NO ES LO MISMO ESTUDIAR QUE ENTRENAR
Tener conocimiento a cerca de los mercados financieros no es lo mismo que operar en los mercados financieros, básicamente porque los procesos mentales son diferentes. Uno puede conocer casi todo a cerca del boxeo, por ejemplo leyendo y memorizando los golpes, combinaciones, etc. y esto no habilita para subirse a un cuadrilátero y ser solvente en una pelea. Hay muchísimos ejemplos para ilustrar esta importante idea pero uno de los que más se aproxima es el del lenguaje ya que pone el foco en la manera en la cual el cerebro distingue entre los dos procesos. Uno puede conocer miles de palabras, reglas gramaticales, etc. y lo más que consigue es hablar palabras desconectadas y si trata de comunicarse con otros cuyo lenguaje es mejor sufre una derrota. La razón de esto es porqué los libros no reflejan correctamente como se construye un discurso.
REGLA DE LAS 10.000 HORAS
Numerosos estudios sugieren que para alcanzar cierto grado de experticia se requieren, al menos, 10.000 horas de práctica – recalcar lo de práctica en contraposición al estudio -. Los primeros en descubrir esta idea fueros Herbert Simon and William Chase en un famoso artículo en American Scientist sobre maestros de ajedrez, posteriormente Herbert recibiría el Novel de Economía por su contribución a la racionalización del proceso de toma de decisiones.
Otros autores, a través de libros y artículos, extrapolan esta idea y la aplican a diversos campos como el deportivo, científico, médico, etc. y avanzan hasta una explicación neuroquímica del proceso de toma de decisiones.
ENTENDIENDO EL MATIZ ENTRE CALCULAR Y EVALUAR
El sólo cálculo no es suficiente en trading. Algunos traders son capaces de calcular largas combinaciones, asumiendo distintos escenarios e implicando varios activos, pero al final se pueden encontrar con que su idea es incorrecta. Precisamente esta capacidad de “tener en cuenta el final” es en la que está implicada la evaluación. Esto está muy cerca del concepto de estrategia y la manera en que es más efectivo considerar las vías en las cuales las combinaciones calculadas nos sean más fáciles de evaluar. Orientar nuestras hipótesis hacia escenarios que sean abarcables constituye el núcleo de lo que debe de ser un entrenamiento.
En otras palabras, el no perder el tiempo en caminos, hipótesis y supuestos que tienen muy difícil su evaluación final – para una toma de decisiones – es lo que se adquiere con el entrenamiento.
Siguiendo este razonamiento uno podría llegar a la conclusión de que una máquina – léase algoritmo – está más preparada, al menos aparentemente, para este tipo de tareas. Más allá de los honrosos intentos de MiniMax, poda alfa-beta y algoritmos derivados de estos; realmente no hay algo notablemente relevante para la toma de decisiones, estando los procesos inteligentes (propiamente hablando) lejos del alcance, por el momento, de sistemas sin intervención humana. Notar que las redes neuronales y en concreto los métodos de entrenamiento de estas, en su mayoría, se basan en la retroalimentación o feedback, o más ampliamente, en dar preponderancia – pesos sinápticos – en función de los datos lo que establece un efecto refuerzo sobre situaciones que han ocurrido e infravalorando otras que son marginales o simplemente aún no se han manifestado.
Otra aproximación, quizás más consistente, es a través de las simulaciones de Montecarlo que nos muestran el abanico de opciones y aquí se vuelve a poner de manifiesto la verdadera limitación de los sistemas: la ingente cantidad de opciones y el problema de la selección, es decir, la toma de decisiones.
Los sistemas de fuerza bruta, es decir, evaluar todas y cada una de las opciones y después decidir no tiene cabida en un entorno de tiempo limitado y dinámico como son los mercados financieros y siendo justos, la idea de que un algoritmo descarte opciones para las cuales no tiene, en principio criterio, es algo inusual, más allá del criterio aleatorio. Por lo tanto, la necesidad del entrenamiento reside en la ventaja que uno tiene de evaluar opciones viables, desechando otras, con eficacia.
Señalar que en otros ámbitos, como las ineficiencias, los algoritmos sí presentan una ventaja notable, tanto en su localización como en su operativa, aunque también tiene sus críticos ya que precisamente “explotan” aquello que precisamente han creado, es decir, su superioridad se basa en “desarbitrar” algo para posteriormente poder “arbitrarlo”. Un claro ejemplo de esto se puede observar en la Figura 1.
Figura 1. Explicación de una ineficiencia. El gráfico de la izquierda representa los rendimientos del EURUSD y sus equivalencias en € por Lote para un periodo. La tabla superior derecha muestra los rendimientos de cada cierre horario. En un sistema sin ineficiencias este rendimiento tendría que ser igual o similar. Sin embargo, observamos que en la fecha 13/02/2015 a las 9h la equivalencia del EURUSD a través del AUD, es decir, EURAUD-AUDUSD, obtiene un valor de 129€/L mientras, por ejemplo, en el EURUSD es de solo 31€/L. Este desajuste será corregido en los siguientes períodos de tiempo.
PATRONES, RECONOCIMIENTO Y NO LINEALIDAD
Uno puede tratar de “pervertir” el proceso de entrenamiento, rendirse ante las exigencias de la evaluación y tratar de bordearlas. Un intento común es buscar patrones, por ejemplo estadísticamente ventajosos. No se evalúa, no se enlaza, no se piensa, sólo se reconoce e identifica con la “esperanza” de que esto se repita en el futuro. Esta vía plantea dos falacias; la primera es que no existen dos situaciones iniciales iguales, entiéndase situación inicial como el instante de toma de decisión y en sentido amplio implica cualquier momento: inicio de una sesión, cierre del día, cuando el indicador A, B y C valen X, Y, Z, cruce de medias, etc.. Por lo tanto al no existir situaciones de partida iguales no hay nada que reproducir. La segunda falacia consiste en no considerar la no linealidad de los mercados que reflejan que a condiciones iniciales “parecidas” el desarrollo puede ser parecido a otro pasado, opuesto o todo lo contrario y la propia definición de procesos no lineales alude a la idea de que pequeñas variaciones en las condiciones iniciales tienen como respuesta una desproporción no explicada por estas.
Figura 2. Gráfico de un sistema basado en ventaja estadística. A medida que pasa el tiempo la probabilidad de ganancia aumenta al verse reforzada por los éxitos anteriores. Al final acaba en un evento de cola gruesa que en este gráfico es un cisne negro.
Destacar que las ventajas estadísticas temporales manifestadas por algunas estructuras se balancean mediante las colas gruesas como bien le gusta señalar al Dr. Taleb con su famoso ejemplo del pavo y el día de Acción de Gracias – ver Figura 2 -, fenómeno que observamos a menudo en los muchos sistemas y carteras con ventaja estadística. Más interesante resulta la vinculación de la ventaja estadística con las colas gruesas – en concreto su inevitabilidad – en la que, efectivamente, podemos comprobar que en sistemas con esa característica ganadora estadísticamente acaban desplomándose por cola gruesa –ver Figura 3 – y establecer el binomio ventaja estadística- cola gruesa que su comprobación empírica es inviable; no es posible comprobar ventajas estadística que aún no ha aparecido, solo simularlas, y constatar que terminan con un evento de cola gruesa; por lo que aquí se requiere una demostración formal en la cual varios investigadores están trabajando.
Figura 3. Distribución de probabilidad de determinado paquete de activos. Se observa que presenta una clara ventaja estadística. Las frecuencias de ganancias representadas a la derecha del cero son mayores que las de pérdidas. Al final, los eventos de cola gruesa representados a la izquierda del -2.000 anulan toda la ventaja estadística. Señalar que este tipo de eventos poco probables estadísticamente son difícilmente previsibles.
Descartado, por lo expuesto, un modelo basado en ventaja estadística – nótese que la inmensa mayoría de técnicas se basan en esto – las opciones se limitan enormemente. Entre estas opciones resaltan los modelos fractales, que pese a todas las limitaciones técnicas, temporales y tecnológicas –sobre todo en entornos retail –suponen un punto y a parte con la estadística clásica y proporcionan sin duda un aire fresco. Me estoy refiriendo a algoritmos que no utilizan modelos probabilísticos y en su lugar implementa lógica difusa o fuzzy logic que claramente es uno de los más importantes logros relativos a la idea de evaluar expuesta anteriormente. En la Figura 4 se contrapone el modelo fuzzy con un modelo estadístico.
Figura 4. Sistemas algorítmicos. La previsión del gráfico de la izquierd se basa en lógica difusa y el de la derecha en una red neuronal. Observamos que mientras un algoritmo muestra una sola previsión el otro funciona con métodos probabilísticos clásicos.
PROPUESTA DE MÉTODO DE ENTRENAMIENTO 1000 TRADES
Explicado el “porqué” no se trata de reconocer ventajas estadísticas que intuimos en lo que acaban sino de descartar vías que no sean difíciles de evaluar para no perder tiempo en soluciones inabarcables; e insinuando el “cómo”, es decir, evaluando y teniendo en cuenta la regla de las 10.000 horas es válido construir un entorno de entrenamiento en que sus imputs sean capaces de representar, por un lado, una visión completa y conectada del mercado –en este caso FOREX –que permita evaluar ampliamente las opciones, y por el otro ceñirlo y limitarlo a unas condiciones fijas –en este caso la sesión europea con su previa, es decir, de 6h GMT a 13h GMT-. Los imputs escogidos, como se muestra en la Figura 5, son los FOREX INDEX que reflejan los flujos de E/S de divisas, las equivalencias que nos permiten evaluar el impacto de los flujos en los distintos intercambios y los LRMs o modelos lineales de correlación que establecen una comparativa entre distintos activos, que se ven complementados con rendimientos y cotización de los cruces EURXXX.
Figura 5. Pantalla de tomas de decisiones del software de entrenamiento 1000 trades (arriba) y resultado al final de la sesión europea (abajo).
Para explicar el “cuando” hay que considerar que en materia de reconocimiento el número de veces, en términos de media, que una persona necesita ver a otra para reconocerla está en torno a diez veces, sólo para reconocerla, pero si buscamos el número de veces que una persona necesita leer, escuchar y escribir una palabra, en otro idioma por ejemplo, para incorporarla a sus habilidades el número aumenta drásticamente, de media entorno a las 40 veces. De nuevo aquí aparece la diferencia entre calcular y evaluar, por lo tanto es de esperar esfuerzo, trabajo y disciplina por un periodo prolongado de tiempo, realmente no descubrimos nada nuevo con respecto a muchos métodos de entrenamiento de alto rendimiento de otras disciplinas. Aquí se propone una distribución del entrenamiento en 7 niveles, ver Figura 6 – cada nivel con más de 1000 trades por lo que al final del entrenamiento se habrán evaluado más de 7.000 trades, que complementados con materias formativas completan las 10.000 horas que establece la regla como un nivel experto. De la misma manera que la evaluación consiste en el descarte de las opciones inabarcables metodologías de entrenamiento basadas en estos parámetros permiten concentrar y aislar el proceso. La respuesta es siempre la misma cuando nos preguntamos, ¿cuantos tiros libres o faltas al borde del área ha entrenado un jugador para llegar a ese nivel de experticia?
Figura 6. Niveles de entrenamiento. Cada uno contiene más de 1000 trades.