Estacionalidad en Python. Buscando Patrones Intradia

Jesús Cuesta 7 de abr. de 2025 9 min read

Tras un largo periodo totalmente desconectados, volvemos a escribir algunos apuntes para vosotros. En esta ocasion, vamos a programar desde cero, todo un proceso de research, y en lugar de ir a por un activo concreto, vamos a crear un metodo completo, que se reutilizable en el futuro, para poder lanzarlo contra cualquier activo.

El objetivo de esta articulo, es crear un algoritmo que analice el comportamiento estacional intradario de algun producto. De forma independiente, no obtendremos ninguna ventaja operable, pero si encontraremos el edge desnudo, un pequeno desequilibro estadistico, que nos servira de base para poder encontrar ventajas mas robustas hasta llegar a encontrar una estrategia operable.

Personalmente he encontrado bastantes ventajas desnudas, que con un una logica superior, se han convertido en algoritmos, que durante algun periodo de tiempo, han sido rentables. La experiencia me cuenta que ningun algoritmo es una fuente de alpha infinita e inmortal. Todas las ventjas nacen de desquilibros, que con el tiempo son corregidos por los diferentes actores del mercado. Y el objetivo de esta herramienta es poder escanear un activo en concreto, para tras sus posteriores procesos de validacion estadistica, puedan convertirse en un alpha mas en nuestra cartera.

Este articulo tiene mas partes disponibles, puedes acceder en los siguientes links

Que es la estacionalidad Intradiaria.

Definiriamos la estacionalidad intradiaria como patrones predecibles y recurrentes en el comportamiento de los precios, la volatilidad, el volumen y la liquidez que ocurren durante determinadas horas del día.

Caracteristicas de la estacionalidad intradiaria.

La estacionalidad intradiaria se manifiesta como patrones sistemáticos que se repiten regularmente en momentos específicos del día de negociación. Estos patrones pueden observarse en:

Movimientos de precios: Tendencias alcistas o bajistas que ocurren consistentemente en momentos específicos del día
Volatilidad: Patrones en forma de U donde la volatilidad es mayor durante la apertura y el cierre del mercado, y menor durante el medio día
Volumen de negociación: Variaciones predecibles en la actividad comercial durante ciertas horas
Liquidez: Cambios en los diferenciales de oferta/demanda (spreads) en momentos específicos

Causas de la estacionalidad intradia

Los factores causantes de la estacionalidad intradiaria, son niveles de conocimiento superior, que no podemos definir con total exactitud, pero podemos inferir de forma logica algunos de los factores que fomentan la aparicion de dichos fenomenos. Sin hablar sobre un activo en general sino sobre el efecto en general, los patrones mas relevantes que podriamos determinar como causa de dicho fenomeno serian

Flujo de Informacion
- La publicacion programada de datos que ocurren en horarios especificos, como anuncios macroeconomicos, o de cualquier otro orden, que afecten al comportamiento natural del precio.
Comportamiento de los participantes del mercado
- Inversores institucionales que compran o venden de forma sistematica en ciertos momentos del dia, hablando tanto de fondos, como de consumidores naturales
Diferencias entre negociacion informada y no informada
- Los operadores informados son operadores institucionales, que generalmente consiguen mejores condiciones de precio en sus operaciones, mostrando un comportamiento mas persistente en sus patrones de negociacion, suelen actuar como iniciadores de las transacciones del mercado en los cambios de cualidades, y pese a que pueden ocultar todo su volumen, no necesariamente intentan ocultarse en el flujo de ordenes, tal como sugiere parte de la literatura
- En en otro lado, los operadores no informados, esta asociado con inversores minoristas, que muestran alta persistencia con dias de alto volumen no informado seguido por dias similares, tienen adversion a la operativa cuando preven la presencia de operadores informados, y adoptan estrategias en reaccion a los altos rendimientos previos de las operaciones de los participantes informados. Gran parte de estas operaciones son operaciones de seguimiento de tendencia, en reaccion a los altos rendimientos de las operaciones de los operadores informados.
Riesgo de Inventario
- Una de las causas de la estacionalidad intradiaria, viene por parte de los creadores de mercado, donde ajustan sistematicamente en momentos especificos del dia sus inventarios, para evitar riesgos, creando un patron observable y explotable por parte de los participantes no informados. Asumiendo el riesgo que liberan los creadores de mercado.

Requisitos de analisis para la estacionlidad intradiaria

Para poder crear nuestro modelo que nos ayude a identificar estos patrones estacionales vamos a necesitar

Datos de alta calidada. Los datos son la materia prima del research, a mayor calidad de datos, mas extrapolable seran las ventajas encontradas. En este caso, voy a dejarlos un pequeno fragmento de historico sobre algun futuro, para todos aquellos que no dispongais de un proveedor de datos de calidad

Vamos a utilizar un futuro continuo, calculado como la creacion de series de precios sinteticas y continuas enlazando diferentes contratos de futuros individuales, que vencen en diferentes momentos, asignando unas reglas fijas de rollover predefinidas.

Este proceso elimina los saltos causados por los vencimientos de contratos y proporciona una serie temporal historica de precios continua, y confiable que resulta util para el backtesting de estrategias, modelando el movimiento de los precios.

Pese a que muchos analistas a la hora de rolar el futuro continuo optan por un rollover en funcion del interes abierto o su volumen, nosotros vamos a trabajar de la forma mas estricta que se trata de un rollover mediante calendario.

Es decir, que los contratos avanzan segun sus fechas de vencimiento asegurando la estabilidad de la secuencia basada unicamente en el paso del tiempo, y no en la negociacion del activo.

Es la forma mas apropiada para encontrar estacionalidad, ya que de forma anticipada vamos a conocer los contratos que tendremos dentro del futuro, incluso cuando no tengan volumen, o no hayan sido creados, eliminando parte de incertidumbre en el modelo, y dando veracidad a la serie.

Para descargar los datos, ves al final del articulo.

Los datos corresponden al futuro de 6E, desde el ano 2013 al 2023. Con un historico de 10 anos es mas que suficiente para poder realizar este analisis, pero para poder realizar esots analisis, te recomiendo que obtengas un proveedor de datos que te proporcione actualizaciones y variedad de activos.

Estructura del proyecto

La estructura del proyecto tendra el siguiente orden

Donde

En la carpeta download_data se almacenaran los datos crudos (RAW) y los procesados
En la carpeta ModelBase se almacenaran el modelo de busqueda y un modelo de backtest rapido
En la carpeta optimization_results se almacenaran los resultados de la optimizacion

Y el resto de archivos son totalmente prescindibles

Preprocesado de datos

El primer paso, es verificar los datos, el proveedor puede cometer errores, que sean trasladados a nuestro modelo, por consecuencia, hay que revisar los mismos.

Los datos vienen en un timeframe de 1minuto. Lo optimo seria construir las velas desde el los trades ejecutados en el top of orderbook, pero por simplificar vamos a obtener trades de 1m. El dataframe que tenemos es

import pandas as pd
data = pd.read_csv('download_data/6E_continuous.csv', index_col=0, parse_dates=True)
data.info()

Como vemos, hay un dataframe con 2232515 entradas, desde 2013 hasta 2023. Utilizando 171Mb de memoria

El dataframe se estructura con las siguientes columnas, que unicamente vamos a describir las relevantes para este cometido

Instrument ID Hace referencia al ID del instrumento que esta manejando dentro del calculo del futuro continuo, en cada rollover cambiara
open: El precio de apertura de la vela
high: El precio maximo dentro de la vela
low: El precio minimo dentro de la vela
close: El precio de cierre de la vela
volume: El volumen de la vela
symbol: La forma de calcular el futuro contiuo

Resample de los datos.

El primer paso necesario, es el resample de los datos. Al tratar con datos de 1 minuto, puede ser una carga excesiva sin aportar demasiada informacion extra, por consecuencia, vamos a transformarlos a datos de 15 minutos. Para ello vamos a crear una funcion que cree unas nuevas velas de 15 minutos, utilizando los datos que disponemos de 1 minuto. Agrupando los valores y utilizando

Para el Open el primer dato del intervalo
Para el Close el ultimo dato del intervalo
Para el High el mayor dato del intervalo
Para el LOw el menor dato del intervalo
Para el Volume la suma de datos en todo el intervalo

def resample_ohlcv(df, timeframe='15min'):
    """
    Resample 1-minute financial data to a larger timeframe.
    
    Parameters:
    -----------
    df : pandas.DataFrame
        DataFrame with OHLCV data. Index must be a DatetimeIndex.
    timeframe : str, default '15min'
        Pandas-compatible frequency string (e.g., '15min', '1h', '4h', '1d')
        
    Returns:
    --------
    pandas.DataFrame
        Resampled OHLCV data
    """
    # Asegurarse de que el df tiene un indice DateTimeIndex
    if not isinstance(df.index, pd.DatetimeIndex):
        raise ValueError("El DataFrame no tiene un indice apropiado.")
    
    # Define resample rules for OHLCV
    resampled = df.resample(timeframe).agg({
        'Open': 'first',     # First price in the period
        'High': 'max',       # Highest price in the period
        'Low': 'min',        # Lowest price in the period
        'Close': 'last',     # Last price in the period
        'Volume': 'sum'      # Sum of all volume in the period
    })
    
    return resampled

Ahora vamos a crear una nueva funcion que haga el preporcesado de datos, transformando el timeframe, y ademas creando nuevas caracteristicas, que nos ayudaran posteriormente con el analisis estacional.

Estas caracteristicas son el dia de la semana, la hora y el minuto, acelerando posteriormente la busqueda de edges estacionales mediante el uso de mascaras en pandas.

def process(df):
    if not all(col in df.columns for col in ['open', 'high', 'low', 'close', 'volume']):
        print("Error: Missing required columns. Expected 'open', 'high', 'low', 'close', 'volume'")
        return None
    
    df = df[['open', 'high', 'low', 'close', 'volume']]
    df.columns = ['Open', 'High', 'Low', 'Close', 'Volume']

    data = resample_ohlcv(df, '15min')
    
    data['Weekday'] = data.index.weekday
    data['Hour'] = data.index.hour
    data['Minute'] = data.index.minute

    return data

Para lanzar el preproceso de datos lo haremos de la siguiente forma, cargaremos el csv y lo enviaremos a preprocesar directamente.

Una vez procesado el DataFrame, deberiamos tener un dataframe de este estilo que sera la materia prima que utilizaremos para la busqueda de patrones estacionales

OJO, este activo no es el mismo que tu estas utilziando, pero las columnas deberian tener el mismo aspecto, ademas asegurate que esta todo correcto ploteando el cierre.

Conclusiones

En estos apuntes, hemos explicado el concepto de estacionalidad intradiaria, y hemos preparado los datos para poder ser tratados de una forma sencilla, en el proximo tomo, empezaremos a programar una clase, que introduciendo este dataframe como materia prima, empiece a buscar patrones estacionales.

Muchisimas gracias a todos por aguantar hasta aqui, y nos vemos en la proxima entrega.