Trading sistemático, algorítmico y cuantitativo frente al discrecional.

Cuatro palabras que se usan mal

En foros, cursos y anuncios de brókeres se habla de trading «algorítmico», «sistemático» y «cuantitativo» como si fueran lo mismo. No lo son, y confundirlas lleva a errores caros: creer que automatizar una idea la convierte en una estrategia probada, o que usar machine learning hace cuantitativo a un sistema.

Las dos primeras filas responden a la misma pregunta; la tercera, a otra distinta; la cuarta, a una tercera. Por eso se pueden combinar: hay traders discrecionales que ejecutan con algoritmos, sistemas que se aplican a mano y sistemas automatizados que nadie ha validado nunca.

Dos ejes, no una escala

La figura de la cabecera ordena estas combinaciones en un plano. El eje horizontal mide cuánto de la decisión está en reglas explícitas; el vertical, cuánto de la ejecución hace una máquina.

• Abajo a la izquierda: el trading discrecional. Un checklist («no operar antes de datos de empleo», «stop siempre por debajo del último mínimo») mueve el punto a la derecha, pero la decisión sigue siendo de la persona.
• Abajo a la derecha: el sistemático manual. La regla decide y la persona introduce la orden en el bróker. Es como empiezan muchos sistemas de baja frecuencia.
• Arriba a la izquierda: la ejecución algorítmica de decisiones humanas. Es lo habitual en una gestora: el gestor decide qué comprar y la mesa usa algoritmos para comprarlo con el menor impacto.
• Arriba a la derecha: el sistemático automatizado, el objetivo de este curso. La regla decide, el programa ejecuta y la persona supervisa. En la esquina, las estrategias cuantitativas de mayor frecuencia (arbitraje estadístico, market making), donde ni la decisión ni la ejecución pasan por una persona.

Cuantitativo no tiene casilla propia porque no es una posición en el plano: es una forma de llegar a ella. Un sistema de la esquina superior derecha es cuantitativo solo si sus reglas salieron de datos y se validaron con ellos.

Qué cambia cuando la decisión es una regla

El paso de la cabeza al papel —y del papel al código— cambia la naturaleza de la decisión. En la fila de arriba, la decisión discrecional; en la de abajo, la sistemática, que además se puede probar sobre el pasado:

flowchart LR
  M1[Mercado] --> P[Trader decide] --> O1[Orden]
  M2[Mercado] --> DT[Datos] --> R[Regla decide] --> O2[Orden]

Lo que se gana:

• Reproducibilidad. Con los mismos datos, la regla toma siempre la misma decisión. Eso permite probarla sobre el pasado (backtest) y comparar versiones.
• Medida. Si la regla está escrita, se puede contar cuántas operaciones hace, cuánto cuestan y cuánto gana o pierde cada una. Una intuición no se puede medir.
• Escala. La misma regla se aplica a cien activos con el mismo esfuerzo que a uno.
• Disciplina. La regla no tiene miedo ni prisa. La persona que la supervisa sí: el error más frecuente de un sistemático no está en la regla, sino en desactivarla después de tres pérdidas seguidas.

Lo que se pierde:

• Contexto. Una regla solo ve lo que se le da. Un cambio de régimen (una crisis, un cambio de política monetaria) puede romperla sin que la regla lo note.
• Flexibilidad. Cada excepción («salvo si…») es una regla más, otra cosa que validar y otra ocasión de sobreajustar.

Una regla escrita en Python

No hace falta entender todavía cada línea: el lenguaje se ve en el módulo 0.3 y pandas en el 0.5. La idea es ver qué aspecto tiene una regla cuando deja de ser una frase. Los datos son los precios diarios de SINT, un ETF ficticio generado para el curso (enlace en «Recursos»): cinco años de sesiones, de 2021 a 2025.

import pandas as pd

precios = pd.read_csv("sint_diario.csv", parse_dates=["fecha"],
                      index_col="fecha")
precios["cierre"].tail(3)

fecha
2025-12-29    139.56
2025-12-30    139.98
2025-12-31    142.22
Name: cierre, dtype: float64

La regla: estar comprado cuando la media móvil de 50 sesiones está por encima de la de 200, y fuera del mercado en caso contrario. Escrita como función, recibe una serie de cierres y devuelve un 1 o un 0 para cada día:

def senal_cruce(cierre: pd.Series, rapida: int = 50,
                lenta: int = 200) -> pd.Series:
    """1 si la media rápida cierra por encima de la lenta; 0 si no."""
    media_rapida = cierre.rolling(rapida).mean()
    media_lenta = cierre.rolling(lenta).mean()
    return (media_rapida > media_lenta).astype(int)

senal = senal_cruce(precios["cierre"])
senal.value_counts()

cierre
1    834
0    469
Name: count, dtype: int64

Los ceros incluyen los 199 primeros días, en los que todavía no hay media de 200 sesiones que comparar. Ejecutarla dos veces con los mismos datos da exactamente el mismo resultado. Parece trivial y es la propiedad que hace posible todo lo demás:

senal.equals(senal_cruce(precios["cierre"]))

True

Queda un detalle que separa un backtest honesto de uno inflado. La señal de un día se calcula con su cierre: hasta que el mercado cierra no se sabe si la media rápida acabó por encima de la lenta. Por tanto, la operación solo puede hacerse a partir de la sesión siguiente. En código, la posición es la señal desplazada un día:

# la señal del cierre se opera al día siguiente
posicion = senal.shift(1).fillna(0).astype(int)
cambios = int(posicion.diff().abs().sum())
dias_dentro = posicion.mean()
print(f"Cambios de posición en cinco años: {cambios}")
print(f"Días comprado: {dias_dentro:.1%}")

Cambios de posición en cinco años: 9
Días comprado: 63.9%

Usar senal en lugar de posicion sería comprar al cierre de hoy con información del propio cierre de hoy. Ese error tiene nombre, sesgo de anticipación (look-ahead bias), y es el más común del trading sistemático: un backtest con él siempre sale mejor de lo que la estrategia puede dar. Volverá en casi todos los niveles del curso.

Lo que hace cuantitativo a un sistema

La regla anterior es sistemática y, en cuanto se conecte a un bróker, algorítmica. ¿Es cuantitativa? Todavía no: nadie ha comprobado con datos si los parámetros 50 y 200 tienen sentido, cuánto cuesta operarla, si funciona en otros activos o si su resultado se distingue del azar. Eso es lo que el curso llama método cuantitativo, y es el hilo de todos los niveles:

Datos limpios, hipótesis, backtest honesto, validación estadística, riesgo, ejecución y monitorización. Un sistema con una sola media móvil que ha pasado por ese ciclo es más cuantitativo que una red neuronal que nadie ha validado.

Ejercicios

1. Clasifica en los dos ejes (quién decide, quién ejecuta) estas cinco formas de operar y di cuáles podrían ser cuantitativas: (a) un bot de Telegram que reenvía las señales de un «gurú» y las ejecuta en tu cuenta; (b) una cartera 60/40 que se rebalancea a mano cada enero; (c) un fondo que compra las 50 acciones con mejor momentum de 12 meses, contrastado con 30 años de datos; (d) un trader de futuros que opera rupturas «cuando ve volumen»; (e) un algoritmo TWAP que ejecuta la venta de un bloque de acciones decidida por un comité.

2. Esta regla parece clara: «compra cuando el precio rompa el máximo de las últimas 20 sesiones y vende cuando rompa el mínimo de las últimas 10». Escribe tres preguntas que un programador tendría que hacerte antes de poder codificarla.

3. Cambia los parámetros de la regla a 20 y 100 sesiones y calcula el número de cambios de posición y el porcentaje de días comprado. ¿Por qué cambia tanto el número de operaciones?

senal_rapida = senal_cruce(precios["cierre"], rapida=20, lenta=100)
posicion_rapida = senal_rapida.shift(1).fillna(0).astype(int)
print(f"Cambios de posición: {int(posicion_rapida.diff().abs().sum())}")
print(f"Días comprado: {posicion_rapida.mean():.1%}")

Cambios de posición: 23
Días comprado: 61.9%