Entornos de Inteligencia Artificial para Trading y Simulando Ticks

A estas alturas, si has estado intentando diseñar modelos de machine learning  o inteligencia artificial para hacer trading, ya te habrás dado cuenta de que la cosa no es tan fácil como normalizar unos cuantos datos históricos de Forex o Bolsa, meterlos en una red neuronal y esperar que tu output tipo {mantener, comprar, vender} te salga lo suficiente bien balanceado como para que la red negocie por ti.

De hecho, en el pasado, mi experiencia es que arquitecturas como XGBOOST daban mejores predicciones con datos suavizados con medias móviles de 2 o 3 muestras que perceptrones o LSTMs.

Todo depende del tiempo que uno tiene disponible. Si es poco, como en mi caso, lo mejor es ir primero a los más seguro y luego ir refinando el trabajo para poder, con la mayor brevedad posible, aprobar o descartar una metodología. Lo de «la mayor brevedad» es un concepto bastante relativo.

En mi caso, la mayor brevedad han sido unos cinco años de trabajo intenso más un esfuerzo financiero relevante. En mi caso, como ya he comentado en otras entradas, he estudiado casi todas las técnicas de trading, las he probado, validado; una tras otra, durante años. Tanto el trading manual como el trading algorítmico. Es decir, que no solo he estudiado trading o pagado por aprender, sino que además he tenido que investigar mucho sobre algoritmos, estructuras, lenguajes, estadística (incluyendo un master en Ciencia de Datos), probabilidad, machine learning, inteligencia artificial y otras materias relevantes.

En ese sentido, se puede decir que me he hecho una idea genérica relativamente amplia del asunto. Escribo este rollo, no para ponerme medallas, sino para que quien lea este texto entienda que el trading no es llegar y triunfar. En el mejor de los casos hacen falta entre 3 o 5 años para empezar a entenderlo y puede que la tasa de fracaso sea del 95%. Esto es, que de cada 100 personas que intentan hacer trading, solo 5 conseguiran cubrir costes y un porcentaje menor ganar algo. Y no solo depende de lo buena que sea la técnica utilizada, el 80% de los factores van a ser ajenos al dominio de una técnica de trading determinada. De hecho, no me pongo medallas porque no enseño mis técnicas gratuitamente nunca. Tengo por ahí una mención a un seminario de 5 días de trading por 12000 euros por si alguien tiene curiosidad por saber qué principios y técnicas utilizo.

Lo que voy a mostrar ahora es una implementación personalizada de un proveedor de datos virtual; que es más sencillo de programar que un canal de comunicación con mi broker, de forma que puedo hacer simulaciones y estudios exactamente igual que si estuviera conectado, pero con mucho menos esfuerzo. Con bastante esfuerzo, pero con mucho menos.

A estas alturas ya funciona razonablemente bien, es un borrador del final, pero ya tiene suficiente complejidad para que valga la pena como ejemplo. Me he programado un broker virtual también, porque me gusta la modularidad. Este broker puede recibir datos de distintas fuentes. Para ello, uso una interfazclase abstracta (depende del lenguaje) que define unos métodos y propiedades iguales, sea cual sea la fuente de datos.

Una de las fuentes de datos que utilizo son ficheros csv en formato tick (date, ask, bid). Estos los he convertido en OHLC para Ask y OHLC para bid en marcos temporales de 1-minuto y 5-minutos. Para mí es suficiente, pero si alguien quiere más granularidad y exactitud, puede usar directamente los datos ask-bid, o hacer un muestreo a 30-segundos, 10-segundos, etc. para los datos tick. Para que se entienda mejor, tengo:

  1. Un único csv con todos los datos OHLC en el marco temporal de 5-minutos entre 2003 y 2019. Este fichero se utiliza para dibujar la gráfica OHLC, entrenar un modelo estadístico o lo que sea.
  2. Un fichero por año de datos OHLC en el marco temporal de 1-minuto. Este fichero se utiliza para extraer los ticks que tendrán lugar hasta que la siguiente barra OHLC se tenga que dibujar. Son como los datos que nos van llegando del broker en tiempo real y muestran cómo va cambiando el precio del instrumento.

Como observación, estuve decidiendo si utilizar datos tick ASK/BID, pero me pareció que tanta precisión no era necesaria y que iba a utilizar un generador de ruído para calcular el spread mediante un generador de números aleatorios con una distribución T de student o bien promediando High-Low de mi muestra histórica. Pero eso es otra historia. Recordemos que compramos a precio Ask, pero vendemos a precio Bid. La comisión por operación también tiene que tenerse en cuenta, por ejemplo.

Vamos a plantear el sistema:

Datos históricos en 5 minutos
(última fila, núm. filas=n)
(AMD = año-mes-día)

Datos en «tiempo real» en 1 minuto
(todos los ticks desde que cierra la vela histórica hasta que abre la siguiente).
Date Open High Low Close
AMD 08:00:00 On Hn Ln Cn

Tengamos en cuenta que la vela de 8:00 en el TF de 5m contiene todos los precios entre las 8:00 y las 8H 4' 59''.

Por lo que las señales en tiempo real tienen que empezar a las 8H 5' 00''.

Date Open High Low Close
AMD 08:05:00  O1 H1  L1  C
AMD 08:06:00 O2 H2  L2  C
AMD 08:07:00 O3 H3  L3  C
AMD 08:08:00 O4 H4  L4  C
08:09:00 O5 H5  L5  C

Empecemos con el código:

# Como está orientado a csv, entonces no voy a incluir información sobre conexiones mediante sockets, puertos, ejecutables, etc...
# Definimos una clase abstracta que sirva de interfaz para el resto que vengan.

class Provider_abstract():

    def __init__(self):
        raise NotImplementedError

    def getRTPricesNext(self):
        raise NotImplementedError

    def getHistPricesNext(self):
        raise NotImplementedError

    def setTickDataPath(self):
        raise NotImplementedError

    def setHistoricalFile(self):
        raise NotImplementedError

Los métodos tendrán las siguientes funciones:

  • getRTPricesNext: Devuelve el dataframe con los ticks.
  • getHistPricesNext: Devuelve un histórico de precios.
  • setTickDataPath: El directorio donde están los datos tick.
  • setHistoricalFile: La ruta al fichero con los datos históricos.

Y ahora procedemos a la implementación, veamos el código completo primero.

from gym_gspfx.gspProviders.provider import Provider_abstract
import pandas as pd

# Reads TF data and generates tick data from the same or other data source.
# For instance, reads 5m data nd generates ticks from 1m data.

class Provider(Provider_abstract):
   
    def __init__(self, historical_file, tick_data_path, start_row=0, number_of_samples=300, \
                 tick_file_prefix="EURUSD_1M_"):

        self.min_year=None
        self.max_year=None
        self.__historical_file = ""
        self.__tick_data_path = ""
        self.setHistoricalFile(historical_file)
        self.setTickDataPath(tick_data_path)
        self.current_start_row_index = None
        self.number_of_samples = number_of_samples
        self.next_future_start_row = start_row
        self.last_closed_row = None
        self.next_future_row_to_deliver_index = 0
        self.next_two_future_rows_to_deliver = None
        self.__tick_data_files = {"EMPTY": None}
        self.tick_file_prefix=tick_file_prefix


    def setHistoricalFile(self,fileName):
        self.__historical_file = pd.read_csv(fileName, parse_dates=["date"]).set_index("date")

    def setTickDataPath(self, tick_data_path):
        self.__tick_data_path=tick_data_path


    def getHistPricesNext(self):
        self.current_start_row_index = self.next_future_row_to_deliver_index
        self.next_future_row_to_deliver_index += 1

        __df = self.__historical_file.iloc[self.current_start_row_index:self.current_start_row_index + self.number_of_samples]

        self.last_closed_row = __df.tail(1)

        self.next_two_future_rows_to_deliver = pd.DataFrame( \
            self.__historical_file.iloc[self.current_start_row_index + self.number_of_samples:\
                                        self.next_future_row_to_deliver_index + self.number_of_samples + 1])
        return __df.copy()


    def getRTPricesNext(self):
      
        if self.last_closed_row is None:
            return None

        if "EMPTY" in self.__tick_data_files.keys() and self.__historical_file.shape[0]>0:
            del self.__tick_data_files["EMPTY"]

        self.min_year = self.last_closed_row.index.year.values[0]
        self.max_year = self.next_two_future_rows_to_deliver.head(1).index.year.values[0]

        if self.max_year not in self.__tick_data_files.keys():
            self.__tick_data_files[self.max_year] = \
                pd.read_csv(self.__tick_data_path + "EURUSD_1M_" + str(self.max_year) + ".csv", parse_dates=["date"])

            if self.min_year in self.__tick_data_files.keys() and self.min_year != self.max_year:
                del self.__tick_data_files[self.min_year]

        initial_date = self.next_two_future_rows_to_deliver.head(1).index.values[0]
        end_date = self.next_two_future_rows_to_deliver.tail(1).index.values[0]

        __df = self.__tick_data_files[self.max_year]
        __df = __df[(__df["date"] >= initial_date) & (__df["date"] < end_date)]

        return __df.copy()

El método __init__ se encarga de parametrizar los valores iniciales de la clase, como la fila del histórico desde el que se comenzará a extraer datos, el número de filas del histórico que se extraerán. También se han de definir al instanciar la clase la ruta completa al fichero de históricos y la carpeta donde están los ficheros de ticks.

Los ficheros de ticks los guardo en un diccionario conforme los necesito por motivos prácticos. He optado por usar ficheros de 1m, pero podría tener otra estructura y he preferido prever la posibilidad de tener que utilizar ficheros de tick múltiples. Todo ello se define en el constructor, junto con atributos que serán utilizados por la clase.

 def __init__(self, historical_file, tick_data_path, start_row=0, number_of_samples=300, \
                 tick_file_prefix="EURUSD_1M_"):

        self.min_year=None
        self.max_year=None
        self.__historical_file = ""
        self.__tick_data_path = ""
        self.setHistoricalFile(historical_file)
        self.setTickDataPath(tick_data_path)
        self.current_start_row_index = None
        self.number_of_samples = number_of_samples
        self.next_future_start_row = start_row
        self.last_closed_row = None
        self.next_future_row_to_deliver_index = 0
        self.next_two_future_rows_to_deliver = None
        self.__tick_data_files = {"EMPTY": None}
        self.tick_file_prefix=tick_file_prefix

Tras ello, los métodos que cargan el fichero de históricos y configuran la ruta de los ficheros de ticks.
Nótese que utilizo la librería de pandas y que asumo que los datos vienen ya ordenados por fecha, ascendente.

    def setHistoricalFile(self,fileName):
        self.__historical_file = pd.read_csv(fileName, parse_dates=["date"]).set_index("date")

   def setTickDataPath(self, tick_data_path):
       self.__tick_data_path=tick_data_path

Cada vez que queremos avanzar 1 vela, tenemos que llamara a este procedimiento.
El procedimiento devuelve un DataFrame con el número de filas indicado en el constructor o modificado en el atributo number_of_samples.
Cada vez que se le llama, avanza 1 fila.

    def getHistPricesNext(self):
        self.current_start_row_index = self.next_future_row_to_deliver_index
        self.next_future_row_to_deliver_index += 1

        __df = self.__historical_file.iloc[self.current_start_row_index:self.current_start_row_index + self.number_of_samples]

        self.last_closed_row = __df.tail(1)

        self.next_two_future_rows_to_deliver = pd.DataFrame( \
            self.__historical_file.iloc[self.current_start_row_index + self.number_of_samples:\
                                        self.next_future_row_to_deliver_index + self.number_of_samples + 1])
        return __df.copy()

Por útlimo, tenemos el método que nos devuelve todos los ticks que se producirán desde el cierre de la última vela de los históricos hasta justo antes de la apertura del siguiente.

   def getRTPricesNext(self):

        if self.last_closed_row is None:
            return None

        if "EMPTY" in self.__tick_data_files.keys() and self.__historical_file.shape[0]>0:
            del self.__tick_data_files["EMPTY"]

        self.min_year = self.last_closed_row.index.year.values[0]
        self.max_year = self.next_two_future_rows_to_deliver.head(1).index.year.values[0]

        if self.max_year not in self.__tick_data_files.keys():
            self.__tick_data_files[self.max_year] = \
                pd.read_csv(self.__tick_data_path + "EURUSD_1M_" + str(self.max_year) + ".csv", parse_dates=["date"])

            if self.min_year in self.__tick_data_files.keys() and self.min_year != self.max_year:
                del self.__tick_data_files[self.min_year]

        initial_date = self.next_two_future_rows_to_deliver.head(1).index.values[0]
        end_date = self.next_two_future_rows_to_deliver.tail(1).index.values[0]

        __df = self.__tick_data_files[self.max_year]
        __df = __df[(__df["date"] >= initial_date) & (__df["date"] < end_date)]

        return __df.copy()

Estudiando el código anterior se puede hacer una idea de cómo realizar un proveedor de ticks y datos financieros personalizado, así como adaptarlo a las necesidades propias. Una aplicación puede ser un simulador de trading por ejemplo. Yo lo uso para mis proyectos de inteligencia artificial, de manera que no necesito estar conectado a ningún proveedor de precios online para simular series temporales y mercados financieros.

En la siguiente imagen se muestra cómo usar la clase creada con un ejemplo real.

Generador de datos históricos y tick en Python

Y si volvemos a ejecutar los métodos, obtenemos la vela siguiente con sus históricos y los ticks correspondientes.

Si alguien no conoce la librería Pandas y no entiende alguna de las expresiones del código, se pueden consultar en la documentación oficial, en el siguiente enlace: http://pandas.pydata.org/pandas-docs/stable/

Y preguntados:

  • ¿Cómo puede obtenerse algo negociando si no es desarrollando una técnica para acertar las suficientes veces como para cubrir los costes de los fallos?
  • ¿Cómo puede mantenerse un negocio sin conocer el riesgo asociado y una buena gestión financiera y de riesgos conforme?
  • ¿cómo podría un cerebro humano ser mejor calculando aspectos técnicos y numéricos que una compleja computadora?

Cómo cambiar precios de un marco temporal a otro con Python

En esta entrada voy a explicar cómo conseguir precios en formato tick y transformarlos en cualquier otro marco temporal. En concreto, vamos a coger un fichero de precios tick a tick y lo convertiremos en un fichero OHLC de 5 minutos. Podríamos convertirlo en cualquier otro formato, como 10 segundos o 1 día.

No voy a hacer publicidad de programas de software. Hay muchas maneras de conseguir datos. Por ejemplo, podemos exportar de nuestro cliente de trading los datos que va recibiendo del servidor. Pero en este caso, vamos a usar un gran servicio del broker Dukascopy que permite descargar ficheros de datos de múltiples fuentes gratis.

Para descargarlos, hay que ir a la web https://www.dukascopy.com/swiss/spanish/marketwatch/historical/ y elegir un instrumento. Una vez elegido podemos ya seleccionar los datos a descargar. Hay programas que lo hacen de forma automática, solo tienes que buscar en Internet para encontrar alguno gratis, que los hay.

En mi caso, me he descargado todos los datos tick a tick del par de divisas EURUSD entre 2003 y 2019 en formato CSV. Esto son unos 13Gb de tamaño. Las columnas que me interesan son: [«date»,»ask»,»bid»]. El tamaño es inmanejable, así que en principio, para echarle un vistazo, se puede usar la librería de Python llamada daske que tiene una especie de Pandas.DataFrame con algunas de las funciones de pandas y soporta ficheros enormes, distribuidos, etc…

Pero, en general, daske, no me vale para lo que quiero hacer, así que lo que voy a hacer en primer lugar es convertir el fichero único CSV de 13GB en unos más pequeños, porque si no colapsaré la memoria de mi equipo al procesar tanta información.

Pandas puede convertir en trozos un fichero más grande, así que he escrito este código para reducir el tamaño individual de cada archivo en bloques de 5E6 filas:

import pandas as pd

def process(chunk,count):
    prefix = chunk.iloc[0].date.split(" ")[0]
    chunk.to_csv(prefix + "_EURUSDTICK_" + str(count) + ".csv",index=False)

count=0
chunksize = 5 * 10 ** 6 
for chunk in pd.read_csv(r"./sample_data/TICK_EURUSD.csv",header=-1, chunksize=chunksize):
    count=count+1
    chunk.columns = ["date","ask","bid","volume","zero"]
    chunk=chunk[["date","ask","bid"]]
    process(chunk, count)


Tras el proceso, se me han generado unos 60 ficheros más pequeños.

Aún así, la columna date está en formato texto, tipo «2016.05.01 1:23:04.092», con lo que necesitaré formatearla a un tipo fecha. Para ello, voy a cargar cada uno de los ficheros y le aplicaré una función de conversión en el campo fecha.

afiles = [f for f in os.listdir("./sample_data") if ".csv" in f]

for file in afiles:
    print (file)
    df = pd.read_csv(file)
    df["date"]=df["date"].apply(lambda x:datetime.datetime.strptime(x,'%Y.%m.%d %H:%M:%S.%f'))
    df.to_csv(file)

Una vez reescritos o sobreescritos los csv parciales con la columna corregida, pasamos a cambiar el muestreo. Voy a preparar mis datos para convertir los ficheros de ticks en ficheros de 5m.

Como tenemos los precios Ask y Bid, nos interesa tener OHLC con ambos, para determinar cuál es el rango aplicable en compra y cuál en venta. Además, podemos calcular spreads de diferentes maneras. Veamos un ejemplo con uno de los ficheros generados cualquiera. Para que funcione, la columna date la tenemos que convertir en el índice del DataFrame.

processed = "./sample_data/2015.02.05_EURUSDTICK_41.csv"
df = pd.read_csv(processed)
df_5m_ohlc = df[["date","ask","bid"]].set_index("date").resample('5Min').ohlc()

Y tendríamos finalmente ya los datos convertidos de formato tick a format OHLC. Veamos el formato de los ficheros, cómo eran originalmente y cómo quedan al final.

Antes:

Después:

La utilidad de estos procesos es notablemente alta para la simulación de estrategias basadas en análisis técnico, ya que nos permite estudiar el marco temporal de referencia a la vez que generar los ticks, precios y spreads de forma exacta.

Principios de negociación armónica. Desde Leonardo hasta Scott.

Efecto Marea en sesiones de trading

En la entrada titulada «Extensiones de Fibonacci, incertidumbre y refuerzo«, se describe la serie descubierta por Leonardo de Pisa, más conocido por Fibonacci. Pero, ¿por qué estudiar una mera serie exponencial puramente matemática para negociar las variaciones de precios que sufren los activos?

Si vives en Europa y trabajas, tu horario de trabajo coincide con el horario de apertura de los principales mercados financieros. O mejor dicho con el solapamiento de Reino Unido, Europa y Estados Unidos. Si ignoramos los picos de la sesión Asiática, es entre las 10:00AM y las 17:00PM CET cuando vale la pena operar las principales divisas (euro, dólar, yen…). En estos casos, la actividad de trading, si operas intradía, la realizas justo en los horarios de finalización y cierre de los principales mercados financieros; por lo que la mayor parte de la actividad financiera ya ha sido realizada y los operadores se retiran.

A priori se podría pensar que esto supone un estancamiento de las negociaciones y una consolidación de los precios hasta la siguiente sesión, un cese de los movimientos de precios. Pero lo que se observa es que se produce un retroceso de los precios paulatino, continúa la actividad. En términos prácticos, si la tendencia intra-día era ascendente, de repente ésta se invierte muchas veces de forma drástica; por lo que si se opera pensando en términos de tendencia, en estas horas suelen observar movimientos contrarios.

En cuanto a mí, mis estrategias funcionaban como un reloj durante la sesión, pero no eran tan fiables al final de las sesiones, dado que en una hora determinada  el momento se invertía y tenía que replantear toda la estructura de precios e invalidar la preliminar, necesitando cerrar operaciones y abrir nuevas en sentido contrario.

Anteriormente había estudiado y puesto en práctica las obras de L.A. Little sobre la determinación de tendencias y de Bob Volman sobre estructuras de precios; intercambiando incluso algún e-mail con éste último. Por ese motivo, recordando algunas de las referencias de mi amigo y trader Carlos Valverde a Richard Demille Wyckoff, en referencia al perfeccionamiento de la teoría de ondas de Ralph Nelson Elliott; empecé un estudio del sistema de Wickoff. Fuera por su caracterización más categórica, fuera por otro motivo; al igual que me sucedió con la teoría de Elliott cuando estaba en la facultad de Empresariales, no encontré de mi gusto la forma de analizar los mercados. El libro «Trades About to Happen», de David H. Weis sobre el método Wickoff fue el último que leí sobre el tema, el cual por otro lado describía un sistema de trading bastante parecido al que yo ya seguía en ese momento.

Al tener una forma de pensar muy numérica, mis sistemas deben de ser reproducibles mediante codificación algorítmica para que les dé validez. El sistema actual que utilizo tiene menos de un pip de margen de error; esto es, lo cierro si el precio excede en un solo pip mi nivel de entrada. Esto significa que la entrada es extremadamente precisa o se invalida. Veamos un ejemplo:

Compra con stop loss y take profit.

Si quisiera comprar en el nivel de la línea horizontal verde, el stop loss lo pondría donde está la línea roja (justo abajo) y el take profit en un punto superior. En el ejemplo la línea azul. Si no consigo realizar mis operaciones sin que el stop loss no se active, entonces no utilizaría esa técnica hasta perfeccionarla más y poder operar con niveles muy bajos de stop loss.

Análisis armónico de precios

Como comencé a explicar en el artículo mencionado, «Extensiones de Fibonacci, incertidumbre y refuerzo«, las ratios primaras de fibonacci son las siguientes:

  • 1  (\(\frac{N}{N}\) )
  • 0 (\(N-N\) o \(\frac{0}{N}\))
  • 1.618 (\(\phi\) o «ratio de oro»), división de dos números consecutivos de la serie de Fibonacci (\(\frac{N_i}{N_{i-1}}\))
  • 0.618, inversa de \(\phi\), resultado de dividir dos números consecutivos a la inversa (\(\frac{N_{i-1}}{N_i}\)).
  • 0.382 (\(0.618^2\))
  • 0.786 (\(\sqrt{0.618}\))
  • 1.27 (\(\sqrt{1.618}\))
  • 2.24 (\(1.618 + \frac{1}{1.618}\)) o \(\phi +\frac{1}{\phi}\)
  • 2.618 (\(\frac{N_i}{N_{i-2}}\))

Otros números complementarios y auxiliares se utilizan en cáculo armónico, incluyendo:

  • 3.14 o número Pi.
  • 0.5 (\(\frac{N}{2}\)). Nótese que \(\phi +\frac{1}{\phi}\) es equivalente a \(\sqrt{0.5*10}\).

Para aplicar las ratios de Fibonacci y los complementarios necesitamos al menos cuatro puntos al los que llamamos A, B, C y D.

Puntos AB=CD, retroceso y expansión de Fibonacci.

Las ratios se miden en función de la diferencia de precios o alturas de los cuatro puntos entre ellos. Lo importante no es la longitud de las líneas que los unen, sino la diferencia de altura.

En el caso de la imagen anterior, los puntos serían los siguientes:

  • AB = 1 o 100% del intervalo de precios de referencia.
  • AC = 0.618 o un retroceso del 61.8% respecto a la longitud recorrida entre AB.
  • CD = 1 de expansión o una distancia igual a AB que ha sido recorrida desde el punto C hasta el punto D.

Así pues, los números inferiores a 1 son retrocesos y los superiores a 1 son extensiones. Y todas estas ratios hacen referencia a un segmento llamado AB, que representa la altura o diferencia de precios entre un nivel de precios A y otro B.

Este patrón AB = CD, en el que tras un retroceso C, luego se produce una expansión de la misma longitud que el segmento AB es muy frecuente. Existen diferentes formas de determinar cuándo un patrón AB=CD va a comenzar o terminar, no obstante lo importante es entender el concepto subyacente más que cómo asignar correctamente un punto A en una gráfica, cosa que se aprende de forma natural al estudiar gráficas.

Aplicación de la teoría de negociación armónica

De los números de armónicos presentados anteriormente, los más importantes son 0.618, 0.786, 1.27 y 1.618. El resto de números se suelen usar para complementar las extensiones y retrocesos del segmento AB calculados en base a los cuatro números anteriores. Por ejemplo, si la extensión 1.27 de AB coincide con la extensión 2.24 de BC en el punto D, tenemos una confluencia de ratios que otorga mayor significación a ese nivel de precios.

Donde concurren estos niveles se espera que haya reacciones importantes en los precios, en concreto, se estudian los patrones que definen qué niveles de precios van a ser puntos probables de retorno del precio. Dicho de otra manera, se sabe que esos niveles producen que el precio deje de avanzar y retorne hacia su origen cuando llega a los mismos. Este hecho se estudia, determinando qué relación hay entre los segmentos ABCD, y a veces otro principal llamado X; así como otros segmentos secundarios que pueden incluso ser A,B,C,D,a,b,c,d,X, etc…

El punto de partida es comprender que ABCD para AC=0.618 suele corresponder con AD = 1.618 y que AC=0.786 suele corresponder con AD=1.27, por lo que en función de los retrocesos iniciales, las expansiones suelen tener unas magnitudes proporcionales. Retrocesos de tan solo 0.382 suelen corresponderse con expansiones extremas que pueden fácilmente llegar a 2.618 o 3.14.

A efectos prácticos, si entramos en una operación por el motivo que sea y vemos que ese nivel corresponde con un retroceso en el nivel 0.786, es prudente tomar beneficios en el nivel 1.27 como mucho y esperar a ver qué sucede para decidir seguir en el mercado, entrar o salir.

Scott M. Cartney, el negociador armónico

De la decena aproximada de libros que he leído de trading con Fibonacci, sin duda el libro «The Harmonic Trader», escrito por Scott M. Cartney es el punto de partida; incluso el texto suficiente para entender los pormenores de la negociación armónica. Sus otros tres libros de la serie «Harmonic Trading» son más avanzados y no suplen la información de este primero, imprescindible.

El resto de libros que he leído sobre trading de alta probabilidad, trading con Fibonacci no me han valido para nada y por ese motivo desaconsejo la lectura de otros textos sobre este tema, de no ser que se haya antes completado la lectura de la obra de Scott M. Cartney en cuanto a negociación armónica.

Por si queda la duda, la siguiente gráfica de 5 minutos de GBPUSD del viernes pasado ilustra perfectamente los principios mencionados en el artículo.

En primer lugar, los dos retrocesos que sufre el precio mientras desciende, se detienen al llegar al área del 0.618.

Si calculamos las expansiones que sufren los precios tras romper el primer nivel de soportes, calculando el segmento principal XA = 1 y las proyecciones desde C hacia abajo, en relación a la longitud de XA, podemos observar cómo también se respetan los niveles de Fibonacci y cómo se crea un fuerte soporte en el nivel 1.618; tal como era de esperar tras una secuencia de retrocesos hasta 0.618. Además, el nivel D, en el que el precio sufre un brusco retroceso corresponde con la conclusión del patrón XA=CD (equivalente al principio de AB=CD, cuando solo hay 4 puntos).

Como conclusión, la negociación armónica de precios no es sencilla. En este artículo presento principios de la misma, no una estrategia de negociación basada en armónicos. Si ya cuentas con una estrategia propia, el análisis de armónicos puede ayudarte en gran medida para entender cuándo te encuentras en soporte y cuándo te encuentras en resistencia, así como para entender si la oferta o demanda tienen probabilidades de estar exhaustas, en contra de lo que intuitivamente la gráfica de precios o tus indicadores te están mostrando.

La forma de comprender el trading basado en series de Fibonacci es mediante el análisis de patrones armónicos, un tema más avanzado a la vez que imprescindible para poder empezar a aplicar el análisis armónico de precios a una estrategia de trading determinada. En la siguiente imagen se observa la estructura de un patrón tipo Gartley 222, en el cual, si se dan las condiciones favorables y se forma la estructura descrita, se vende en el punto D.

Patrón Gartley 222

Son los patrones los que nos ayudan a interpretar el estado general de la estructura de los precios. En mi caso, la estructura de la sesión diaria, en la de un inversor, la estructura de precios de los últimos años; pues si tienen una cosa es que los patrones técnicos son válidos para cualquier marco temporal. De hecho cuando empecé a practicarlo, lo hice con gráficas de 1 minuto, pues los patrones técnicos son totalmente fractales.

En la imagen siguiente comparto un análisis de armónicos realizados sobre un simulador de trading, que utilizo a menudo, con datos reales de EURUSD.

Análisis de armónicos de precios en EURUSD H1.

Extensiones de Fibonacci, incertidumbre y refuerzo

El efecto de la incertidumbre.

Si hay una sensación frustrante para el trader es lo evasiva que parece la obtención de una ganancia, la sensación de tener ahí mismo la posibilidad de enriquecerse, de estar casi a punto de conseguir un notable beneficio, comprobando una tras otra vez cómo es posible hacerlo; pero sin embargo cuando se está operando, esta ganancia es esquiva, tiene la sensación de que el mercado está contra él. Una y otra vez ve cómo justo después de cerrar una operación que parecía perdedora, el mercado cambia para ver cómo si hubiera esperado un minuto más, se hubiera convertido en una ganancia. O cómo tras cerrar una operación ganadora con un beneficio modesto, el mercado se dispara favorablemente, viendo cómo se ha desvanecido un gran beneficio por haber salido un minuto antes de tiempo.

A veces, el trader simplemente acumula pérdida tras pérdida; frustrado mientras contempla como otros operadores acumulan ganancias semana tras semana. En el lado opuesto, las experiencias derivadas de ganancias excesivamente grandes producen efectos similares a las de pérdidas. En ambos casos, el miedo y el ego desmedido requieren un acondicionamiento posterior para que el trader recupere su capacidad de análisis y gestión.

Si bien, operar con un apalancamiento mínimo es un buen punto de partida para evitar posiciones muy elevadas; la situación más corriente es una mera acumulación de pérdidas crecientes hasta que la cuenta se fulmina, el trader se frustra y finalmente decide dejar de operar y abandona la oportunidad de fraguar una carrera en el mundo de las finanzas.

La incertidumbre es la causa principal de la frustración y del desasosiego del trader. Sin embargo, hay múltiples formas de paliar esta situación, entre otras:

  1. Desarrollar una estrategia probada antes de operar.
  2. Comenzar sin exposición, ir aumentando gradualmente la exposición y el riesgo.
  3. Utilizar herramientas técnicas y datos históricos para reducir la incertidumbre y visualizar múltiples veces los datos para descubrir cada vez más detalles relevantes, oportunidades y riesgos.

Extensiones de Fibonacci

Las series de Fibonacci son series con crecimiento exponencial útiles para la gestión de grandes magnitudes.  Observemos esta gráfica de precios.

SGD/JPY

A las 15:00 el cruce del dólar de Singapur con el Yen japonés comienza un rally de 35 pips que finaliza a las 16:35. Tras el rally, el instrumento prosigue con un período de acumulación de unos 60 minutos. A las 18:00 una vela bajista rompe el soporte del rango de acumulación, que he dibujado en forma de un cuadrado.

Supongamos que tenemos un motivo para pensar que en esta estructura de precios, esa vela roja de las 18:00 supone un signo de entrada de venta en corto. Supongamos que vendemos en ese punto.

¿Qué beneficio mínimo podemos esperar de esa operación? Dejemos el riesgo aparte. Pensemos solo en cuál es el punto de alta probabilidad que nos maximiza la esperanza de beneficio. Dados los miles de distintos marcos temporales en los que la negociación ocurre a lo largo de todo el planeta y dados los millones de operadores, mecánicos y humanos; es razonable pensar que los movimientos de los precios son armónicos. Y dada la cantidad ilimitada de escalas de tiempo y de recursos; también podemos pensar que existe un número exponencialmente creciente de fuerzas que mueven los mercados en cada escala de tiempo y precio. Y que para que haya un equilibrio de mercado, también podemos suponer que existe una relación directa entre el marco temporal y la amplitud de las operaciones que ocurren en dichos marcos temporales.

A partir de estos principios se desarrolló el trading armónico, los patrones armónicos y las herramientas armónicas como los niveles de Fibonacci en trading.

Calculando la sucesión de Fibonacci.

La serie de Fibonacci está definida mediante la siguiente función:

\(F_0=0\)
\(F_1=1\)
\(F_n=F_{n-1} + F_n, \forall n, n>1\)

De esta manera, los primeros números de la serie de Fibonacci son:
\(0, 1, 1, 2, 3, 5, 8, 13, 21, 34, 55, 89, 144, 233, 377, 610\)

En trading utilizamos esta serie para aproximar el efecto de la expansión armónica que sufren los cambios en los mercados y para anticiparnos a las mismas. En mi caso es una herramienta auxiliar, muy útil por otro lado cuando la utilizo, aunque lo cierto es que no es mi estrategia general, por cuestión de mis propias preferencias.

Las series de Fibonacci tienen su aplicación con magnitudes relativamente grandes. Con magnitudes menores de 100 tiene poco sentido y aplicación. Tanto de la serie en sí como de ratios generados con los números de la misma, obtenemos coeficientes para aplicar en nuestro trading.

Serie Fibonacci Ratio_1 (Ni/Ni+1) Ratio_2 (Ni/Ni+2) Ratio_3 (Ni/Ni+3)
0 Dividimos cada número por el posterior. Dividimos cada número por el segundo posterior. Dividimos cada número por el tercero posterior.
1 1.0000 0.5000 0.3333
1 0.5000 0.3333 0.2000
2 0.6667 0.4000 0.2500
3 0.6000 0.3750 0.2308
5 0.6250 0.3846 0.2381
8 0.6154 0.3810 0.2353
13 0.6190 0.3824 0.2364
21 0.6176 0.3818 0.2360
34 0.6182 0.3820 0.2361
55 0.6180 0.3819 0.2361
89 0.6181 0.3820 0.2361
144 0.6180 0.3820 0.2361
233 0.6180 0.3820 0.2361
377 0.6180 0.3820 0.2361
610 0.6180 0.3820 N/A
987 0.6180 N/A N/A
1597 N/A N/A N/A

Veamos 4 ratios elementales:

  • 0 o 0%
  • 1 o 100%
  • 0.618 o 61.8%
  • 1.618 o 161.8%

1.1618 se obtiene dividiendo un número de la serie por el número anterior, por ejemplo:
\(377\div233=1.618025751\)

Extensión de Fibonacci del rango.

Usando las ratios y porcentajes indicados, dibujamos una expansión de los movimientos que ocurrieron en el rango marcado:

SGD/JPY. Expansión de Fibonacci sobre rango.

Para ello determinamos la escala que queremos operar. En este caso, la escala del movimiento que va desde el punto 1 al punto 2. Sabemos que hay operadores que vendieron en 1 y que dejaron de hacerlo cuando se llegó al punto 2. Vamos a esperarnos a que vuelvan a vender y captar los beneficios de quienes estén comprando en ese mismo rango.

En el punto 3 observamos que las ventas vuelven a aparecer. De esa manera, marcamos el 3 como el inicio de la expansión, marcando con líneas horizontales cuando el precio avanza 0.618, 1, 1.618 y 0 veces el rango absoluto entre los puntos 1 y 2 (el 0 se da cuando el precio retrocede de nuevo hasta el punto de partida inicial).

Y podemos observar cómo cuando el precio alcanza cada uno de esos niveles de expansión exponencial siempre sucede algo, no es un nivel que el precio suela atravesar a la primera. En esos puntos se concluyen operaciones. Son niveles que nos sirven para poder elaborar estrategias y reducir la incertidumbre de la que hablamos.

Con un estudio sistemático de cientos de gráficas podemos determinar niveles y técnicas de rentabilización de esos niveles.

El Refuerzo

Si tras desarrollar una estrategia, la ponemos en práctica con éxito en simulación, luego en demo y luego en real progresivamente, crearemos un refuerzo positivo; lo suficiente fuerte como para ayudarnos a pensar racionalmente y mantenernos conscientes durante todo el tiempo, adquiriendo madurez y seguridad. Lo suficientemente moderado para no sufrir efectos traumáticos positivos o negativos que nos hagan perder los papeles.

Es importante hacer la transición a mercados reales siempre operando con la cantidad mínima permitida, de forma que perder o ganar no nos afecte financieramente. En Fórex abrir operaciones en M5 de 0.01 lotes supone ganar o perder unos pocos céntimos. Y así, progresivamente, ir aumentando muy despacio las cuantías, semana tras semana hasta la cantidad óptima de nuestra estrategia de riesgo/beneficio.

En inversiones, la estrategia perfectamente definida y seguida a rajatabla, la práctica intensiva y la exposición gradual son elementos necesarios. Y no son los únicos, de hecho.