Modelos Cuantitativos, Ejecución Algorítmica y Trading Cuantitativo
En este artículo vamos a hablar sobre los modelos cuantitativos en el trading. Exploraremos diferentes modelos de trading cuantitativo y cómo se ejecutan mediante algoritmos.
Para diferenciar entre estos dos conceptos, los definimos como:
- Algoritmos de ejecución algorítmica: Una secuencia lógica de instrucciones, que ha sido diseñada, para una tarea específica (programa dedicado a ejecutar señales preestablecidas).
- Modelos cuantitativos: Los modelos son frameworks que nos habilitan a extraer alpha del mercado (estilos, tipos de estrategia, frameworks operativos).
Podemos clasificar los modelos cuantitativos en diferentes estilos de inversión. Estos modelos cuantitativos son combinaciones de factores que nos permiten aprovechar una ventana de exposición al alpha a través de procesos de modelado y calibración.
Por otro lado, los algoritmos de ejecución algorítmica son los encargados de controlar los activos en tiempo real y gestionar el inventario de posiciones y capital en función de las señales generadas por el modelo. Coloquialmente denominado ejecución algorítmica.
Historia Trading Algorítmico
El trading algorítmico es un fenómeno relativamente reciente. En los años 90, más del 50% de las transacciones se llevaban a cabo en los trading floors, entornos físicos donde se intercambiaban los títulos entre gritos. El otro 50% ya se realizaba electrónicamente, sin necesidad de estar presente físicamente para ejecutar una orden. En aquel entonces, aproximadamente un 2-3% correspondía a ejecuciones algorítmicas, es decir, modelos de generación de señales y ejecución automática.
En los años 2000, con la popularización de los productos derivados, los principales participantes del mercado empezaron a contratar matemáticos, físicos y programadores para formar parte de sus equipos. Esto dio lugar a un ecosistema de herramientas y protocolos que solo estaban disponibles para los miembros de esos bancos y fondos de inversión.
En la actualidad, esa brecha tecnológica entre los bancos y el resto de participantes ha sido reducida gracias a la difusión del conocimiento y al crecimiento de proyectos que ofrecen herramientas especializadas, métodos y procedimientos.
Prácticamente, cualquier persona que disponga de unos 5000 euros para invertir en un servidor puede tener una configuración similar a la que se utilizaba en el último año de operaciones de Lehman Brothers.
En un principio, los algoritmos se utilizaron para calcular el precio de las opciones, y tener estimaciones del impacto en el riesgo en los balances de los bancos. Es decir, asignar un valor real al precio de ejercicio de una opción y aprovechar las oportunidades de arbitraje entre el precio estimado y el precio real. O tener mejores perspectivas del riesgo actual de la cartera, para la toma de decisiones a futuro. Posteriormente, se extendió su uso a todos los productos financieros.
En la actualidad, incluso activos que se negocian tradicionalmente en despachos, como las operaciones de emisión y colocación de deuda, han sido completamente digitalizadas. Incluso existen modelos que generan alpha (rendimiento adicional) en estos escenarios.
La aplicación de la computación y la tecnología en el sector financiero ha supuesto un gran avance y ha revolucionado desde los métodos de pago hasta las clases de activos y cualquier otra variable necesaria en el día a día, creando nuevas formas de invertir.
¿Qué es un Algoritmo de Trading?
Los algoritmos de ejecución algorítmica son secuencias lógicas que siguen reglas preestablecidas por los modelos cuantitativos. Su función principal es llevar a producción, es decir, al entorno real del mercado, las señales de los modelos cuantitativos. Estos proceso de ejecución algorítmica se encargan de gestionar desde las órdenes, las garantías y los riesgos, entre otros aspectos. La eficiencia en los algoritmos de trading se traduce en una ejecución más rápida y una menor probabilidad de enfrentar situaciones adversas al tomar posiciones en el mercado.
Los algoritmos de trading pueden abarcar diversas funcionalidades según la expansión que su creador les proporciona. Pueden incluir sistemas de alertas, gestión de riesgos, gestión de inventarios, análisis de sentimiento en tiempo real, entre otros.
En esta primera parte, nos vamos a centrar en los tipos de ejecución algoritmica. Al llevar un modelo a producción, es importante comprender su ámbito de operación y objetivos. No tiene sentido programar un sistema de lectura de orderbooks si las operaciones se realizan en un marco de tiempo diario, por ejemplo. El primer paso es comprender las necesidades y evaluar la forma óptima de implementarlas.
Los tres factores mas relevantes para el diseño del algoritmo serian:
- Entender las oportunidades de ejecuccion. No tiene sentido hacer un despliege optimizado para un modelo cuantitativos fundamentado en la rotacion sectorial con rebalanceo trimestral .
- Entender el contexto de ejecuccion: Estudiarse el order book de arriba a abajo. Entender todas sus caracteristicas, para generar un plan de ataque posteior. La reduccion ultrasimplista que podria considerarse como valida en ciertos escenarios radica en, utilizar ordenes a mercado en activos con una liquidez grandisima, asumiendo patinazos irrisoreos.(deslizamientos en precios, desde que se lanza hasta que se ejecuta).Al tratarse de un con extremada liquidez en muchas ocasiones, la simplificacion de utilizar ordenes a mercado y asumir un patinazo pequeño constante, no es una aproximacion exacta a la realidad, pero si al impacto que podria sufrir los modelos cuantitativos al entrar en produccion.
- Entender claramente el flujo de la logica del algoritmo, y generar estrategias de verificacion. En los entornos de produccion real, ocurre como en la guerra, los planes parecen robustos hasta que se ejecutan en mercados reales. Por eso debemos intentar minimizar el mayor numero de contingencias, dado que cada error usuele tener un impacto negativo en los retornos de nuestra estrategia. La monitorizacion constante y la supervision son partes fundamentales de cualquier modelo de ejecucion algoritmica.
Vamos a clasificar 3 tipos de algoritmos, mas utilizados por los retails. Y particularmente los clasifico en funcion de sus ventanas de operativa.
- Algoritmos de predisposicon horaria
- Algoritmos de operativa dinámica
- Algoritmos de operativa oportunista
Algoritmos de predisposición horaria
Estos modelos se caracterizan por tener un componente temporal fuerte. Son algoritmos que operan en intervalos de tiempo específicos. Detectan pequeñas ineficiencias que ocurren en momentos puntuales del mercado debido a diversas razones y tratan de aprovechar esas ineficiencias para extraer Alpha cuando se cumplen ciertas condiciones.
Un ejemplo claro podría ser un algoritmo que realiza operaciones desde la apertura del mercado hasta que se acumula un cierto volumen nominal. O simplemente, estar limitado a operar en rangos horarios específicos.
La ventaja de estos modelos radica en comprender el contexto del mercado y adaptarse a condiciones de operación específicas. Algunas instituciones tienen una automatización muy avanzada en este tipo de operaciones y generalmente no intentan ocultar su actividad. Los mercados de commodities agrícolas son un ejemplo común que vale la pena investigar. Además, momentos específicos como las aperturas o cierres del mercado, o las horas de publicación de datos, generan mayor actividad en los contratos y mayor volatilidad en los precios, lo que puede ser un escenario propicio para extraer alpha.
Algoritmos de operativa dinámica
Los algoritmos de operativa dinámica son aquellos algoritmos de trading que no tienen un intervalo de tiempo específico para operar, sino que pueden operar en cualquier momento en que el activo esté siendo cotizado. Estos algoritmos están constantemente recibiendo información del precio y evaluando las condiciones preestablecidas para desplegar una orden y ejecutarla en el menor tiempo posible.
Por ejemplo, estos algoritmos pueden modular el tamaño de las operaciones en función del volumen negociado actual o pueden estar diseñados específicamente para operar en condiciones de mercado particulares, como tener un umbral más accesible para ejecutar órdenes en momentos de creciente volatilidad.
En el trading minorista, estos algoritmos se utilizan a menudo para comprar cuando ciertos indicadores, como las bandas de Bollinger u otros, se desvían, y también se incluyen sistemas de precios que han demostrado ser rentables en pruebas históricas.
Como anécdota personal, puedo decir que el 90% de las personas que me han enseñado algún algoritmo han basado sus conceptos en una combinación de estas dos categorías. Por ejemplo, buscar desviaciones desde la apertura hasta los primeros 30 minutos y, si no se producen, utilizar el precio como referencia para el cierre de la sesión.
Algoritmos oportunistas
Estos algoritmos pertenecen a una de mis categorías favoritas. Son altamente dinámicos y oportunistas, ya que solo operan en momentos clave. Permíteme poner un ejemplo extremo pero ilustrativo. Imagina un algoritmo programado para comprar el S&P 500 cuando caiga -3 sigmas.
Este algoritmo estará en posición plana (sin operaciones abiertas) la mayor parte del tiempo, hasta que ocurra una caída del mercado que sea inusualmente extrema, en este caso, de -3 sigmas. En ese momento, entrará en el mercado y permanecerá allí hasta que no vuelva a ocurrir un evento similar.
Estos algoritmos se basan en el principio de riesgo asimétrico de Nassim Taleb. Una de sus estrategias consistía en cubrir las colas de la curva de la libra esterlina, asumiendo una pérdida anual de -3% a cambio de estar protegido (y multiplicar la rentabilidad a tres dígitos) en caso de eventos más extremos de lo habitual.
Estos algoritmos buscan capturar oportunidades en momentos de alta volatilidad o eventos inusuales, aplicando una estrategia de riesgo asimétrico que busca beneficiarse de movimientos excepcionales en el mercado.
Estrategias de Trading
¿Qué es una estrategia de trading?
Una estrategia de trading es un modelo cuantitativo que establece un conjunto de normas para guiar el flujo de generación de señales en las operaciones. Estas estrategias proporcionan una visión sistemática para generar señales y gestionar otras variables en base a métodos preestablecidos. Existen diferentes tipos de modelos cuantitativos, desde los más simples basados en análisis técnico y análisis de estados contables o de sentimiento, hasta los más importantes como los modelos cuantitativos. Más adelante, exploraremos el concepto de factor alpha, que está estrechamente relacionado con los modelos cuantitativos.
Para que una estrategia sea rentable, debe cumplir cientros criterios:
- Consistencia: Es fundamental que los retornos exhiban consistencia en sus características. Esto implica que las características de los retornos generados fuera de la muestra deben estar alineadas con las características de los modelos cuantitativos evaluados durante el backtest.
- Gestión del Riesgo: Debe utilizar, asimetría favorable en los ratios de risk-reward. No tienen sentidos las martingalas, o las estrategias de exponer 100% para poder ganar 1%.
- Evaluable: Deben ser evaluables, comparables y replicables. Las estrategias basadas en patrones subjetivos tales como las sensaciones personales.
Una estrategia de trading es un conjunto de normas, sobre como debe evaluar y ej
Modelos Cuantitativos
Dentro del trading cuantitativo, o trading quant, existen multitud de estrategias, diferentes modalidades donde la generación de señales viene de parte de unos modelos cuantitativos. Cada estilo de inversión tiene sus características particulares, y esta es una lista con los estilos más habituales. Todas estas reglas que caracterizan las estrategias están denominadas como modelos cuantitativos. Parte fundamental del trading algorítmico, pues dicta las señales que posteriormente se cruzaran utilizando ejecución algorítmica.
Trend Following
Los modelos cuantitativos denominados como modelos de Trend Following o seguidores de tendencia son modelos cuantitativos ampliamente extendidos. La principal fuente de alpha del modelo, consiste en la propia beta del activo.
Buscan la persistencia de la repetición de los patrones en la direccionalidad, asumiendo que si un activo tiene una alta autocorrelación, o cualquier test que pudiera determinar con cierto margen de seguridad, que se trata de un activo tendencial, para identificar un punto de entrada, y adquirir exposición a la supuesta tendencia.
Hay modelos cuantitativos extremadamente simples de este factor, como pueda ser un simple cruce de medias, hasta otros mas elaborados. Pero la esencia fundamental es la misma en ambos casos.
Mean Reversion
Asumen que los precios eventualmente, revertiran a su media historica, o a un nivel anterior, si la desviacion ha sido muy brusca. Basicamente el objetivo principal es exponer este estilo de estrategias contra estrategias con un fuerte componente de reversion a la media.
Usualmente en activos altamente operados, como pueda ser un indice americano, los momentos de panico, generan ruido en el precio, sobredimensionando los movimientos en el precio, aportando oportunidades para exponerse al activo.
Estrategias de Momentum
Las estrategias momentum, tratan de rentabilizar los movimientos de continuacion en el precio. Usualmente suelen utilizar roturas de rangos de n-desviaciones para tomar posiciones, asumiendo la continuidad de la tendencia.
El objetivo de estas estrategias, es intentar obtener los activos mas calientes, evaluando con diferentes estimadores los puntos de exposicion al mercado.
Arbitrage Oportunities
Las estrategias de arbitraje se basan en obtener rentabilidad de la diferencia de precios en el mercado. Por ejemplo un activo cotizado a en dos mercados distintos, a diferente precio. Comprar el barato y vender el caro, proporciona una rentabilidad inmediata. Estas estrategias requieren un amplio conocimiento financiero y tecnologico, dado que es uno de los sectores mas explotados por los bancos tradicionales. Ademas que las oportunidades de arbitraje, usualmente son irrisorias, y requieren de cuentas grandes para sostener este tipo de posiciones.
Event Driven
Las estrategias event driven, estrategias oportunistas, que se exponen a mercado en momentos de sucesos clave, y intentan obtener rentabilidad de los movimientos en el precio que esos sucesos ocasionan.
Market Neutral
Las estrategias de Market Neutral, se basan en la generacion de retornos consistentes explotando la relacion entre distintos factores cuantitativos, que finalmente generan una exposicion neutral a los movimientos de mercado. Intentando eliminar la Beta, y maximizar el Alpha de la estrategia.
Muchisimas de estas carteras se componen mediante posiciones largas en activos infravalorados y posiciones cortas en activos sobrevalorados. Utilizando la filosofia del factor value. Buscando la rentabilidad del desempeño de los activos, mientras que según dice la teoría, se “minimiza” el “riesgo de mercado”
Relative Value
Estrategia clasica de la renta fija, se basa en explotar una mala valoracion de los activos derivados. Mediante bonos como tal, swaps o futuros. El proposito principal se basa en descubrir que un derivado, no esta bien valorado en funcion a su activo subyacente, y crear una posicion que equilibre dicho descubrimiento. Usualmente estas estrategias estan pendientes de la curva de tipos, los credit spreads y cualquier otro estimador que facilite el descubrimiento de la ineficiencia, y favorezca la rentabilidad cuando exista una unificacion de criterios entre los dos activo (corrigan la mala valoracion)
Statistical Arbitrage
El arbitraje estadistico es una estrategia cuantitativa que intenta explotar las divergencias a corto plazo entre el precio de los activos, analizando su precio historico, y su relacion con los diferentes activos.
El arbitraje estadistico involucra modelos cuantitativos y procedimientos matematicos complejos para identificar y explotar las oportunidades. Usualmente su nicho de ataque suelen ser los mercados de alta frecuencia (HFT).
Algunos ejemplos de arbitraje estadistico serian, el paris trading, el index arbitraje, o las estrategias de arbitraje de volatilidad.
Pairs Trading
Es una subestrategia de los denominados market-neutrals. Dado que tiene dos productos incluidos. Una pata larga, y una pata corta. Usualmente se utilizan altamente correlacionados, y el objetivo principal es obtener retornos sobre el overpeformance de uno de las dos patas. Utilizando en analisis estadistico para encontrar los vectores de ataque y la correlacion de mercado entre otras cosas.
Es una estrategia que se puede utilizar con todo tipo de activos, pero una de las mas utilizadas, es en futuros, mediante los llamados spreads, u otro tipo de figuras
Machine Learning Based
Utilizan algoritmos avanzados de inteligencia artificial para analizar grandes conjuntos de datos y desarollar modelos cuantitativos en funcion a procesos de data science.
Este subgrupo implica un amplio rango de tecnicas y estrategias, cada una con caracteristicas distintas, pero para añadir complejidad, suelen englobarse todas ellas erroneamente en un unico conjunto.
Machine learning no es un factor de per se, Machine learning, puede realizar procesos y identificar activos candidatos para cualquier factor. Es la herramienta utilizada para encontrar vectores de ataque, o solucionar cualquier otro proposito, no un estilo de inversion perse.
Global Macro Strategies
Estas estrategias obtienen sus rendimientos de modelos macroeconomicos. Basados en tendencias y eventos geopoliticos que ocurren a diario.
Partiendo de la premisa de que un movimiento a gran escala tiene repercusiones en todos los aspectos de la vida, incluyendo la valoración de los activos, los inversores buscan tomar posiciones estratégicas para anticiparse a los cambios en los precios de dichos activos. Estos inversores, especializados en eventos políticos y en la comprensión del crecimiento económico, suelen tomar tanto posiciones largas como cortas en activos como la renta fija, las divisas y las commodities, aunque también pueden tener cierta exposición a los mercados de renta variable.
En general, estas estrategias son discrecionales y dependen en gran medida del criterio subjetivo del gestor y su ideología. Recientemente, los fondos macro más exitosos están utilizando modelos cuantitativos para identificar oportunidades, especialmente a partir del análisis de grandes cantidades de datos alternativos.
Volatility Strategies
El trading de volatilidad es una estrategia con su objetivo fijado en aprovechar los cambios en la volatidad de un activo. Cuando nos referimos a volatilidad, nos referimos volatilidad en los precios, o volatilidad historica. Los operadores utilizan estas estrategias para adquirir volatilidad al activo subyacente, y poder aprovechar dichos movimientos. Usualmente la estrategia mas clasica de volatilidad, es la figura de opciones denominada Straddles y Strangles.
Ademas otro uso muy comun de las estrategias de volatilidad consiste en modular la explosicion al riesgo mediante coberturas de delta del activo subyacente de la posicion principal.
