Python Para Trading

es

Buscar

Contacto
Contacto

Lección 5.3.1 · 60 min

Etiquetado de horizonte fijo y sus problemas

Antes de entrenar un modelo hay que decidir qué tiene que predecir. La respuesta por defecto, el signo del rendimiento a un horizonte fijo, parece neutra y no lo es: el horizonte decide qué mide la etiqueta, un umbral fijo la llena de volatilidad y el solapamiento multiplica la evidencia aparente. Esta lección lo mide en el panel de acciones y en el futuro intradía del nivel, donde se conoce la verdad.

Fig. — FNX, minutos en régimen de tendencia: proporción de etiquetas de horizonte fijo cuyo signo coincide con la dirección verdadera de la tendencia, según el horizonte
01/05
Módulo
5.3 · Etiquetado y muestreo
Duración
60 min
Requisitos
2.1.1 · Contrastes de hipótesis, p-valores, bootstrap y regresión con errores robustos, 5.2.1 · Features de precio, volumen y microestructura, 5.2.4 · Normalización sin leakage y rank transversal
Lecciones del nivel 5

  1. 5.1 · Fundamentos de ML aplicados a finanzas

    1. 5.1.1 Por qué el machine learning financiero es distinto
    2. 5.1.2 Aprendizaje supervisado, no supervisado y por refuerzo; pipelines de scikit-learn
    3. 5.1.3 Métricas económicas para modelos de trading: más allá del acierto

  2. 5.2 · Ingeniería de características

    1. 5.2.1 Features de precio, volumen y microestructura
    2. 5.2.2 Fundamentales point-in-time, macro y datos alternativos
    3. 5.2.3 Diferenciación fraccional para features
    4. 5.2.4 Normalización sin leakage y rank transversal
    5. 5.2.5 Importancia de features: MDI, MDA, SFI y SHAP

  3. 5.3 · Etiquetado y muestreo

    1. 5.3.1 Etiquetado de horizonte fijo y sus problemas
    2. 5.3.2 Método de la triple barrera: etiquetas que imitan una operación
    3. 5.3.3 Meta-labeling: un modelo para el lado y otro para el tamaño
    4. 5.3.4 Unicidad de las etiquetas, pesos por solapamiento y bootstrap secuencial
    5. 5.3.5 Muestreo por eventos: el filtro CUSUM simétrico

  4. 5.4 · Validación para series financieras

    1. 5.4.1 Por qué falla el k-fold aleatorio en datos financieros
    2. 5.4.2 Purged k-fold con embargo y CPCV para modelos de ML
    3. 5.4.3 Walk-forward con reentrenamiento: ventanas y frecuencia
    4. 5.4.4 Backtest de señales de ML con costes y Deflated Sharpe

  5. 5.5 · Modelos clásicos

    1. 5.5.1 Regresiones regularizadas: Ridge, Lasso, Elastic Net y logística
    2. 5.5.2 Árboles de decisión, Random Forest y bagging
    3. 5.5.3 Gradient boosting: XGBoost, LightGBM y CatBoost
    4. 5.5.4 Optuna y el riesgo de sobreajustar la validación
    5. 5.5.5 Aprendizaje no supervisado: PCA, clustering y autoencoders
    6. 5.5.6 Learning to rank para la selección de acciones

  6. 5.6 · Deep learning con Keras 3

    1. 5.6.1 Keras 3: un modelo, varios motores de cálculo
    2. 5.6.2 Un MLP sobre un panel de acciones: regularizar y comparar
    3. 5.6.3 CNN 1D, LSTM y GRU: ventanas, escalado y fugas
    4. 5.6.4 Callbacks, una pérdida de Sharpe y el modelo en producción

  7. 5.7 · Deep learning con PyTorch

    1. 5.7.1 PyTorch: tensores, autograd y el bucle de entrenamiento
    2. 5.7.2 Arquitecturas de series: TCN, N-BEATS, PatchTST e iTransformer
    3. 5.7.3 Modelos probabilísticos: pérdida cuantílica, DeepAR e intervalos
    4. 5.7.4 Redes de grafos para relaciones entre activos
    5. 5.7.5 Optimización de carteras end-to-end: capas diferenciables y pérdida de Sharpe

  8. 5.8 · Modelos fundacionales de series temporales

    1. 5.8.1 Modelos fundacionales de series: preentrenar una vez, prever sin entrenar
    2. 5.8.2 Las familias de modelos fundacionales: arquitectura, datos y licencia
    3. 5.8.3 Uso práctico: contexto, cuantiles, covariables y ajuste fino
    4. 5.8.4 Modelos fundacionales en finanzas: qué dice la evidencia
    5. 5.8.5 Laboratorio: modelos fundacionales frente a GARCH, HAR y LightGBM

  9. 5.9 · Aprendizaje por refuerzo

    1. 5.9.1 MDP, Q-learning, PPO y entornos Gymnasium
    2. 5.9.2 RL para ejecución, market making y cobertura dinámica
    3. 5.9.3 Por qué el RL sobreajusta en trading direccional

  10. 5.10 · Interpretabilidad, robustez y riesgo de modelo

    1. 5.10.1 SHAP, dependencia parcial y estabilidad de las importancias
    2. 5.10.2 Deriva de datos y de concepto: detectarla y qué hacer
    3. 5.10.3 Ensembles, combinación de señales y datos sintéticos

Qué tiene que predecir el modelo

El aprendizaje supervisado necesita una respuesta para cada fila. En los tutoriales de ML aplicado a mercados la respuesta casi siempre es la misma: el signo del rendimiento desde el cierre de la barra tt hasta el de la barra t+ht + h. Con precios PP y rendimiento logarítmico rt,t+h=ln⁡(Pt+h/Pt)r_{t,t+h} = \ln(P_{t+h}/P_t), hay tres variantes:

undefined

Respuesta plegada en cada pregunta

Autoevaluación

  1. En el panel, el signo de la etiqueta semanal (rendimiento menos la mediana de la semana) coincide con el signo del alfa verdadero en el 50,9 % de las filas. ¿Qué significa?

    • AQue la etiqueta está mal calculada
    • BQue el alfa verdadero no sirve para predecir
    • CQue hay que usar un horizonte más corto
    • DQue casi toda la etiqueta es ruido: el alfa plantado es pequeño frente a la dispersión de los rendimientos, y un modelo perfecto solo acertaría ese 50,9 %
    Ver respuesta

    Respuesta D. Que casi toda la etiqueta es ruido: el alfa plantado es pequeño frente a la dispersión de los rendimientos, y un modelo perfecto solo acertaría ese 50,9 %

    El oráculo es la mejor previsión posible. Si ni siquiera él coincide con el signo de la etiqueta más que el 50,9 % de las veces, ningún modelo puede pasar de ahí; un acierto mayor fuera de muestra indica una fuga.

  2. Con un umbral fijo de 20 pb para etiquetar el rendimiento a 30 minutos de FNX, el 52 % de las etiquetas de las 9:30 son ±1 y solo el 29 % de las de las 12:00. ¿Qué está midiendo sobre todo la etiqueta?

    • AQue por la mañana hay más señal
    • BQue el modelo primario funciona mejor a primera hora
    • CLa volatilidad de cada franja: con una curva en U, el mismo umbral es pequeño en la apertura y grande a mediodía
    • DEl volumen de cada franja
    Ver respuesta

    Respuesta C. La volatilidad de cada franja: con una curva en U, el mismo umbral es pequeño en la apertura y grande a mediodía

    Con el umbral escalado por la volatilidad prevista de cada franja (calculada con las 20 sesiones anteriores), la fracción de etiquetas ±1 queda entre el 26 % y el 32 % todo el día.

  3. En los minutos de tendencia de FNX, el signo del rendimiento a h minutos coincide con la dirección verdadera el 54,0 % de las veces con h = 1, el 73,5 % con h = 45 y el 67,6 % con h = 180. ¿Por qué baja al alargar el horizonte?

    • APorque el régimen dura de media unos 60 minutos: más allá, la etiqueta mezcla el episodio de tendencia con lo que venga después, que no depende de la dirección de ahora
    • BPor el redondeo del precio
    • CPorque hay menos observaciones
    • DPorque la volatilidad baja por la tarde
    Ver respuesta

    Respuesta A. Porque el régimen dura de media unos 60 minutos: más allá, la etiqueta mezcla el episodio de tendencia con lo que venga después, que no depende de la dirección de ahora

    Con horizontes cortos manda el ruido de cada minuto; con horizontes largos, el cambio de régimen. El horizonte que mejor refleja el estado en t está cerca de la duración típica del fenómeno que se quiere capturar.

  4. El IC del alfa verdadero con la etiqueta de 21 sesiones, muestreada cada semana, tiene un t ingenuo de 9,2; con Newey-West es 5,7 y con submuestras sin solape, 4,1. ¿Cuál es la lectura correcta?

    • AQue la etiqueta de 21 sesiones tiene el doble de información que la semanal
    • BQue cada rendimiento entra en unas cinco etiquetas seguidas: el t ingenuo cuenta varias veces la misma evidencia y hay que corregirlo
    • CQue Newey-West siempre reduce el t a la mitad
    • DQue el alfa verdadero no es significativo
    Ver respuesta

    Respuesta B. Que cada rendimiento entra en unas cinco etiquetas seguidas: el t ingenuo cuenta varias veces la misma evidencia y hay que corregirlo

    Las etiquetas de 21 sesiones de semanas consecutivas comparten cuatro de sus cinco semanas, así que la serie de IC está autocorrelacionada. La etiqueta semanal, sin solape, da t = 8,4 con el mismo alfa.

  5. ¿Por qué la función de etiquetado debe devolver, además de la etiqueta, el momento en que termina (t1)?

    • APara dibujarla
    • BPorque scikit-learn lo exige
    • CPara calcular el umbral
    • DPorque la purga de la validación (5.4.2) y los pesos por unicidad (5.3.4) necesitan saber qué intervalo de precios usa cada etiqueta
    Ver respuesta

    Respuesta D. Porque la purga de la validación (5.4.2) y los pesos por unicidad (5.3.4) necesitan saber qué intervalo de precios usa cada etiqueta

    Dos etiquetas se solapan si sus intervalos de t a t1 se cruzan. Sin t1 no se puede purgar el entrenamiento ni medir la concurrencia; con horizontes en sesiones, festivos y cierres de sesión, t1 no es simplemente t + h.

Ideas clave

  • La etiqueta de horizonte fijo es el signo (o el rendimiento) de t a t + h, a veces con un umbral que crea una clase 0. Hay que guardar con ella su final, t1.
  • Casi toda la etiqueta es ruido: en el panel, el signo de la etiqueta semanal coincide con el del alfa verdadero en el 50,9 % de las filas. Quitar los rendimientos pequeños solo lo sube al 51,6 % y quitar demasiados lo vuelve a bajar.
  • Un umbral fijo reparte las clases según la volatilidad: del 35 % al 53 % de etiquetas ±1 según el año en el panel y del 29 % al 52 % según la hora en FNX. Un umbral proporcional a la volatilidad prevista lo estabiliza.
  • El horizonte decide qué mide la etiqueta. En FNX, el signo a h minutos refleja la tendencia latente el 54 % de las veces con 1 minuto, el 73,5 % con 45 y el 67,6 % con 180.
  • Etiquetas solapadas inflan la evidencia: con 21 sesiones muestreadas cada semana, el t ingenuo del alfa verdadero es 9,2 y el corregido, entre 4,1 y 5,7.
  • El método de la triple barrera (5.3.2) añade la trayectoria y el horizonte en función del evento; los pesos por unicidad (5.3.4) y la purga (5.4.2) tratan el solapamiento.

Recursos

Documentación

Libros

Datos

Volver al nivel 5