesos de cada punto dentro de esencia la suavizacin son diferentes s.realiza serie. Dicho suavizamiento es en similar al uso de medias mviles, la particularidad de que Con el fin de eliminar el ruido de las originales ,entre se rs. un suavizamiento de la los pesos de cada punto dentro son diferentes s. con ( la)suavizacin estadstico = de + |series = ,( , (3) de ) Un supuesto fundamental este trabajo el planteamiento de la serie d = + | = , , es (3) ( )= = + | = , , (3) ( uso ) | =mviles, ,s. realiza , con (3) + los pesos punto de esencia la suavizacin son diferentes entre serie. Dicho suavizamiento es en similar al de medias particularidad de que Con el finde decada eliminar eldentro ruido estadstico de las series originales , se rla un suavizamiento de la En En el el suavizador caso caso del del suavizador suavizador de de la la regresin regresin Kernel Kernel (ecuaciones (ecuaciones 4 4 -7), 7), los los pesos (( :))el se se proceso ponderan ponderan En el caso del de la regresin Kernel (ecuaciones 4 7), los pesos ( pesos )( se )ponderan estocstico compuesto por dos elementos (ecuacin 3) En el caso del suavizador de la regresin Kernel (ecuaciones 4 7), los pesos se ponderan Conserie. el fin de eliminar el el ruido estadstico de las series originales , se realiza rcon un suavizamiento deun la suavizamiento los pesos de cada punto dentro de la suavizacin son diferentes entre s. Dicho suavizamiento es en esencia similar al uso de medias mviles, la particularidad de que Con fin de eliminar el ruido estadstico de las series originales , se realiza r Conel el caso fin de eliminar el ruido de las series originales ,se realiza r realiza un suavizamiento de la aa estimar mediante mediante una una distribucin distribucin normal normal (ecuacin (ecuacin 7), 7), de de acuerdo acuerdo con con la la distancia distancia al alestimar punto punto estima Con el fin de eliminar el ruido estadstico de las series originales , se r ) un de la mediante una distribucin normal (ecuacin 7), de acuerdo con la distancia al punto a En del suavizador deestadstico la regresin Kernel (ecuaciones 4 los ( sesuavizamiento ponderan Con el fin de eliminar el ruido estadstico de las series originales ,7), se realizar un suavizamiento estocstico no observable . mediante una distribucin normal (ecuacin 7), de acuerdo con lalapesos distancia al punto a estimar serie. Dicho suavizamiento es en esencia similar al uso de medias mviles, con particularidad de que los pesos de cada punto dentro de la suavizacin son diferentes entre s. serie. Dicho suavizamiento es en esencia similar al uso de medias mviles, con la particularidad de la serie. Dicho suavizamiento essimilar en esencia similar al uso de medias mviles, con de la que de que d serie. Dicho suavizamiento es enla esencia al uso de medias mviles, con la particularidad (ecuaciones (ecuaciones 5 5 y y6). 6). serie. Dicho suavizamiento es en esencia similar al uso de medias mviles, con la particularidad (ecuaciones 5 y 6). mediante una distribucin normal (ecuacin 7), de acuerdo con la distancia al punto a estimar En el caso del suavizador de regresin Kernel (ecuaciones 4 7), los pesos ( ) se ponderan (ecuaciones 5 de y dentro 6). los pesos de cada punto de la suavizacin son diferentes entre s. particularidad que de los pesos de cada punto dentro de la suavizacin diferentes s. , , (3) ( ) los pesos cada punto dentro de la suavizacin son s. diferentes s. son = entre + entre | = los pesos de cada punto dentro de la suavizacin son diferentes entre los pesos de cada punto dentro de la suavizacin son diferentes entre s. (ecuaciones 5 ydistribucin 6). mediante una (ecuacin 7), de(ecuaciones acuerdo con la los distancia punto estimar En el caso del suavizador normal de la regresin Kernel 4-7), pesos al ( ) se a ponderan En mediante el caso suavizador de la regresin Kernel 47), los pesos (4 se los ponderan En eldel caso del suavizador de la regresin Kernel (ecuaciones los pesos se ponderan ((ecuaciones (de ))(ecuaciones (( ) (ecuaciones 5 y 6). (4) (4) pesos una distribucin normal (ecuacin 7), de acuerdo con la distancia al punto a estimar En el caso del suavizador de la regresin Kernel (ecuaciones -) 7), pesos ( ) se pon el fin eliminar el4-7), ruido estadstico de las series originales , se re ( ) ( Con (4) (4) En mediante el caso suavizador de la regresin Kernel 4) 7), los ( ) se ponderan ) ( ) )( En del el caso del suavizador de la regresin Kernel (ecuaciones 4 7), los pesos ( ) se ponderan una distribucin normal (ecuacin 7), de acuerdo con la distancia al punto a estimar mediante una distribucin normal (ecuacin 7), de acuerdo con7), la de distancia al punto a estimar al punto a e (ecuaciones 5 ydistribucin 6). (ecuaciones 5 y 6). mediante una distribucin normal (ecuacin acuerdo distancia Dicho suavizamiento en esenciacon similar al uso de medias mvile ) (acuerdo ) (4) ( serie. de esla mediante una normal (ecuacin 7), con distancia al la punto estimar mediante una distribucin normal (ecuacin 7), de acuerdo con la distancia ala punto a estimar (ecuaciones 5 y 6). (ecuaciones 5 y 6). de cada punto dentro de la suavizacin son diferentes entre s. ) pesos ( ) ( los (4) (ecuaciones 5 y 6). 5 y 6). (ecuaciones (( )) ( ) ( ) ( ) (4) ( ) de (5) (( )) (5) regresin En el caso del suavizador la Kernel (ecuaciones 4-7), ( ) (5) , , , ( ) (5) ( ) ( ( ) ) ( ) , (4) ( ) ( ) ( ) ( ) (4) ( ) ) ( ) (4) ( mediante ) (distribucin (4) (ecuacin 7), de acuerdo con la ( ) normal (5) una , ( ) ( ) ( ) (ecuaciones 5 y 6). (5) , ( ) ( ( ) ) (5) , ( ) ( ) (( ) (6) ) ( (6) ( ) (6) ( ) ( ) (6) ( )( ) ( ) (5) , ( ) ) ( ) (5) ( ) (4) ( )) , ( ) ((5) ) ( () ) (5) , ,( (6) ( ) ( ) (6) ( ) (6) (( ))= = (7) (7) (7) )= ( ( ) ( ) (7) ( = ) (6) ( ) (6) (5) , ( ) ( ) (6) ) (6) ((7) ( ) )= ( En En este este caso caso ,, (( ) )describe describe la la funcin funcin no noparamtrica paramtrica que quese sea aproxima aproxima aala lafuncin funcingeneradora generadora de delos lo En este caso , ( ) describe la funcin no paramtrica queque se aproxima la funcin generadora de los ( ) = (7) En este caso, describe la funcin no paramtrica se aa lala funcin generadora En este caso, ( ) describe funcin no paramtrica que seaproxima aproxima funcin generadora de los datos datos en) el el punto punto = , , no ,( , , ,tomando tomando como como insumos insumos los los puntos puntos alrededor alrededor de .de . . los de los datos en tomando como insumos los puntos xde alrededor de datos en el punto | describe = la ,|| ,= tomando como insumos los puntos alrededor . . de En este caso ,el punto (en funcin paramtrica que se aproxima a la funcin generadora ) = como (7) datos en | ,= , , , tomando insumos los puntos alrededor de (7) ( )no =como = , la , funcin , tomando insumos puntos alrededor . ( de los datos encaso el punto En este , ( )| describe paramtrica que se aproxima a la funcin generadora (los ) de (6) = (7) ( ) = (7) Como Como se se puede puede observar observar en en las las ecuaciones ecuaciones 5 5 -7, 7, un un parmetro parmetro de de suma suma importancia importancia es es h h ,,) que que define el e Como se puede observar en las ecuaciones 5 7, un parmetro de suma importancia es h, que define el define ( ) = (7) Como se puede observar en las ecuaciones 5-7, un parmetro de suma importancia es h , que define el datos encaso el punto = , la , funcin , tomando insumos los puntos alrededor de generadora . En este , ( )| describe no como paramtrica que se aproxima a la funcin de los ancho ancho de de banda banda del del Kernel Kernel gaussiano. gaussiano. Al Al igual igual que que con con un un estimador estimador de dees medias medias mviles, mviles, si si se se toman toma 7 ancho de banda del Kernel gaussiano. Al igual que con un estimador de medias mviles, si se toman Como se puede observar en las ecuaciones 5-7, un parmetro de suma importancia h, que define el ancho de del Kernel gaussiano. Al igual que con un estimador de medias mviles, si se toman En este caso ,el ( banda )En describe la funcin no paramtrica que se aproxima a la funcin generadora de los este caso , ( ) describe la funcin no paramtrica que se aproxima a la funcin generadora datos en punto | = , , , tomando como insumos los puntos alrededor de . En este caso , datos ( ) Kernel describe la estimador funcin no paramtrica que aproxima afuncin la funcin de ms ms datos dentro dentro del del estimador (un (un h h que ms ms grande), grande), entonces entonces la la funcin estimada estimada ser ser ms ms suave. suave. En l En este caso ,estimador ( en) describe la funcin noentonces paramtrica que se de aproxima a la generadora funcin generadora deEn losla ms datos dentro del (un h ms grande), la funcin estimada ser ms suave. Enlos la ancho de banda del gaussiano. Al igual con un se estimador medias mviles, si se toman Como puede ecuaciones 57, un parmetro de suma importancia h, que define el datos dentro (un h ms grande), entonces la funcin estimada ser ms suave. En la datos enms el se punto |observar = del , estimador , ,las tomando como insumos los puntos alrededor de . es

En la seccin II, se presenta la definicin de cada patrn segn sus condiciones geomtricas, las estrategias a aplicar segn el patrn, y se describe la calibracin de los parmetros para las distintas series utilizadas. La aplicacin del algoritmo calibrado a las distintas series financieras, I. I.Estimadores Estimadores de de suavizamiento suavizamiento y yregresin regresin lineal lineal local local puede verse en la seccin I. Estimadores suavizamiento y regresin lineal local junto con losde resultados de la frecuencia de los patrones encontrados I. Estimadores de suavizamiento y regresin lineal local III. En la seccin IV se describe el mtodo de evaluacin de la rentabilidad de las distintas I. Estimadores de suavizamiento y regresin lineal local Un Un supuesto supuesto fundamental fundamental de deeste este trabajo trabajo es es el el plantea plantea miento de laserie serie de precios precios Pt Pt como como un un proceso proces estrategias y se muestran lostrabajo resultados de dicha evaluacin. En general, se de logran retornos Un supuesto fundamental de este es el plantea miento de miento la serie de la precios Pt como un proceso Un supuesto fundamental de este trabajo es el plantea miento de la serie de precios Pt como un proceso estadsticamente distintos de cero en todaslineal las series, I. Estimadores de suavizamiento y regresin local con una rentabilidad superior a la de la )) y y un un factor facto estocstico estocstico compuesto compuesto por por dos dos elementos elementos (ecuacin (ecuacin 3) :se : el el proceso proceso generador generador ((factor )( yun un estocstico compuesto por dos elementos (ecuacin 3) : el generador ( Un supuesto fundamental de estedos trabajo es el plantea miento de la 3) serie de precios Pt como proceso tasa libre de riesgo para todos los activos estudiados. Finalmente, presentan las conclusiones ) y un factor estocstico compuesto por elementos (ecuacin 3) : proceso el proceso generador I. Estimadores de suavizamiento y regresin lineal local en la seccin V. no estocstico estocstico no observable observable .. es el no observable ) yun un factor estocstico compuesto por (ecuacin 3): el generador Un supuesto fundamental de. dos este elementos trabajo planteamiento deproceso la serie de precios Pt (como proceso

Como se puede observar en las ecuaciones 5-7, un parmetro de suma importancia es h, que define el ancho de banda del Kernel gaussiano. Al igual que con un estimador de medias mviles, si se ms con datos dentro del estimador (un de h ms grande), entonces la funcin seccin II-A, se toman expondrn mayor detalle los mtodos calibracin de este parmetro, y por el estimada ser ms suave. En la seccin II-A, se expondrn con mayor detalle los mtodos de momento puede que est dado. calibracin de suponerse este parmetro, y por el momento puede suponerse que est dado.

Retomando lala estimacin proceso generador generador Retomando estimacindel del proceso

, es es necesario necesarioadvertir advertir sobre problema de ( ), sobre el el problema de sesgo de los extremos que afecta a la regresin Kernel. Este sesgo ocurre al inicio o al final sesgo de los extremos que afecta a la regresin Kernel. Este sesgo ocurre al inicio o al final de los de los datos, y se debe a que el punto a estimar se encuentra en un extremo, y por lo tanto la distribucin gaussiana de los datos es asimtrica. Esto es, en los extremos suficientes datos, y se debe a que el punto a estimar se encuentra en un extremo, y porno lo hay tanto la distribucin puntos a la izquierda o a la derecha del dato y el Kernel queda incompleto. Para el ltimo dato gaussiana de los datos es asimtrica. Estotomara es, en los extremos nola hay suficientes a la izquierda o por ejemplo, la regresin Kernel solo los pesos de distribucin a puntos la izquierda del a falta dedato datos se ubiquen a incompleto. la derecha del mismo (Figura 2). por ejemplo, la regresin a punto, la derecha del y que el Kernel queda Para el ltimo dato Kernel solo tomara los pesos de la distribucin a la izquierda del punto, a falta de datos que se ubiquen a la derecha del mismo (Figura 2).

Distancia

ltimo dato de la serie


ltimo dato de

Distancia

Figura 2. En el extremo derecho de la serie no hay observaciones a la izquierda del primer punto, la serie por lo que las observaciones de la izquierda toman un peso excesivo. Ilustracin realizada por el autor.
Figura 2. En el extremo derecho de la serie no hay observaciones a la izquierda del primer punto, por lo que las observaciones de la izquierda Es evidente que al normalizar los pesos, y debido a que el rea bajo la curva de K(x) es 1/2 y no toman un peso excesivo. Ilustracin realizada por el autor.

1, habr un peso excesivo en los datos a la izquierda del punto, y la estimacin ser sesgada, tal como se evidencia en la figura 3.

Es evidente que al normalizar los pesos, y debido a que el rea bajo la curva de K(x) es 1/2 y no 1, habr un peso excesivo en los datos a la izquierda del punto, y la estimacin ser sesgada, tal como se evidencia en la figura 3.

Pesos

Sin datos

Pesos

Sin datos

Figura 3. La serie punteada describe el proceso generador sin(x). Al aplicar un error estocstico a esta serie, se obtiene la nic la grfica. De esta forma, la lnea azul, slida y suave es el resultado de la regresin Kernel. Esta serie se desva del proces extremos. El sesgo es mucho menor al utilizar el mtodo de regresin lineal local (RLL), representado en la serie punteada.

Este sesgo de los extremos es particularmente problemtico para usar el mtodo de LM

Figura 3. La serie punteada describe el proceso generador sin(x). Al aplicar un error estocstico a esta real. Esto se debe a que al momento de realizar la aplicacin del mtodo a la ltima serie, se obtiene la nica serie no suave de la grfica. De esta forma, la lnea azul, slida y suave es el resultado de la regresin Kernel. Esta serie se desva del proceso generador en los extremos. El sesgo es disponible, la ausencia de datos a la derecha del ltimo punto generar un sesgo justo en la mucho menor al utilizar el mtodo de regresin lineal local (RLL), representado en la serie punteada.

de inters.

Este sesgo de los extremos es particularmente problemtico para usar el mtodo de LMW en tiempo real. Esto se debe que momento realizar este la aplicacin del mtodo a la ltima Con el a fin de al corregir este de problema, trabajo propone el mtodo de regresin lineal informacin disponible, la ausencia de datos a la derecha del ltimo punto generar un sesgo Como muestra la figura 3, el estimador de regresin lineal local (RLL) conserva toda justo en la observacin de bien inters.

Con el fin de corregir este problema, este trabajo propone el mtodo de regresin lineal local evidencia en un menor error de estimacin para observaciones ms all de la nmero 120 (RLL). Como bien muestra la figura 3, el estimador de regresin lineal local (RLL) conserva todas las virtudes de la regresin Kernel para en los datos intermedios, mientras que corrige el sesgo propuesto en resulta fundamental poder aplicar con xito el mtodo de identificacin de los extremos, lo que se evidencia en un menor error de estimacin para observaciones ms pues incluso con el usofundamental exclusivo depara informacin pasada (i.e. estimacin en el ltimo pun all de la nmero 120. Lo anterior resulta poder aplicar con xito el mtodo de identificacin propuesto en tiempo pues el incluso con el uso exclusivo de informacin se logra estimar conreal, precisin proceso subyacente que produce los datos. pasada (i.e. estimacin en el ltimo punto de la serie) se logra estimar con precisin el proceso subyacente que produce los datos.

de la regresin Kernel en los datos intermedios, mientras que corrige el sesgo de los extrem

La mecnica de este tipo de regresin, combina la ponderacin condicional a la di

regresin con el mtodo de mnimos condicional cuadrados ordinarios (Ecuacin 8). Esto e La mecnica de este tipo de Kernel, regresin, combina la ponderacin a la distancia de la regresin Kernel, con el mtodo de mnimos cuadrados ordinarios (Ecuacin 8). Esto es, se pesos de la regresin Kernel para ponderar los errores al cuadrado de una regresin lineal usan los pesos de la regresin Kernel para ponderar los errores al cuadrado de una regresin lineal en el punto a estimar . ( )( (9) ) (8)

El mtodo propuesto no solo ofrece la ventaja de corregir el sesgo de los extremos de la regresin Kernel, sino que adems los betas de las regresiones9pueden ser utilizados para estimar la pendiente de la funcin en cada punto, facilitando la estimacin de mximos y mnimos locales en las series

+ ( ) =

+ que Kernel, sino adems los betas de las regresiones pueden ser util ( ) = (9) Kernel, sino que adems los betas de las regresiones pueden ser utilizados para estimar la pendiente de de El mtodo propuesto no solo ofrece la ventaja de corregir el sesgo de los extremos de la Kernel, sino que adems los betas de las regresiones ser utilizados para estimar la regresin pendiente la funcin pueden en cada punto, facilita ndo la estimacin de mximos + los la funcin en cada punto, facilita ndo la estimacin de mximos yde mnimos locales series ( ) mximos = para (9) Kernel, sino que adems los betas de las regresiones pueden ser utilizados estimar la en pendiente de El mtodo propuesto nopunto, solo ofrece la ventaja de corregir el sesgo extremos de la las regresin la funcin en cada facilita ndo la estimacin de y mnimos locales en las series de positiv analizadas. De este modo, cuando el parmetro cambia cambia de positivo a negativo, se ha identificado un analizadas. De este modo, cuando el parmetro la funcin en cada punto, facilita ndo la estimacin de mximos y mnimos locales en las series Kernel, sino que adems los betas de las regresiones pueden ser utilizados para estimar la pendiente de positivo a negativo, se de ha identificado un analizadas. DeEl este modo,propuesto cuando el no parmetro cambia mtodo solo ofrece la ventaja de corregir el sesgo los de la re mximo local y de viceversa. Esta caracterstica es extremos de suma importa mximo local y viceversa. Esta caracterstica es de suma importancia para la identificacin de los cambia de positivo a negativo, se ha identificado un analizadas. De este modo, cuando el parmetro la funcin en cada punto, facilita ndo la estimacin de mximos y mnimos locales en las series mximo local Kernel, y viceversa. Esta caracterstica es de importancia para la identificacin de los sino que adems los betas de lassuma regresiones pueden ser utilizados para estimar la pend patrones geomtricos en trminos de extremos locales consecutivos. El mtodo propuesto no solo ofrece la ventaja de corregir el sesgo de los extremos de la regresin patrones geomtricos en trminos de extremos locales consecutivos. mximo local y viceversa. Esta caracterstica es de suma importancia para la identificacin de los analizadas. De este modo, cuando el parmetro cambia de positivo a negativo, se ha identificado un patrones geomtricos en trminos de extremos locales Kernel, sino que adems loscada betas de las regresiones ser utilizados para la locales en la la funcin en punto, facilita ndo consecutivos. la pueden estimacin de mximos y estimar mnimos pendiente la funcin en cada facilitando la estimacin de mximos yidentificacin mnimos locales B. Introduccin de la informacin de volumen al estimador patrones geomtricos en trminos de punto, extremos locales mximo local de y viceversa. Esta caracterstica es de consecutivos. suma importancia para la de los de suavi B. Introduccin de la informacin de volumen al estimador de suavizamiento cambia de positivo a negativo, se ha identifi analizadas. De este modo, cuando el parmetro en las series analizadas. De este modo, cuando el parmetro cambia de positivo a negativo, B. Introduccin de la informacin de volumen al estimador de suavizamiento patrones geomtricos de extremos locales consecutivos. se ha identificado en un trminos mximo local y viceversa. Esta caracterstica es de suma importancia para introdu cir informacin volumen apara la regresin lineal l local yde viceversa. Esta caracterstica es de sumade importancia la identificacin B. Introduccin demximo la informacin volumenPara al estimador dela suavizamiento laintrodu identificacin de los patrones geomtricos en trminos de extremos localesredefinirse consecutivos. Para cir la de volumen a laa regresin lineal local, pueden los los pesos Para introdu cir informacin la informacin de volumen la regresin lineal local, pueden redefinirse pesos obtenidos del de Kernel Gaussiano. Como primera medida, se estable geomtricos en trminos de extremos locales consecutivos. B. Introduccin depatrones la informacin de volumen al estimador suavizamiento obtenidos del Kernel Gaussiano. Como primera medida, se establece como elredefinirse vector quelos contiene Para introdu cir la informacin de volumen a la regresin lineal local, pueden pesos obtenidos del Kernel primera medida, sede establece como el vector que contiene B. Introduccin de la Gaussiano. informacinComo de volumen estimador estos al pesos. Es decir : suavizamiento estos pesos. Es decir :Introduccin de la informacin de volumen al estimador de suavizamiento obtenidos del Kernel Gaussiano. Como primera se lineal establece pueden como elredefinirse vector quelos contiene Para introdu cir laB. informacin de volumen a lamedida, regresin local, pesos estos pesos. Es decir : Para introducir la informacin de volumen a la regresin lineal local, pueden redefinirse los ( ) estos pesos. EsKernel decir: Gaussiano. Como primera medida, se establece como el vector que obtenidos del contiene ( ) ( lo ) pesos obtenidos del Kernel Gaussiano. Como medida, se establece como el vector ( ) primera Para introdu cir la informacin de volumen a la regresin lineal local, pueden redefinirse ( ) , ( ) ( ) ( ) ( ) ( ) , que contiene estos pesos. Es decir: estos pesos. Es decir: ( , ) ( ) ( ) ( ) obtenidos del Kernel Gaussiano. Como medida, se establece como el vector que c )) (primera ( ( , ) ( ) ( ) estos pesos. Es decir: ( ( ) ) ( ) ( , ) ( ) ( ) ( ) ( ) ( ) ( ) ( ) ( ) ( ) , ( ) ( ) ) ) ) ( ( ) ( () ( ( ) ( ( ) ( ) ( ) ( ) )

( ) = ( ) ( ) ( ) ( ) ( () ( ) =) = ( ) ( ) = ( ) Luego, se define como el vector que contiene los volmenes a Luego, se defin e e como el vector que contiene los los volmenes por por cada precio en el (que )= ( ) alcanzados Luego, como como el vector vector contiene volmenes alcanzados cada precio Luego, se se defin define el que contiene los volmenes alcanzados por cada precio x en el tiempo . De esta forma: en el tforma: . De esta forma: tiempo se . tiempo De Luego, defin como tiempo . esta Deeesta forma:el vector que contiene los volmenes alcanzados por cada precio en el ( ) = ( ) )= ( el ) ( 3) ( precio Luego, se defin e forma: como el vector que contiene los volmenes alcanzados por cada en tiempo . De esta ( ) ( ) = ( 3) ( )= ( ) ( 3) tiempo . De esta forma: Luego, se define como el vector los vectores volmenes cada precio Si tiene ambos son de alcanzados n filas y 1 por columna, enton ( ) ( que )que =se ( contiene 3) Si se tiene que ambos son vectores de n filas y 1 columna, entonces es posible realizar la siguiente Si ambos vectores de ntransformacin: filas yy 1 columna, entonces eses posible realizar la la siguiente Si se se tiene tiene que que ambos son vectores de n filas entonces posible realizar tiempo .son De esta forma: ( 1 )columna, ( ) = ( 3) siguiente transformacin: transformacin: Si se tiene que ambos son vectores de n filas y 1 columna, entonces es posible realizar la siguiente transformacin:

)= (es ) ( entonces ( 3) realizar la siguiente transformacin: Si se tiene que ambos son vectores de n filas y 1 columna, posible ( ) ( ) 10 10 ( ) = ( 4) transformacin: de n filas y 1 columna, entonces es posible realizar Si se tiene que ambos son vectores la s transformacin:
10 10

Este nuevo vector de pesos es el que se utiliza en las ecuaciones de regresin lineal local.

( 5)

Este nuevo vector de pesos es el que se utiliza en las ecuaciones de regresin lineal local.

II. Eleccin de los parmetros y definicin de las caractersticas geomtricas de los patrones
10

A. Ancho de Banda del suavizador

Este nuevo vector de pesos es el que se utiliza en las ecuaciones de regresin lineal local. II. Eleccin de los parmetros y definicin de las caractersticas geomtricas de los II. Eleccin de los patrones parmetros y definicin de las caractersticas geomtricas de los patrones
A. Ancho de Banda del suavizador A. Ancho de Banda del suavizador En LMW autores eligen un ancho de banda basados en el mtodo de validacin cruzada. En LMW los los autores eligen un ancho de banda basados en el mtodo de validacin cruzada.

( 5)

() =

( 6)

El mtodo de validacin cruzada consiste en minimizar la funcin de error cuadrtico medio (Ecuacin El mtodo de validacin cruzada consiste en minimizar la funcin de error cuadrtico medio
(Ecuacin 16) con base algoritmo. en el siguiente algoritmo. 16) con base en el siguiente Primero estimar. Primerose se omite omite la la observacin observacin a a estimar.

( 7)

Luego, se usa el resto de la muestra para estimar dicha observacin (Ecuacin 17)

Luego, se usa el resto de la muestra para estimar dicha observacin (Ecuacin 17)

Los pasos 1 y 2 se realizan T veces.

Los pasos 1 y 2 elige se realizan T veces. Finalmente, se el ancho de banda que minimiza la funcin de error cuadrtico medio

Los autores afirman que el ancho de banda que obtuvieron mediante este mtodo suavizaba demasiado
Los autores afirman que el ancho de banda este mtodo suavizaba la serie, por lo que decidieron multiplicarlo porque 0.3,obtuvieron con base mediante en las apreciaciones de expertos del

(Ecuacin 18). Finalmente, se elige el ancho de banda h que minimiza la funcin de error cuadrtico medio (Ecuacin 18).

mercado. de expertos del mercado.

demasiado la serie, por lo que decidieron multiplicarlo por 0.3, con base en las apreciaciones

Para el estudio de USDCOP realizado en este trabajo, el ancho de banda obtenido mediante este mtodo resultaba demasiado angosto, de forma que tena que multiplicarse por un nmero 11 mayor a uno para obtener la suavizacin deseada. A.1. Propuesta alternativa para la eleccin del ancho de banda Lo anterior, muestra que el mtodo de eleccin de banda propuesto por LMW es imperfecto, por lo que en este trabajo se propone una opcin mucho ms estable y que tiene la ventaja de ser menos exigente computacionalmente. Sin embargo, debido a que el mtodo propuesto

11

Lo anterior, Lo anterior, muestra muestra que el que mtodo el mtodo de eleccin de eleccin de banda de banda propuesto propuesto por LMW por LMW es imperfecto, es imperfecto, por lo por que lo que computacionalmente. embargo, debido a que elms mtodo est diseado originalmente para en este setrabajo propone una opcin mucho ms estable y propuesto que la ventaja de ser exige nte exige en trabajo este en trabajo este seSin propone se propone una opcin una opcin mucho mucho ms estable estable y tiene que y tiene que tiene la ventaja la ventaja demenos ser demenos ser menos exige nte nte computacionalmente. embargo, debido a que mtodo propuesto est para diseado originalmente para para para datos proveniente deSin una distribucin normal, lo no es propuesto el caso las diseado series deoriginalmente retornos computacionalmente. computacionalmente. Sin embargo, Sin embargo, debido debido a el que aque el que mtodo el mtodo propuesto est diseado est originalmente financieros, anproveniente es de necesario unnormal, parmetro de deel banda para obtener suavizacin datos proveniente una distribucin lo que no caso para las para series de retornos datos datos proveniente de una deutilizar una distribucin distribucin normal, normal, loajuste que lo es que no es no el escaso el caso para las la series las series de retornos de retornos

financieros, an an es necesario utilizar un parmetro de ajuste deajuste banda para obtener la suavizacin deseada. financieros, financieros, an es necesario es necesario utilizar utilizar un parmetro un parmetro de ajuste de de banda de banda para para obtener obtener suavizacin la suavizacin est diseado originalmente para datos proveniente de una distribucin normal, lo que nola es el deseada. caso para las series de retornos financieros, an es necesario utilizar un parmetro de ajuste deseada. deseada. En su libro de 1997, Bowman y Azzalinideseada. proponen varios mtodos para construir un estimador no de banda para obtener la suavizacin En su de 1997, Bowman y Azzalini proponen varios mtodos para construir un estimador no no no paramtrico funcin de densidad deyuna muestra de datos con base en la minimizacin Enlibro su Enlibro su la libro de 1997, de 1997, Bowman Bowman y Azzalini Azzalini proponen proponen varios varios mtodos mtodos para para construir construir un del estimador un error estimador En su libro de 1997, Bowman y Azzalini proponen varios mtodos para construir un estimador cuadr tico medio integrado (ECMI), que se define paramtrico de lade funcin densidad de una datos con base en la minimizacin del error paramtrico paramtrico lade funcin lade funcin de densidad de densidad de muestra una decomo: muestra una de muestra de datos de datos con base con base en laen minimizacin la minimizacin del error del error
no paramtrico de la funcin de densidad de una muestra de datos con base en la minimizacin del error cuadrtico medio integrado que se define como: cuadr tico medio integrado (ECMI), que (ECMI), se define como:

( ) ( () = ()]8) = [ ( [) ()] )( ( ()]8)( 8) () () =[ Donde ( ) corresponde a la funcin de densidad a estimar y ( ) es la estimacin no paramtrica de
esta integral permite a los autores definir un ancho de banda ptimo, que depende positivamente

cuadr cuadr ticotico medio medio integrado integrado (ECMI), (ECMI), que se que define se define como: como: () = [ ( ) ( )] ( 8)

( versin (Donde ) corresponde Donde a de la funcin densidad a estimar yestimar estimacin node paramtrica de de de dicha funcin, banda de .funcin La minimizacin de una aproximada esta integral es es ( con ) corresponde ( ancho ) corresponde (y la ) ( ) es Donde a lala funcin a funcin la de densidad de densidad a estimar y) la estimacin la estimacin no paramtrica no paramtrica Donde corresponde a de densidad a aestimar y es la estimacin no paramtrica de dicha funcin, con ancho de banda . La minimizacin de una versin aproximada de de dicha funcin, con ancho de banda . La de depende una esta integral permite adicha los autores definir un ancho de banda que de de la dispersin dicha funcin, funcin, con ancho con ancho de banda de banda .minimizacin La .ptimo, minimizacin La minimizacin de versin una depositivamente versin unaaproximada versin aproximada aproximada de esta de esta integral integral funcin de densidad normal genera la genera siguiente expresin: funcin funcin de densidad de densidad normal normal genera la siguiente la siguiente expresin: expresin: 4 = ( ) ( 9) 3 4 4 4 ) ( 9) =( = ( =) ( ) ( 9)( 9) 3 3 funcin 3 Donde corresponde a la desviacin estndar de la de densidad. Ahora bien, el supuesto de Donde corresponde a la desviacin estndar de la funcin de densidad. Ahora bien, el supuesto

los datos, ya negativamente del tamao de labanda muestra. La evaluacin de la formula ptima para la de de permite apermite los autores definir un ancho de ancho banda ptimo, que depende positivamente de la dispersin de de la dispersin de los datos, y negativamente del tamao de la muestra. La evaluacin de la dispersin permite losaautores los autores definir definir un ancho un de de banda ptimo, ptimo, que depende que depende positivamente positivamente de lade dispersin la formula ptima para la funcin de densidad normal genera la siguiente los datos, y negativamente del tamao la muestra. La evaluacin de expresin: la formula para la para funcin densidad normal genera la tamao siguiente expresin: los de datos, los datos, y negativamente y negativamente del del de tamao de la de muestra. la muestra. La evaluacin La evaluacin de la de formula la ptima formula ptima ptima para la la

que la funcin de densidad es normal, implica que el obtenido valor obtenido h* ser superior ancho Donde corresponde a la desviacin estndar de la funcin densidad. Ahora bien, el al supuesto de de de que de la funcin de densidad es implica que el valor ser superior al bien, ancho de banda Donde Donde corresponde corresponde a lanormal, a desviacin la desviacin estndar estndar de lade funcin la de funcin dedensidad. de densidad. Ahora Ahora bien, el supuesto el supuesto de banda ptimo para una funcin que no sigue la distribucin normal , lo que es de esperarse que en la funcin de densidad es normal, que el valor obtenido ser al ancho de banda ptimo para una funcin no sigue laimplica distribucin normal , lo obtenido que es de enancho las series superior las series financieras. que la que funcin la funcin de densidad de que densidad es normal, esimplica normal, implica que el que valor el valor obtenido ser esperarse ser superior superior al al ancho de banda de banda

ptimo para unapara funcin que no la distribucin normal , lo que de esperarse en las financieras. ptimo ptimo para una una funcin funcin quesigue no quesigue no sigue la distribucin la distribucin normal normal , lo es que , lo es que de esesperarse de esperarse en series las en series las series Este sesgo al alza est asociado al hecho de que la funcin de densidad normal es una de financieras. financieras. financieras. funciones densidad suaves. Esto hecho de que en este documento se Estelas sesgo al alza de est asociadoms al hecho de que laexplica funcinel de densidad normal es una de las funciones
mantiene la opcin de un parmetro de calibracin para la banda ptima, lo cual se discute

Ahora bien,de con el fin de acomodar distribuciones con colas gruesas yla con posibles outliers , Bowman12 y parmetro parautilizan la banda ptima , lo cual se discute en prxima Bowman ycalibracin Azzalini (1997) estimado robusto de discute en lugar de la desviacin estndar parmetro parmetro de dede calibracin para para la un banda la banda ptima ptima , lo cual , lo cual se se discute en la en prxima la seccin. prxima seccin. seccin. Ahora bien, con el calibracin fin acomodar distribuciones con colas gruesas y con posibles outliers , Bowman y de la(1997) muestra: Azzalini utilizan un estimado robusto de en lugar de la desviacin estndar de la muestra: 12 12 12 Azzalini (1997) utilizan un estimado robusto de en lugar de la desviacin estndar de la muestra: = = (| (| 6745 6745 ( )|) ( )|) ( ( ) ) ( ( ) )

Este sesgo alms alza est al hecho de que la funcin de densidad normal es una las funciones de densidad Esto explica hecho de que en este documento senormal mantiene laes opcin de unfunciones en la Este prxima seccin. Este sesgo sesgo alsuaves. alza al asociado alza est asociado est asociado alel hecho al hecho de que de la que funcin la funcin de densidad de densidad normal es de una de una las de funciones las parmetro de calibracin para la banda ptima , lo cual se discute la prxima seccin. de densidad ms suaves. Esto explica elexplica hecho de que este documento se mantiene la opcin de un de densidad de densidad ms ms suaves. suaves. Esto Esto explica el hecho el hecho de en que de en que este enen este documento documento se mantiene se mantiene la opcin la opcin de un de un
Ahora bien, con el fin de acomodar distribuciones con colas gruesas y con posibles outliers,

Al combinar este estimado con la ecuacin 21 se obtiene: Al combinar estimado con la ecuacin 21 se obtiene: Al combinar esteeste estimado con la ecuacin 21 se obtiene : = = (| (| 6745 6745

Donde Donde

es la variable independiente y es la variable independiente y

es el tamao de la muestra. es el tamao de la muestra.

( )|) 4 ( )|) ( 4 ) (3 ) 3

12obedece a un proceso de optimizacin, sino que es De este modo, la eleccin del ancho de banda no De este modo, la eleccin del ancho de banda no obedece a un proceso de optimizacin, sino que es obtenida de forma a priori para cada submuestra de datos. Lo anterior resulta ventajoso para

Donde x es la variable independiente y n es el tamao de la muestra. De este modo, la eleccin del ancho de banda no obedece a un proceso de optimizacin, sino que es obtenida de forma a priori para cada submuestra de datos. Lo anterior resulta ventajoso para incrementar la velocidad del algoritmo, pues en lugar de dos procesos de optimizacin para cada submuestra de las series de precios una para la banda por el mtodo de validacin cruzada y otra para la estimacin de los betas por M.C.O se realiza solamente una (la estimacin de los betas por M.C.O). B. Parmetros de Calibracin Antes de continuar, cabe sealar que algunos de los parmetros de esta tcnica no pueden derivarse tericamente. Por un lado, la suavizacin de la serie mediante el mtodo de validacin cruzada, o usando la banda propuesta por Bowman y Azzalini (1997), puede resultar inadecuada para la serie. Hay que tener en cuenta que en el trabajo original, los autores deciden usar una banda mucho ms estrecha, resultado de multiplicar su banda ptima por 0.3. Es as como en adelante, el parmetro que multiplica a la banda ptima ser llamado parmetro de ajuste de banda. Por otro lado, debe definirse el parmetro de calibracin . Este parmetro especifica qu tan cerca deben estar dos puntos entre s para considerarse similares, y se llamar parmetro de similitud.

H1

H2

Figura 4. Patrn de Cabeza y Hombros. Realizado por el autor.

Por ejemplo, para que la figura 4 sea considerada como un patrn de cabeza y hombros, los puntos H1 y H2 deben ser similares entre s. Dentro del algoritmo, el parmetro de calibracin establece qu se requiere para que dos puntos sean similares. Si este parmetro es igual a 1.5%, entonces H1 y H2 no pueden estar separados ms de 1.5% de su media.

13

La eleccin de este parmetro se encuentra sujeta a las condiciones particulares de cada mercado. Para la serie de acciones en dlares usada por LMW, una banda de 1.5% en una accin que transaba en promedio a un precio de US$30 implica un margen de cerca de 45 centavos. Pero si se aplicara una banda de 1.5% para dlar/peso, que hoy transa a un promedio de $1,800, se observara que dicha banda es de $27. Este es el nivel que puede alcanzar la tasa de cambio en varias jornadas de negociacin, y dista bastante de ser un movimiento normal en la tasa. Esto indica que en las series analizadas en este trabajo, un parmetro de similitud de 1.5% resulta demasiado amplio, y debe ajustarse antes de aplicar el algoritmo propuesto en este trabajo. Como un primer acercamiento, se puede definir este parmetro de similitud a partir de la volatilidad promedio diaria observada para cada activo. C. Definicin de los patrones en trminos de sus caractersticas geomtricas y estrategias asociadas Las siguientes definiciones se basan en el trabajo de LMW y comprenden cinco patrones tcnicos con sus respectivos inversos. Las caractersticas de los patrones inversos se muestran en parntesis. Cabe notar que para realizar la estrategia se utiliz una versin de la teora del escalador descrita por Juan Fernando Recio1. Segn esta teora, al tomar una posicin larga, y en base a unos niveles de referencia, se pueden ir moviendo los niveles de stop loss a medida que el activo supera dichos niveles. Por ejemplo, suponga que existen los niveles de referencia de $1, $2 y $3 para la accin ABC, obtenidos a partir de un estudio tcnico y fundamental de este activo. Despus de algn tiempo, surge la oportunidad de realizar una compra por un precio de $2, de forma que el nivel de stop loss se ubica en 1$. Si en algn momento posterior la accin alcanzara el nivel de $3, no es prudente liquidar la posicin de una vez, pues se podran perder ganancias adicionales. En este caso, el stop loss se mueve al nivel de $2, y se realiza un nuevo estudio con el fin de determinar hasta donde puede llegar la accin ABC. Para este trabajo, los niveles de referencia son los extremos locales encontrados por el algoritmo. Sin embargo, la teora del escalador se aplica de forma ms estricta. El stop loss se define como el lmite inferior de la banda generada por el parmetro de similitud, aplicado al nivel de compra (e.g. $10 abajo del nivel de compra para el caso de USDCOP). Por su parte, los niveles de entrada y salida se describen con mayor detalle en las siguientes definiciones.

Recio describi esta modalidad en un seminario tomado por el autor durante 2012.

14

Definicin 1: Patrn de Cabeza y Hombros (Patrn de Cabeza y Hombros Invertido)

E3

E2

E4

E1

E5 E1 E5

E2

E4 CyH

E3 C y H (Inv.)

Figura 5. Patrn de Cabeza y Hombros. Realizado por el autor.

Se constituye como la serie de cinco extremos locales consecutivos [E1, E2,, E5] tales que: 1. E3 es un mximo (mnimo). 2. E3 > E1 y E3 > E5 (E3< E1 y E3 < E5). 3. E1, E5 > E2, E4 (E1, E5 < E2, E4). 4. E1 y E5 se encuentran en una banda de % de su promedio. 5. E2 y E4 se encuentran en una banda de % de su promedio. Estrategia: Edwards y Magee (1966), describen el patrn de cabeza y hombros como una seal de cambio o pausa en la tendencia. De esta forma, un patrn de cabeza y hombros sugiere que la tendencia al alza est por terminar, si bien podra estar consolidndose antes de que los precios continen subiendo. De esta forma, se toman niveles de compra a partir del cuello (E1 y E5), y los niveles de salida van cambiando segn se alcanzan los hombros (E2 y E4) y la cabeza del patrn (E3). Para el patrn invertido, se toman niveles de compra por encima de la cabeza (E3), y los niveles de salida van cambiando segn se alcanzan los hombros (E1 y E5) y el cuello (E2 y E4) del patrn.

15

Definicin 2: Ampliamiento desde arriba (Ampliamiento desde abajo)


E4 E2 E5 E3 E1 E1 E3 E5 E2 E4 Ampliamiento desde arriba Ampliamiento desde abajo

Figura 6. Ampliamiento desde arriba y abajo. Realizado por el autor.

Se constituye como la serie de cinco extremos locales [E1, E2,, E5] tales que: 1. E1 es un mximo (mnimo). 2. E1< E3 < E5 (E1 > E3 > E5) 3. E2 > E4 (E2 < E4) Estrategia: El patrn de ampliamiento seala un aumento de la volatilidad, por lo que podra ser til para abrir posiciones de cubrimiento en opciones. Esto quiere decir que la identificacin de un periodo ms voltil, puede ser til para ir un paso adelante de incremento en los precios de las opciones, cuya valoracin depende positivamente de la volatilidad esperada. Edwards y Magee (1966), sugieren que el incremento en la volatilidad siempre es una seal negativa, que debe responderse con una liquidacin de las posiciones, en medio de la expectativa de una prdida de valor en el subyacente. Por esta razn, el algoritmo de evaluacin decide no abrir una posicin cuando se detecta un ampliamiento.

16

Definicin 3: Tringulo desde arriba (Tringulo desde abajo)


E1 E3 E5 E2 E4 E4 E2 E3 E1 Tringulo desde arriba Tringulo desde abajo E5

Figura 7. Tringulo desde arriba y abajo. Realizado por el autor.

Se constituye como la serie de cinco extremos locales [E1, E2,, E5] tales que: 1. E1 es un mximo (mnimo). 2. E1 > E3 > E5 (E1 < E3 < E5) 3. E2 < E4 (E2 > E4) Estrategia: El patrn de Tringulo seala una reduccin de la volatilidad, por lo que podra ser til para tomar posiciones cortas en opciones. Edwards y Magee (1966), definen los tringulos como periodos de indecisin en el mercado. De esta forma, es difcil saber si el movimiento de escape del tringulo ser hacia arriba o hacia abajo. En cualquiera de los casos, Edwards y Magee (1966), argumentan que el rompimiento de la tendencia suele determinar la direccin de los precios en el futuro. Es decir, si el tringulo se rompe hacia arriba significa que el mercado ha decidido tomar una tendencia al alza.

17

Definicin 4: Rectngulo desde arriba (Rectngulo desde abajo)

E1

E3

E5

E2

E4

E2

E4

E1

E3

E5

Rectngulo desde arriba

Rectngulo desde abajo

Figura 8. Rectngulo desde arriba y abajo. Realizado por el autor.

Se constituye como la serie de cinco extremos locales [E1, E2,, E5] tales que: 1. E1 es un mximo (mnimo). 2. E1, E3 y E5 se encuentran en una banda de 0.5*x% de su promedio2 (E2 y E4 se encuentran en una banda de 0.5*x% de su promedio)

3. E2 y E4 se encuentran en una banda de 0.5*x% de su promedio (E1, E3 y E5 se encuentran en una banda de 0.5*x% de su promedio)

4. Min[E1,E3,E5]> Max[E2,E4] (Min[E2,E4]> Max[E1,E2,E5] Estrategia: Una tendencia lateral enmarcada en un canal recto, seala oportunidades de compra en niveles similares a los mnimos y tomas de utilidades en niveles similares a los mximos locales. De nuevo, el stop loss se va moviendo segn se alcanzan niveles superiores a los mximos locales.

En el trabajo original la banda es de 0.75%.

18

Definicin 5: Doble Techo (Doble piso)


E1 Ea

E1 Doble techo Doble piso

Ea

Figura 9. Doble techo y doble piso. Realizado por el autor.

Se constituye como la pareja de extremos locales tales que: 1. E1 es un mximo (mnimo). 2. Ea es un mximo (mnimo) que ocurre despus que E1. 2. E1 y Ea se encuentran en una banda de x% de su promedio 3. Ta T1 > 22 Estrategia: Un doble techo indica una importante resistencia, por lo que niveles similares a los mximos indican una seal de venta. De forma anloga, un doble piso genera oportunidades de compra en niveles similares a los mnimos identificados. As mismo, Ti indica el tiempo en el que ocurre el extremo local. Segn Edwards y Magee (1966), para que una realizacin pueda ser llamada doble techo (doble piso), deben haber pasado al menos 22 das entre la ocurrencia de los extremos locales.

19

III.

Aplicacin y resultados

A. Datos Con el fin de generar el mayor alcance posible para este trabajo, se estudian los mtodos propuestos en este trabajo para dos series de tasa de cambio, una serie de acciones y dos series de renta fija. Todas las series descritas poseen una periodicidad diaria, y son obtenidas de la plataforma Bloomberg. Estos activos representan la mayor parte de las negociaciones en el mercado colombiano, en especial si se tiene en cuenta que los productos derivados tienen una historia relativamente corta. Para la evaluacin sobre tasas de cambio, se utiliza la tasa de cambio diaria USDCOP, en dos variantes. La primera incluye el periodo entre octubre de 1994 y marzo de 2007, sin tener en cuenta la informacin de volumen debido a la ausencia de datos para este periodo. Por esta razn, no es posible realizar la ponderacin por volumen descrita en la seccin I.B. La segunda variante comprende el periodo entre abril de 2007 y octubre de 2012. Cabe resaltar que para esta serie existe informacin sobre el volumen negociado, por lo que se aplica la tcnica tal como se propone en la seccin I.B. En la aplicacin a acciones se utiliza la accin de Ecopetrol, que se destaca por su alta liquidez en el mercado colombiano. Esta serie diaria tambin incluye informacin de volumen para el periodo de estudio (noviembre de 2007 a octubre de 2012). Finalmente, se utilizan dos series diarias de tasas de inters de los bonos ms lquidos en deuda pblica en COP, adems de sus respectivas series de volumen negociado. El primer bono es el TES con vencimiento en julio de 2020, cuya serie incluye el periodo desde abril de 2007 hasta octubre de 2012. El segundo es el TES con vencimiento en julio de 2024, y cuya serie empieza en marzo de 2009 y termina en octubre de 2012. Las ltimas dos series diarias tienen la particularidad de que por ser tasas de inters en lugar de precios, se usan versiones opuestas de las estrategias para evaluar la rentabilidad. La razn por la cual se usan las tasas de inters de los bonos en lugar de los precios, es porque esta es la forma en la que se realizan las negociaciones en el mercado, por lo que una aplicacin de este mtodo en una mesa de dinero generar lecturas ms fciles de interpretar para los traders. Cabe destacar que ninguno de los parmetros del modelo depende de la periodicidad de las series, por lo que en principio, pueden usarse datos con diferente periodicidad para el estudio de patrones tcnicos en diferentes periodos de tiempo. Una serie semanal por ejemplo, podra usarse para el estudio de patrones de mayor duracin. Esto contribuye a la nocin de que este mtodo es sumamente verstil. Finalmente, las estadsticas descriptivas de las series utilizadas se presentan en el siguiente cuadro, incluyendo informacin sobre las bandas promedio de cada serie.

20

Activo Tipo Conteo Mnimo DlarNoVol Serie 2,779 976.00 Serie 1,314 1,657.00 DlarVol Volumen 1,314 68,748.00 Serie 1,189 1,575.00 Ecopetrol Volumen 1,189 1,073,060.00 Serie 1,274 5.90 Tes20 Volumen 1,274 500.00 Serie 843 6.12 Tes24 Volumen 843 500.00

Mximo 2,970.00 2,609.98 1,734,770.00 5,850.00 87,102,769.00 13.78 1,906,500.00 10.00 1,442,000.00

Media 2,028.22 1,951.42 965,884.74 3,282.35 11,619,060.39 8.94 428,640.15 8.04 293,241.99

D. Estndar Banda 1.5% Banda 1.0% Banda 0.5% 601.90 30.42 20.28 10.14 181.14 29.27 19.51 9.76 249,178.07 1,085.67 49.24 32.82 16.41 9,389,658.85 1.74 0.13 0.09 0.04 350,652.82 0.86 0.12 0.08 0.04 326,621.42 -

Cuadro III.1. Estadsticas descriptivas de las series analizadas. Fuente: Bloomberg.

B. Aplicacin B.1 Parmetro de ajuste de banda Teniendo en cuenta que el mtodo de eleccin de banda basado en el trabajo de Bowman y Azzalini (1997) sobreestima el h* para series que no son normales, se utiliza un parmetro de ajuste de banda de 0.2, para reducir el suavizamiento obtenido al usar solamente . Este parmetro es comparable con el elegido por LMW de 0.3, y fue elegido de tal forma que la suavizacin de las series fuera similar a la observada en LMW. De nuevo, la ventaja de usar el parmetro propuesto por Bowman y Azzalini (1997) es que se evita realizar la optimizacin asociada al mtodo de validacin cruzada, generando una mayor velocidad de cmputo en el algoritmo. Debido a que el parmetro de Bowman y Azzalini (1997) est diseado para la distribucin normal (una de las distribuciones ms suaves en estadstica), la aplicacin a series que no son normales, genera un suavizamiento mayor al adecuado para dicha serie, lo que explica el hecho de que se mantenga un parmetro de ajuste de banda. Esto indica que los mtodos para la eleccin del parmetro de ajuste de banda continan siendo imperfectos, y en la opinin del autor pueden mejorar notoriamente si se introducen algoritmos genticos para su clculo. B.2. Parmetro de similitud Por otro lado, la eleccin del parmetro de similitud obedeci a la observacin de las negociaciones del mercado local. En el cuadro III.1 pueden observarse las estadsticas descriptivas de las series estudiadas con sus respectivas bandas promedio. En la ltima columna por ejemplo, se observa que un parmetro de similitud de 0.5%, da como resultados bandas de $10 para la serie de USDCOP. Lo anterior, es consistente con lo que puede observarse en las negociaciones diarias en este mercado. Para los TES, se us un parmetro de similitud de 1.5%, teniendo en cuenta que al nivel de tasas estudiado, las variaciones sugeridas por una banda de 0.5% no resultaban consistentes con las variaciones de mercado. Finalmente, una forma de mejorar la eleccin de esta banda pueden basarse en el uso del Average True Range (Wilder, 1978), una medida que permite capturar los rangos en los que se mueven las series analizadas, y que sirven como referencias para separar movimientos normales de movimientos anormales en el mercado.

21

B.3 Patrones encontrados Luego de aplicar el mtodo propuesto a las distintas series de precios se encuentran varios hechos interesantes.
1940 1920 1900 1880 1860 1840 1820 1800 200 Ajuste Vol Sin ajuste Serie

205

210

215

220

225

230

235

240

Figura 10. USDCOP con y sin ajuste de volumen

Por un lado, una comparacin entre los resultados de USDCOP sin ajuste de volumen con los de la serie USDCOP con ajuste de volumen, muestran que introducir esta informacin en el algoritmo genera un mayor suavizamiento, lo que se evidencia al comparar la lnea azul con la lnea verde de la figura 5.
Tamao de Parmetro de Parmetro Patrones muestra ajuste de banda de similitud encontrados DlarNoVol 2,779 0.2 0.5% 89 DlarVol 1,314 0.2 0.5% 32 Ecopetrol 1,189 0.2 0.5% 27 Tes20 1,274 0.2 1.5% 49 Tes24 843 0.2 1.5% 41 Activo Ratio 3.20% 2.44% 2.27% 3.85% 4.86% Tiempo promedio de formacin de patrones (das) 11.50 11.69 6.33 10.43 9.96

Cuadro III.2. Estadsticas descriptivas de las series analizadas.

Esto implica una disminucin en la proporcin de patrones encontrados cuando se introduce la informacin de volumen a las series estudiadas, pues a mayor suavizamiento menor ser el nmero de extremos locales. La mayor exigencia del algoritmo a la serie implica que la reduccin de la frecuencia de aparicin de patrones, se ve compensada por una menor probabilidad de hallar falsos positivos (i.e. movimientos significativos donde existen movimientos puramente aleatorios). De este modo, mientras que para la serie de USDCOP sin informacin de volumen se halla una frecuencia de 3.20%, esta proporcin disminuye notoriamente para USDCOP con informacin de volumen y Ecopetrol.

22

Por su parte, los TES con vencimiento a 2020 y 2024 reconocen ms patrones en proporcin, si bien hay que tener en cuenta que la banda de similitud es ms amplia. En resumen, la aparicin de patrones en las series estudiadas posee una frecuencia de entre el 2.27% y el 4.86%. Ahora bien, si se tiene en cuenta que cada patrn necesita de entre 2 y 5 extremos consecutivos, y de entre 6 y 12 das para completarse en promedio, la frecuencia de los patrones se encuentra en el rango entre 4.52% y el 24.3% de las observaciones. Esto implica que aunque el mtodo no lograra reemplazar la funcin completa de un trader, contina siendo un candidato propicio para complementar otros tipos de estrategias en la categora de trading algortmico. En cuanto al estado de prdidas y ganancias surgen varias consideraciones de inters. En general, el algoritmo es eficiente para conservar el valor de la inversin en la mayora de los casos, como puede observarse en los diagramas de frecuencia relativa (figura 11).

23

Rentabilidad USDCOP sin volumen (diagrama de frecuencia relativa)


60%

Rentabilidad USDCOP con volumen (diagrama de frecuencia relativa)


45% 40% 35% 30% 25% 20% 15% 10% 5% 0% 39.47% 28.95%

Frecuencia relativa

40% 30% 20% 10% 0% 25.64%

Frecuencia relativa

50%

47.86%

15.38% 0.85% 7.69%


2.56%

13.16%
2.63%

5.26%

10.53%

-2.1%

-0.5%

Mayor

2.0%

0.0%

2.0%

4.0%

0.0%

-2.3%

-0.5%

4.0%

Rentabilidad

Rentabilidad

Rentabilidad TES Jul-20 (diagrama de frecuencias)


50% 45% 40% 35% 30% 25% 20% 15% 10% 5% 0%

Rentabilidad TES Jul-24 (diagrama de frecuencias)


45% 40% 35% 30% 25% 20% 15% 10% 5% 0% 40.74% 29.63%

45.57%
27.85% 13.92% 1.27%
Frecuencia relativa

Frecuencia relativa

7.59%

3.80%

3.70%

7.41%

11.11%

7.41%

-2.40%

-0.50%

2.00%

0.00%

4.00%

Mayor

-2.04%

-0.50%

0.00%

2.00%

4.00%

Rentabilidad

Rentabilidad

Rentabilidad Ecopetrol (diagrama de frecuencia relativa)


60%

Frecuencia relativa

50% 40% 30% 25.00%

50.00%

20%
10% 0%

16.67% 8.33%

0.00%
-2.65% -0.50%

0.00%

4.00%

Rentabilidad

Figura 11. Diagramas de frecuencia dela la rentabilidad rentabilidad de las operaciones Figura 11. Diagramas de frecuencia de de las operaciones

Sin embargo, para las series diferentes de USDCOP, el nmero de operaciones que generaron prdidas sube significativamente, lo que se evidencia en una mayor frecuencia de valores Sin embargo, para las series diferentes de USDCOP, el nmero de operaciones que generaron prdidas negativos para estos activos (grfico 11). Esto, aun cuando la activacin del stop loss para estos sube significativamente, lo que se fuera evidencia en una mayor frecuencia valoresreflejara negativos estos casos evit que el balance total negativo (ver cuadro IV.1). Lode anterior, elpara hecho de que parte de la mayor efectividad del AT en las series de tasa de cambio estara asociada a activos (grfico 11). Esto, aun cuando la activacin del stop loss para estos casos evit que el balance la ausencia de un modelo terico de corto plazo que genere ms opciones de decisin en este total fuera negativo (ver cuadro IV.1). Lo anterior, reflejara el hecho de que parte de la mayor mercado.

efectividad del AT en las series de tasa de cambio estara asociada a la ausencia de un modelo terico La ausencia de dicho modelo, implica que los negociadores en el mercado de tasa de cambio de corto plazo que genere ms opciones de estrategias decisin en sugeridas este mercado. son ms propensos a implementar las por el AT, lo que sugiere que aun cuando el AT es una herramienta vlida para obtener informacin del mercado, su efectividad La ausencia de dicho modelo, implica que los negociadores en el mercado de tasa de cambio son ms
24

Mayor

Mayor

Mayor

24

se incrementara a medida que ms agentes siguen sus principios. Lo anterior, genera un interrogante interesante para investigaciones futuras en este tema. B.4 Consideraciones sobre los costos de implementacin Previamente se discuti que la frecuencia con la que el algoritmo encuentra patrones no super el 25% de las observaciones. Esto implica que en un ao, se encontrara una posicin de entrada una vez cada dos semanas, en el mejor de los casos. Con base en esta baja frecuencia relativa, y en aras de simplificar el anlisis, se omiten los costos de transaccin y custodia del anlisis de rentabilidad, i.e., su introduccin no debera afectar de manera importante los resultados obtenidos. En todo caso, hay que reconocer que estos costos hacen parte de la implementacin de cualquier estrategia de inversin en una mesa de dinero, y que nunca sobran los esfuerzos para reducir este rubro. Adicionalmente, la proposicin de este algoritmo como una herramienta de soporte implica que el usuario debe tener algn grado de habilidad y experticia. Esto es un costo importante en trminos de capital humano, pero no es exclusivo de la implementacin de algoritmos. En general, el desarrollo del mercado de capitales local ha ido de la mano con una mayor demanda por personal capacitado. Esto implica que una vez se han incorporado personas ms hbiles y preparadas, el costo de implementar tcnicas algortmicas y estadsticas es marginal. De la misma manera, cualquier proceso computacional requiere de un hardware adecuado para llevarse a cabo. Esta fue la principal motivacin para reducir el nmero de optimizaciones de dos a una en el algoritmo propuesto, lo que reduce este costo de manera sustancial. En la opinin del autor, las exigencias computacionales del algoritmo no son mayores a las de procesos que ya se llevan a cabo en varias instituciones, tales como el modelo de Black-Litterman. Finalmente, con la omisin de los costos de transaccin queda implcito que las posiciones largas y cortas pueden tomarse sin distincin. As, cabe notar que la baja liquidez del mercado de ventas en corto trae consigo mayores costos de transaccin, inherentes a la estructura misma del mercado. IV. Obtencin de informacin del mercado y evaluacin de la rentabilidad

A. Prueba de diferencia estadstica segn distribucin de los datos en deciles En su trabajo original, LMW tienen como objetivo probar la hiptesis de que el AT es una herramienta vlida para obtener informacin del mercado. Por esta razn, los autores no disean un conjunto de estrategias para obtener rentabilidad, sino que establecen unas pruebas estadsticas para analizar la diferencia entre los retornos condicionados a la existencia de un patrn, frente a retornos obtenidos de manera aleatoria. Para este fin, LMW asumen que el patrn se reconoce 3 das despus de haber ocurrido. Luego de esto, se realiza una orden de compra el cuarto da, y una orden de venta en el quinto da.

25

manera aleatoria. ParaPara este este fin, fin, LMW asumen que que el patrn se reconoce 3 das despus de haber manera aleatoria. LMW asumen el patrn se reconoce 3 das despus de 3 haber manera aleatoria. Para este fin, LMW asumen que el patrn se reconoce das desp manera aleatoria. Para este fin, LMW asumen que el el patrn seda, reconoce 3 das haber ocurrido. Luego de esto, se realiza una una orden de compra cuarto y una orden dedespus venta ende el quinto ocurrido. Luego de ocurrido. esto, se realiza orden de compra el cuarto da, y una orden de venta en el quinto Luego de esto, se realiza una orden de compra el cuarto da, y una orden de vent ocurrido. da. da. Luego de esto, se realiza una orden de compra el cuarto da, y una orden de venta en el quinto da. da. TrasTras esto, los retornos aleatorios se organizan en deciles. De esta forma, se define: esto, los retornos aleatorios organizan en deciles. De esta forma, se define: Tras esto, los se retornos aleatorios se organizan en deciles. De esta forma, se define: esto, los retornos aleatorios se organizan en deciles. Deforma, esta forma, se define: TrasTras esto, los retornos aleatorios se organizan en deciles. De esta se define: ( ) ( ) ( ) ( ) Bajo la hiptesis nulanula de que los retornos son son independientes e idnticamente distribuidos (i.i.d), y que Bajo la hiptesis de que los retornos independientes e idnticamente distribuidos (i.i.d), y que Bajo la hiptesis nula de que los retornos son independientes e idnticamente distribuidos Bajo la hiptesis nula que los retornos son independientes e idnticamente distribuidos (i.i.d), y que la hiptesis nula de que los condicionales retornos son independientes e idnticamente distribuidos las Bajo distribuciones de de los retornos condicionales y no son idnticas, las distribuciones las distribuciones de retornos y condicionales nocondicionales condicionales las distribuciones las los distribuciones de los retornos yson no idnticas, condicionales son idnticas, las d (i.i.d), y que las distribuciones de los retornosycondicionales y no son condicionales son idnticas, las distribuciones de los retornos condicionales no condicionales idnticas, las distribuciones de y y el estadstico correspondiente de bondad de ajuste estn dados por las ecuaciones asintticas de asintticas el estadstico correspondiente de bondad de ajuste estn dados por las ecuaciones las distribuciones asintticas y el elestadstico estadstico correspondiente bondad ajuste Q dados por l correspondiente dede bondad de de ajuste estn asintticasde de y asintticas de y el estadstico correspondiente de bondad de ajuste estn dados por las ecuaciones estn dados por las ecuaciones 23 y 24: 23 y23 24y : 24: 23 y 24: 23 y 24: ( ( )) ( )) 3) ( ) )( , ( , ( ( )) ( 3) ) (( , 3) ( ( )) ( 3) ) ( , ( ( ( ) ) (( 4) ( 4) ( ) ( 4) ) ( 4)

Donde representa la acumulada de retornos (condicionados o y Donde representa la distribucin distribucin acumulada de los los retornos (condicionados o no no condicionados), condicionados), y Donde representa la la distribucin acumulada de los (condicionados o no condicionados), y Donde representa distribucin acumulada deretornos los retornos (condicionados o no se mediante emprica de acumulada : condicionados), y la se aproxima mediante funcin emprica de la distribucin acumulada: se aproxima aproxima mediante la funcin funcin emprica de la la distribucin distribucin acumulada : se aproxima mediante la funcin emprica de la distribucin acumulada : ), ( ( ( ) ) ( ) ( ( ), = ), = , =, ( ( 7) 7) ( 7)

Donde nmero de observaciones en el decil nmero de retornos condiciona dos dos Dondees eles el de observaciones en elobservaciones decil , es y j,ely es eles nmero total condiciona Donde es elnmero nmero de observaciones en el, y decil n eltotal nmero total retornos Donde es el nmero de en el decil , y de es retornos el de nmero total de retornos c condicionados a la existencia de patrones. Donde es el nmero de observaciones en el decil , y es el nmero total de retornos condicionados a la a existencia de patrones. la existencia de patrones. a la existencia de patrones. a la B. existencia de patrones. Test de Kolmogorov-Smirnov B. Test de Kolmogorov-Smirnov B. Test de Kolmogorov-Smirnov B. Test de Kolmogorov-Smirnov B. Test de Kolmogorov-Smirnov El test de Kolmogorov-Smirnov se realiza con el fin de probar que los retornos condicionados y El test de Kolmogorov -Smirnov se realiza con el fin probar que que los retornos condicionados y los El retornos test de Kolmogorov -Smirnov se realiza con el de fin probar los retornos condicionados y los los no condicionados provienen de distribuciones diferentes. resultados El test de Kolmogorov -Smirnov sede realiza con el En fin particular, de probar que los retornos condic que rechacen la hiptesis nula de que las distribuciones estadsticas de las dos muestras son estadsticamente equivalentes, soportan el argumento de que el AT es una herramienta vlida para El test de Kolmogorov Smirnov se realiza con el fin de probar que los retornos condicionados y los estadsticamente soportan el de que el AT esEn una herramienta vlida para retornos no condicionados provienen de argumento distribuciones diferentes. particular, resultados que que retornos no equivalentes, condicionados provienen de distribuciones diferentes. En particular, resultados estadsticamente equivalentes, soportan elargumento argumento de que el es una herramienta vlida para re retornos no condicionados provienen de diferentes. En particular, estadsticamente equivalentes, soportan el de que eldistribuciones ATAT es una herramienta vlida extraer informacin del mercado. De esta forma la estructura del test corresponde a: retornos no condicionados provienen de distribuciones diferentes. En particular, resultados que extraer informacin del mercado. De esta forma la distribuciones estructura del test corresponde a: las rechacen lainformacin hiptesis nula de que las distribuciones estadsticas de corresponde las dos muestras son son para extraer del mercado. Delas esta forma la estructura del corresponde test a:muestras rechacen lainformacin hiptesis nula que estadsticas de extraer del mercado. De esta forma lade estructura del test a:dos rechacen ladehiptesis nula que las distribuciones estadsticas de las dos m rechacen la hiptesis nula de que las distribuciones estadsticas de las dos muestras son = ( 26 26 = = ( 5) 5)( 5) 26 ( ( 6) 6) ( 6)

( ) representa la indicadora, que un de cuando la dentro del donde la funcin funcin indicadora, que toma toma un valor valor de uno uno la condicin condicin dentro del del donde ( ) representa la funcin indicadora, que toma un valor decuando uno cuando la condicin dentro donde representa parntesis se parntesis se cumple. cumple. parntesis se cumple.

Cabe resaltar que ara rea lizar esta prueba se los condicionado s no 26 Cabe Cabe resaltar que p p ara p rea lizar esta esta prueba se estandarizan estandarizan los retornos retornos condicionado s y y s noy no resaltar que ara realizar prueba se estandarizan los retornos condicionado condicionados, obteniendo un para observacin en diferentes muestras. Lo condicionados, obteniendo un z z-score score para cada cada observacin en las las diferentes muestras. Lo anterior, anterior, condicionados, obteniendo un z-score para cada observacin en las diferentes muestras. Lo anterior,

parntesis se (donde ) representa ladentro funcin que que toma un toma valor de valor uno cuando la condicin dentro del donde ( ) representa la indicadora, funcin indicadora, que un de uno cuando la condicin dentro (cumple. ) representa la funcin indicadora, toma un valor de uno cuando la condicin dentro del del donde valor de uno cuando la condicin del donde representa lafuncin funcin indicadora, indicadora,que quetoma tomaun un valorde de uno cuando condicin ) representa la valor uno cuando la la condicin dentro del donde parntesis se(cumple. parntesis se cumple. parntesis se cumple. Cabe resaltar que para rea lizar esta prueba se estandarizan los retornos condicionados y no dentro del parntesis se cumple. parntesis se cumple. condicionados, obteniendo unlizar z-score para cada observacin en las diferentes muestras. Lo anterior, Cabe resaltar que que para rea esta prueba se estandarizan los retornos condicionado s y s no Cabe resaltar que para rea lizar esta prueba se estandarizan los retornos condicionado y no Cabe resaltar ps ara rea esta prueba se estandarizan los retornos condicionado y s no ndarizan los retornos condicionado y nolizar Cabe resaltar que para realizar esta prueba se estandarizan los retornos condicionados y no mitiga el problema de que los financieros usados no sean La frecuencia de este z-score se no Cabe resaltar que p ara rea lizar esta prueba se estandarizan los retornos condicionado s obteniendo un datos z -score para cada observacin eni.i.d. las muestras. Lo anterior, condicionados, z -score para cada observacin en las diferentes muestras. Loyanterior, condicionados, obteniendo un zun -score para cada observacin en las diferentes muestras. Lo condicionados, obteniendo un z-score para cada observacin endiferentes las diferentes muestras. Lo anterior, cin en lascondicionados, diferentes muestras. Loobteniendo anterior,

( ) ( ), ), = ), = , = , ( ) , ( 7) ( ( ( ) ( 7)( 7) ( )indicadora, ), un valor (que toma = de uno , cuando ( la 7) condicin dentro del donde ( ) representa la funcin ( 7)

( la ( ), la distribucin se aproxima mediante funcin de ) emprica = , acumulada (: 7)

anterior, mitigade el problema de z que los para datos financieros usados no sean i.i.d. emprica La e acumula aproblema lo todas las para obtener lasean funcin de distribucin (est ) . se condicionados, obteniendo un -financieros score cada observacin las diferentes muestras. Lo anterior, mitiga elmitiga de que los datos usados no i.i.d. La frecuencia de frecuencia est e est zde -score el deobservaciones que los datos financieros usados noen sean i.i.d. La frecuencia e z-score mitiga ellargo problema de que los datos financieros usados no sean i.i.d. La frecuencia de z-score se se o sean i.i.d. La frecuencia deproblema est z -score se de este z-score seeacumula a lo largo de todas las observaciones para obtener la funcin de mitiga ellargo problema de que los datos financieros usados no sean i.i.d. La de frecuencia de est se ). e(z-score ).( acumula a lo todas las) observaciones parapara obtener la funcin distribucin emprica acumula a de lo largo de todas lasK observaciones para obtener la de funcin distribucin emprica acumula a plantea lo largo de todas obtener la funcin de distribucin emprica ).( la funcinFinalmente, de distribucin emprica ( ..las observaciones distribucin emprica se el estadstico de -S: acumula a lo largo de todas las observaciones para obtener la funcin de distribucin emprica ( ). Finalmente, se plantea estadstico de K -S: Finalmente, se el estadstico de K-S: Finalmente, seel plantea el estadstico de Finalmente, se plantea plantea estadstico de K -S:K-S: ( )| ( 8) ) de K-S: | ( ) = el ( estadstico Finalmente, se plantea + ( ) |( ) |( ) ) ) | | ( ) = (= ( ) ( 8) )| | =( ( ) ( 8)( 8) ( ( )| ( 8) + + + donde es el tamao de la muestra de retornos condicionados, es el tamao ( ) ( )| ) | ( de 8)la muestra de los =( + no y corresponde espacio decondicionados, z-scores cubiertos por ambas muestras. De donde escondicionados el tamao la muestra de retornos condicionados, es eles tamao de la muestra de los donde es el de tamao de la muestra de retornos condicionados, el tamao la la muestra de los donde es el tamao de la muestra deal retornos condicionados, eles tamao de lade muestra de los donde es el tamao de la muestra de retornos es el tamao de onados, retornos es el tamao de la muestra los muestra de los retornos no condicionados y z corresponde al espacio de z-scores cubiertos donde es el tamao de la muestra deal retornos condicionados, esdiferencia elpor tamao de la muestra de los esta forma, elno estadstico de y K -S directamente proporcional azla mxima puntual entre las corresponde espacio -scores cubiertos ambas De retornos no retornos no muestras. condicionados y corresponde al de espacio de z -scores cubiertos pormuestras. ambas retornos condicionados yesforma, corresponde al espacio de scores cubiertos por ambas muestras. De De z-scores cubiertos porcondicionados ambas De por ambas muestras. De esta el estadstico de z K-S es directamente proporcional a lamuestras. diferencia puntual entre las distribuciones empricas acumuladas. distribuciones empricas acumuladas. retornos no condicionados y corresponde al espacio de azla scores por ambas muestras. De las estamxima forma, el estadstico de K S es directamente proporcional mxima diferencia puntual entre las entre esta forma, el estadstico de K -S es directamente proporcional a cubiertos la mxima diferencia puntual esta forma, el estadstico de K -S es directamente proporcional a la mxima diferencia puntual entre las onal a la mxima diferencia puntual entre las esta forma, el empricas estadstico de K -S es distribucin directamente proporcional a la mxima diferencia puntual entre las distribuciones empricas acumuladas. distribuciones empricas acumuladas. distribuciones acumuladas. El estadstico sigue la siguiente (derivada por Smirnov (1939a, 1939b): El estadstico K -S K-S sigue la siguiente distribucin (derivada por Smirnov (1939a, 1939b): distribuciones empricas acumuladas. El estadstico K-S K sigue la distribucin (derivada por Smirnov (1939a, 1939b): El 1939b): estadstico -S siguiente sigue la siguiente distribucin (derivada por Smirnov (1939a, 1939b): El estadstico -S K sigue la siguiente distribucin (derivada por Smirnov (1939a, 1939b): por Smirnov (1939a, ), ( ) = ((derivada ) ( 9) El estadstico K-S sigue la siguiente distribucin por Smirnov (1939a,(1939b): ( , )

Los valores crticos de esta distribucin pueden obtenerse a partir departir la A.11 delA.11 librolibro de libro de valores crticos de distribucin pueden obtenerse a detabla la tabla del Los valores crticos de esta distribucin pueden obtenerse a partir detabla la A.11 del erse a partir de la Los tabla A.11 del libro deesta 27 de Los valores crticos de esta distribucin pueden obtenerse a partir de la tabla A.11 del libro de C. Evaluacin de las estrategias y resultados estadsticos
27
En esta seccin, se implementan estrategias para la obtencin de retornos a partir del reconocimiento de los patrones descritos. Un supuesto detrs de esta evaluacin es que se puede vender o comprar al precio de cierre de la jornada. Usualmente, el espacio entre el bid y el offer implica que este supuesto no se cumple en la realidad, aunque no hay razones para creer que este comportamiento afecte los resultados. Esto es, tanto el bid como el offer suelen moverse en la direccin del mercado, por lo que el precio de cierres es una aproximacin adecuada a las condiciones de venta o compra.

( ) = ) ( ) ( ) , ) , ) , ( 9) ( ) ( ( = ( ) ( ( = ) ( 9)( 9) ), ( (9), ) ( ( , ) , ) Los Los valores crticos de esta distribucin obtenerse de la la A.11( del de ) tabla ( pueden )= ( ) aa partir ( de , tabla 9) libro valores crticos de esta distribucin pueden obtenerse partir A.11 del libro de
Hollander y Wolfe (1999), Nonparametric Statistical Methods.3
( , )

27 27 27 27

No se obtuvo el permiso de impresin de esta tabla, razn por la cual se deja la referencia al libro.

27

De este modo, la intuicin de la bsqueda de rentabilidad (backtesting) es bastante sencilla: Posiciones largas Una vez identificado el patrn, se toman los cinco extremos locales del patrn como puntos de referencia. Un movimiento por fuera de la banda de similitud de los puntos de referencia, debera ser una seal de que los precios se movern en esa direccin, e.g., si los precios superan en al menos 0.5% el punto de referencia inicial se realiza una compra. El punto de compra acta inicialmente como el nivel de stop loss. Sin embargo, si se alcanza un nuevo punto de referencia ms alto que el punto de compra, entonces se desplaza el stop loss a este nuevo punto. De esta manera se asegura una porcin de la rentabilidad, pues el nuevo stop loss es mayor al precio de compra. Finalmente, una venta se hace efectiva cuando el precio es inferior en 0.5% al nivel de stop loss; o cuando ha pasado un tiempo T, tal que T es el tiempo que tard en completarse el patrn. Posiciones cortas Una vez identificado el patrn, se toman los cinco extremos locales del patrn como puntos de referencia. Un movimiento por fuera de la banda de similitud de los puntos de referencia, debera ser una seal de que los precios se movern en esa direccin, e.g., si los precios son inferiores en al menos 0.5% al punto de referencia inicial se realiza una venta en corto. El punto de venta en corto acta inicialmente como el nivel de stop loss. Sin embargo, si se alcanza un nuevo punto de referencia ms bajo que el punto de compra, entonces se desplaza el stop loss a este nuevo punto. De esta manera se asegura una porcin de la rentabilidad, pues el nuevo stop loss es menor al precio de venta. Finalmente, la compra para cubrir la posicin se hace efectiva cuando el precio es superior en 0.5% al nivel de stop loss; o cuando ha pasado un tiempo T, tal que T es el tiempo que tard en completarse el patrn. De nuevo, el hecho de que exista un nivel de take profit o de stop loss no garantiza que la posicin pueda liquidarse en este nivel, debido a que los saltos del mercado impiden que los agentes transen de forma continua. A pesar de que esta dificultad se omite para simplificar el anlisis, lo cierto es que este supuesto no debera afectar significativamente los resultados.

28

En el cuadro IV.1 se muestran los resultados de la aplicacin de estas estrategias a las cinco series analizadas durante todo el periodo de estudio, as como los resultados de las pruebas de significancia estadstica. La rentabilidad se evala usando ndices, de forma que la primera observacin es 100, y este ndice va cambiando segn las rentabilidades obtenidas con las compras y ventas simuladas. Ahora bien, para los ttulos en renta fija, se aproxima la rentabilidad mediante la duracin del ttulo. Asimismo, se comparan los resultados frente a la inversin en una tasa libre de riesgo. Para este fin, se simula la inversin de los fondos a la DTF durante el periodo en que se realizan las transacciones sugeridas por el algoritmo. De esta forma, si el algoritmo mantiene su estrategia abierta por una semana, entonces el punto de comparacin sern los rendimientos simulados del dinero invertido a la DTF durante esa semana.
Fecha inicial Oct-95 Mar-07 Nov-07 Abr-07 Mar-09 Valor Patrones Rentabilidad Estadstico Rentabilidad Crtico encontrados DTF Q (Q) 29.71% 961.25 21.97 89 50.30% 21.97 32 19.91% 4.16% 323.35 27 3.91% 0.50% 53.56 21.97 49 21.77% 8.22% 458.75 21.97 41 6.77% 2.94% 318.07 21.97 KolmogorovSmirnov (p-valor) 2.96E-25 1.58E-09 2.35E-11 4.50E-15 4.53E-10

Activo DlarNoVol DlarVol Ecopetrol Tes20 Tes24

Fecha Final Mar-07 Oct-12 Oct-12 Oct-12 Oct-12

Cuadro IV.1. Resultados de la evaluacin de rentabilidad

Para todas las series se logra obtener rentabilidad positiva, con los mayores retornos observados en las series de USDCOP. Lo anterior es consistente con el trabajo de autores como Neely et al. (1997) y Chang y Osler (1995), quienes encuentran retornos positivos y significativos en diferentes series de divisas. De nuevo, la ausencia de un modelo terico prctico para los movimientos de corto plazo de la tasa de cambio, implica que los traders estn ms predispuestos a operar en base al AT. Adicionalmente, las pruebas estadsticas muestran un importante grado de significancia, confirmando que las estrategias propuestas logran extraer y aprovechar informacin del mercado.

V.

Conclusiones

La utilizacin de un algoritmo que se aproxima al AT mediante tcnicas de suavizamiento, es un buen acercamiento a los mtodos utilizados por la mente humana, confirmando los resultados de LMW (2000). Sin duda la mayor contribucin de este trabajo corresponde a la correccin del sesgo de los extremos en el mtodo de LMW, la mejora en los tiempos de clculo mediante la estimacin a priori de los anchos de banda, el planteamiento explcito de unos parmetros de calibracin y la evaluacin y proposicin de estrategias para los patrones encontrados. Por un lado, la correccin del sesgo de los extremos mediante el uso de regresiones lineales locales, permite la aplicacin a situaciones en tiempo real, dado que se mejora la estimacin en ausencia de datos al extremo derecho de la serie de precios o tasas (i.e. las observaciones en el futuro).

29

Por otro lado, la supresin del proceso de optimizacin asociado al mtodo de validacin cruzada propuesto por LMW para estimar el ancho ptimo de banda, contribuye a mejorar la velocidad de cmputo del algoritmo. Sin embargo, esto no elimina la necesidad de usar un parmetro de ajuste de banda, lo que contina siendo una debilidad en la metodologa. Dado que el parmetro basado en Bowman y Azzalini (1997) est diseado para series que se distribuyen normalmente, su aplicacin a series financieras genera un sesgo al alza en el nivel de suavizamiento. De esta forma, aunque la definicin de este parmetro resulta ms robusta por el mtodo propuesto, an existe campo para mejoras. En particular, un clculo del ajuste de banda mediante mtodos alternativos surge como un campo de accin interesante en investigaciones futuras. Adicionalmente, este trabajo plantea y evala estrategias para obtener rentabilidad a partir de los patrones encontrados, un factor omitido en el anlisis de LMW. Esto permite realizar una evaluacin mucho ms profunda sobre el alcance del mtodo propuesto. Es as como se confirman resultados previos (Neely et al. (1997), Chang y Osler (1995)) sobre la eficacia del AT para obtener retornos positivos y significativos en tasa de cambio. Desde luego, la flexibilidad del mtodo permite una exploracin diferente a la realizada por el autor, por lo que una mayor profundizacin en el desarrollo de estrategias para este tipo de algoritmos surge como una extensin natural a lo expuesto en este documento. En general, activos con mayor liquidez y cuyos operadores tienen un mejor acceso a informacin (acciones y TES) estn asociados a un incremento en el nmero de posiciones donde se registran prdidas (aunque el balance sigue siendo positivo), lo que sugiere que parte de la efectividad del AT est asociado a la necesidad de los traders de recurrir a estas tcnicas. Esto es particularmente cierto para tasa de cambio, donde los traders tienden a hacer un uso mayor del AT ante la ausencia de un modelo terico y prctico para los movimientos de corto plazo. De nuevo, este fenmeno resulta sumamente interesante para una investigacin ms profunda sobre los factores que determinan la efectividad del AT. Por otro lado, la herramienta propuesta genera oportunidades de entrada con una frecuencia promedio que oscila entre el 3.76% y el 16% de los datos. Para la muestra estudiada de datos diarios esto implic oportunidades de entrada una vez cada dos semanas, en el caso ms frecuente. En particular, la introduccin de informacin de volumen con el mtodo propuesto reduce la frecuencia de aparicin de extremos locales, con el beneficio de generar un menor nmero de falsos positivos. En este aspecto, la utilizacin de datos intrada, que se caracterizan por su mayor frecuencia, puede compensar la menor aparicin de patrones debido al uso de la informacin de volumen. De este modo, el algoritmo propuesto surge como una opcin complementaria a otros mtodos dentro de la categora de trading algortmico, lo que desde luego estar condicionado a estudios futuros sobre los costos de implementacin de la herramienta (costos de transaccin, conexiones de datos, entre otros). As, un estudio profundo sobre estos costos ser determinante para concluir si la rentabilidad neta de la herramienta es suficiente para generar inters por parte de los agentes del mercado financiero.

30

En todo caso, se resalta que el mtodo propuesto en esta tesis facilita la aplicacin de las nociones propuestas por LMW a situaciones en tiempo real y en las que la velocidad de aplicacin del algoritmo resulta fundamental para anticiparse a las acciones de otros agentes de mercado, lo que sin duda constituye un importante avance hacia la aplicacin de este modelo en un entorno de mercado.

31

Apndice Apndice II.A Patrones en USDCOP sin informacin de volumen II. A Patrones en USDCOP sin informacin de volumen

32

32

II.B Patrones en USDCOP con informacin de volumen II.B en USDCOP con informacin de volumen II. Patrones B Patrones en USDCOP con informacin de volumen

33

33 33

34

34

II.C Patrones en Ecopetrol con informacin de volumen II. C Patrones en Ecopetrol con informacin de volumen

35

35

II. D Patrones en Tes con Jul-2020 con informacin II.D Patrones en Tes Jul-2020 informacin de volumen de volumen

36

36

II.E Patrones en Tes Jul-2024 con informacin de volumen II. E Patrones en Tes Jul-2024 con informacin de volumen

37

37

Bibliografa
Allen, Franklin, y Karjalainen, Risto (1999), Using genetic algorithms to find technical trading rules , Journal of Financial Economics, Vol. 51, 245271. Beymer, David, y Tomaso, Poggio (1996), Image representation for visual learning , Science Vol. 272, 19051909. Bowman, A. W. y Azzalini, A. (1997), Applied Smoothing Techniques for Data Analysis, New York, Oxford University Press. Chang, Kevin, y Osler, Carol. (1995), Head and Shoulders: Not just a Flaky Pattern , Federal Reserve Bank of New York Research Reports, Nmero 4, Agosto. Cleveland, William S. (1979), Robust Locally Weighted Regression and Smoothing Scatterplots , Journal of the American Statistical Association, Vol.74, 829836. Cleveland, William S. (1981), LOWESS: A program for smoothing scatterplots by robust locally weighted regression , The American Statistician, Vol. 35, 154. De Groot, Morris (1986), Probability and Statistics, Reading, Massachusetts, Addison Wesley. Edwards, Robert, y Magee, John (1966), Technical Analysis of Stock Trends, Boston, Massachusetts, John Magee. Hrdle, Wolfgang (1990), Applied Nonparametric Regression, Cambridge, Massachusetts, Cambridge University Press. Hollander, Myles, y Wolfe, Douglas (1999), Nonparametric Statistical Methods, New York, John Wiley & Sons. Lo, Andrew W. Mamaysky, Harry y Wang, Jiang (2000), Foundations of Technical Analysis: Computational Algorithms, Statistical Inference, and Empirical Implementation The Journal of Finance, Vol.55 No.4, 1,7051,765. Murphy, John J. (1999), Technical Analysis of the Financial Markets, New York, New York Institute of Finance. Neely, Christopher, Peter Weller, y Robert Dittmar (1997), Is technical analysis in the foreign exchange market profitable? A genetic programming approach , Journal of Financial and Quantitative Analysis, Vol. 32, 405426. Wilder, J. Welles (1978), New Concepts in Technical Trading Systems, Greensboro, N.C., Trend Research.

38