K- Means: Clustering de acciones
Para continuar con el artículo anterior sobre K-Means, hoy quería ver un lado un poco más práctico. La idea es utilizar minería de datos aplicada a un problema de diversificación y agrupación sectorial de las acciones (no me olvido que en este blog se habla sobre inversión y trading cuantitativo, así que intento no perder demasiado el foco).
En este artículo, como técnica de clustering, utilizaremos el algoritmo K-Means con Python.
Comenzamos:
¿Cómo afecta la fortaleza del dólar a tu cartera? La evolución del dólar, divisa de referencia para los mercados, no puede dejar indiferente a ningún inversor (afecta tanto a aquellos que apuntan al largo plazo como a aquellos inversores más cortoplacistas).
Con la evolución del dólar de este año he podido leer varios artículos de analistas que buscan explicar, y a veces predecir, qué activos se verán más afectados. Mi problema es que muchos de estos artículos son básicamente narrativos y no me permiten medir el problema. A esta altura, algunos lectores de esta web ya conocen mi fanatismo por medir y cuantificar. No me siento cómoda aceptando ideas que no se pueden demostrar de alguna forma, así que he buscado un enfoque que me permite cuantificar la sensibilidad de varias clases de activos frente a la fortaleza del dolar.
Vamos a hacer un mini estudio utilizando Python y algunas estadísticas simples.
Pero primero comencemos aclarando qué entendemos por «sensibilidad» cuando hablamos de activos financieros.
La sensibilidad es la magnitud de la reacción de un instrumento financiero a los cambios en los factores subyacentes.
Como comentábamos antes en el artículo sobre asset allocation, las distintas clases de activos son los distintos bloques con los que se construye la cartera.
Quandl es una plataforma que recopila bases de datos financieros de diversas fuentes.
Puedes encontrar datos de tipos de cambio, cotizaciones de acciones y futuros, datos demográficos, información contable de empresas cotizadas, datos macroeconómicos, etc.
Lo que me parece realmente interesante en este proveedor de datos es su facilidad para conectarse con varias plataformas. Quandl tiene integraciones con la mayoría de los principales lenguajes y herramientas analíticas.
Hace ya unos años publicamos en el blog una guía utilizar datos de Quandl con Amibroker. Desde entonces varias cosas han evolucionado y ahora también puedes utilizar los datos de Quandl con Quantopian, R, Matlab, Satata, TradingView, Wealth-lab, …
En el post de hoy la idea es compartir un notebook (al estilo template) para obtener datos financieros de Quandl utilizando Python.
Comenzamos…
Con el libro Successful Algorithmic Trading – Applying the scientific method for profitable trading results de Michel Halls-Moore, nos metemos de cabeza en el trading algorítmico.
Advierto primero que este no es un libro de introducción al trading. Se trata más bien de un libro de nivel medio-alto. Está orientado a inversores con algo de experiencia, tanto en trading como en programación, que busquen aprender cómo implementar estrategias de trading algorítmico.
El lenguaje de programación que utiliza es Python y con la compra del libro también te puedes descargar los scripts.
Muchos de los que trastean con sistemas de trading automáticos conocen la web de Quanstart. En lo personal he recurrido bastantes veces a su web y es por este motivo que me lancé también con su ebook.
Desde que en mayo 2017 Yahoo Finance cerró su API he estado buscando opciones de proveedores de datos para mis análisis en Python.
De momento he estado utilizando algunas veces datos de Quandl, otras veces GoogleFinance, en ocasiones utilizo la web de Quantopian. Pero hoy quería compartir otra fuente de datos financieros para Python que aún no había probado: Alpha Vantage
En realidad lo que ofrece Alpha Vantage son datos gratuitos accesibles a través de una conexión con APIs, por lo que además de utilizarlo con Python también lo puedes utilizar con R (ver info R package aquí), Excel, importar los csv en Amibroker, etc.
Hoy aquí comparto mis pruebas al utilizarlo con Python.
Comenzamos…
El artículo de hoy tiene dos objetivos. Por un lado, analizar un sistema de trading con ETFs apalancados y, por el otro, comenzar a meter mi nariz en Quantopian para ver qué tal funciona su herramienta de backtesting.
Este es un sistema que combina renta fija y renta variable a partir de una distribución dinámica con ETFs apalancadComo habíamos analizado en este artículo, combinar posiciones en un ETF de renta fija con posiciones un ETF de renta variable es una estrategia que a largo plazo tiene sentido. ¿Pero qué pasa si a esta combinación le añadimos asignaciones variables y leverage?
Pues esta es la idea del sistema «Hell on Fire»
Vamos a ello…
