Machine Translated by Google LAS MATEMÁTICAS DE LA GESTIÓN DEL DINERO: TÉCNICAS DE ANÁLISIS DE RIESGOS PARA COMERCIANTES por Ralph Vince Machine Translated by Google Publicado por John Wiley & Sons, Inc. Datos de catalogación en publicación de la Biblioteca del Congreso Vince. Ralph. 1958­Las matemáticas de la gestión del dinero: técnicas de análisis de riesgos para traders/por Ralph Vince. Incluye referencias bibliográficas e indice. ISBN 0­471­54738­7 1. Análisis de inversiones—Matemáticas. 2. Gestión de riesgos: Matemáticas 3. Negociación de programas (valores) HG4529N56 1992 332,6'01'51­dc20 91­33547 Prefacio y dedicatoria La acogida favorable de Portfolio Management Formulas superó incluso las mayores expectativas que jamás había tenido sobre el libro. Se lo había escrito a promover el concepto de f óptima y comenzar a sumergir a los lectores en la teoría de la cartera y su relación faltante con f óptima. Además de encontrar amigos, Portfolio Management Formulas se encontró sorprendentemente con un gran apetito por las matemáticas relacionadas con la gestión del dinero. De ahí este libro. Estoy en deuda con Karl Weber, Wendy Grau y otros de John Wiley & Sons que me permitieron la libertad necesaria que requería este libro. Hay muchas otras personas con quienes he mantenido correspondencia de un modo u otro, o que de una forma u otra han contribuido, ayudado o influido en el material de este libro. Entre ellos se encuentran Florence Bobeck, Hugo Rourdssa, Joe Bristor, Simon Davis, Richard Firestone, Fred Gehm (con quien tuve la suerte de trabajar durante un tiempo), Monique Mason, Gordon Nichols y Mike Pascaul. También deseo agradecer a Fran Bartlett de G & H Soho, cuyo magistral trabajo ha transformado una vez más mi pequeña montaña de caos, mi pequeño camión lleno de leña, en el producto terminado que ahora tienes en tus manos. Esta lista no está ni cerca de ser completa, ya que hay muchos otros que, en diversos grados, influyeron en este libro de una forma u otra. Este libro me ha dejado completamente agotado y pretendo que sea el último. Teniendo esto en cuenta, me gustaría dedicárselo a las tres personas que más me han influido. A Rejeanne, mi madre, por enseñarme a apreciar una imaginación vívida; a Larry, mi padre, por mostrarme desde pequeño cómo apretar números para hacerlos saltar; a Arlene, mi esposa, socia y mejor amiga. Este libro es para ustedes tres. Tus influencias resuenan a lo largo de él. Chagrin Falls, Ohio RV marzo de 1992 ­2­ Machine Translated by Google Índice Capítulo 5 ­ Introducción a múltiples posiciones simultáneas bajo el Introducción ................................................ ................................................ 5 Ámbito de Enfoque paramétrico ................................................ ................................61 Estimación de la volatilidad ................. ................................................. .........61 Ruina, riesgo y este libro ................................................ ................................5 Algunos conceptos realidad ................................. ................................. 62 Modelos de precios de erróneos prevalentes ................. ................................................6 Peor­ Escenarios opciones ......... ................................................. .................62 Un modelo europeo de casos y estrategias ................................................ ...........6 Notación matemática ................................. ........................................7 Construcciones de valoración de opciones para todas las distribuciones ................65 La opción ................................................. larga única y f óptima 66 La única opción corta ................................. .................................69 sintéticas en este texto... ................................................. ...... 7 8 Capítulo 1­Las ................................................. La posición única en el Instrumento Subyacente ................. ............... 70 Múltiples Cantidades comerciales óptimas y f óptima posiciones simultáneas con una relación causal ............... 70 Múltiples posiciones técnicas empíricas ................................. ....................9 Decidir la simultáneas con una relación aleatoria .... ........ 72 Capítulo 6 ­ Relaciones cantidad ......................... ................................................. .9 Conceptos correlativas y derivación de las variables eficientes básicos ................................................ ........................................9 La prueba de carreras..... ................................................. ................................10 Correlación Frontera ................................................. ................................................. 73 Definición serial ................ ................................................. ................11 Errores comunes de del problema ................................................. ...................... 73 S oluciones de dependencia .................. ................................. 12 Expectativa sistemas lineales utilizando matrices equivalentes a filas ........76 Interpretación de Matemática ................. ................................................. .. 13 Para reinvertir o no las los resultados . ................................................. .................77 Capítulo 7 ­ La ganancias comerciales ........................................ ............... 14 Cómo garantizar un geometría de las carteras .................. ........................80 Las Líneas del Mercado de buen sistema de reinversión la Media Geométrica ..... 14 ¿Cuál es la mejor manera de reinvertir ............? ................................................. ............15 Capitales (CML) ................ .................................80 La frontera geométrica eficiente ......... ................................................81 Sin restricciones Negociación óptima con fracciones fijas ................................. ............15 Fórmulas carteras ................................................. ...................83 Cómo encaja optima lf con de Kelly ................................. ................................................. dieciséis Encontrar la las carteras óptimas ......... ................. 84 Umbral de The Geométrico para Portafolios ......................... .................85 Completando el f óptima por la media geométrica ................................16 Para resumir hasta ahora ................................................. .................... 17 Comercio medio bucle ................................ ........................................ 85 Capítulo 8 ­ Gestión de geométrico ......................... ........................................17 Por qué debe conocer su ................................................. nivel óptimo f 18 La gravedad de la reducción ......................................... .................... riesgos . ................................................. .................88 Asignación de activos ................................. ................................................88 Volver asignación: 18 Teoría moderna de carteras ........................ .................................................19 El cuatro métodos ................................................ .................90 ¿Por qué modelo de Markovitz . ................................................. ......................19 La estrategia de cartera de media geométrica ......... ........................21 Procedimientos diarios reasignar? ................................................. .................................92 Seguro de cartera – La cuarta técnica de reasignación ......... .......92 La restricción del para utilizar carteras óptimas ................. ................ 21 Asignaciones superiores al margen ................................. .................................95 Mercados 100% ........................... ................................22 Cómo la dispersión de los resultados afecta el crecimiento geométrico ......... ......23 La ecuación fundamental del rotativos ................. ................................................. ................96 Para resumir ................................ ................................................. .....96 Aplicación a la trading ................................. ......... 24 Capítulo 2 ­ Características del comercio negociación de acciones ................................. ......................97 Un comentario de fraccionario fijo y saludable clausura ......................... ................................................. 97 AP PÉNDICE A ­ La prueba de chi­cuadrado ......................... .................98 AP PÉNDICE B ­ Otras distribuciones comunes .................. ......... 99 La Distribución Técnicas ................................................. ................................................26 Óptimo si para Los pequeños comerciantes que recién comienzan ........................................26 Uniforme ................................. ................................. 99 La Distribución El umbral de lo geométrico. ................................................. ................... 26 Un Bernouli ................. ................................................ 100 El Binomio bankroll combinado versus bankrolls separados ........................ .....27 Thre en cada Distribución ................................................. ................. 100 La distribución jugada como si se repitiera infinitamente .................................... ......28 Pérdida de geométrica ................................ ................................. 101 La distribución eficiencia en apuestas simultáneas o negociación de carteras ..........28 Tiempo hipergeométrica ................. ................................... 101 La distribución de necesario para alcanzar un objetivo específico y problemas con las operaciones fraccionarias Poisson ........... ................................................. .....102 f ................................................. ................................................. ...... 29 La distribución exponencial ................................................ ............102 La distribución Comparación de sistemas comerciales ................................................ ..................30 Chi­Cuadrado ................................. ................................103 La distribución del Demasiada sensibilidad ante la mayor pérdida ......................... ......................... 30 estudiante ................. ................................................103 La distribución Igualación de f óptima ......................... ................................................. ...31 multinomial ................................................. ........ 104 La distribución paretiana Promediar dólares y compartir ideas promediadoras ......................... 32 Las leyes del arco­seno y los paseos aleatorios ................................. ... 33 Tiempo invertidoen una reducción ......................................... ........................34 Capítulo 3 ­ F óptima estable ................................. .................104 APÉNDICE C ­ Más sobre la dependencia: los puntos de inflexión y la fase Pruebas de longitud ................................................ .......................................... 106 paramétrica en la distribución normal ................. .35 Los conceptos básicos de las distribuciones de probabilidad ................................. ....35 Medidas descriptivas de distribuciones ......................................... ........35 Momentos de una distribución.................................. ................................36 La distribución normal ................. ................................................. ..37 El teorema del límite central ................................................ .................... 38 Trabajando con la Distribución Normal ......................... .........................38 Probabilidades normales .................. ................................................. 39 Otras derivadas de lo normal .......................................... ........41 La distribución lognormal ................................. .......................... 41 El óptimo paramétrico f .................. ................................................. 42 La distribución de las pérdidas y ganancias comerciales ................................. ..............43 Cómo encontrar f óptima en la distribución normal ................. ........ 44 La mecánica del procedimiento ................................. .................... 45 Capítulo 4 ­ Técnicas paramétricas en otras distribuciones .................... 49 La prueba de Kolmogorov­Smirnov (KS) ........................................ .....49 Creando nuestra propia Función de Distribución de Características .....50 Ajustando los Parámetros de la distribución ........ ...................................52 Uso de los parámetros para encontrar la f óptima 54 Realización de "¿Qué pasaría si?"................................................ ................................................. .................... 56 Ecualización f ......................... ................................................. .............56 Optima lf sobre otras distribuciones y curvas ajustadas ................. 56 Planificación de escenarios ................................................. .................................57 Optima lf en datos agrupados ........... ................................................. ........60 ¿Cuál es la mejor f óptima? ................................................. ............60 ­3­ Machine Translated by Google ­4­ Machine Translated by Google Los lectores encontrarán que este libro es más abstruso que su predecesor. Introducción Por tanto, este no es un libro para principiantes. Muchos lectores de este texto habrán leído Fórmulas de gestión de carteras. Para aquellos que no lo han hecho, el Capítulo 1 de este libro resume, a grandes rasgos, los conceptos básicos de las Fórmulas de gestión de carteras. La ALCANCE DE ESTE LIBRO inclusión de estos conceptos básicos permite que este libro sea "independiente" de las Fórmulas de gestión de carteras. En la primera frase del prefacio de Portfolio Management Formulas, el precursor de este libro, escribí que se trataba de un libro sobre herramientas matemáticas. Muchas de las ideas tratadas en este libro ya están en práctica por administradores de dinero profesionales. Sin embargo, las ideas que están muy extendidas entre los administradores Este es un libro sobre máquinas. Aquí tomaremos herramientas y construiremos máquinas­herramientas más grandes, más elaboradas y más poderosas, donde el todo sea mayor que la suma de las partes. Intentaremos diseccionar máquinas que de otro modo serían cajas negras de tal manera que podamos de dinero profesionales no suelen estar fácilmente disponibles para el público inversor. Como hay dinero de por medio, todo el mundo parece ser muy reservado respecto de las técnicas de cartera. Encontrar información a este respecto es como intentar encontrar información sobre las bombas atómicas. Estoy en deuda con numerosos bibliotecarios que me ayudaron a través de entenderlas completamente sin tener que cubrir todos los temas relacionados (lo que habría hecho imposible este libro). Por ejemplo, un discurso sobre cómo construir un motor a reacción puede ser muy detallado sin tener que enseñarte química para que sepas cómo funciona el muchos laberintos de revistas profesionales para llenar muchos de los vacíos en la redacción de este libro. combustible para aviones. Lo mismo ocurre con este libro, que se basa en gran medida en Este libro no requiere que usted utilice un sistema de comercio objetivo y mecánico para muchas áreas, particularmente en estadística, y toca el cálculo. No estoy tratando de enseñar matemáticas aquí, aparte de las necesarias para comprender el texto. Sin embargo, he intentado poder emplear las herramientas que se describen en este documento. En otras palabras, alguien escribir este libro de modo que, si entiendes cálculo (o estadística), tenga sentido y, si no, habrá que utiliza Elliott Wave para tomar decisiones comerciales, por ejemplo, ahora puede emplear f poca o ninguna pérdida de continuidad, y aún podrás utilizarlo y comprenderlo. (en su mayor óptima. Sin embargo, las técnicas descritas en este libro, como las de Fórmulas de gestión de parte) el material cubierto sin sentirse perdido. carteras, requieren que la suma de sus apuestas sea un resultado positivo. En otras palabras, estas técnicas harán mucho por ti, pero no harán milagros. Mezclar dinero no puede convertir las pérdidas en ganancias. Para empezar, debes tener un enfoque ganador. Ciertas funciones matemáticas se utilizan de vez en cuando en estadística. Estas funciones, La mayoría de las técnicas defendidas en este texto son técnicas que le resultarán que incluyen las funciones gamma y gamma incompleta, así como las funciones beta y beta incompleta, a menudo se denominan funciones de física matemática y residen justo más allá del ventajosas a largo plazo. A lo largo del texto encontrará el término "un sentido asintótico" que perímetro del material de este texto. Cubrirlos con la profundidad necesaria para hacer justicia al significa el resultado final de algo realizado un número infinito de veces, cuya probabilidad se lector está más allá del alcance y de la dirección de este libro. Este es un libro sobre gestión de acerca a la certeza a medida que continúa el número de intentos. En otras palabras, algo de lo cuentas para traders, no sobre física matemática, ¿recuerdas? Para aquellos verdaderamente que podemos estar casi seguros a largo plazo. La raíz de esta expresión es el término matemático interesados en conocer la "química del combustible para aviones", sugiero Recetas Numéricas, "asíntota", que es una línea recta considerada como límite de una línea curva en el sentido de a las que se hace referencia en la Bibliografía. que la distancia entre un punto en movimiento en la línea curva y la línea recta tiende a cero cuando el El punto se mueve una distancia infinita desde el origen. He tratado de cubrir mi material lo más profundamente posible considerando que no es El comercio nunca es un juego fácil. Cuando la gente estudia estos conceptos, a menudo necesario saber cálculo o funciones de física matemática para ser un buen comerciante o administrador de dinero. En mi opinión, no existe mucha correlación entre la inteligencia y ganar tiene una falsa sensación de poder. Digo falso porque la gente tiende a tener la impresión de dinero en los mercados. Con esto no quiero decir que cuanto más tonto seas, creo que mayores que algo muy difícil de hacer es fácil cuando entienden la mecánica de lo que deben hacer. A serán tus posibilidades de éxito en los mercados. Quiero decir que la inteligencia por sí sola no medida que lea este texto, tenga en cuenta que no hay nada en este texto que lo convierta en un es más que un aporte muy pequeño a la ecuación de lo que caracteriza a un buen trader. En mejor operador, nada que mejore su momento de entrada y salida de un mercado determinado, términos de qué aportaciones hacen a un buen trader, creo que la fortaleza mental y la disciplina nada que mejore su selección de operaciones. superan con creces a la inteligencia. Todos los traders exitosos que he conocido o de los que he oído hablar han tenido al menos una experiencia de pérdida catastrófica. El denominador Estos ejercicios difíciles seguirán siéndolo incluso después de que haya terminado y comprendido común, al parecer, la característica que separa a un buen comerciante de los demás, es que el este libro. buen comerciante levanta el teléfono y pone orden cuando las cosas están en su punto más Desde la publicación de Portfolio Management Formulas , algunas personas me han sombrío. Esto requiere mucho más de un individuo de lo que el cálculo o la estadística pueden preguntado por qué elegí escribir un libro en primer lugar. El argumento suele tener algo que ver enseñarle. con que el mercado es un ámbito competitivo y, en su opinión, escribir un libro es análogo a educar a los adversarios. En resumen, he escrito esto como un libro para que lo utilicen los comerciantes en el Los mercados son vastos. Muy pocas personas parecen darse cuenta de lo enormes que mercado del mundo real. No soy un académico. Mi interés está en la utilidad del mundo real son los mercados actuales. Es cierto que los mercados son un juego de suma cero (en el mejor antes que en la pureza académica. de los casos), pero como resultado de su enormidad usted, el lector, no es mi adversario. Además, he tratado de proporcionar al lector más información básica de la que requiere el texto con la esperanza de que el lector profundice en los conceptos más allá de lo que yo he Como la mayoría de los traders, yo mismo soy a menudo mi mayor enemigo. Esto no sólo es cierto en mis esfuerzos dentro y alrededor de los mercados, sino en la vida en llegado aquí. general. Otros comerciantes no representan para mí la amenaza que yo mismo represento. No creo que esté solo en esto. Creo que la mayoría de los traders, como yo, son sus peores Una cosa que siempre me ha intrigado es la arquitectura de la música: la teoría musical. enemigos. Disfruto leyendo y aprendiendo sobre esto. Sin embargo, no soy músico. Ser músico requiere cierta disciplina que la simple comprensión de los rudimentos de la teoría musical no puede A mediados de la década de 1980, a medida que la microcomputadora se estaba otorgar. Lo mismo ocurre con el comercio. La administración del dinero puede ser el núcleo de convirtiendo rápidamente en la herramienta principal para los operadores, había una gran un programa comercial sólido, pero simplemente comprender la administración del dinero no lo cantidad de programas comerciales que entraban en una posición con una orden stop, y la convertirá en un operador exitoso. colocación de estas paradas de entrada era a menudo una función de la volatilidad actual. en un mercado determinado. Estos sistemas funcionaron maravillosamente durante un tiempo. Luego, cerca del final de la década, este tipo de sistemas parecieron colapsar. En el mejor de los casos, Este es un libro sobre teoría musical, no un libro de instrucciones sobre cómo tocar un sólo pudieron obtener una pequeña fracción de las ganancias que estos sistemas obtenían instrumento. Del mismo modo, este no es un libro sobre cómo vencer a los mercados y no encontrará un único gráfico de precios en este libro. Más bien es un libro sobre conceptos apenas unos años antes. La mayoría de los comerciantes de estos sistemas los abandonarían matemáticos, que da ese importante paso de la teoría a la aplicación, que usted puede emplear. más tarde, afirmando que si "todo el mundo los comerciaba, ¿cómo podrían seguir funcionando?". No le otorgará la capacidad de tolerar el dolor emocional que el comercio inevitablemente le depara, gane o pierda. La mayoría de estos sistemas negociaban en el mercado de futuros de Bonos del Tesoro. Consideremos ahora el tamaño del mercado al contado subyacente a este mercado de futuros. Los árbitros en estos mercados intervendrán cuando los precios del contado y de los futuros Este libro no es una secuela de Fórmulas de gestión de carteras. diverjan en una cantidad apropiada (normalmente no más de unos pocos ticks), comprando el Más bien, las fórmulas de gestión de carteras sentaron las bases de lo que se tratará aquí. menos costoso de los dos instrumentos y vendiendo ­5­ Machine Translated by Google el más caro. Como resultado, la divergencia entre el precio del efectivo y los futuros se PEORES ESCENARIOS Y ESTRATEGIA disipará en poco tiempo. El único momento en que la relación entre efectivo y futuros La parte de "esperar lo mejor" es bastante fácil de manejar. Prepararse para lo peor realmente puede salirse de control es cuando un shock exógeno, como algún tipo de es bastante difícil y algo que la mayoría de los traders nunca hacen. Prepararse para lo acontecimiento noticioso, hace que los precios diverjan más de lo que normalmente permitiría el proceso de arbitraje. Estas perturbaciones suelen ser de muy corta duración y bastante raras. Un arbitrajista capitaliza las discrepancias de precios, un tipo de las cuales es la relación de un contrato de futuros con su instrumento en efectivo subyacente. Como resultado de este proceso, el mercado de futuros de bonos del Tesoro está intrínsecamente ligado al enorme mercado de bonos del Tesoro en efectivo. El mercado de futuros refleja, al menos con una precisión de unos pocos ticks, lo que está pasando en el gigantesco peor, ya sea en el comercio o en cualquier otra cosa, es algo que la mayoría de nosotros posponemos indefinidamente. Esto es particularmente fácil de hacer si consideramos que los peores escenarios suelen tener probabilidades de ocurrencia bastante remotas. Sin embargo, prepararnos para el peor de los casos es algo que debemos hacer ahora. Si queremos estar preparados para lo peor, debemos hacerlo como punto de partida de nuestra estrategia de gestión del dinero. A medida que avance en este texto verá que siempre elaboramos una estrategia a mercado de efectivo. El mercado de efectivo no está, ni nunca ha estado, dominado por partir del peor de los casos. Siempre comenzamos con el peor de los casos y lo operadores de sistemas. Todo lo contrario. incorporamos a una técnica matemática para aprovechar situaciones que incluyen la realización del peor de los casos. Volviendo ahora a nuestro argumento, ¡es bastante inconcebible que todos los Finalmente, debes considerar el siguiente axioma. Si juegas un juego con operadores en el mercado de contado comenzaran a operar con los mismos tipos de responsabilidad ilimitada, arruinarás con una probabilidad que se acerca a la certeza a sistemas que aquellos que ganaban dinero en el mercado de futuros en ese momento! Tampoco es más concebible que estos participantes en efectivo decidieran unirse contra aquellos que se estaban beneficiando del mercado de futuros. No hay ninguna razón válida por la que estos sistemas deberían haber dejado de funcionar, o dejar de funcionar tan bien como lo habían hecho, simplemente porque muchos Los comerciantes de futuros los negociaban. Ese argumento también sugeriría que un gran participante en un mercado muy medida que la duración del juego se acerca al infinito. No es una perspectiva muy agradable. La situación se puede entender mejor diciendo que si sólo puedes morir al ser alcanzado por un rayo, eventualmente morirás al ser alcanzado por un rayo. Simple. Si intercambia un vehículo con responsabilidad ilimitada (como futuros), eventualmente experimentará una pérdida de tal magnitud que perderá todo lo que tiene. reducido estaría condenado al mismo fracaso que los operadores de estos sistemas en los Por supuesto, las probabilidades de ser alcanzado por un rayo son extremadamente bonos. Del mismo modo, es una tontería creer que se eliminará toda la grasa de los pequeñas para usted hoy y extremadamente pequeñas para usted durante los próximos cincuenta años. mercados sólo porque escribo un libro sobre conceptos de gestión de cuentas. Sin embargo, la probabilidad existe, y si vivieras lo suficiente, eventualmente esta Eliminar el exceso del mercado requiere más que una comprensión de los conceptos de administración del dinero. Se requiere disciplina para tolerar y soportar el dolor emocional a un nivel que 19 de cada 20 personas no pueden soportar. Esto no lo aprenderás en este libro ni en ningún otro. Cualquiera que diga estar intrigado por el "desafío intelectual de los mercados" no es un comerciante. Los mercados son tan desafiantes intelectualmente como una pelea a puñetazos. En ese probabilidad microscópica se haría realidad. Del mismo modo, la probabilidad de experimentar una pérdida catastrófica en una posición hoy puede ser extremadamente pequeña (pero mucho mayor que la de ser alcanzado por un rayo hoy). Sin embargo, si opera durante el tiempo suficiente, eventualmente esta probabilidad también se hará realidad. Hay tres posibles cursos de acción que puede tomar. Una es comercializar sólo vehículos donde la responsabilidad es limitada (como las opciones largas). sentido, el mejor consejo que conozco es cubrirse siempre la barbilla y golpear mientras corre. Ya sea que ganes o pierdas, hay importantes derrotas en el camino. Pero en realidad La segunda es no comerciar durante un período de tiempo infinitamente largo. La mayoría los mercados tienen muy poco que ofrecer como desafío intelectual. En última instancia, de los traders morirán antes de ver manifestarse la pérdida catastrófica (o antes de ser el trading es un ejercicio de autodominio y resistencia. Este libro intenta detallar la estrategia alcanzados por un rayo). También existe la probabilidad de una enorme operación de la pelea a puñetazos. Como tal, este libro es de utilidad sólo para alguien que ya posee ganadora, y una de las cosas buenas de ganar en el trading es que no es necesario tener la fortaleza mental necesaria. una operación ganadora gigantesca. Muchas victorias menores serán suficientes. Por lo tanto, si no va a comercializar vehículos de responsabilidad limitada y no va a morir, decida que dejará de comercializar vehículos de responsabilidad ilimitada por completo siempre y cuando el capital de su cuenta alcance algún objetivo preespecificado. . Si logras ALGUNOS CONCEPTOS ERRÓNEOS PREVALENTES ese objetivo, sal y no vuelvas nunca más. Te encontrarás cara a cara con muchos conceptos erróneos prevalentes en este texto. Entre ellas se encuentran: Hemos estado discutiendo los peores escenarios y cómo evitarlos, o al menos reducir − La ganancia potencial frente al riesgo potencial es una función lineal. Es decir, cuanto las probabilidades de que ocurran. Sin embargo, esto no nos ha preparado realmente para más arriesgues, más ganarás. que ocurran y debemos prepararnos para lo peor. Por ahora, considera que hoy tuviste esa pérdida catastrófica. Su cuenta ha sido bloqueada. La firma de corretaje quiere saber qué − Su posición en el espectro de riesgo depende del tipo de vehículo. va a hacer con ese gran débito en su cuenta. No esperabas que esto sucediera hoy. Nadie cle que está comercializando. que alguna vez experimente esto lo espera. − La diversificación reduce las caídas (puede hacerlo, pero sólo en una medida muy pequeña: mucho menos de lo que la mayoría de los comerciantes creen). − El precio se comporta de forma racional. El último de estos conceptos erróneos, que el precio se comporta de manera racional, es probablemente el menos comprendido de todos, considerando lo devastadores que Tómate un tiempo e intenta imaginar cómo te sentirás en tal situación. A continuación, intente determinar qué hará en tal caso. Ahora escriba en una hoja de papel exactamente lo que hará, a quién puede llamar para obtener ayuda legal, etc. Hágalo lo más definitivo pueden ser sus efectos. Por "manera racional" se entiende que cuando se realiza una posible. Hazlo ahora para que si sucede sepas qué hacer sin tener que pensar en estos operación a un precio determinado, se puede estar seguro de que el precio avanzará de manera ordenada hasta el siguiente tick, ya sea hacia arriba o hacia abajo, es decir, si un precio se está moviendo desde de un punto a otro, se negociará en todos los puntos asuntos. ¿Hay medidas que pueda tomar ahora para protegerse antes de esta posible pérdida catastrófica? ¿Está seguro de que no preferiría cambiar un vehículo con responsabilidad limitada? intermedios. La mayoría de la gente es vagamente consciente de que el precio no se comporta de esta manera, sin embargo, la mayoría de la gente desarrolla metodologías Si va a cambiar un vehículo con responsabilidad ilimitada, ¿en qué punto positivo se comerciales que asumen que el precio actúa de esta manera ordenada. detendrá? Anota cuál es ese nivel de beneficio. Pero el precio es un valor percibido sintético y, por tanto, no actúa de manera tan No se limite a leer esto y luego seguir leyendo el libro. Cierra el libro y piensa en estas racional. El precio puede dar saltos muy grandes en ocasiones al pasar de un precio a otro, cosas por un rato. Éste es el punto a partir del cual construiremos. evitando por completo todos los precios intermedios. El precio es capaz de dar saltos gigantescos y con mucha más frecuencia de lo que la mayoría de los comerciantes creen. Estar en el lado equivocado de tal movimiento puede ser una experiencia devastadora, que aniquila por completo a un operador. El objetivo aquí no ha sido hacerte pensar de forma fatalista. Eso sería contraproducente, porque para operar eficazmente en los mercados se necesitará mucho optimismo de su parte para superar las inevitables y prolongadas rachas ¿Por qué mencionar este punto aquí? Porque la base de cualquier estrategia de de pérdidas. El objetivo aquí ha sido hacerle pensar en el peor de los casos y hacer planes juego eficaz (y la gestión del dinero es, en última instancia, una estrategia de juego) es de contingencia en caso de que se produzca el peor de los casos. Ahora, tome esa hoja esperar lo mejor pero prepararse para lo peor. de papel con sus planes de contingencia (y con la cantidad en la que dejará de operar con vehículos de responsabilidad ilimitada escrita en ella) y colóquela en el cajón superior de su escritorio. Ahora bien, si el peor de los casos ­6­ Machine Translated by Google Si el escenario se desarrolla, sabes que no saltarás por la ventana. Piramidar (agregar contratos a lo largo del curso de una operación) es vistos en el sentido de gestión del dinero como sistemas de mercado separados y distintos, más que como la entrada original. Por ejemplo, si está utilizando un Espera lo mejor, pero prepárate para lo peor. Si no lo has hecho estos ejercicios, entonces cierre este libro ahora y manténgalo cerrado. Nada técnica comercial que las pirámides, debe tratar la entrada inicial como una puede ayudarle si no tiene esta base sobre la cual construir. sistema de mercado. Cada complemento, cada vez que avanzas en pirámide, constituye otro sistema de mercado. Suponga que su técnica comercial requiere que usted agregue cada vez que tenga una ganancia de $1,000 en una operación. Si detecta una NOTACIÓN MATEMÁTICA operación realmente grande, agregará más y más contratos a medida que avance la operación. Dado que este libro está infectado con ecuaciones matemáticas, he intentado progresa a través de estos niveles de ganancia de $1,000. Cada complemento por separado para hacer que la notación matemática sea lo más fácil de entender y fácil de debería tratarse como un sistema de mercado independiente. Hay un gran beneficio en llevar del texto al teclado de la computadora, en la medida de lo posible. Multiplicación haciendo esto. El beneficio es que las técnicas discutidas en este libro siempre se indicará con un asterisco (*) y la exponenciación siempre se indicará con un signo producir las cantidades óptimas para un sistema de mercado dado como de intercalación elevado (^). Por lo tanto, la raíz cuadrada de un función del nivel de patrimonio en su cuenta. Al tratar cada complemento El número se indicará como ^(l/2). Nunca tendrás que encontrarte con el Como sistema de mercado independiente, podrá utilizar las técnicas analizadas en este libro signo radical. La división se expresa con una barra (/) en la mayoría de los casos. Desde para conocer la cantidad óptima que debe agregar a su nivel actual de capital. el signo radical y la forma de expresar la división con una horizontal línea también se utilizan como operador de agrupación en lugar de paréntesis, es decir Otro constructo sintético muy importante que utilizaremos es el concepto de unidad. Los Se evitará confusión utilizando estas convenciones para la división y HPR que calculará para el proceso separado exponenciación. Los paréntesis serán el único operador de agrupación utilizado, Los sistemas de mercado deben calcularse sobre la base de "1 unidad". En otras palabras, si y pueden usarse para ayudar en la claridad de una expresión incluso si son contratos de futuros u opciones, cada operación debe ser por 1 contrato. no son matemáticamente necesarios. En determinados momentos especiales, paréntesis Si está negociando acciones, debe decidir qué tan grande es 1 unidad. Puede ({ }) también se puede utilizar como operador de agrupación. ser 100 acciones o puede ser 1 acción. Si opera en mercados al contado o en divisas (forex), La mayoría de las funciones matemáticas utilizadas son bastante sencillas. debe decidir el tamaño de 1 unidad. Al utilizar resultados basados en el comercio de 1 unidad (p. ej., la función de valor absoluto y la función logarítmica natural). Uno como entrada para los métodos de este libro, usted Sin embargo, una función que puede no ser familiar para todos los lectores es la función Podrá obtener resultados de salida basados en 1 unidad. Es decir, lo harás exponencial, indicada en este texto como EXP(). Esto es más común Sepa cuántas unidades debe tener para una operación determinada. no lo hace expresado matemáticamente como la constante e, igual a 2,7182818285, No importa el tamaño que decidas que sea 1 unidad, porque es solo una situación hipotética. elevado a la potencia de la función. De este modo: constructo necesario para realizar los cálculos. Para cada mercado EXP(X) = e^X = 2,7182818285^X sistema, debes calcular qué tan grande será 1 unidad. Por ejemplo, si La razón principal por la que opté por utilizar la notación de función EXP(X) usted es un comerciante de divisas, puede decidir que 1 unidad será un millón es que la mayoría de los lenguajes informáticos tienen esta función de una forma u otra. Dado Dólares estadounidenses. Si es comerciante de acciones, puede optar por un tamaño de 100 Comparte. que gran parte de las matemáticas de este libro terminarán transcritas a código de computadora, encuentro esta notación más sencilla. Finalmente, debes determinar si puedes intercambiar unidades fraccionarias. O no. Por ejemplo, si opera con materias primas y define 1 unidad como si fuera 1 contrato, entonces no puedes intercambiar unidades fraccionarias (es decir, un CONSTRUCCIONES SINTÉTICAS EN ESTE TEXTO tamaño unitario menor que 1), porque la denominación más pequeña en la que A medida que avance en el texto, verá que hay una cierta puede negociar contratos de futuros es de 1 unidad (posiblemente pueda negociar unidades geometría a este material. Sin embargo, para llegar a esta geometría debemos cuasifraccionales si también negocia minicontratos). Si usted es un comerciante de acciones y Tendrá que crear ciertas construcciones sintéticas. Por un lado, convertiremos Si define 1 unidad como 1 acción, entonces no podrá negociar la unidad fraccionaria. transfiera las ganancias y pérdidas a lo que se denominará rendimientos del período de Sin embargo, si define 1 unidad como 100 acciones, entonces puede negociar la unidad tenencia o HPR para abreviar. Un HPR es simplemente 1 más lo que hiciste fraccionaria, si está dispuesto a negociar el lote impar. o perdido en la operación como porcentaje. Por lo tanto, una operación que generó un 10% Si está negociando futuros, puede decidir que 1 unidad sea 1 minicontrato y no permitir la ganancia se convertiría a un HPR de 1+.10 = 1.10. De manera similar, un comercio la unidad fraccionaria. Ahora, suponiendo que 2 minicontratos equivalen a 1 contrato regular, que perdió el 10% tendría un HPR de 1+(­.10) = .90. La mayoría de los textos, cuando si obtienes una respuesta de las técnicas de este libro para intercambiar 9 unidades, eso refiriéndose al rendimiento del período de tenencia, no agregue 1 a la ganancia porcentual significaría que deberías intercambiar 9 o pérdida. Sin embargo, a lo largo de este texto, siempre que nos referimos a un HPR, minicontratos. Dado que 9 dividido por 2 es igual a 4,5, lo óptimo sería siempre será 1 más la ganancia o pérdida como porcentaje. negocie 4 contratos regulares y 1 minicontrato aquí. Otro constructo sintético que debemos utilizar es el de un sistema de mercado. Un sistema de mercado es cualquier enfoque comercial determinado en cualquier mercado determinado (el (un enfoque no tiene por qué ser un sistema de comercio mecánico, pero a menudo lo es). Por ejemplo, digamos que estamos utilizando dos enfoques separados para negociar dos Generalmente, desde el punto de vista de la gestión del dinero, es muy ventajoso poder negociar la unidad fraccionaria, pero esto no siempre es cierto. Consideremos dos comerciantes de acciones. Se define 1 unidad como 1 acción y no se puede negociar la unidad fraccionaria; el otro define 1 unidad como 100 acciones y puede mercados, y decir que uno de nuestros enfoques es una media móvil simple sistema cruzado. El otro enfoque realiza operaciones basadas en nuestra interpretación de El­ liott Wave. Además, supongamos que negociamos en dos mercados separados, por ejemplo, negociar la unidad fraccionaria. Supongamos la cantidad óptima para negociar hoy. para el primer comerciante es negociar 61 unidades (es decir, 61 acciones) y para el segundo El comerciante para el mismo día debe negociar 0,61 unidades (nuevamente 61 acciones). los bonos del Tesoro y el combustible para calefacción. Por lo tanto tenemos un total de Otros me han dicho que, para ser un mejor maestro, debo cuatro sistemas de mercado diferentes. Tenemos el sistema de media móvil activado. bonos, la Onda de Elliott negocia con bonos, el sistema de media móvil en Llevar el material a un nivel que el lector pueda entender. A menudo combustible para calefacción, y Elliott Wave comercializa combustible para calefacción. Las sugerencias de estas otras personas tienen que ver con la creación de analogías entre el concepto que estoy tratando de transmitir y algo que ya son. Un sistema de mercado puede diferenciarse aún más por otros factores, uno familiar con. Por lo tanto, a modo de instrucción, encontrará numerosas analogías en este de los cuales es la dependencia. Por ejemplo, digamos que en nuestra media móvil texto. Pero aborrezco las analogías. Mientras que las analogías pueden sistema discernimos (a través de los métodos discutidos en este texto) que ganar ser una herramienta eficaz tanto para la instrucción como para la argumentación, no me gusta las operaciones engendran operaciones perdedoras y viceversa. Por tanto, romperíamos porque toman algo extraño para la gente y (a menudo de manera bastante engañosa) lo nuestro sistema de media móvil en cualquier mercado determinado en dos sistemas de mercado distintos. Uno de los sistemas de mercado aceptaría transacciones sólo después de un pérdida (debido a la naturaleza de esta dependencia, este es un sistema más ventajoso), el ajustan a la fuerza a un modelo de lógica de algo que la gente ya saber es verdad. Aquí hay un ejemplo: La raíz cuadrada de 6 es 3 porque la raíz cuadrada de 4 es 2 y 2+2 = otro sistema de mercado sólo después de una ganancia. Referente 4. Por lo tanto, como 3+3 = 6, entonces la raíz cuadrada de 6 debe ser 3. Volvamos a nuestro ejemplo de negociación de este sistema de media móvil junto con bonos del Tesoro y combustible para calefacción y utilizando la onda de Elliott. Las analogías explican, pero no resuelven. Más bien, una analogía hace Además de las operaciones, ahora tenemos seis sistemas de mercado: el sistema de media la suposición a priori de que algo es cierto, y esta "explicación" móvil después de una pérdida en bonos, el sistema de media móvil después de una ganancia en luego se hace pasar por la prueba. Tienes mis disculpas de antemano por bonos, la Onda de Elliott opera con bonos, el sistema de media móvil después de una ganancia en el el uso de las analogías en este texto. He optado por ellos sólo por el combustible para calefacción, el sistema de media móvil después de una pérdida en el combustible propósito de la instrucción. para calefacción, y la Onda de Elliott opera con combustible para calefacción. ­7­ Machine Translated by Google cuando van a leerlo si inconscientemente están buscando un solo CANTIDADES COMERCIALES ÓPTIMAS Y F ÓPTIMA corazón. No me disculpo por esto; Esto no debilita la lógica de la La teoría moderna de carteras, quizás el pináculo de los conceptos de gestión del texto; más bien, lo enriquece. Este libro puede llevarte más de una lectura para descubrir dinero en el ámbito del comercio de acciones, no ha sido adoptada por muchos. muchos de sus corazones, o simplemente para sentirte cómodo con él. el resto del mundo comercial. Los operadores de futuros, cuyas operaciones técnicas Uno de los muchos núcleos de este libro es el concepto más amplio de toma de Las ideas generalmente son adoptadas por sus primos del comercio de acciones, se han mostrado reacios a aceptar ideas del mundo del comercio de acciones. Como consecuencia, decisiones en entornos caracterizados por consecuencias geométricas. Un entorno de La teoría moderna de carteras nunca ha sido realmente adoptada por los futuros. consecuencias geométricas es un entorno. comerciantes. donde una cantidad con la que tienes que trabajar hoy es una función de la anterior resultados. ¡Creo que esto cubre la mayoría de los entornos en los que vivimos! f óptima es Mientras que la teoría moderna de carteras determinará las ponderaciones óptimas el regulador del crecimiento en tales entornos, y los subproductos de de los componentes dentro de una cartera (para dar la menor variación a un f óptima nos proporciona una gran cantidad de información sobre la tasa de crecimiento de un retorno preespecificado o viceversa), no aborda la noción de cantidades óptimas. Es decir, entorno dado. En este texto aprenderá cómo determinar la f óptima y sus subproductos para para un sistema de mercado dado, existe una situación óptima. cualquier forma de distribución. Esta es una estadistica monto a negociar por un nivel determinado de capital de la cuenta para maximizar herramienta que es directamente aplicable a muchos entornos del mundo real en los negocios crecimiento geométrico. A esto nos referiremos como el f óptimo. Este libro propone que la y la ciencia. Espero que busques aplicar las herramientas para encontrar teoría moderna de carteras puede y debe ser utilizada por los traders en el f óptimo paramétricamente en otros campos donde existen tales entornos, para numerosas cualquier mercado, no sólo los mercados de valores. Sin embargo, debemos unir la teoría distribuciones diferentes, no solo para negociar en los mercados. moderna de carteras (que nos da ponderaciones óptimas) con la noción de cantidad óptima (f óptima) para llegar a una cartera verdaderamente óptima. Es esta cartera verdaderamente óptima que puede y debe ser utilizada por los operadores en cualquier Durante años, la comunidad comercial ha discutido el concepto amplio de "administración del dinero." Sin embargo, en general, la gestión del dinero ha sido mercados, incluidos los mercados de valores. caracterizado por una colección vaga de reglas generales, muchas de las cuales En una situación no apalancada, como una cartera de acciones que no están fueron incorrectos. En última instancia, espero que este libro haya proporcionado sobre margen, ponderación y cantidad son sinónimos, pero de forma apalancada comerciantes con exactitud bajo el título de gestión del dinero. situación, como una cartera de sistemas de mercado de futuros, ponderación y cantidad son realmente diferentes. En este libro verás primero una idea. introducido aproximadamente en las Fórmulas de gestión de carteras, ese óptimo Lo que buscamos saber son cantidades, y que esto es una función de ponderaciones óptimas. Una vez que modifiquemos la teoría moderna de carteras para separar las nociones de peso y cantidad, podemos volver al ámbito del comercio de acciones con esto herramienta ahora reelaborada. Veremos cómo casi cualquier cartera no apalancada La rentabilidad de las acciones puede mejorarse drásticamente convirtiéndola en una cartera apalancada y uniendo la cartera con el activo libre de riesgo. esto se convertirá intuitivamente obvio para usted. El grado de riesgo (o conservadorismo) es luego lo dicta el operador en función de cuánto o poco apalancamiento desea aplicar a esta cartera. Esto implica que donde un El comerciante está en el espectro de aversión al riesgo es una función del apalancamiento. utilizado y no una función del tipo de vehículo comercial utilizado. En resumen, este libro le enseñará sobre la gestión de riesgos. Muy pocos Los comerciantes tienen una idea de lo que constituye la gestión de riesgos. No lo es simplemente es una cuestión de eliminar el riesgo por completo. Hacerlo es eliminar regresar por completo. No se trata simplemente de maximizar la recompensa potencial al riesgo potencial tampoco. Más bien, la gestión de riesgos se trata de estrategias de toma de decisiones que buscan maximizar la proporción de recompensa potencial. al riesgo potencial dentro de un nivel de riesgo aceptable dado. Para aprender esto, primero debemos aprender acerca de f óptima, el componente de cantidad óptima de la ecuación. Entonces debemos aprender a combinar f óptima con la ponderación óptima de la cartera. Tal cartera maximizar la recompensa potencial frente al riesgo potencial. Primero cubriremos estos conceptos desde un punto de vista empírico (como se introdujo en Portfolio Fórmulas de Gestión), luego estudiarlas desde un punto de vista más potente, el punto de vista paramétrico. En contraste con un enfoque empírico, que utiliza datos pasados para generar respuestas directamente, un método paramétrico El enfoque utiliza datos pasados para generar parámetros. Estas son ciertas medidas sobre algo. Estos parámetros luego se utilizan en un modelo para llegar a esencialmente las mismas respuestas que se derivaron desde un enfoque empírico. El punto fuerte del enfoque paramétrico es que puedes alterar los valores de los parámetros para ver el efecto. sobre el resultado del modelo. Esto es algo con lo que no puedes hacer una técnica empírica. Sin embargo, las técnicas empíricas tienen sus fuertes puntos también. Las técnicas empíricas son generalmente más sencillas. y menos intensivo en matemáticas. Por lo tanto, son más fáciles de utilizar y comprender. Por esta razón, se tratan primero las técnicas empíricas. Finalmente, veremos cómo implementar los conceptos dentro de un nivel de riesgo aceptable especificado por el usuario y aprenderemos estrategias para maximizar este situación aún más. Hay mucho material que cubrir aquí. he tratado de hacer este texto sea lo más conciso posible. Es posible que parte del material no quede bien con usted, el lector, y tal vez pueda plantear más preguntas de las que responde. Si ese es el caso, entonces he tenido éxito en una faceta de lo que he intentado hacer. La mayoría de los libros tienen un único "corazón", un concepto central hacia el que fluye todo el texto. Este libro es un poco diferente en que tiene muchos corazones. Por lo tanto, algunas personas pueden encontrar este libro difícil ­8­ Machine Translated by Google 50.000/(5.000/.l) = 1 Capítulo 1­Las técnicas empíricas 12 Este capítulo es una condensación de las fórmulas de gestión de carteras. El propósito 10 aquí es llevar a aquellos lectores que no están familiarizados con estas técnicas empíricas al mismo nivel de comprensión que aquellos que sí lo están. 8 t W. DECIDIR LA CANTIDAD 6 R Cada vez que ingresa a una operación, ha tomado dos decisiones: no solo ha decidido si ingresará en largo o en corto, sino que también ha decidido la cantidad a negociar. Esta 4 decisión con respecto a la cantidad es siempre una función del capital de su cuenta . Si tiene una cuenta de $10,000, ¿no cree que se inclinaría un poco hacia el comercio si contratara 100 2 contratos de oro? Del mismo modo, si tienes una cuenta de 10 millones de dólares, ¿no crees que serías un poco liviano si solo firmaras un contrato de oro? 0 0,05 0,15 0,25 0,35 0,45 0,55 0,65 0,75 Lo reconozcamos o no, la decisión de qué cantidad tener para una operación determinada es inseparable del nivel de capital en nuestra cuenta. 0,85 0,95 valores f Figura 1­1 20 secuencias de +2, ­1. A este divisor lo llamaremos por su nombre de variable f. Por lo tanto, ya sea consciente o inconscientemente, en cualquier operación determinada usted está seleccionando un valor Sin embargo, es un hecho muy afortunado para nosotros que una cuenta crecerá más para f cuando decide cuántos contratos o acciones colocar. rápido cuando operamos con una fracción de la cuenta en todas y cada una de las Consulte ahora la Figura 1­1. Esto representa un juego en el que tienes un 50% de operaciones; en otras palabras, cuando operamos una cantidad relativa al tamaño de nuestra participación. posibilidades de ganar $2 frente a un 50% de posibilidades de perder $1 en cada jugada. Sin embargo, la decisión cuantitativa no es simplemente una función del patrimonio en nuestra cuenta, sino que también es una función de algunas otras cosas. Es una función de Observe que aquí la f óptima es 0,25 cuando el TWR es 10,55 después de 40 apuestas (20 nuestra pérdida percibida en el "peor de los casos" en la siguiente operación. Es función de la secuencias de +2, ­1). TWR significa Terminal Wealth Relative. Representa el rendimiento de velocidad con la que deseamos hacer crecer la cuenta. Es una función de dependencia de su apuesta como un múltiplo. Un TWR de 10,55 significa que habría ganado 10,55 veces su operaciones pasadas. Es posible que se asocien más variables que las que acabamos de apuesta original, o un 955% de ganancia. Ahora mire lo que sucede si apuesta solo un 15% mencionar con la decisión cuantitativa, pero intentamos agrupar todas estas variables, incluido del óptimo .25 f. Con una f de .1 o .4, su TWR es 4.66. ¡Esto no es ni la mitad de lo que es en el nivel de capital de la cuenta, en una decisión subjetiva con respecto a la cantidad: ¿cuántos 0,25, sin embargo, estás sólo a un 15% del óptimo y sólo han transcurrido 40 apuestas! contratos o acciones debemos poner? ¿en? ¿De cuánto estamos hablando en términos de dólares? En f = 0,1, estarías haciendo 1 En esta discusión, aprenderá cómo tomar la decisión matemáticamente correcta con respecto a la cantidad. Ya no tendrás que tomar esta decisión de forma subjetiva (y muy apuesta por cada $10 de tu apuesta. En f = 0,4, estarías haciendo una apuesta por cada $2,50 posiblemente errónea). Verá que hay que pagar un alto precio por no tener la cantidad correcta, de tu apuesta. Ambos ganan la misma cantidad con un TWR de 4,66. En f = 0,25, estás y este precio aumenta a medida que pasa el tiempo. haciendo 1 apuesta por cada $4 de tu apuesta. Tenga en cuenta que si realiza 1 apuesta por cada $4 de su apuesta, ganará más del doble después de 40 apuestas que si hiciera 1 apuesta La mayoría de los comerciantes pasan por alto esta decisión sobre la cantidad. Sienten que es algo arbitrario en el sentido de que no importa mucho la cantidad que tengan. Lo que importa es que tengan razón sobre la dirección del comercio. Además, tienen la impresión por cada $2,50 de su apuesta. Claramente no vale la pena apostar en exceso. A 1 apuesta por cada $2,50 de tu apuesta, ganas la misma cantidad que si hubieras apostado una cuarta parte de esa cantidad, ¡1 apuesta por cada $10 de tu apuesta! Observe que en un juego 50/50 en el que gana el doble de lo que pierde, con una f de 0,5 ¡solo está alcanzando el punto de errónea de que existe una relación lineal entre el número de contratos que tienen y lo que equilibrio! Eso significa que solo estarás en equilibrio si hiciste 1 apuesta por cada $2 de tu pueden ganar o perder a largo plazo. apuesta. Con una f mayor que 0,5 estás perdiendo en este juego, ¡y es simplemente cuestión de tiempo hasta que estés completamente agotado! En otras palabras, si su aleta en este Esto no es correcto. Como veremos en un momento, la relación entre la ganancia juego 50/50, 2:1 es 0,25 más allá de lo óptimo, arruinará con una probabilidad que se aproxima potencial y la cantidad arriesgada no es una línea recta. Es curvo. Esta curva tiene un pico, y es en este pico donde maximizamos la ganancia potencial por cantidad en riesgo. Además, a la certeza a medida que continúe jugando. Nuestro objetivo, entonces, es encontrar objetivamente el pico de la curva f para un sistema comercial determinado. como verá a lo largo de esta discusión, la decisión con respecto a la cantidad para una operación determinada es tan importante como la decisión de entrar en largo o en corto en primer lugar. Contrariamente a la idea errónea de la mayoría de los comerciantes, si usted está en lo cierto o no en la dirección del mercado cuando ingresa a una operación, no influye en si tiene o no la cantidad correcta. En última instancia, no tenemos control sobre si la próxima En esta discusión se aclararán ciertos conceptos en términos de ilustraciones de juegos de azar. La principal diferencia entre el juego y la especulación es que el juego crea riesgo (y operación será rentable o no. por eso muchas personas se oponen a él), mientras que la especulación es una transferencia de un riesgo ya existente (supuestamente) de una parte a otra. Las ilustraciones de los juegos Sin embargo, tenemos control sobre la cantidad que tenemos. Dado que uno no domina al de azar se utilizan para ilustrar los conceptos de la forma más clara y sencilla posible. Las otro, es mejor gastar nuestros recursos concentrándonos en poner la cantidad justa. matemáticas de la gestión del dinero y los principios implicados en el comercio y los juegos de azar son bastante similares. La principal diferencia es que en las matemáticas del juego En cualquier operación determinada, se percibe la pérdida en el peor de los casos. Puede que ni siquiera seas consciente de esto, pero cada vez que inicias una operación tienes una normalmente tratamos con resultados de Bernoulli (sólo dos resultados posibles), mientras que en el comercio tratamos con la distribución de probabilidad completa que puede tomar la idea en mente, aunque sea de forma subconsciente, de lo que puede suceder con esta operación. operación en el peor de los casos. Esta percepción del peor de los casos, junto con el nivel de capital de su cuenta, determina su decisión sobre cuántos contratos negociar. CONCEPTOS BÁSICOS Por lo tanto, ahora podemos afirmar que existe un divisor de esta mayor pérdida percibida, un número entre 0 y 1 que utilizará para determinar cuántos contratos negociar. Por ejemplo, si tienes una cuenta de $50,000, si esperas, en el peor de los casos, perder $5,000 por contrato, y si tienes 5 contratos, tu divisor es .5, ya que: 50,000/(5,000/.5 ) = 5 En otras Una declaración de probabilidad es un número entre 0 y 1 que especifica qué tan probable es un resultado, donde 0 es ninguna probabilidad de que ocurra el evento en cuestión y 1 es que el evento en cuestión seguramente ocurrirá. Un proceso de pruebas independientes (muestreo con reemplazo) es una secuencia de resultados donde la declaración de palabras, tiene 5 contratos para una cuenta de $50 000, por lo probabilidad es constante de un evento al siguiente. Un lanzamiento de moneda es un que tiene 1 contrato por ejemplo de tal proceso. Cada lanzamiento tiene una probabilidad de 50/50 independientemente cada $10 000 en capital. En el peor de los casos, espera perder $5,000 por contrato, por lo que su divisor aquí es 0,5. Si tuvieras solo 1 contrato, tu divisor en este caso sería .1 ya que: del resultado del lanzamiento anterior. Incluso si los últimos 5 lanzamientos de una moneda fueran cara, la probabilidad de que este lanzamiento salga cara no se ve afectada y permanece en 0,5. ­9­ Machine Translated by Google Naturalmente, el otro tipo de proceso aleatorio es aquel en el que el resultado de eventos anteriores sí afecta la declaración de probabilidad y, naturalmente, C. El número total de ejecuciones en una secuencia. Llamaremos a esto R. 2. Construyamos un ejemplo a seguir. Asuma los siguientes oficios: el enunciado de probabilidad no es constante de un evento al siguiente. Este tipo de eventos se denominan procesos de pruebas dependientes (muestreo). ­3 +2 +7 ­4 +1 ­1 +1 +6 ­1 0 ­2 +1 sin reemplazo). El blackjack es un ejemplo de tal proceso. El beneficio neto es +7. El número total de operaciones es 12, por lo que N = 12, para Una vez que se juega una carta, la composición del mazo cambia. Supongamos que un Mantenga el ejemplo simple. Ahora no nos preocupa el tamaño del Se baraja una nueva baraja y se retira una carta, por ejemplo, el as de diamantes. Previo son las victorias y las derrotas, sino cuántas victorias y derrotas hay y al retirar esta carta la probabilidad de sacar un as era 4/52 o cuantas rachas. Por lo tanto, podemos reducir nuestra serie de operaciones a una secuencia .07692307692. Ahora que se ha sacado un as de la baraja, y no simple de ventajas y desventajas. Tenga en cuenta que una operación con una P&L de 0 es reemplazado, la probabilidad de sacar un as en el próximo sorteo es 3/51 o .05882352941. considerado como una pérdida. Ahora tenemos: ­++­+­ ­ ++­ ­ + Como se puede observar, hay 6 ganancias y 6 pérdidas; por lo tanto, X = Intenta pensar en la diferencia entre independiente y dependiente. 2*6*6 = 72. Como también se puede observar, hay 8 ejecuciones en esta secuencia; por lo Los procesos de prueba son simplemente si el enunciado de probabilidad es fijo. (ensayos independientes) o variables (ensayos dependientes) de un evento a otro. tanto, R = 8. Definimos una carrera como cada vez que encuentra un cambio de signo el siguiente basándose en resultados anteriores. De hecho, ésta es la única diferencia. al leer la secuencia como se muestra de izquierda a derecha (es decir, cronológicamente). Suponga también que comienza en 1. LA PRUEBA DE CARRERAS 1. Por tanto, contarías esta secuencia de la siguiente manera: ­++­+­ 12 Cuando tomamos muestras sin reemplazo de una baraja de cartas, podemos determinar mediante inspección que existe dependencia. Por cierto Para eventos (como el flujo de ganancias y pérdidas de las operaciones de un sistema) en los que no se puede determinar la dependencia mediante una inspección, tenemos la prueba de ejecución. 3 4 5 ++­ 6 ­ ­ 7 + 8 2. Resuelve la expresión: N*(R­.5)­X La prueba de ejecuciones nos dirá si nuestro sistema tiene más (o menos) rachas de Para nuestro ejemplo esto sería: victorias y derrotas consecutivas que una distribución aleatoria. La prueba de carreras es esencialmente una cuestión de obtener las puntuaciones Z para el rachas de victorias y pérdidas de las operaciones de un sistema. La puntuación AZ es cuántas 12*(8­5)­72 12*7,5­72 90­72 desviaciones estándar estás lejos de la media de una distribución. Así, una Z 18 una puntuación de 2,00 está a 2,00 desviaciones estándar de la media (la expectativa de una 3. Resuelve la expresión: distribución aleatoria de rachas de victorias y derrotas). (X*(XN))/(N­1) La puntuación Z es simplemente el número de desviaciones estándar que tienen los datos. de la media de la distribución de probabilidad normal. Por ejemplo, una Z Para nuestro ejemplo esto sería: (72*(72­12))/(12­1) Una puntuación de 1,00 significaría que los datos que está probando están dentro de 1 (72*60)/11 4320/11 desviación estándar de la media. Por cierto, esto es perfectamente normal. 392.727272 Luego, la puntuación Z se convierte en un límite de confianza, a veces También llamado grado de certeza. El área bajo la curva de la función de probabilidad normal a 1 desviación estándar a cada lado de la 4. Saca la raíz cuadrada de la respuesta del número 3. Para nuestro ejemplo esto sería: La media equivale al 68% del área total bajo la curva. Entonces tomamos nuestra Z 392,727272^(l/2) = 19,81734777 puntuación y convertirlo a un límite de confianza, siendo la relación que el La puntuación Z es un número de desviaciones estándar de la media y el límite de confianza es 5. Divide la respuesta del número 2 por la respuesta del número 4. Esto es el porcentaje de área bajo la curva ocupada en ese momento. tu puntuación Z. Para nuestro ejemplo esto sería: 18/19.81734777 = .9082951063 muchas desviaciones estándar. 6. Ahora convierta su puntuación Z en un límite de confianza. La distribución de Límite de confianza (%) Puntuación Z 99,73 3,00 99 2,58 98 2,33 97 2,17 96 2,05 95,45 2,00 95 1,96 90 1,64 las ejecuciones se distribuyen binomialmente. Sin embargo, cuando hay 30 o más operaciones involucradas, podemos usar la Distribución Normal para analizar muy de cerca aproximar las probabilidades binomiales. Por lo tanto, si está utilizando 30 o más operaciones, simplemente puede convertir su puntuación Z en una confianza límite basado en la Ecuación (3.22) para probabilidades de 2 colas en el Distribución normal. La prueba de carreras le dirá si su secuencia de victorias y derrotas contiene más o menos rachas (de victorias o derrotas) de las que normalmente serían. Con un mínimo de 30 operaciones cerradas ahora podemos calcular nuestra Z esperado en una secuencia verdaderamente aleatoria, una que no tenga dependencia entre los puntuaciones. Lo que estamos tratando de responder es ¿cuántas rachas de victorias (pérdidas) ensayos. Dado que nos encontramos en un límite de confianza relativamente bajo en podemos esperar de un sistema determinado? ¿Son las rachas de victorias (derrotas) de los En nuestro ejemplo, podemos suponer que no hay dependencia entre los ensayos. ¿El sistema que estamos probando se ajusta a lo que podríamos esperar? Si no, ¿hay en esta secuencia particular. un límite de confianza lo suficientemente alto como para que podamos asumir que existe dependencia entre operaciones, es decir, ¿el resultado de una operación depende del resultado? Si su puntuación Z es negativa, simplemente conviértala a positiva (tome la valor absoluto) al encontrar su límite de confianza. Una puntuación Z negativa de operaciones anteriores? implica dependencia positiva, lo que significa menos rachas que el Normal Aquí está entonces la ecuación para la prueba de carreras, la puntuación Z del sistema: La función de probabilidad implicaría y, por tanto, que las victorias engendran victorias y las pérdidas engendran pérdidas. Una puntuación Z positiva implica dependencia negativa, (1.01) Z = (N*(R­.5)­X)/((X*(XN))/(N­1))^(1/2) lo que significa más rachas de las que implicaría la función de probabilidad normal y, por lo tanto, dónde las ganancias engendran pérdidas y las pérdidas engendran victorias. N = El número total de operaciones en la secuencia. ¿Cuál sería un límite de confianza aceptable? Los estadísticos generalmente recomiendan R = El número total de ejecuciones en la secuencia. X = 2*An*L seleccionar un límite de confianza al menos en los noventa. Algunos estadísticos recomiendan un límite de confianza superior al 99% para asumir W = El número total de operaciones ganadoras en la secuencia. dependencia, otros recomiendan un mínimo menos estricto. L = El número total de operaciones perdedoras en la secuencia. del 95,45% (2 desviaciones estándar). Rara vez, o nunca, encontrará un sistema que muestre límites de confianza. A continuación se explica cómo realizar este cálculo: superior al 95,45%. Los límites de confianza más frecuentemente encontrados 1. Recopile los siguientes datos de su ejecución de operaciones: son menos del 90%. Incluso si encuentra un sistema con un límite de confianza entre el 90 y el A. El número total de operaciones, en adelante denominado N. 95,45%, no es exactamente una pepita de oro. Asumir B. El número total de operaciones ganadoras y el número total de operaciones perdedoras. que hay una dependencia involucrada que puede aprovecharse para hacer una vientos alisios. Ahora calcule lo que llamaremos X. X = 2*Número total de Ganancias*Número total de derrotas. diferencia sustancial, realmente necesita exceder el 95,45% como mínimo mamá. ­ 10 ­ Machine Translated by Google Mientras la dependencia esté en un límite de confianza aceptable, usted 8. Para cada período, encuentre la diferencia entre cada X y el promedio. puede alterar su comportamiento en consecuencia para tomar mejores decisiones comerciales, aunque no comprenda la causa subyacente de la dependencia. Si pudieras conocer la causa, X y cada Y y el Y promedio. 9. Ahora calcula el numerador. Para hacer esto, para cada período multiplicar entonces podrías estimar mejor las respuestas del paso 2; en otras palabras, para cada período multiplique cuándo estuvo vigente la dependencia y cuándo no, así como cuándo juntas las diferencias entre el X de ese período y el X promedio Se podría esperar un cambio en el grado de dependencia. y entre el Y de ese período y el Y promedio. Hasta ahora sólo hemos analizado la dependencia desde el punto de vista 10. Sume todas las respuestas al paso 3 para todos los períodos. Esto es el numerador. de si la última operación fue ganadora o perdedora. Estamos tratando de determinar si la secuencia de victorias y pérdidas muestra dependencia o no. El 11. Ahora encuentra el denominador. Para hacer esto, lleve las respuestas al paso 2. ejecuta la prueba de dependencia automáticamente toma el porcentaje de victorias y para cada período, tanto para las diferencias X como para las diferencias Y, pérdidas en cuenta. Sin embargo, al realizar la prueba de ejecuciones en ejecuciones de y los eleva al cuadrado (ahora todos serán números positivos). victorias y derrotas, hemos contabilizado la secuencia de victorias y derrotas 12. Sume las diferencias de X al cuadrado para todos los períodos en un total final. Haz lo pero no su tamaño. Para tener una verdadera independencia, no sólo debe mismo con las diferencias Y al cuadrado. la secuencia de victorias y derrotas sea independiente, el tamaño de las victorias 13. Saca la raíz cuadrada a la suma de las diferencias de X al cuadrado que y las pérdidas dentro de la secuencia también deben ser independientes. Es posible que acaba de encontrar en el paso 6. Ahora haga lo mismo con las Y tomando el para que las victorias y las pérdidas sean independientes, pero sus tamaños sean dependientes raíz cuadrada de la suma de las diferencias Y al cuadrado. (o viceversa). Una posible solución es ejecutar la prueba de ejecución solo en el operaciones ganadoras, segregando las carreras de alguna manera (como aquellas que son 14. Multiplica las dos respuestas que acabas de encontrar en el paso 1, es decir, mayor que la ganancia mediana y aquellos que son menores), y luego buscar multiplique la raíz cuadrada de la suma de las diferencias X al cuadrado por la raíz dependencia entre el tamaño de las operaciones ganadoras. Entonces haz esto para el cuadrada de la suma de las diferencias Y al cuadrado. operaciones perdedoras. Este producto es tu denominador. 15. Divide el numerador que encontraste en el paso 4 por el denominador que encontraste CORRELACIÓN EN SERIE encontrado en el paso 8. Este es su coeficiente de correlación lineal, r. El valor de r siempre estará entre +1,00 y ­1,00. un valor de Hay una manera diferente, quizás mejor, de cuantificar esta posible dependencia entre 0 indica que no hay correlación alguna. el tamaño de las victorias y las pérdidas. La técnica para ser Lo que se analiza a continuación analiza los tamaños de las victorias y las derrotas desde una perspectiva matemática completamente diferente a la de la prueba de carreras y, por lo tanto, Ahora mire la Figura 1­4. Representa la siguiente secuencia de 21 vientos alisios: cuando se utiliza junto con la prueba de carreras, mide la relación de 1, 2, 1, ­1, 3, 2, ­1, ­2, ­3, 1, ­2, 3, 1, 1, 2, 3, 3, ­1, 2, ­1, 3 operaciones con más profundidad de la que podría proporcionar la prueba de ejecución por sí 4 sola. Esta técnica utiliza el coeficiente de correlación lineal, r, a veces llamado r de Pearson , para cuantificar la relación de dependencia/independencia. Ahora mire la Figura 1­2. Representa dos secuencias perfectamente 2 correlacionados entre sí. A este efecto lo llamamos correlación positiva. 0 ­2 ­4 Figura 1­4 Resultados individuales de 21 operaciones. Podemos utilizar el coeficiente de correlación lineal de la siguiente manera para ver si existe alguna correlación entre la operación anterior y la comercio actual. La idea aquí es tratar las pérdidas y ganancias comerciales como los valores X en Figura 1­2 Correlación positiva (r = +1,00). la fórmula para r. Superpuesto sobre eso duplicamos el mismo comercio. P&L, solo que esta vez las sesgamos en 1 operación y las usamos como Y valores en la fórmula para r. En otras palabras, el valor de Y es el X anterior. valor. (Ver Figura 1­5.). 4 2 0 Figura 1­3 Correlación negativa (r = ­1,00). Ahora mire la Figura 1­3. Muestra dos secuencias que están perfectamente ­2 correlacionados negativamente entre sí. Cuando una línea zigzaguea sobre la otra está zagging. A este efecto lo llamamos correlación negativa. La fórmula para encontrar el coeficiente de correlación lineal, r, entre ­4 dos secuencias, X e Y, es la siguiente (una barra sobre una variable significa la media aritmética de la variable): Figura 1­5 Resultados individuales de 21 operaciones sesgadas por 1 operación. (1.02) R = (∑a(Xa­X[])*(Ya­Y[]))/((∑a(Xa­X[])^2)^(1/2)*(∑a( Ya­ Y[])^2)^(l/2)) A(X) 1 B(X) C(XX[]) D(YY[]) E(C*D) F(C^2) G(D^2) 1,2 0,3 0,36 1,44 21 12 0,2 1,3 0,26 0,04 1,69 ­1 1 ­1,8 0,3 ­0,54 3,24 0,09 A continuación se explica cómo realizar el cálculo: 7. Promedie las X y las Y (mostradas como X[] e Y[]). ­ 11 ­ 0,09 Machine Translated by Google ­1 3 2,2 ­1,7 ­3,74 4,84 2,89 conceptos, se remite al lector a la sección sobre validación estadística de 1,2 2,3 2,76 1,44 5,29 un sistema de comercio bajo "La Distribución Binomial" en el Apéndice B. 2­1 32 ­1,8 1,3 ­2,34 3,24 1,69 ­2 ­1 ­2,8 ­1,7 4.76 7,84 2,89 ­3 ­2 ­3,8 ­2,7 10,26 14,44 7.29 1 ­3 0,2 ­3,7 ­0,74 0,04 13.69 ­2.8 0,3 ­0,84 7,84 0,09 ­2 31 ERRORES DE DEPENDENCIA COMUNES Como comerciantes, generalmente debemos asumir que la dependencia no existe. en el mercado para la mayoría de los sistemas de mercado. Eso es cuando 1­2 2,2 ­2,7 ­5,94 4,84 7.29 Al operar en un sistema de mercado determinado, normalmente estaremos operando en un 3 0,2 2,3 0,46 0,04 5.29 entorno donde el resultado de la siguiente operación no depende de la 0,2 0,3 0,06 0,04 0,09 resultado(s) de transacciones anteriores. Esto no quiere decir que nunca haya dependencia 1,2 0,3 0,36 1,44 0,09 entre operaciones para algunos sistemas de mercado (porque para algunos sistemas de mercado la dependencia sí existe), sólo que deberíamos actuar como si 1 2 1 2,2 1,3 2,86 4,84 1,69 33 123 2,2 2,3 5,06 4,84 5.29 ­1,8 2,3 ­4,14 3,24 5.29 1,2 ­1,7 ­2,04 1,44 2,89 ­1 2 3 ­1 ­1 2 ­1,8 1,3 ­2,34 3,24 1,69 3 ­1 2.2 ­1,7 ­3,74 4,84 2,89 Totales 0,8 73.2 68.2 La dependencia no existe a menos que exista evidencia muy fuerte que contrario. Tal sería el caso si la puntuación Z y la correlación lineal El coeficiente indicó dependencia, y la dependencia se mantuvo a lo largo de mercados y en valores de parámetros optimizables. Si actuamos como si hay dependencia cuando la evidencia no es abrumadora, podemos 3 X[] = .8 Y[] = .7 Los Estaremos engañándonos a nosotros mismos y causándonos más daño autoinfligido que bueno como resultado. Incluso si un sistema mostrara dependencia hasta un límite de confianza promedios difieren porque solo se promedian las X y las Y que del 95% para todos los valores de un parámetro, todavía no es un límite lo suficientemente alto. tener un valor X o Y correspondiente (es decir, solo se promedian esos valores límite de confianza para suponer que la dependencia de hecho existe entre que se superponen), por lo que el último valor de Y (3) no se incluye en el promedio de Y ni las operaciones de un mercado o sistema determinado. es el primer valor de X (1) calculado en el promedio de x. Se comete un error tipo I cuando rechazamos una hipótesis que El numerador es el total de todas las entradas de la columna E (0,8). Encontrar _ el denominador, tomamos la raíz cuadrada del total en la columna F, debe ser aceptado. Sin embargo, si aceptamos una hipótesis cuando debería que es 8.555699, y le sacamos la raíz cuadrada al total en la columna ser rechazada, hemos cometido un error de tipo II. Ausencia de conocimiento de G, que es 8,258329, y multiplíquelos para obtener un denominador de 70,65578. Ahora Si una hipótesis es correcta o no, debemos decidir las penalizaciones. dividimos nuestro numerador de 0,8 por nuestro denominador de 70,65578 para obtener 0,011322. Este es nuestro coeficiente de correlación lineal, r. más grave que el otro, y en tales casos debemos decidir si asociado con un error tipo I y tipo II. A veces un tipo de error es aceptar o rechazar una hipótesis no probada basándose en la pena menor. Supongamos que está considerando utilizar un determinado sistema comercial, pero El coeficiente de correlación lineal de 0,011322 en este caso difícilmente es no estás muy seguro de que aguante cuando vayas a intercambiarlo indicativo de cualquier cosa, pero está más o menos en el rango que se puede esperar tiempo real. En este caso, la hipótesis es que el sistema comercial aguantará para la mayoría de los sistemas comerciales. Una correlación positiva alta (al menos 0,25) tiempo real. Decides aceptar la hipótesis y cambiar el sistema. Si se generalmente sugiere que las grandes ganancias rara vez van seguidas de grandes pérdidas y viceversa. no aguanta, habrás cometido un error tipo II, y viceversa. Las lecturas de correlación negativa (por debajo de ­0,25 a ­0,30) implican que pague la penalización en términos de las pérdidas que haya incurrido al operar con el sistema Las pérdidas tienden a ir seguidas de grandes victorias y viceversa. La correlación en tiempo real. Por otro lado, si decide no operar con el sistema, Los coeficientes se pueden traducir mediante una técnica conocida como Fisher's Z. y te sale rentable, habrás cometido un error tipo I. En este caso, la multa que usted paga es la transformación, en un nivel de confianza para un número determinado de operaciones. pérdida de beneficios. Este tema se trata en el Apéndice C. ¿Cuál es la pena menor a pagar? Claramente se trata de lo último, las ganancias perdidas La correlación negativa es tan útil como la correlación positiva. Por ejemplo, si parece por no operar con el sistema. Aunque de este ejemplo usted haber una correlación negativa y el sistema acaba de sufrido una gran pérdida, podemos esperar una gran victoria y, por lo tanto, podemos concluir que si vas a operar con un sistema en tiempo real, será mejor tener más contratos de los que normalmente tendríamos. Si este comercio demuestra ser rentable, hay un motivo oculto para utilizar este ejemplo. Si asumimos que hay dependencia, Si es una pérdida, lo más probable es que no sea una pérdida grande (debido a la correlación cuando en realidad no la hay, habremos cometido un error de tipo II. Una vez más, la pena que negativa). pagamos no se perderá. Finalmente, al determinar la dependencia también se deben considerar las pruebas fuera de la muestra. Es decir, divida su segmento de datos en dos o más partes. Si ganancias, sino en pérdidas reales. Sin embargo, si asumimos que no hay dependencia cuando en realidad la hay, habremos cometido un error tipo I y nuestra pena será la pérdida de beneficios. Claramente, es mejor que paguemos ves dependencia en la primera parte, luego ves si esa dependencia también existe en la la pena de renunciar a beneficios que sufrir pérdidas reales. Por lo tanto, segunda parte, y así sucesivamente. Esto ayudará a eliminar los casos en los que A menos que haya evidencia absolutamente abrumadora de dependencia, usted parece haber dependencia cuando en realidad no existe dependencia. Es mucho mejor asumir que las ganancias y pérdidas en el comercio El uso de estas dos herramientas (la prueba de carreras y el coeficiente de correlación (ya sea con un sistema mecánico o no) son independientes de resultados previos. lineal) puede ayudar a responder muchas de estas preguntas. Sin embargo, sólo pueden llega. respóndelas si tienes un límite de confianza lo suficientemente alto y/o un límite alto suficiente coeficiente de correlación. La mayoría de las veces estas herramientas son de poca ayuda, porque con demasiada frecuencia el universo de las operaciones con sistemas de Parece que aquí se presenta una paradoja. En primer lugar, si hay dependencia en los intercambios, entonces el sistema es "subóptimo". Sin embargo, la dependencia puede nunca podrá demostrarse más allá de toda duda. Ahora bien, si asumimos y actuamos como si futuros está dominado por la independencia. Si obtiene lecturas que indican dependencia, y hay dependencia (cuando en realidad no la hay), hemos cometido un Si desea aprovecharlo en sus operaciones, debe regresar y error más costoso que si asumimos y actuamos como si la dependencia incorpore una regla en su lógica comercial para explotar la dependencia. En no existe (cuando en realidad sí existe). Por ejemplo, supongamos que tenemos un En otras palabras, debe regresar y cambiar la lógica del sistema comercial a sistema con un historial de 60 operaciones, y supongamos que vemos dependencia de un cuenta de esta dependencia (es decir, pasando ciertas operaciones o rompiendo nivel de confianza del 95% basado en la prueba de carreras. Queremos que nuestro sistema dividir el sistema en dos sistemas diferentes, como uno para operaciones después ganancias y otro para intercambios después de pérdidas). Por lo tanto, podemos afirmar que si aparece dependencia en sus operaciones, no ha maximizado su sistema. En ser óptimo, por lo que ajustamos sus reglas en consecuencia para explotar esta aparente dependencia. Después de haberlo hecho, digamos que nos quedan 40 operaciones y la dependencia ya no es evidente. Por lo tanto, estamos satisfechos de que las reglas del sistema En otras palabras, la dependencia, si se encuentra, debe explotarse (cambiando el sean óptimas. Estas 40 operaciones ahora tendrán una f óptima más alta reglas del sistema para aprovechar la dependencia) hasta que ya no que los 60 completos (más sobre f óptima más adelante en este capítulo). ya no parece existir. Por lo tanto, la primera etapa en la gestión del dinero es explotar y, por Si vas y cambias este sistema con las nuevas reglas para explotar la dependencia y el tanto, eliminar cualquier dependencia en las operaciones. Para obtener más información sobre la dependencia de lo que se cubrió en las Fórmulas de gestión de cartera y se reiteró aquí, consulte el Apéndice C, "Más información sobre la óptimo concomitante más alto f, y si la dependencia no está presente, su rendimiento será más cercano al de las 60 operaciones, en lugar de las 40 operaciones superiores. Así, la f que has elegido será dependencia: los puntos de inflexión y las pruebas de duración de las fases". demasiado a la derecha, lo que resulta en un alto precio a pagar por asumir dependencia. Si Hemos estado discutiendo la dependencia en el flujo de ganancias comerciales. existe dependencia, entonces estarás más cerca del y pérdidas. También puede buscar dependencia entre un indicador y pico de la curva f suponiendo que la dependencia está ahí. ¿Tuviste la operación posterior, o entre dos variables cualesquiera. Para más sobre estos decidiste no asumirlo cuando en realidad había dependencia, lo harías ­ 12 ­ Machine Translated by Google tienden a estar a la izquierda del pico de la curva f y, por lo tanto, su rendimiento sería subóptimo (pero sería un precio menor a pagar que estar a la derecha del pico). Este axioma es cierto sólo en ausencia de una barrera absorbente superior. Por ejemplo, supongamos que un jugador que comienza con una apuesta de $100 dejará de jugar si su apuesta aumenta a $101. Este objetivo superior de 101 dólares se denomina barrera de absorción. Supongamos que nuestro jugador siempre apuesta $1 En pocas palabras, busque dependencia. Si se muestra en un grado suficientemente alto en todos los valores de los parámetros y mercados para ese por jugada al rojo en la ruleta. Por tanto, tiene una expectativa matemática ligeramente sistema, entonces altere las reglas del sistema para capitalizar la dependencia. De lo negativa. Es mucho más probable que el jugador vea crecer su apuesta a 101 dólares contrario, en ausencia de evidencia estadística abrumadora de dependencia, y abandone el juego que ver su apuesta llegar a cero y verse obligado a abandonar. supongamos que no existe (optando así por pagar la pena menor si en realidad la Sin embargo, si repite este proceso una y otra vez, se encontrará con una expectativa matemática negativa. Si tiene la intención de jugar este juego así solo una vez, entonces dependencia existe). el axioma de arruinarse con certeza, eventualmente, no se aplica. EXPECTATIVA MATEMÁTICA La diferencia entre una expectativa negativa y una positiva es la diferencia entre la vida y la muerte. No importa tanto cuán positivas o negativas sean tus expectativas; Del mismo modo, es mejor no comerciar a menos que exista evidencia absolutamente abrumadora de que el sistema de mercado en el que está pensando lo que importa es si es positivo o negativo. Por lo tanto, antes de que siquiera se pueda operar será rentable; es decir, a menos que espere plenamente que el sistema de mercado en cuestión tenga una expectativa matemática positiva cuando lo comercializa en tiempo real. considerar la administración del dinero, se debe tener un juego de expectativas positivo. Si no lo hace, ni toda la gestión del dinero del mundo podrá salvarle1 . Por otro lado, si tiene una expectativa positiva, puede, mediante una gestión adecuada del La expectativa matemática es la cantidad que espera ganar o perder, en promedio, en cada apuesta. En el lenguaje del juego, esto a veces se conoce como ventaja del dinero, convertirla en una función de crecimiento exponencial. ¡Ni siquiera importa cuán marginalmente positivas sean las expectativas! jugador (si es positiva para el jugador) o ventaja de la casa (si es negativa para el jugador): (1.03) Expectativa En otras palabras, no importa mucho qué tan rentable sea su sistema de comercio Matemática = ∑[i = 1,N](Pi*Ai) por contrato, siempre y cuando sea rentable, aunque sea marginalmente. Si tiene un dónde sistema que gana $10 por contrato por operación (una vez deducidas las comisiones y P = Probabilidad de ganar o perder. el deslizamiento), puede usar la administración del dinero para que sea mucho más A = Monto ganado o perdido. rentable que un sistema que muestra una operación promedio de $1,000 (una vez que se han deducido las comisiones y el deslizamiento). deducido). Lo que importa, N = Número de resultados posibles. entonces, no es qué tan rentable ha sido su sistema, sino qué tan seguro es de que el La expectativa matemática se calcula multiplicando cada posible ganancia o sistema mostrará al menos una ganancia marginal en el futuro. Por lo tanto, la pérdida por la probabilidad de esa ganancia o pérdida y luego sumando estos preparación más importante que puede hacer un operador es asegurarse lo más posible productos. de tener una expectativa matemática positiva en el futuro. Veamos la expectativa matemática para un juego en el que tienes un 50 % de posibilidades de ganar $2 y un 50 % de posibilidades de perder $1 según esta fórmula: La clave para garantizar que tenga una expectativa matemática positiva en el futuro es no restringir los grados de libertad de su sistema. Desea mantener los grados de libertad de su sistema lo más altos posible para garantizar la expectativa matemática Expectativa Matemática = (.5*2)+(.5*(­1)) = 1+(­5) = .5 positiva en el futuro. Esto se logra no sólo eliminando, o al menos minimizando, el En tal caso, por supuesto, su expectativa matemática es número de parámetros optimizables, sino también eliminando, o al menos minimizando, gana 50 centavos por lanzamiento en promedio. tantas reglas del sistema como sea posible. Cada parámetro que agrega, cada regla Considere apostar a un número en la ruleta, donde su expectativa matemática que agrega, cada pequeño ajuste y calificación que agrega a su sistema disminuye sus es: ME = ((1/38)*35)+ grados de libertad. Idealmente, tendrá un sistema que sea muy primitivo y simple, y ((37/38)*(­1)) = (.02631578947*35)+(. que continuamente obtenga ganancias marginales a lo largo del tiempo en casi todos 9736842105*(­1)) = (9210526315)+(­.9736842105) los diferentes mercados. Nuevamente, es importante que se dé cuenta de que realmente no importa qué tan rentable sea el sistema, siempre que sea rentable. El dinero que ganará con el comercio dependerá de la eficacia de la gestión del dinero que emplee. = ­.05263157903 En este caso, si apuesta 1 dólar a un número de la ruleta (doble cero americano), esperaría perder, en promedio, 5,26 centavos por tirada. Si apuestas 5$, esperarías El sistema de comercio es simplemente un vehículo que le brinda una expectativa matemática positiva sobre la cual utilizar la administración del dinero. Los sistemas que funcionan (muestran al menos una ganancia marginal) en sólo uno o unos pocos perder, en promedio, 26,3 centavos por tirada. Observe que diferentes cantidades apostadas tienen diferentes expectativas matemáticas en términos de cantidades, pero la expectativa como porcentaje de la cantidad apostada es siempre la misma. La expectativa del jugador para una serie de apuestas es el total de las expectativas para las apuestas individuales. Entonces, si juegas $1 en un número en la ruleta, luego $10 en un número, luego $5 en un número, tu expectativa total es: ME = (­.0526*1)+ (­.0526*10)+(­. 0526*5) = mercados, o que tienen diferentes reglas o parámetros para diferentes mercados, probablemente no funcionarán en tiempo real por mucho tiempo. El problema con la mayoría de los comerciantes con orientación técnica es que dedican demasiado tiempo y esfuerzo odiando a la computadora que genera ejecución tras ejecución de diferentes reglas y valores de parámetros para los sistemas comerciales. Este es el mejor juego de "sería, debería, podría". Es completamente contraproducente. En lugar de concentrar sus esfuerzos y tiempo de computadora en maximizar las ganancias de su sistema ­.0526­.526 .263 = ­.8416 Por lo tanto, esperaría perder, en promedio, 84,16 centavos. comercial, dirija la energía hacia maximizar el nivel de certeza de una ganancia marginal. Este principio explica por qué los sistemas que intentan cambiar el tamaño de sus apuestas en relación con el número de ganancias o pérdidas observadas (suponiendo un proceso de prueba independiente) están condenados al fracaso. ¡La suma de las apuestas con expectativas negativas es siempre una expectativa negativa! El punto más fundamental que debes entender en términos de administración del dinero es que en un juego de expectativas negativas, no existe ningún esquema de 1 administración del dinero que te convierta en un ganador. Si continúa apostando, Esta regla es aplicable a la negociación de un único sistema de mercado. Cuando comienzas a operar con más de un sistema de mercado, entras en un ambiente independientemente de cómo administre su dinero, es casi seguro que perderá y extraño donde es posible incluir un sistema de mercado con una expectativa matemática perderá toda su apuesta, sin importar cuán grande fuera al principio. negativa como uno de los mercados en los que se negocia y en realidad tener una expectativa matemática neta más alta que ¡la expectativa matemática neta del grupo Este axioma no sólo es válido para un juego de expectativas negativas, sino que antes de la inclusión del sistema de expectativas negativas! Además, es posible que la también lo es para un juego de dinero par. Por lo tanto, el único juego que tiene expectativa matemática neta para el grupo con la inclusión del sistema de mercado de posibilidades de ganar a largo plazo es un juego de expectativas aritméticas positivas. expectativas matemáticas negativas pueda ser mayor que la expectativa matemática Entonces, solo podrás ganar si apuestas siempre el mismo tamaño de apuesta de cualquiera de los sistemas de mercado individuales. Por el momento consideraremos constante o apuestas con un valor f menor que el valor f correspondiente al punto sólo un sistema de mercado a la vez, por lo que lo más probable es que tengamos una donde la media geométrica HPR es menor o igual a 1. (Cubriremos el segundo parte expectativa matemática positiva para que las técnicas de administración del dinero de esto, con respecto a la media geométrica HPR, más adelante en el texto.) funcionen. ­ 13 ­ Machine Translated by Google REINVERTIR O NO LAS GANANCIAS COMERCIALES Sistema A Sin reinversión Llamemos al siguiente sistema "Sistema A". En él tenemos 2 oficios: Comercio No. P&L el primero ganó un 50% y el segundo perdió un 40%. Si no reinvertimos nuestro 100 100 150 150 110 90 111 90,9 devoluciones, ganamos el 10%. Si reinvertimos, la misma secuencia de operaciones pierde el 10%. 112 1 2 Sistema A Sin reinversión 100 50 150 50 2 ­40 110 ­60 90 150 3 0,86 Estándar Desarrollo. 1,3 31,88 39,00 Promedio. Comercio/Std. Desarrollo. 0.09 ­0.05 Ahora Ahora veamos el Sistema B, una ganancia del 15% y una pérdida del 5%, que tomemos el Sistema B y agreguemos 2 perdedores más de 1 punto cada uno. Sistema A. Pero mire los resultados del Sistema B con reinversión: a diferencia Sistema B Sin reinversión con reinversión sistema A, genera dinero. N° de operación P&L Acumulado P&L Acumulado 100 115 110 109 Sistema B Sin reinversión 100 Con Reinversión 15 15 115 1 ­5 ­5,75 109,25 23 ­1 ­1,0925 108,1575 4 ­1 Comercio No. P&L Acumulado P&L Acumulado 100 100 15 115 15 115 ­5 110 ­5,75 109,25 108 ­1,08157 107,0759 25% Porcentaje de victorias 25 % promedio. Una característica importante del trading con reinversión que debe 2 Riesgo comercial/ Lo que hay que tener en cuenta es que reinvertir las ganancias comerciales puede convertir un sistema ganador en un sistema perdedor, ¡pero no al revés! Un sistema ganador se convierte en un sistema perdedor en el comercio con reinversión si los rendimientos no son 1,768981 Rew. 2.14 Estándar Desarrollo. 7,68 1,89 promedio. Comercio/Std. Desarrollo. 7,87 0,26 0,22 suficientemente consistente. Ahora bien, si lo que realmente buscamos es coherencia, miremos un banco. Cambiar el orden o secuencia de las operaciones no afecta el resultado final. cuenta, el vehículo perfectamente consistente (en relación con el comercio), pagando 1 resultado. Esto no sólo es cierto en el caso de la no reinversión, sino también punto por período. Llamaremos a esta serie Sistema C. sobre una base de reinversión (contrariamente a la idea errónea de la mayoría de la gente). Sistema C Sin reinversión Sistema A Sin reinversión Con Reinversión 100 Con Reinversión PyG acumuladas 100 Comercio No. P&L Acumulado 100 101 Comercio No. P&L Acumulado P&L Acumulado 100 1 1 40 60 40 60 2 1 102 1,01 102,01 50 110 30 90 3 1 103 1.0201 103.0301 4 1 104 1.030301 104.0604 Sistema B Sin reinversión Con Reinversión Comercio No. P&L Acumulado P&L Acumulado 100 100 12 ­ 2,04775 promedio. Riesgo comercial/Rew. también obtiene un 10% en 2 operaciones sin reinversión, al igual que 12 75% Porcentaje de victorias 75 % 100 1 50­60 0,9 0,909 91,809 50­40 1 1 34 Con Reinversión Comercio No. P&L Acumulado P&L Acumulado 12 Con Reinversión P&L Acumulado Acumulado ­5 95 95 15 110 14,25 109,25 ­5 1 Porcentaje de victorias 1,00 Promedio. 1 .00 Riesgo comercial/Rew. 1 Infinito Infinito Estándar Desarrollo. 0.00 0,01 101 1.015100 promedio Comercio/Std. Desarrollo. Infinite 89.89 Nuestro Como puede verse obviamente, la secuencia de operaciones no tiene relación con el resultado final, ya sea visto desde el punto de vista de la reinversión o de la no reinversión. (Un objetivo es maximizar nuestras ganancias mediante el comercio de reinversión. Con que como objetivo, podemos ver que nuestra mejor secuencia de reinversión viene beneficio adicional de negociar sobre la base de la reinversión es que del Sistema B. ¿Cómo podríamos haberlo sabido, dada sólo la información? las reducciones tienden a amortiguarse. A medida que un sistema entra y atraviesa un con respecto al comercio sin reinversión? ¿Por porcentaje de operaciones ganadoras? período de reducción, cada operación perdedora es seguida por una operación con menos ¿Por dólares totales? ¿Por comercio promedio? La respuesta a estas preguntas es y menos contratos.) "no", porque responder "sí" nos haría cambiar el Sistema A (pero esto es la solución por la que optan la mayoría de los operadores de futuros). ¿Y si optáramos por la mayoría? Si lo examinamos, parecería que es mejor operar sin reinversión que reinvertir porque su probabilidad de ganar es mayor. Sin embargo, esta no es una suposición válida, porque en el consistencia (es decir, la relación más alta promedio de comercio/desviación estándar o la más baja En el mundo real no retiramos todas nuestras ganancias ni recuperamos todos nuestros tampoco son las respuestas. Si lo fueran, deberíamos poner nuestro pérdidas al depositar efectivo nuevo en una cuenta. Además, la naturaleza de la inversión o el dinero en el banco y olvídese del comercio. Desviación Estándar)? ¿Qué tal el riesgo/recompensa más alto o la reducción más baja? Estas comercio depende de los efectos de la capitalización. Si El Sistema B tiene una combinación perfecta de rentabilidad y coherencia. Sistemas eliminamos la capitalización (como en la base de no reinversión), A y C no. Es por eso que el Sistema B se desempeña mejor en el comercio de reinversión. ¿Cuál Podemos planear hacer en el futuro poco mejor que lo que podemos hacer hoy, sin importar es la mejor manera de medir esta "combinación adecuada"? Da vueltas cuán exitoso será nuestro comercio de aquí a entonces. esta compuesto Existe una fórmula que hará precisamente eso: la media geométrica. Esto es que toma la función lineal del crecimiento de la cuenta y la convierte en una función geométrica. simplemente la raíz enésima del relativo de riqueza terminal (TWR), donde N es el número de períodos (operaciones). El TWR es simplemente lo que hemos sido calcular cuando calculamos cuál es el monto acumulado final Si un sistema es lo suficientemente bueno, las ganancias generadas por una reinversión serán mucho mayores que los generados sin reinversión, y esa brecha se ampliará a medida que pase el tiempo. Si tienes un sistema que reinversión. En otras palabras, los TWR para los tres sistemas que acabamos de sierra son: TWR puede ganarle al mercado, no tiene ningún sentido negociarlo en ningún otro Sistema manera que aumentar la cantidad apostada a medida que aumenta su apuesta. Sistema A .91809 Sistema B 1.070759 Sistema C 1.040604 Como hay 4 operaciones en MEDIR UN BUEN SISTEMA DE REINVERSIÓN cada una de estas, llevamos los TWR a la LA MEDIA GEOMÉTRICA Cuarta raíz para obtener la media geométrica: Hasta ahora hemos visto cómo un sistema puede ser saboteado si no se Sistema Significado geometrico bastante consistente entre un comercio y otro. ¿Significa esto que deberíamos cerrar? Sistema A 0. 978861 Sistema ¿Levantarnos y poner nuestro dinero en el banco? B 1.017238 Sistema C 1.009999 (1.04) TWR = ∏[i = Volvamos al Sistema A, con sus 2 primeras operaciones. Por el bien de il­ En la ilustración vamos a sumar dos ganadores de 1 punto cada uno. 1,N]HPRi (1.05) Media geométrica = TWR^(1/N) ­ 14 ­ Machine Translated by Google dónde probabilidad de perder a medida que se acorta la duración del juego, es decir, a medida que el N = Número total de operaciones. número de pruebas se acerca a 1. Si juegas un juego en el que tienes un 49% de posibilidades de HPR = Rentabilidad del período de tenencia (igual a 1 más la tasa de rentabilidad; por ejemplo, una HPR de 1,10 significa una rentabilidad del 10 % durante un período, apuesta o operación ganar $1 y un 51% de perder $1, eres mejor. fuera de apuestas en solo 1 intento. Cuantas más pruebas apuestes, mayor será la probabilidad de perder, y la probabilidad de perder se acerca a la certeza a medida que la duración del juego se acerca al infinito. Eso no quiere decir que tengas una determinados). expectativa positiva para la primera prueba, pero al menos has minimizado las probabilidades de ser TWR = La cantidad de dólares de valor al final de una serie de períodos/apuestas/operaciones un perdedor jugando solo una prueba. por dólar de inversión inicial, asumiendo que se permite que las ganancias y pérdidas se acumulen. Regresemos ahora a un juego de expectativas positivas. Al comienzo de esta discusión Aquí hay otra forma de expresar estas variables: (1.06) TWR = determinamos que en cualquier operación dada, la cantidad que un comerciante pone puede Apuesta final/Apuesta inicial La media geométrica (G) expresarse como un factor, f, entre 0 y 1, que representa la cantidad del comerciante con respecto tanto a la percepción pérdida en la siguiente operación y el patrimonio total del comerciante. Si sabe es igual a su factor de crecimiento por jugada, o: que tiene una ventaja sobre N apuestas pero no sabe cuáles de esas N apuestas serán ganadoras (1.07) G = (Apuesta final/Apuesta inicial)^(I/Número de jugadas) Piense en la media geométrica como el "factor de crecimiento por jugada" de su apuesta. El sistema o mercado con la media geométrica más alta es el sistema o mercado que obtiene el mayor beneficio operando sobre la base de la reinversión de los rendimientos. Una media geométrica menor que uno significa que el sistema habría perdido dinero si lo hubiera comercializado mediante (y por cuánto), y cuáles serán perdedoras (y por cuánto), estará en mejor situación (a largo plazo). run) tratando cada apuesta exactamente igual en términos de qué porcentaje de su apuesta total está en riesgo. Este método de negociar siempre una fracción fija de su apuesta ha demostrado una y otra vez ser el mejor sistema de apuestas. Si hay dependencia en sus operaciones, donde los ganadores engendran ganadores y los perdedores engendran perdedores, o viceversa, es mejor que reinversión. apueste una fracción de su apuesta total en cada apuesta, pero esa fracción ya no es fija. En tal El desempeño de las inversiones a menudo se mide con respecto a la dispersión de los caso, la fracción debe reflejar el efecto de esta dependencia (es decir, si aún no ha "eliminado" la rendimientos. Medidas como el índice de Sharpe, la medida de Treynor, la medida de Jensen, Vami, dependencia de su sistema creando reglas del sistema para explotarla). etc., intentan relacionar el desempeño de la inversión con la dispersión. La media geométrica aquí puede considerarse otro de este tipo de medidas. Sin embargo, a diferencia de las otras medidas, la media geométrica mide el desempeño de la inversión en relación con la dispersión en la misma forma matemática en la que se ve afectado el capital de su cuenta. "Espera", dices. "¿No son tontos los sistemas de apuestas para empezar? ¿No hemos visto que no superan la ventaja de la casa, sino que sólo aumentan nuestra acción total?" Esto es absolutamente cierto para una situación con una expectativa matemática negativa. La ecuación (1.04) confirma otro punto. Si sufres un HPR de 0, serás completamente aniquilado, Para una expectativa matemática positiva, es una historia completamente diferente. En una situación porque cualquier cosa multiplicada por cero es igual a cero. Cualquier operación con grandes de expectativas positivas, el comerciante/jugador se enfrenta a la cuestión de cuál es la mejor pérdidas tendrá un efecto muy adverso en el TWR, ya que es una función multiplicativa y no aditiva . manera de explotar las expectativas positivas. Por lo tanto, podemos afirmar que en el trading usted es tan inteligente como su error más tonto. COMERCIO FRACCIONAL FIJO ÓPTIMO Hemos pasado el transcurso de esta discusión sentando las bases para esta sección. Hemos CÓMO REINVERTIR MEJOR visto que para considerar apostar o operar en una situación o sistema determinado, primero se debe Hasta ahora hemos hablado de la reinversión de los rendimientos en las operaciones, mediante determinar si existe una expectativa matemática positiva. Hemos visto que lo que aparentemente la cual reinvertimos el 100% de nuestra participación en todas las ocasiones. Aunque sabemos que es una "buena apuesta" desde el punto de vista de la expectativa matemática (es decir, la expectativa para maximizar una situación potencialmente rentable debemos recurrir a la reinversión, una matemática es positiva) puede en realidad no ser una buena apuesta cuando se considera la reinversión del 100% rara vez es lo más inteligente. reinversión de rendimientos, si se está reinvirtiendo demasiado. un porcentaje de sus ganancias en relación con la dispersión de resultados del sistema. Tomemos el caso de una apuesta justa (50/50) en un lanzamiento de moneda. Alguien está dispuesto a pagarle $2 si gana el sorteo, pero le cobrará $1 si pierde. Reinvertir los rendimientos nunca aumenta la expectativa matemática (como porcentaje, aunque Nuestra expectativa matemática es .5. En otras palabras, esperaría ganar 50 centavos por puede aumentar la expectativa matemática en términos de dólares, lo cual lo hace geométricamente, lanzamiento, en promedio. Esto se aplica al primer lanzamiento y a todos los lanzamientos razón por la cual queremos reinvertir). posteriores, siempre que no aumente la cantidad que está apostando. Pero en un proceso de juicio Si de hecho existe una expectativa matemática positiva, por pequeña que sea, el siguiente paso es independiente esto es exactamente lo que debe hacer. A medida que ganes, deberás comprometerte explotar esta expectativa positiva en su máximo potencial. más y más en cada lanzamiento. Para un proceso de prueba independiente, esto se logra reinvirtiendo una fracción fija de su Suponga que comienza con una apuesta inicial de un dólar. Ahora suponga que gana el primer participación total. lanzamiento y le pagan dos dólares. Como tenía toda su apuesta ($1) en juego en la última apuesta, también apuesta toda su apuesta (ahora $3) en el siguiente lanzamiento. Sin embargo, el próximo 2 ¿Y cómo encontramos esta f óptima? En las últimas décadas se ha trabajado mucho sobre este tema en la comunidad de juegos de azar, el más famoso y preciso de los cuales se conoce lanzamiento es perdedor y toda su apuesta de $3 se acaba. Ha perdido su $1 original más los $2 como el Sistema de Apuestas Kelly. En realidad, esto es una aplicación de una idea matemática que había ganado. Si hubiera ganado el último lanzamiento, le habría pagado $6 ya que tenía tres desarrollada a principios de 1956 por John L. Kelly, Jr.3 El criterio de Kelly establece que debemos apuestas de $1. El punto es que si estás apostando el 100% de tu apuesta, serás eliminado tan apostar esa fracción fija de nuestra apuesta (f) que maximiza la función de crecimiento G(f) : (1.08) pronto como te encuentres con una apuesta perdedora, un evento inevitable. Si volviéramos a jugar G(f) = P*ln(l+B*f)+(1 ­P)*ln(lf) el escenario anterior y usted hubiera apostado sin reinversión (es decir, con un tamaño de apuesta constante), habría ganado $2 en la primera apuesta y habría perdido $1 en la segunda. Ahora tendrías una ventaja neta de $1 y una apuesta total de $2. dónde f = La fracción fija óptima. P = La probabilidad de ganar una apuesta o una operación. En algún punto entre estos dos escenarios se encuentra el enfoque de apuestas óptimo para B = La relación entre el monto ganado en una apuesta ganadora y el monto perdido en una una expectativa positiva. Sin embargo, primero deberíamos discutir la estrategia de apuestas óptima para un juego de expectativas negativas. Cuando sabes que el juego que estás jugando tiene una apuesta expectativa matemática negativa, la mejor apuesta es no apostar. Recuerde, no existe ninguna perdedora. ln() = La función del logaritmo natural. estrategia de gestión del dinero que pueda convertir un juego perdedor en uno ganador. 'Sin embargo, si debes apostar en un juego de expectativas negativas, la siguiente mejor estrategia es la estrategia de máxima audacia. En otras palabras, desea apostar en la menor cantidad de intentos posible (a diferencia de un juego de expectativas positivas, donde desea apostar en el mayor número de 2 Para un proceso de prueba dependiente, al igual que para un proceso de prueba independiente, la idea de apostar una proporción de su apuesta total también produce la mayor explotación de una expectativa matemática positiva. Sin embargo, en un proceso de prueba dependiente, usted intentos posible). Cuantas más pruebas, mayor será la probabilidad de que se cumplan las apuesta de manera óptima una fracción variable de su apuesta total, y la fracción exacta de cada expectativas positivas y, por tanto, mayor será la probabilidad de que se pierdan las apuestas por el apuesta individual está determinada por las probabilidades y los pagos involucrados para cada lado de las expectativas negativas. Por lo tanto, el lado de las expectativas negativas tiene cada vez apuesta individual. Esto es análogo a negociar un proceso de pruebas dependientes como dos sistemas de mercado separados. menos importancia. 3 Kelly, JL, Jr., Una nueva interpretación de la tasa de información, Bell System Technical Journal, págs. 917­926, julio de 1956. ­ 15 ­ Machine Translated by Google Resulta que, para un evento con dos resultados posibles, este f4 óptimo se puede los comerciantes se equivocan). La ganancia promedio es 9 y la pérdida promedio es 8. encontrar con bastante facilidad con las fórmulas de Kelly. Por tanto decimos que B = 1,125. Sustituyendo los valores obtenemos: f = ((1.125+1) FÓRMULAS DE KELLY = (1.179375­1)/1.125 .555­1)/1.125 = (2.125*.555­1)/1.125 A finales de la década de 1940, los ingenieros de Bell System estaban trabajando en el problema de la transmisión de datos a través de líneas de larga distancia. El problema al que se enfrentaban era que las líneas estaban sujetas a un "ruido" aparentemente aleatorio e = .179375/1.125 = .159444444 inevitable que interferiría con la transmisión. Entonces decimos f = .16. Verá más adelante en este capítulo que este no es el f óptimo. Los ingenieros de Bell Labs propusieron algunas soluciones bastante ingeniosas. Curiosamente, existen grandes similitudes entre este problema de comunicación de datos y el problema del La f óptima para esta secuencia de operaciones es 0,24. Aplicar la fórmula de Kelly cuando crecimiento geométrico en lo que respecta a la gestión del dinero del juego (ya que ambos todas las ganancias no son por la misma cantidad y/o todas las pérdidas no son por la misma problemas son producto de un entorno de incertidumbre favorable). Una de las consecuencias cantidad es un error, ya que no producirá la f óptima. de estas soluciones es la primera fórmula de Kelly. La primera ecuación aquí es: (1.09a) f = Observe que el numerador en esta fórmula es igual a la expectativa matemática para un 2*Pl evento con dos resultados posibles como se definió anteriormente. Por lo tanto, podemos decir que siempre que todas las ganancias sean por la misma cantidad o y todas las pérdidas sean por la misma cantidad (sea o no que la cantidad que se puede ganar (1.09b) f = PQ sea igual a la cantidad que se puede perder), la f óptima es: (1.10 b) f = Expectativa dónde Matemática/B f = La fracción fija óptima. dónde P = La probabilidad de ganar una apuesta o una operación. f = La fracción fija óptima. Q = La probabilidad de una pérdida, (o el complemento de P, igual a 1­ P). B = La relación entre el monto ganado en una apuesta ganadora y el monto perdido en una apuesta perdedora. Ambas formas de la ecuación (1.09) son equivalentes. La ecuación (1.09a) o (1.09b) dará la respuesta correcta para f óptima siempre que las La expectativa matemática se define en la ecuación (1.03), pero como debemos tener una distribución de resultados de Bernoulli, debemos hacer cantidades sean las mismas tanto para victorias como para derrotas. Como ejemplo, considere Estamos seguros al utilizar la ecuación (1.10b) de que sólo tenemos dos resultados posibles. el siguiente flujo de apuestas: llega. ­1, +1, +1,­1,­1, +1, +1, +1, +1,­1 La ecuación (1.10a) es la forma más común de la ecuación (1.10) (todas ellas equivalentes). Sin embargo, la fórmula se puede reducir a la siguiente forma más simple: Hay 10 apuestas, 6 ganadoras, por lo tanto: (1.10c) f = PQ/B donde f = (.6*2)­l = 1.2­1 = .2 Si los ganadores y perdedores no fueran todos del mismo tamaño, entonces esta fórmula no daría la respuesta correcta. Un caso así sería nuestro ejemplo de lanzamiento de moneda dos a uno, donde todos los ganadores fueron por 2 unidades y todos los perdedores por 1 f = La fracción fija óptima. unidad. Para esta situación la fórmula de Kelly es: (1.10a) f = ((B+1)*P­1)/B P = La probabilidad de ganar una apuesta o una operación. Q = La probabilidad de una pérdida (o el complemento de P, igual a 1­P). dónde ENCONTRAR LA F ÓPTIMA POR LA MEDIA GEOMÉTRICA f = La fracción fija óptima. P = La probabilidad de ganar una apuesta o una operación. En el trading podemos contar con que nuestras ganancias serán de cantidades variables y que nuestras pérdidas serán de cantidades variables. Por lo tanto, las fórmulas de Kelly no B = La relación entre el monto ganado en una apuesta ganadora y el monto perdido en una pudieron darnos la f óptima correcta. ¿Cómo podemos entonces encontrar nuestra f óptima apuesta perdedora. para saber cuántos contratos tener y que sea matemáticamente correcta? En nuestro ejemplo de lanzamiento de moneda dos a uno: f = ((2+ Aquí está la solución. Para empezar, debemos modificar nuestra fórmula para encontrar l).5­l)/2 = (3*.5­ HPR para incorporar f: (1.11) HPR = l)/2 = (1.5 ­l)/2 1+f*(­Comercio/Pérdida mayor) = .5/2 dónde = .25 Esta fórmula arrojará la respuesta correcta para f óptima siempre que todas las ganancias sean siempre por la misma cantidad y todas las pérdidas sean siempre por la misma cantidad. Si esto no es así, entonces esta fórmula no dará el resultado correcto. f = El valor que estamos usando para f. ­Trade = La ganancia o pérdida en una operación (con el signo invertido para que las pérdidas sean números positivos y las ganancias sean negativas). Mayor pérdida = Las pérdidas y ganancias que resultaron en la mayor pérdida. (Esto respuesta correcta. siempre debe ser un número negativo). Las fórmulas de Kelly son aplicables sólo a resultados que tienen una distribución de Bernoulli. Una distribución de Bernoulli es una distribución con dos resultados discretos Y nuevamente, TWR es simplemente el producto geométrico de los HPR y la media posibles. Los juegos de apuestas suelen tener una distribución de Bernoulli. Los dos resultados geométrica (G) es simplemente la raíz enésima de TWR. son cuánto gana cuando gana y cuánto pierde cuando pierde. Desafortunadamente, el comercio (1.12) TWR = ∏[i = 1,N](1+f*(­Tradei/Mayor pérdida)) no es tan sencillo. Aplicar las fórmulas de Kelly a una distribución de resultados que no es la (1.13) G = (∏[i = 1,N](1+f*(­Negocio/ Pérdida mayor))]^(1/N) de Bernoulli (como el comercio) es un error. El resultado no será el verdadero óptimo f. Para obtener más información sobre la distribución de Bernoulli, consulte el Apéndice B. Considere la siguiente secuencia de apuestas/intercambios: dónde f = El valor que estamos usando para f. ­Tradei = La ganancia o pérdida en la iésima operación (con el signo invertido de modo que las pérdidas son números positivos y las ganancias son negativas). +9, +18, +7, +1, +10, ­5, ­3, ­17, ­7 Dado que Mayor pérdida = Las pérdidas y ganancias que resultaron en la mayor pérdida. (Esto esta no es una distribución de Bernoulli (las ganancias y pérdidas son de diferentes cantidades), la fórmula de Kelly no es aplicable . Sin embargo, intentémoslo de todos modos y siempre debe ser un número negativo). N = El número total de operaciones. veamos qué obtenemos. G = La media geométrica de los HPR. Dado que 5 de los 9 eventos son rentables, entonces P = 0,555. Ahora tomemos promedios de las victorias y derrotas para calcular B (aquí es donde tantas Al recorrer todos los valores de I entre 0,01 y 1, podemos encontrar el valor de f que da 4 Como se usa a lo largo del texto, f siempre está en minúscula y en tipo romano. No debe confundirse con la constante universal, F, igual a 4,669201609…, perteneciente a bifurcaciones en sistemas caóticos. ­ dieciséis ­ como resultado la TWR más alta. Este es el valor de f que nos proporcionaría el máximo rendimiento de nuestro dinero utilizando una fracción fija. También podemos afirmar que la f óptima es la f que produce el Machine Translated by Google media geométrica más alta. No importa si buscamos lo más alto En el futuro, el apostador f óptimo tendrá una riqueza infinitamente mayor que cualquier otro TWR o media geométrica, ya que ambos se maximizan al mismo valor para f. apostador de sistemas de administración de dinero con una probabilidad cercana a 1. Además, si un apostador tiene como objetivo alcanzar una fortuna específica y Hacer esto con una computadora es fácil, ya que tanto la curva TWR como La curva media geométrica es suave con un solo pico. Tu simplemente se enfrenta a una serie de apuestas u oportunidades comerciales favorables, el tiempo esperado bucle desde f = .01 hasta f = 1.0 por .01. Tan pronto como obtenga un TWR que sea para alcanzar la fortuna será menor (más rápido) con una f óptima menor que el TWR anterior, sabes que la f correspondiente a la que con cualquier otro sistema de apuestas. La TWR anterior es la f óptima. Puede emplear muchos otros algoritmos de búsqueda para Volvamos atrás y reconsideremos la siguiente secuencia de apuestas (intercambios): facilitar este proceso de encontrar la f óptima en el rango de +9, +18, +7, +1, +10, ­5, ­3, ­17, ­7 0 a 1. Una de las formas más rápidas es con la búsqueda por interpolación parabólica. Recuerde que determinamos anteriormente en este capítulo que la fórmula de Kelly no era procedimiento detallado en Fórmulas de Gestión de Cartera. aplicable a esta secuencia, porque no todas las victorias fueron por la misma cantidad y tampoco las pérdidas. También decidimos promediar las ganancias y PARA RESUMEN HASTA AHORA las pérdidas y tomar estos promedios como nuestros valores en la fórmula de Kelly (como hacen muchos traders por error). Haciendo esto Has visto que un buen sistema es aquel que tiene la media geométrica más alta. Sin embargo, para encontrar la media geométrica debes saber f. Tú llegamos a un valor f de 0,16. Se afirmó que ésta es una aplicación incorrecta de Kelly, que no Puede que esto le resulte confuso. A continuación presentamos un resumen y una aclaración de los produciría la f óptima. La fórmula de Kelly debe ser específica para una apuesta única. No proceso: puedes promediar tus ganancias y pérdidas del trading y obtener el verdadero óptimo fusionando la fórmula de Kelly. Tomemos como ejemplo la cotización comercial de un sistema de mercado determinado. Nuestro TWR más alto en esta secuencia de apuestas (intercambios) se obtiene en 1. Encuentre la f óptima, ya sea probando varios valores de f de 0 a 1 o .24, o apostar $1 por cada $71 de nuestra apuesta. Ese es el crecimiento geométrico óptimo mediante iteración. La f óptima es aquella que produce la mayor TWR. que se puede obtener de esta secuencia de apuestas (oficios). fracción fija. Miremos los TWR en diferentes puntos a lo largo de 100 2. Una vez que haya encontrado f, puede tomar la raíz enésima del TWR que recorre esta secuencia de apuestas. En 1 bucle (9 apuestas o intercambios), corresponde a su f, donde N es el número total de operaciones. Esto es la TWR para f = ,16 es 1,085 y para f = 0,24 es 1,096. Esto significa que su media geométrica para este sistema de mercado. Ahora puedes usar esto para 1 pase por esta secuencia de apuestas, una f = .16 hizo el 99% de lo que f = 0,24 habría hecho. Continuar: media geométrica para hacer comparaciones de manzanas con manzanas con otras sistemas de mercado, así como utilizar la f para saber cuántos contratos Pases Apuestas totales TWR para TWR para Agonía o Comercios f=.24 f=.16 1.096 1.085 cantidad dividiendo la mayor pérdida por el óptimo negativo f. Por ejemplo, si nuestra mayor 1 9 2.494 2.261 pérdida es $100 y nuestra f óptima es 0,25, entonces ­$100/­ 10 40 90 38.694 26.132 32.5 9313.312 0,25 = $400. Es decir, deberíamos apostar 1 unidad por cada 400$ que tengamos 360 100 900 comercio para ese sistema de mercado en particular. Una vez que se encuentra la f más alta, se puede convertir fácilmente en dólares. en nuestra apuesta. Porcentaje Diferencia 1 9.4 3490.761 62.5 Como puede verse, usando un valor f que calculamos erróneamente a partir de Kelly solo ganó el 37,5% de nuestra f óptima de 0,24 después de 900 Si tiene problemas con algunos de estos conceptos, intente pensar en términos de apuestas en unidades, no en dólares (por ejemplo, una ficha de $5 o una de futuros). apuestas o intercambios (100 ciclos a través de la serie de 9 resultados). En otra contrato o una unidad de acciones de 100 acciones). La cantidad de dólares que asigna a cada palabras, nuestra f óptima de .24, que es sólo .08 diferente de .16 (50% unidad se calcula calculando su pérdida más grande dividida por más allá del óptimo) obtuvo casi el 267% de la ganancia que obtuvo f = .16 después ¡900 apuestas! el óptimo negativo f. Repasemos otros 11 ciclos a través de esta secuencia de operaciones, para que La f óptima es el resultado del equilibrio entre la capacidad de un sistema para generar ganancias (sobre una base de 1 unidad constante) y su riesgo (sobre una base de 1 unidad constante). ahora tenemos un total de 999 operaciones. Ahora nuestra TWR para f = 0,16 es 8563.302 (ni siquiera lo que era para f = .24 en 900 operaciones) y nuestro TWR base unitaria). para f = 0,24 es 25.451,045. En 999 operaciones, f = 0,16 tiene solo un 33,6 % de descuento = 0,24, La mayoría de la gente piensa que la fracción fija óptima es ese porcentaje o f = 0,24 tiene un 297 % de descuento = 0,16. de su apuesta total a apostar, esto es absolutamente falso. Hay un interino Como puede ver, utilizar la f óptima no parece ofrecer muchas ventajas a corto plazo, pero paso involucrado. La f óptima no es en sí misma el porcentaje de su apuesta total Para apostar, es el divisor de tu mayor pérdida. El cociente de esta división a largo plazo se vuelve cada vez más ventajosa. es entre lo que divides tu apuesta total para saber cuántas apuestas hacer o contratos para tener. más importante. El punto es que debes darle tiempo al programa cuando operar a la f óptima y no esperar milagros en el corto plazo. El Cuanto más tiempo (es decir, apuestas o intercambios) transcurra, mayor será la diferencia También notarás que el margen no tiene nada que ver entre usar la f óptima y cualquier otra estrategia de administración del dinero. ¿Cuál es el número matemáticamente óptimo de contratos a tener? en. El margen no importa porque el tamaño de las ganancias individuales y Las pérdidas no son producto de la cantidad de dinero aportada como margen. COMERCIO MEDIO GEOMÉTRICO (serían iguales cualquiera que fuera el tamaño del margen). Más bien, el Las ganancias y pérdidas son el producto de la exposición de 1 unidad (1 futuro En este punto, el operador puede estar interesado en calcular su promedio geométrico de contrato). El importe aportado como margen pierde además su significado en un operaciones, es decir, cuál es el promedio obtenido por contrato. sentido de administración del dinero, porque el tamaño de la pérdida no se limita a por operación asumiendo que las ganancias siempre se reinvierten y los contratos fraccionados el margen. se pueden comprar. Esta es la expectativa matemática cuando estás La mayoría de la gente cree incorrectamente que f es una función rectilínea que se eleva negociación sobre una base fraccionaria fija. Esta figura le muestra qué efecto Hay perdedores que ocurren cuando tienes muchos contratos y hacia arriba y hacia la derecha. Creen esto porque piensan que sería Esto significa que cuanto más esté dispuesto a arriesgar, más podrá ganar. Los ganadores se producen cuando tienes menos contratos. En efecto, esto La gente razona de esta manera porque piensa que una matemática positiva se aproxima a cómo le habría ido a un sistema por contrato por operación la expectativa es sólo el reflejo de una expectativa negativa. Creen erróneamente que si haciendo fracción fija. (En realidad, el comercio promedio geométrico es su aumentar su acción total en un juego de expectativas negativas resulta en perder más rápido, expectativa matemática en dólares por contrato por operación. La media geométrica menos 1 entonces aumentar su acción total es su expectativa matemática por operación; una media geométrica de 1,025 representa una en un juego de expectativas positivas resultará en ganar más rápido. Esto no es expectativa matemática del 2,5% por operación. verdadero. En algún momento en una situación de expectativa positiva, aumentando aún más comercio, independientemente del tamaño.) Muchos comerciantes sólo miran el comercio promedio toda tu acción actúa en tu contra. Ese punto es una función tanto de la de un sistema de mercado para ver si es lo suficientemente alto como para justificar la rentabilidad del sistema y su consistencia (es decir, su media geométrica), ya que comercialización del sistema. Sin embargo, deberían observar el comercio promedio geométrico. estás reinvirtiendo los retornos en el sistema. (GAT) a la hora de tomar su decisión. (1.14) GAT = G*(Pérdida mayor/­f) Es un hecho matemático que cuando dos personas enfrentan la misma secuencia de apuestas u oportunidades comerciales favorables, si una usa la f óptima y la otra usa cualquier dónde sistema de administración de dinero diferente, entonces G = Media geométrica­1. La relación entre la apuesta óptima del apostador y la de la otra persona aumentará a medida que pase el tiempo, con una probabilidad cada vez mayor. en el largo ­ 17 ­ Machine Translated by Google f = Fracción fija óptima. (y, por supuesto, nuestra mayor pérdida es también $1 por cada $2 de tu apuesta en el ejemplo anterior de un juego 5:1. En formas un número negativo). En tal caso, ganarías más dinero si apostaras $1 por cada $2,50. en tu apuesta. No vale la pena arriesgar más que el valor óptimo. De hecho, Por ejemplo, supongamos que un sistema tiene una media geométrica de 1,017238, ¡Pagas un precio por hacerlo! la mayor pérdida es de $8 000 y la f óptima es 0,31. Nuestro comercio promedio geométrico sería: Obviamente, cuanto mayor sea la capitalización de una cuenta, con mayor precisión podrá atenerse a la f óptima, ya que los dólares requeridos por cada contrato son un porcentaje menor GAT = (1,017238­1)*(­$8 000/­0,31) = del capital total. Por ejemplo, supongamos 0,017238*$25 806,45 = La f óptima para un sistema de mercado determinado dicta que se debe negociar 1 contrato por $444,85 cada 5.000 dólares en una cuenta. Si una cuenta comienza con $10,000 en capital, necesitará ganar (o perder) 50% antes de que sea necesario un ajuste de cantidad. Compare POR QUÉ DEBE CONOCER SU F ÓPTIMA esto con una cuenta de $500 000, donde habría un ajuste de contrato por cada cambio del 1% en el capital. Claramente, la cuenta más grande puede aprovechar mejor los beneficios El gráfico de la Figura 1­6 demuestra además la importancia de utilizar el comercio fraccional fijo de aleta óptima. Recuerde nuestra curva f para un juego de lanzamiento de proporcionados por una f óptima. moneda 2:1, que se ilustra en la figura 1­1. que la cuenta más pequeña. Teóricamente, la f óptima supone que puedes comerciar en cantidades infinitamente divisibles, lo que no ocurre en la vida real, Aumentemos el pago ganador de 2 unidades a 5 unidades tal como está donde la cantidad más pequeña que puede intercambiar es un solo contrato. En el demostrado en la Figura 1­6. Aquí su f óptima es .4, o apostar $1 por En sentido asintótico esto no importa. Pero en la apuesta de números enteros de la vida real cada $2,50 de tu apuesta. Después de 20 secuencias de +5,­l (40 apuestas), tu En este escenario, se podría presentar un buen caso para negociar un sistema de mercado. La apuesta de $2,50 ha aumentado a $127,482, gracias a la óptima f. Ahora mira lo que eso requiere un porcentaje tan pequeño como sea posible del capital de la cuenta, especialmente sucede en esta situación extremadamente favorable si se pierde la f óptima para cuentas más pequeñas. Pero aquí también hay una compensación. Desde en un 20%. Con valores de f de 0,6 y 0,2 no ganas ni una décima parte de lo que ganarías hazlo en .4. Esta situación particular, una apuesta 50/50 que paga 5 a 1, tiene una expectativa matemática de (5*.5)+(1*(­.5)) = 2, pero si apuesta usando un valor f mayor que .8 usted pierde dinero. Nos esforzamos por comerciar en mercados que nos exigirían comerciar en múltiplos mayores que otros mercados, estaremos pagando mayores comisiones, costos de ejecución y deslizamientos. Tenga en cuenta que el monto requerido por contrato en la vida real es el mayor entre el requisito de margen inicial y el monto en dólares por contrato dictado por el 140 f óptimo. Cuanto más fino pueda cortarlo (es decir, más frecuentemente podrá ajustar el 120 tamaño de las posiciones que está negociando para alinearse con lo que lo dicta la f óptima), mejor será su situación. Por lo tanto, la mayoría de las cuentas 100 sería mejor operar en los mercados más pequeños. Puede que el maíz no parezca una opción muy t 80 mercado interesante para usted en comparación con el S&P. Sin embargo, para la mayoría de las personas la 60 El mercado del maíz puede volverse tremendamente emocionante si tienen unos cientos de contratos. W. R Quienes negocian con acciones o contratos a plazo (como los operadores de divisas) tienen una 40 tremenda ventaja aquí. Ya que debes calcular tu f óptima basado en los resultados (las pérdidas y ganancias) sobre la base de 1 contrato (1 unidad), usted 20 Primero debe decidir qué unidad es en acciones o en forex. Como comerciante de acciones, digamos decides que la unidad será de 100 acciones. Utilizará el flujo de pérdidas y ganancias 0 0,05 0,15 0,25 0,35 0,45 0,55 0,65 0,75 0,85 generado al negociar 100 acciones en todas y cada una de las operaciones para determinar tu óptimo f. Cuando vaya a negociar con esta acción en particular (y digamos valores f su sistema requiere negociar 2,39 contratos o unidades), podrá Figura 1­6 20 secuencias de +5, ­1. intercambie la parte fraccionaria (la parte .39) colocando 239 acciones. Así, por Aquí hay que destacar dos puntos. La primera es que siempre que pudiendo intercambiar la parte fraccionaria de 1 unidad, podrás llevarte más discutir un TWR, asumimos que al llegar a ese TWR permitimos ventaja del óptimo f. Lo mismo ocurre con los operadores de Forex, quienes primero deben decidir contratos fraccionarios a lo largo del camino. En otras palabras, el TWR supone qué es 1 contrato o unidad. Para el operador de Forex, 1 unidad puede ser un millón. Dólares estadounidenses o un millón de francos suizos. que puede negociar 5.4789 contratos si es necesario en algún momento punto. Esto se debe a que el cálculo de TWR permite contratos fraccionados. que el TWR siempre será el mismo para un conjunto determinado de resultados comerciales independientemente de su secuencia. Se puede argumentar que en la vida real esto no es así. LA SEVERIDAD DE LA REDUCCIÓN Es importante tener en cuenta en este punto que la reducción que puede esperar con el el caso. En la vida real no se pueden negociar contratos fraccionados. Su argumento es comercio fraccional fijo, como porcentaje de retroceso de su correcto. Sin embargo, estoy permitiendo que el TWR se calcule de esta manera. manera porque al hacerlo representamos el TWR promedio para todos los posibles El capital de la cuenta, históricamente habría sido al menos del f por ciento. En otras palabras, apuestas iniciales. Si requiere que todas las apuestas sean por cantidades enteras, entonces si f es 0,55, entonces su reducción habría sido de el importe de la apuesta inicial se vuelve importante. Sin embargo, si usted al menos el 55% de su capital (dejándolo con el 45% en un momento). Es tan promediar los TWR de todas las apuestas iniciales posibles porque si está operando en la f óptima, tan pronto como su mayor pérdida fue golpeado, experimentarías la reducción equivalente a f. Nuevamente, suponiendo que f para valores usando solo apuestas enteras, llegarías al mismo TWR un sistema es 0,55 y suponiendo que eso se traduce en negociar 1 contrato por cada $10 000, Valor que calculamos permitiendo la apuesta fraccionaria. Por lo tanto, la esto significa que su mayor pérdida fue El valor TWR calculado es más realista que si lo limitáramos $5,500. Como ya debería ser obvio, cuando se produjo la mayor pérdida (nuevamente estamos a apuestas enteras únicamente, en el sentido de que es representativo del universo de hablando históricamente de lo que habría resultados de diferentes apuestas iniciales. sucedió), habría perdido $5,500 por cada contrato que tenía, Además, cuanto mayor sea el capital de la cuenta, más operaciones y habría tenido 1 contrato por cada $10,000 en la cuenta. En sobre la base de un contrato entero será lo mismo que negociar sobre una base fraccionaria En ese momento, su reducción es del 55% del capital. Además, la reducción por contrato. El límite aquí es una cuenta con una cantidad infinita de podría continuar: La próxima operación o serie de operaciones podría hacer que su cuenta capital donde la apuesta entera y la apuesta fraccionada son por las mismas cantidades caiga aún más. Por tanto, cuanto mejor sea un sistema, mayor será la f. exactamente. Cuanto mayor sea f, generalmente mayor será la reducción, ya que la reducción (en términos Esto es interesante porque, en general, cuanto más se acerque a la f óptima, mejor. Es de porcentaje) nunca puede ser menor que la f como decir que cuanto mayor sea la capitalización de una porcentaje. Aquí se produce una paradoja: si un sistema es bueno cuenta, mayor será el efecto de f óptimo. Dado que f óptima será suficiente para generar un f óptimo que sea un porcentaje alto, entonces la reducción de un Para hacer que una cuenta crezca al ritmo más rápido posible, podemos afirmar que opti­mal f sistema tan bueno también será bastante alta. Mientras que óptimo funcionará cada vez mejor para usted al ritmo más rápido posible. te sigue para experimentar el mayor crecimiento geométrico, también te da Tienes suficiente cuerda para ahorcarte. Los gráficos (Figuras 1­1 y 1­6) confirman algunos aspectos más interesantes. puntos. La primera es que con ninguna otra fracción fija ganarás más dinero del que tendrá en el estado óptimo f. En otras palabras, no vale la pena apostar. ­ 18 ­ Machine Translated by Google La mayoría de los comerciantes se hacen grandes ilusiones sobre la gravedad de las reducciones. futuro, esto es más probable que los parámetros óptimos del sistema de el pasado será óptimo o casi óptimo en el futuro. Mientras que óptimo Además, la mayoría de la gente tiene ideas falaces sobre la relación entre ganancias potenciales y dispersión de esas ganancias. Los parámetros del sistema cambian con bastante rapidez de un período de tiempo a otro, las combinaciones óptimas de cartera cambian muy lentamente (al igual que los valores f óptimos). Sabemos que si utilizamos la f óptima cuando operamos con fracciones fijas, podemos En general, las correlaciones entre los sistemas de mercado tienden a permanecer constantes. esperar caídas sustanciales en términos de retrocesos porcentuales de las acciones. La f óptima es como el plutonio. Te da un Esta es una buena noticia para un operador que ha encontrado la cartera óptima. enorme cantidad de poder, pero es terriblemente peligroso. Estas importantes reducciones mix, la diversificación óptima entre los sistemas de mercado. son realmente un problema, especialmente para las notificaciones, en el sentido de que operar en el nivel f óptimo les da la oportunidad de experimentar una pérdida catastrófica antes EL MODELO MARKOVITZ de lo normal. La diversificación puede Los conceptos básicos de la teoría moderna de carteras emanan de una amortiguar en gran medida las reducciones. Así lo hace, pero se advierte al lector que no esperar eliminar la reducción. De hecho, el beneficio real de la diversificación es que le permite realizar muchas más pruebas, muchas más jugadas, en monografía escrita por el Dr. Harry Markowitz. 5 Básicamente, Markowitz propuso que la gestión de cartera sea una gestión de composición, no de selección de acciones individuales como se practica más comúnmente. Markowitz argumentó el mismo período de tiempo, aumentando así su beneficio total. Diversificación, que la diversificación es efectiva sólo en la medida en que el coeficiente de correlación entre aunque suele ser el mejor medio para amortiguar las reducciones, no los mercados involucrados sea negativo. Si tenemos una cartera compuesta por una acción, no necesariamente reduce las reducciones y, en algunos casos, en realidad puede nuestra mejor diversificación se obtiene si ¡aumentarlos! Elija otra acción tal que la correlación entre las dos acciones Mucha gente tiene la impresión errónea de que la reducción puede ser Los precios son lo más bajos posible. El resultado neto sería que la cartera, como completamente eliminados si se diversifican con suficiente eficacia. Hasta el punto un todo (compuesto por estas dos acciones con correlación negativa), Esto es cierto, ya que las reducciones pueden amortiguarse mediante una diversificación tendría menos variación en el precio que cualquiera de las acciones por separado. efectiva, pero nunca pueden eliminarse por completo. No os dejéis engañar. No importa cuán buenos sean los sistemas empleados, no importa cuán efectivamente se diversifique, todavía encontrará reducciones sustanciales. El Markowitz propuso que los inversores actuaran de manera racional y, si tuvieran que elegir, optarían por una cartera similar con el mismo rendimiento que la que tienen, pero con menor riesgo, u optar por una cartera con mayor La razón es que no importa cuán no correlacionados estén sus sistemas de mercado, rentabilidad que la que tienen pero con el mismo riesgo. Además, para un determinado Llega un período en el que la mayoría o todos los sistemas de mercado de su país nivel de riesgo existe una cartera óptima con el mayor rendimiento, y de la misma manera su cartera zigzaguea al unísono contra usted cuando deberían hacerlo. Tú para un determinado rendimiento existe una cartera óptima con el menor riesgo. tendrá enormes dificultades para encontrar una cartera con al menos 5 años de antigüedad. Un inversor con una cartera cuyo rendimiento podría aumentar sin que el riesgo se datos históricos y todos los sistemas de mercado que emplean el f óptimo que incrementara, o un inversor con una cartera cuyo riesgo podría aumentar. ¡Ha tenido una reducción inferior al 30% en términos de retroceso de acciones! se dice que tienen carteras ineficientes . La Figura 1­7 muestra todas las carteras disponibles Esto es independiente de cuántos sistemas de mercado emplee. Si quieres bajo un Para estar en esto y hacerlo matemáticamente correctamente, es mejor que esperes estar estudio dado. Si posee la cartera C, estaría mejor con la cartera A, donde tendría el mismo clavado para retrocesos de acciones del 30% al 95%. Esto requiere una enorme disciplina y rendimiento con menos riesgo, o con la cartera B, donde tendría más rendimiento con el muy pocas personas pueden manejarlo emocionalmente. mismo riesgo. Cuando se diluye f, aunque se reducen las pérdidas aritméticamente, también se reducen Premio 1.130 los rendimientos geométricamente. ¿Por qué comprometer fondos para operaciones de futuros que no son necesarias simplemente para nivelar el valor del capital curva a expensas de sus ganancias finales? Puedes diversificar 1.125 B barato en otro lugar. 1.120 Cada vez que un operador se desvía de operar siempre con la misma constante tamaño del contrato, se encuentra con el problema de qué cantidades 1.115 comerciar. Esto es así ya sea que el comerciante reconozca este problema o no. 1.110 El comercio de contratos constantes no es la solución, ya que nunca se puede experimentar un crecimiento geométrico operando con contratos constantes. Entonces, nos guste o no, el A 1.105 C La cuestión de qué cantidad asumir en la próxima operación es inevitable para todos. Seleccionar simplemente una cantidad arbitraria es un error costoso. La f óptima es fáctica; es 1.100 matemáticamente correcto. 1.095 1.090 0,290 0,295 0,300 0,305 0,310 0,315 0,320 0,325 0,330 TEORÍA MODERNA DE LA PORTAFOLIO Recordemos la paradoja de la f óptima y la caída de un sistema de mercado. Cuanto Riesgo Figura 1­7 Teoría moderna de carteras. mejor sea un sistema de mercado, mayor será el valor de f. Sin embargo, el reducción (históricamente) si está operando, la f óptima nunca puede ser Al describir esto, Markowitz describió lo que se llama la eficiencia inferior a f. Entonces, en términos generales, cuanto mejor es el sistema de mercado, frontera. Este es el conjunto de carteras que se encuentran en los lados superior e izquierdo. mayor será la reducción como porcentaje del capital de la cuenta si del gráfico. Se trata de carteras cuyo rendimiento ya no se puede aumentar sin aumentar el usted está negociando óptimo f. Es decir, si desea tener el mayor crecimiento geométrico en riesgo y cuyo riesgo no se puede reducir. una cuenta, entonces puede contar con fuertes reducciones. sin bajar el rendimiento. Las carteras que se encuentran en la frontera eficiente son por el camino. se dice que son carteras eficientes . (Ver Figura 1­8.) La diversificación efectiva entre otros sistemas de mercado es la forma más eficaz de amortiguar y superar esta reducción. sin dejar de permanecer cerca del pico de la curva f (es decir, sin odiar recortar de nuevo a, digamos, f/2). Cuando un sistema de mercado entra en crisis, otro que se esté comercializando en la cuenta se fortalecerá, por lo tanto anulando la disposición del otro. Esto también proporciona un catalizador efecto en toda la cuenta. El sistema de mercado que acaba de experimentar la reducción (y ahora está volviendo a funcionar bien) no tendrá menos fondos para empezar que cuando comenzó la reducción (gracias a el otro sistema de mercado anula la reducción). Diversificación no obstaculizará las ventajas de un sistema (más bien al contrario: las ventajas están lejos mayor, ya que después de una reducción no se comienza con menos contratos), sin embargo, amortiguará la desventaja (pero sólo de forma muy limitada). Existe una combinación de cartera óptima y cuantificable dado un grupo de sistemas de mercado y sus respectivos fs óptimos. Aunque no podemos ser 5 Markowitz, H., Selección de cartera: diversificación eficiente de las inversiones. Yale University Press, New Haven, Connecticut, 1959. seguro de que la combinación óptima de cartera en el pasado será óptima en el futuro. ­ 19 ­ Machine Translated by Google 1.130 Como ejemplo, supongamos que está analizando los sistemas de mercado A, B, y C. Cada combinación sería: A 1.125 B 1.120 C AB 1.115 C.A. Recompensa 1.110 antes de Cristo ABC 1.105 1.100 Pero no te detienes ahí. Para cada combinación, también debe calcular cada asignación de porcentaje. Para hacerlo, necesitará tener un incremento porcentual 1.095 mínimo. El siguiente ejemplo, una continuación del ejemplo de la cartera A, B, C, ilustra esto con una asignación mínima de cartera del 10% (0,10): 1,090 0,290 0,295 0,300 0,305 0,310 0,315 0,320 0,325 0,330 Riesgo Un 100% B 100% Figura 1­8 La frontera eficiente 100% AB 90% 10% 80% Las carteras que se encuentran altas y a la derecha y bajas y a la izquierda generalmente no están muy bien diversificadas entre muchas emisiones. 20% 70% 30% 60% 40% 50% Las carteras que se encuentran en el medio de la frontera eficiente suelen estar muy bien diversificadas. La cartera que elige un inversionista en particular es una función 50% 40% 60% 30% 70% 20% de su aversión al riesgo o de su disposición a asumir riesgos. En el modelo de Markowitz se dice que cualquier cartera que se encuentre en la frontera eficiente es 80% 10% 90% una buena elección de cartera, pero dónde se encuentra la frontera eficiente es una cuestión de preferencia personal (más adelante veremos que hay un punto óptimo exacto en la frontera eficiente). frontera para todos los inversores). El modelo de Markowitz se introdujo originalmente para aplicarse a una cartera de acciones que el inversor mantendría durante mucho tiempo. Por lo tanto, los CA 90% 10% 80% 20% datos básicos fueron los rendimientos esperados de las acciones (definidos como la apreciación esperada del precio de las acciones más cualquier dividendo), la 70% 30% 60% 40% 50% 50% variación esperada en esos rendimientos y las correlaciones de los diferentes rendimientos entre las diferentes acciones. . Si tuviéramos que trasladar este 40% 60% 30% 70% 20% 80% concepto a los futuros, sería lógico (ya que los futuros no pagan dividendos) que midiéramos las ganancias esperadas de los precios, las variaciones y las correlaciones de los diferentes futuros. 10% 90% Surge la pregunta: "Si estamos midiendo la correlación de precios, ¿qué pasa si tenemos dos sistemas en el mismo mercado que están correlacionados BC 90% 10% 80% 20% 70% 30% 60% 40% 50% negativamente?" En otras palabras, supongamos que tenemos los sistemas A y B. Existe una correlación negativa perfecta entre los dos. Cuando A está en reducción, 50% 40% 60% 30% 70% 20% B está en reducción y viceversa. ¿No es ésta realmente una diversificación ideal? Entonces, lo que realmente queremos medir no son las correlaciones de precios de los 80% 10% 90% mercados que estamos utilizando. Más bien, queremos medir las correlaciones de los cambios diarios en las acciones entre los diferentes sistemas de mercado. Sin embargo, ésta sigue siendo una comparación de manzanas y naranjas. Digamos que dos de los sistemas de mercado en los que vamos a examinar las correlaciones operan ambos en el mismo mercado, sin embargo, uno de los sistemas ABC 80% 10% 10% 70% 20% 10% 70% 10% 20% 10% 30% 60% tiene una f óptima correspondiente a un contrato por cada $2,000 en capital de la cuenta y el otro sistema tiene una f óptima f correspondiente a 1 contrato por cada $10.000 de patrimonio de la cuenta. Para superar esto e incorporar los fs óptimos de los diversos sistemas de mercado considerados, así como para contabilizar el comercio fraccionario fijo, convertimos los cambios diarios de capital para un sistema de mercado determinado en HPR diarios. El HPR en este contexto es cuánto ganó o perdió un mercado en particular durante un día determinado sobre la base de 1 contrato en relación con cuál es la f óptima para ese sistema. Así es como se puede resolver esto. Supongamos que el sistema de mercado con una f óptima de 2.000 dólares generó 100 dólares en un día determinado. Entonces, el HPR para ese 10% 20% 70% 10% 10% 80% Ahora, para cada CPA, revisamos cada día y calculamos un HPR neto para cada día. El HPR neto para un día determinado es la suma del HPR de cada sistema de mercado para ese día multiplicado por su asignación porcentual. Por ejemplo, supongamos que para los sistemas A, B y C estamos considerando asignaciones porcentuales del 10%, 50% y 40% respectivamente. Además, supongamos que las HPR individuales para esos sistemas de mercado para ese día son 0,9, 1,4 y 1,05 respectivamente. Entonces el HPR neto para este sistema de mercado para ese día es 1,05. día es: HPR neto = (.9*.1)+(1.4*.5)+(1.05*.4) Para encontrar el HPR diario, = .09+.7+.42 entonces: (1.15) HPR diario = (A/B)+1 donde = 1,21 A = Dólares ganados o perdidos ese día. Debemos realizar ahora dos tabulaciones necesarias. El primero es el del HPR neto diario medio de cada CPA. Esto comprende la recompensa o eje Y del modelo B = Dólares finitos óptimos. Comenzamos convirtiendo las ganancias y pérdidas diarias en dólares de los sistemas de mercado que estamos analizando en HPR diarias en relación con los de Markowitz. La segunda tabulación necesaria es la de la desviación estándar de las HPR netas diarias para un CPA determinado; específicamente, la desviación dólares finitos óptimos para un sistema de mercado determinado. Al hacerlo, hacemos que la cantidad sea irrelevante. En el ejemplo que acabamos de citar, estándar de la población. Esta medida corresponde al riesgo o eje X del modelo de Markowitz. donde su HPR diario es 1,05, ese día ganó el 5 % con ese dinero. Esto es el 5% independientemente de si tenía 1 contrato o 1000 contratos. La teoría moderna de carteras a menudo se denomina teoría EV, correspondiente a los otros nombres dados a los dos ejes. El eje vertical a menudo se denomina E, Ahora está listo para comenzar a comparar diferentes carteras. El truco aquí consiste en comparar todas las combinaciones posibles de carteras, desde carteras de 1 sistema de mercado (para cada sistema de mercado considerado) hasta carteras de N sistemas de mercado. para el rendimiento esperado, y el eje horizontal V, para la varianza en los rendimientos esperados. A partir de estas dos primeras tabulaciones podemos encontrar nuestra frontera eficiente. Hemos incorporado efectivamente varios mercados, sistemas y fábricas. ­ 20 ­ Machine Translated by Google tors, y ahora podemos ver cuantitativamente cuáles son nuestros mejores contadores públicos (es decir, El sistema de mercado A, con un valor f de 1 contrato por cada 5.000 dólares de capital de la qué CPA se encuentran a lo largo de la frontera eficiente). cuenta y un porcentaje de asignación del 10%, produce 1 contrato por cada 50.000 dólares de capital. patrimonio total de la cuenta ($5,000/.10). Sistema de mercado B, con un valor f de 1 contrato por $2,500 en capital de la cuenta y una asignación porcentual de LA ESTRATEGIA DE CARTERA DE MEDIA GEOMÉTRICA 50%, produce 1 contrato por cada $5000 en el capital total de la cuenta ($2500/0,50). ¿En qué punto particular de la frontera eficiente decide estar? (es decir, qué CPA eficiente en particular) es una función de su propia preferencia de aversión al riesgo, al menos según el modelo de Markowitz. Sin embargo, hay un punto óptimo en el El sistema de mercado C, con un valor f de 1 contrato por cada $2 000 de capital de la cuenta y un porcentaje de asignación del 40%, produce 1 contrato por cada $5 000 de capital total de la cuenta ($2000/0,40). Por lo tanto, si tuviéramos $50,000 en total en la cuenta que estar en la frontera eficiente, y encontrar acciones, negociaríamos 1 contrato por el sistema de mercado A, 10 contratos por este punto es matemáticamente solucionable. sistema de mercado B, y 10 contratos para el sistema de mercado C. Si elige el CPA que muestra la media geométrica más alta de Mañana haríamos lo mismo. Digamos que el patrimonio total de nuestra cuenta asciende los HPR, llegará al CPA óptimo. Podemos estimar la media geométrica a partir de la media a $59,000. En este caso, dividir $59 000 en $50 000 produce aritmética HPR y el estándar poblacional. 1,18, que se reduce al número entero 1, por lo que cambiaríamos 1 contrato por desviación de los HPR (los cuales son cálculos que ya tenemos, sistema de mercado A mañana. Para el sistema de mercado B, negociaríamos 11 ¡ya que son los ejes X e Y del modelo de Markowitz!). Ecuaciones contratos ($59.000/$5.000 = 11,8, que se redujo al número entero = 11). (1.16a) y (1.16b) nos dan la fórmula para la media geométrica estimada Para el sistema de mercado C también negociaríamos 11 contratos, ya que el mercado (EGM). Esta estimación es muy cercana (generalmente dentro de cuatro o cinco decimales). El sistema C también negocia 1 contrato por cada $5,000 en el capital total de la cuenta. lugares) a la media geométrica real, y es aceptable usar la media geométrica estimada y la Supongamos que ayer realizamos una operación desde el sistema de mercado C y media geométrica real indistintamente. Estamos largos 10 contratos. No necesitamos entrar y agregar otro hoy. (1.16a) EGM = (AHPR^2­SD^2)^(1/2) para llevarnos hasta 11 contratos. Más bien, los montos que estamos calculando utilizando el o capital a partir del cierre de mercado más reciente son solo para nuevas posiciones. Entonces, (l.16b) EGM = (AHPR^2­V)^(1/2) para mañana, dado que tenemos 10 contratos vigentes, si conseguimos dejado fuera de esta operación (o salir de ella con un objetivo de ganancias), iremos dónde 11 contratos en una nueva operación si ocurriera. Determinar nuestra cartera óptima utilizando EGM = La media geométrica estimada. los HPR diarios significa que debemos entrar y modificar AHPR = El promedio aritmético HPR, o la coordenada de retorno de nuestras posiciones día a día y no operación por operación, pero esto el portafolio. Realmente no es necesario a menos que esté operando con un sistema a largo plazo, y SD = La desviación estándar en HPR, o la coordenada de riesgo del entonces puede que no sea beneficioso ajustar el tamaño de su posición día a día debido al portafolio. aumento de los costos de transacción. En un sentido puro, deberías ajusta tus posiciones día a día. En la vida real, normalmente eres V = La varianza en HPR, igual a SD^2. Es casi igual de beneficioso modificarlos operación por operación, con pocas pérdidas. Ambas formas de la ecuación (1.16) son equivalentes. de exactitud. El CPA con la media geométrica más alta es el CPA que Esta cuestión de implementar las posiciones diarias correctas no es tan maximizar el crecimiento del valor de la cartera a largo plazo; además, minimizará el tiempo problema. Recuerde que para encontrar la cartera óptima utilizamos el diario necesario para alcanzar un nivel específico de equidad. HPR como entrada. Por lo tanto, deberíamos ajustar el tamaño de nuestra posición diariamente (si podría ajustar cada posición al precio al que cerró ayer). En la vida real Sin embargo, esto se vuelve poco práctico, ya que los costos de transacción comienzan a PROCEDIMIENTOS DIARIOS PARA UTILIZAR EL PORTAFOLIO ÓPTIMO superar los beneficios de ajustar nuestras posiciones diariamente y, de hecho, pueden costar LIOS nosotros más que el beneficio de ajustarnos diariamente. Por lo general, es mejor que En este punto, puede haber algunas dudas sobre cómo implementar ajustemos sólo al final de cada operación. El hecho de que la cartera esté temporalmente este enfoque de cartera en el día a día. De nuevo un ejemplo será desequilibrada después del día 1 de una operación es un precio menor a pagar que utilizado para ilustrar. Suponga que su CPA óptimo requiere que usted esté en tres el costo de ajustar la cartera diariamente. diferentes sistemas de mercado. En este caso, supongamos que las asignaciones porcentuales Por otra parte, si adoptamos una posición que vamos a mantener durante son 10%, 50% y 40%. Si estuviera mirando una cuenta de $50,000, al año, es posible que deseemos ajustar dicha posición diariamente en lugar de ajustarla su cuenta se "subdividiría" en tres cuentas de $5,000, dentro de más de un año cuando realicemos otra operación. Generalmente, $25 000 y $20 000 para cada sistema de mercado (A, B y C) respectivamente. Para el saldo Sin embargo, en sistemas a más largo plazo como este, es mejor que ajustemos de subcuenta de cada sistema de mercado, luego calcula cuánto la posición cada semana, digamos, en lugar de cada día. El razonamiento aquí muchos contratos que podrías negociar. Digamos que los factores f dictaron lo siguiente: Nuevamente es que la pérdida de eficiencia al tener la cartera temporalmente desequilibrado es un precio menor a pagar que los costos de transacción agregados de Sistema de mercado A, 1 contrato por cada 5.000 dólares de capital de la cuenta. un ajuste diario. Tienes que sentarte y determinar cuál es el Sistema de mercado B, 1 contrato por cada $2,500 en patrimonio de la cuenta. penalización menor que usted deberá pagar, según su estrategia comercial (es decir, cómo Sistema de mercado C, contrato por $2,000 en capital de cuenta. (durante el que suele estar en una operación), así como los costos de transacción involucrados. Entonces estaría negociando 1 contrato para el sistema de mercado A ($5.000/$5.000), 10 contratos para el sistema de mercado B ($25.000/$2.500), ¿Cuánto período de tiempo debería considerar al calcular las carteras óptimas? Al igual y 10 contratos para el sistema de mercado C ($20.000/$2.000). que la pregunta "¿Cuánto tiempo debe durar un período?" Cada día, a medida que cambia el capital total de la cuenta, todas las subcuentas están recapitalizados. Lo que se quiere decir aquí es, supongamos que esta cuenta de $50,000 cayó a $45,000 al día siguiente. Ya que recapitalizamos las subcuentas. ¿Qué miras para determinar la f óptima para un sistema de mercado dado?" No hay una respuesta definitiva aquí. Generalmente, cuantos más datos antiguos utilice, más mejor debería ser su resultado (es decir, que las carteras casi óptimas en el cada día, tenemos $4,500 para la subcuenta A del sistema de mercado, El futuro se parecerá a lo que su estudio concluyó que era el nivel casi óptimo. $22 500 para la subcuenta B del sistema de mercado y $18 000 para la subcuenta C del carteras). Sin embargo, las correlaciones cambian, aunque lentamente. Uno de los sistema de mercado, desde la cual negociaríamos cero contratos el siguiente El problema de utilizar un período de tiempo demasiado largo es que habrá una tendencia a día en el sistema de mercado A ($4,500 7 $5,000 = .9, o, como siempre utilizar los mercados calientes de ayer. Por ejemplo, si ejecutaste esto piso al número entero, 0), 9 contratos para el sistema de mercado B programa en 1983 durante 5 años de datos anteriores que probablemente tendría ($22,500/$2,500), y 9 contratos para el sistema de mercado C Uno de los metales preciosos se muestra muy claramente como parte de la cartera óptima. ($18,000/$2,000). Siempre recapitalizas las subcuentas cada día, independientemente de si Sin embargo, a los metales preciosos les fue muy mal en la mayoría de los casos. hubo ganancias o pérdidas. No te confundas. sistemas de comercio durante bastantes años después de los mercados de 1980­1981. Entonces La subcuenta, como se usa aquí, es una construcción mental. Verás, hay un equilibrio entre usar demasiada historia pasada y demasiado Otra forma de hacer esto que nos dará las mismas respuestas y poco en la determinación de la cartera óptima del futuro. Lo que tal vez sea más fácil de entender es dividir el monto f óptimo de un sistema de mercado por su asignación porcentual. Esto nos da una cantidad en dólares. que luego dividimos el capital total de la cuenta para saber cuántos contratos negociar. Dado que el patrimonio de la cuenta cambia diariamente, recapitalizamos Finalmente, surge la pregunta de con qué frecuencia se debe repetir todo este procedimiento para encontrar la cartera óptima. Lo ideal es que corras esto de forma continua. Sin embargo, rara vez cambiará la composición de la cartera. De manera realista, probablemente deberías ejecutar esto cada 3 esto diariamente al nuevo patrimonio total de la cuenta. En el ejemplo que hemos citado, meses. Incluso ejecutando este programa cada 3 meses todavía hay un ­ 21 ­ Machine Translated by Google alta probabilidad de que llegue a la misma composición óptima de cartera, o a una muy similar, fondos para asignar para 1 contrato a cada sistema de mercado, cuando se ve en a la que llegó antes. a la luz de la relación de cada sistema de mercado entre sí. ASIGNACIONES SUPERIORES AL 100% han dado como resultado el mayor crecimiento geométrico en el pasado pueden exceder el Tenga en cuenta que las asignaciones porcentuales de la cartera que 100% y generalmente lo son. Esto se logra en esta técnica dividiendo el f óptimo en dólares Hasta ahora, hemos estado restringiendo la suma de las asignaciones porcentuales al 100%. Es muy posible que la suma de las asignaciones porcentuales para la cartera que daría como resultado el mayor crecimiento geométrico para cada sistema de mercado por un un número entero específico (que generalmente es el número de sistemas de mercado) e incluye efectivo que no devenga intereses (es decir, un sistema de mercado con una HPR de superaría el 100%. Consideremos, por ejemplo, dos sistemas de mercado, A y B, que son idénticos en todos los aspectos, excepto que existe una correlación negativa (R<0) 1,00 cada día) como otro sistema de mercado. Las correlaciones de los diferentes sistemas de mercado pueden tener un efecto profundo en una cartera. Es importante que te des cuenta de entre ellos. Supongamos que la f óptima, en dólares, para que una cartera puede ser mayor que la suma de sus cada uno de estos sistemas de mercado cuesta $5,000. Supongamos que la cartera óptima partes (si las correlaciones de sus partes componentes son lo suficientemente bajas). Es (basado en la media geográfica más alta) demuestra ser la cartera que asigna También es posible que una cartera sea menor que la suma de sus partes (si las 50% a cada uno de los dos sistemas de mercado. Esto significaría que usted las correlaciones son demasiado altas). debería negociar 1 contrato por cada $10,000 en capital para el sistema de mercado A Consideremos nuevamente un juego de lanzamiento de moneda, un juego en el que ganas 2 dólares y lo mismo para B. Sin embargo, cuando hay correlación negativa, puede sale cara y pierde $1 si sale cruz. Un juego así tiene una expectativa matemática. demostrarse que el crecimiento óptimo de la cuenta se obtiene realmente negociando 1 contrato por un monto inferior a $10,000 en capital para el sistema de mercado (aritmética) de cincuenta centavos. La f óptima es 0,25, o apuesta $1 por cada $4 en A y/o el sistema de mercado B. En otras palabras, cuando hay una correlación negativa, la su apuesta y da como resultado una media geométrica de 1,0607. Ahora considere un suma de las asignaciones porcentuales puede exceder el 100%. Segundo juego, uno en el que la cantidad que puedes ganar lanzando una moneda es de $ 0,90. Además, es posible, aunque no muy probable, que las asignaciones porcentuales individuales y la cantidad que puedes perder es $1,10. Un juego de este tipo tiene una expectativa matemática negativa de ­$.10, por lo tanto, no existe una f óptima y, por lo tanto, a los sistemas de mercado excedan el 100% individualmente. tampoco hay media geométrica. Consideremos lo que sucede cuando jugamos ambos juegos simultáneamente. Si Es interesante considerar lo que sucede cuando la correlación entre dos sistemas de mercado se aproxima a ­1,00. Cuando ocurre tal evento, el monto para financiar las operaciones el segundo juego tenía un coeficiente de correlación de 1,0 con el primero, es decir, si de los sistemas de mercado tiende a volverse infinitesimal. Esto es así porque la cartera, el Ganamos en ambos juegos por cara o siempre salían ambas monedas. resultado neto de la ambas caras o ambas cruces, entonces los dos posibles resultados netos serían sistemas de mercado, tiende a no sufrir nunca un día de pérdidas (ya que una cantidad perdida que ganamos $2,90 si sale cara o perdemos $2,10 si sale cruz. Un juego así sería por un sistema de mercado en un día determinado se compensa con la misma cantidad entonces tenemos una expectativa matemática de $.40, una f óptima de .14 y una ganado por un sistema de mercado diferente en la cartera ese día). Por lo tanto, media geométrica de 1,013. Obviamente, este es un enfoque inferior al de simplemente Con la diversificación es posible tener la cartera óptima asignando un intercambiando el juego de las expectativas matemáticas positivas. factor f en dólares más pequeño para un sistema de mercado dado que operar con ese Ahora supongamos que los juegos están correlacionados negativamente. Eso es cuando el sistema de mercado por sí solo lo haría. Viene la moneda del juego con la expectativa matemática positiva. cara a cara, perdemos los $1.10 del juego de expectativas negativas y viceversa. Para dar cabida a esto, puede dividir la f óptima en dólares por cada sistema de mercado por el número de sistemas de mercado que está ejecutando. viceversa. Por lo tanto, el resultado neto de los dos juegos es una ganancia de $0,90 si las monedas En nuestro ejemplo, en lugar de ingresar $5,000 como f óptima para el mercado sale cara y una pérdida de ­$.10 si las monedas salen cruz. el matematico sistema A, ingresaríamos $2,500 (dividiendo $5,000, la f óptima, por 2, La expectativa sigue siendo $0,40, pero el f óptimo es 0,44, lo que produce una media el número de sistemas de mercado que vamos a ejecutar), y lo mismo para geométrica de 1,67. Recuerde que la media geométrica es el factor de crecimiento en sistema de mercado b. tu apuesta promedio por jugada. Esto significa que en promedio en este juego esperaríamos ganar más de 10 veces más por jugada que en el Ahora, cuando usamos este procedimiento para determinar la geomedia óptima juego de expectativas matemáticas absolutamente positivo. Sin embargo, este resultado se cartera como la que asigna el 50% a A y el 50% a B, obtiene tomando ese juego de expectativas matemáticas positivas y combinándolo con un juego significa que deberíamos negociar 1 contrato por cada $5,000 en capital por de expectativas negativas. La razón del dramático sistema de mercado A ($2,500/.5) y lo mismo para B. La diferencia en los resultados se debe a la correlación negativa entre los dos. También debes asegurarte de utilizar el efectivo como otro sistema de mercado. Este sistemas de mercado. A continuación se muestra un ejemplo en el que la cartera es mayor que es efectivo que no devenga intereses y tiene un HPR de 1,00 por cada día. la suma de sus partes. Supongamos en nuestro ejemplo anterior que el crecimiento óptimo se obtiene en Sin embargo, también es importante tener en cuenta que su reducción, históricamente, 50% en el sistema de mercado A y 40% en el sistema de mercado B. En otras palabras, habría sido al menos tan alta como el f por ciento en términos de porcentaje de capital negociar 1 contrato por cada $5,000 en capital para el sistema de mercado A y 1 retrocedido. En la vida real, debes esperar que en el futuro contrato por cada $6,250 para B ($2,500/.4). Si utilizáramos el efectivo como otro sistema de será mayor que esto. Esto significa que la combinación de los dos mercado, esta sería una combinación posible (mostrando la Los sistemas de mercado, aunque estén correlacionados negativamente, habrían cartera óptima es tener el 10% restante en efectivo). si no lo fuéramos resultó en un retroceso de al menos el 44% de las acciones. Esto es más alto que la expectativa Si se utilizara el efectivo como otro sistema de mercado, esta combinación no sería posible. matemática absolutamente positiva que resultó en una f óptima de ,25 y, por lo tanto, una caída histórica mínima de al menos un 25% de retroceso de la renta Si su respuesta obtenida mediante este procedimiento no incluye la variable. La moraleja es clara. La diversificación, si se hace correctamente, es efectivo que no devenga intereses como uno de los componentes de la producción, entonces una técnica que aumenta los rendimientos. No necesariamente reduce debe aumentar el factor que está utilizando para dividir el fs óptimo en dólares que reducciones en el peor de los casos. Esto es absolutamente contrario a la noción popular. están utilizando como entrada. Volviendo a nuestro ejemplo, supongamos que utilizamos efectivo que no devenga intereses con los dos sistemas de mercado A y B. Supongamos La diversificación amortiguará muchos de los pequeños retrocesos de la renta variable además que nuestra cartera óptima resultante no incluía al menos algunos máximos, pero no reduce las caídas en el peor de los casos. Además, como tenemos asignación porcentual a efectivo que no devenga intereses. En cambio, supongamos que Visto con f óptima, las reducciones son mucho mayores de lo que la mayoría de la gente la cartera óptima resultó ser 60% en el sistema de mercado A y 40% imagina. Por lo tanto, incluso si está muy bien diversificado, aún debe esperar retrocesos en el sistema de mercado B (o cualquier otra combinación porcentual, siempre que sustanciales de las acciones. sumaron hasta el 100% como suma de las asignaciones porcentuales para el Sin embargo, volvamos atrás y veamos los resultados si el coeficiente de correlación entre dos sistemas de mercado) y 0% asignado al efectivo que no devenga intereses. Este los dos juegos fuera 0. En tal juego, cualesquiera que fueran los resultados de un lanzamiento significaría que incluso si dividiéramos nuestros fs óptimos en dólares por dos, eso no fue suficiente, debemos dividirlos por un número no tendría relación con los resultados del otro. mayor que 2. Entonces regresaremos y dividiremos nuestro fs óptimo en dólares por sacudida. Por tanto, hay cuatro resultados posibles: 3 o 4 hasta que obtengamos una cartera óptima que incluya un cierto porcentaje de asignación Juego 1 a efectivo que no devenga intereses. Este será el óptimo. Resultado Monto Resultado Monto Resultado Monto portafolio. Por supuesto, en la vida real esto no significa que debamos Gana $2.00 Gana $.90 Gana $2.00 ­$1.10 Gana Gana ­ asignar parte de nuestro capital comercial a efectivo que no devenga intereses, más bien, Pierde El efectivo que no devenga intereses se utilizó para derivar la cantidad óptima de Perder ­S.10 Perder ­$2.10 ­ 22 ­ Juego 2 Neto Perder $1.00 Gana $.90 Pierde ­$1 .00 Pierde ­$1.10 $2.90 $.90 Machine Translated by Google La expectativa matemática es así: ¿Que está pasando aqui? ¿Esto se debe a que el Sistema B tiene un mayor porcentaje de operaciones ganadoras? La razón por la que B está superando a A tiene que ver con ME = 2.9*.25+.9*.25­.1*.25­2.1*.25 = .725+.225­.025­.525 = .4 con la dispersión de resultados y su efecto sobre la función de crecimiento. Una vez más, la expectativa matemática es 0,40 dólares. La f óptima esta secuencia es .26, o 1 apuesta por cada $8.08 en el capital de la cuenta (desde el La mayoría de la gente tiene la impresión errónea de que la función de crecimiento, la la mayor pérdida aquí es ­$2,10). Por lo tanto, lo mínimo que pueda ocurrir es la reducción histórica. TWR, es: sido del 26% (más o menos lo mismo que en el juego de las expectativas totalmente positivas). (1.17) TWR = (1+R)^N Sin embargo, aquí hay un ejemplo donde hay almacenamiento en búfer de dónde los retrocesos de las acciones. Si simplemente estuviéramos jugando lo absolutamente positivo R = La tasa de interés por período (por ejemplo, 7% = 0,07). juego de expectativas, la tercera secuencia nos habría golpeado para la reducción máxima. N = El número de períodos. Dado que estamos combinando los dos sistemas, la tercera secuencia se almacena en buffer. Dado que 1+R es lo mismo que HPR, podemos decir que la mayoría de las personas Pero ese es el único beneficio. La geométrica resultante La media es 1,025, menos de la mitad de la tasa de crecimiento si se jugara simplemente el Tengo la impresión errónea de que la función de crecimiento,6 la TWR, es: juego de las expectativas positivas. Hicimos 4 apuestas al mismo tiempo que (1.18) TWR = HPR^N Habríamos realizado 2 apuestas en el juego de expectativas positivas, Esta función sólo es verdadera cuando el retorno (es decir, el HPR) es constante, pero como puedes ver, todavía no ganó tanto dinero: lo cual no es el caso en el comercio. 1,0607^2 = 1,12508449 1,025^4 = 1,103812891 La función de crecimiento real en el trading (o en cualquier evento en el que el HPR sea Claramente, cuando diversificas debes utilizar sistemas de mercado que tengan no constante) es el producto multiplicativo de los HPR. Supongamos que somos una correlación lo más baja posible en los rendimientos entre sí y preferiblemente una comercializando café, nuestra f óptima es 1 contrato por cada $21,000 en capital, uno negativo. Debe darse cuenta de que su retroceso de capital en el peor de los casos y tenemos 2 operaciones, una pérdida de $210 y una ganancia de $210, para HPR de 0,99 La diversificación difícilmente le ayudará, aunque puede que le resulte y 1,01 respectivamente. En este ejemplo nuestro TWR sería: capaz de amortiguar muchos de los otros retrocesos menores de las acciones. lo mas TWR = 1,01*,99 = ,9999 Lo importante que hay que tener en cuenta acerca de la diversificación es que su mayor Se puede obtener una idea utilizando la media geométrica estimada. beneficio está en lo que puede hacer para mejorar su media geométrica. La técnica para encontrar la cartera óptima observando las HPR diarias netas (EGM) para la ecuación (1.16a): elimina tener que observar cuántas operaciones realizó cada sistema de mercado para (1.16a) EGM = (AHPR^2­SD^2)^(1/2) o determinar las carteras óptimas. El uso de esta técnica le permite observar únicamente la media geométrica, sin tener en cuenta la frecuencia de las operaciones. Por tanto, la media (1.16b) EGM = (AHPR^2­V)^(1/2) geométrica se convierte en el estadístico único. de lo beneficiosa que es una cartera. No se puede obtener ningún beneficio diversificando en más sistemas de mercado que el que da como resultado la media geométrica más alta. Esto puede significar que no hay diversificación alguna si una cartera de un sistema de mercado Ahora elevamos la ecuación (1.16a) o (1.16b) a la potencia de N para estimar la TWR. Esto se aproximará mucho al "multiplicativo" función de crecimiento, la TWR real: (1.19a) TWR estimada = ((AHPR^2­SD^2)^(1/2))^N da como resultado la media geométrica más alta. Puede o También significa combinar sistemas de mercado que nunca querrías utilizar. comerciar por sí mismos. (1.19b) TWR estimada = ((AHPR^2­V)^(1/2))^N dónde CÓMO AFECTA LA DISPERSIÓN DE RESULTADOS GEO­ N = El número de períodos. CRECIMIENTO MÉTRICO AHPR = La media aritmética HPR. Una vez que reconocemos el hecho de que lo queramos o no, SD = Desviación estándar de la población en HPR. conscientemente o no, determinamos nuestras cantidades para comerciar como V = La varianza de la población en HPR. En función del nivel de capital en una cuenta, podemos considerar los HPR en lugar de los Las dos ecuaciones de (1.19) son equivalentes. montos en dólares para las operaciones. Al hacerlo, podemos dar especificidad y exactitud a la gestión del dinero. Podemos examinar nuestras estrategias de gestión del dinero, establecer La idea obtenida es que podemos ver aquí, matemáticamente, la reglas y sacar conclusiones. uno de los grandes compensación entre un aumento en el promedio aritmético del comercio (el HPR) conclusiones, que sin duda nos generarán muchas otras, saludos y la variación en los HPR, y de ahí la razón por la que el 70% 1:1 La relación del crecimiento geométrico y la dispersión de los resultados. ¡El sistema funcionó mejor que el sistema 10% 28:1! (HPR). Nuestro objetivo debería ser maximizar el coeficiente de esta función, para maximizar: Esta discusión utilizará una ilustración de los juegos de azar en aras de la simplicidad. Consideremos dos sistemas, el Sistema A, que gana el 10% de las veces. (1.16b) EGM = (AHPR^2­V)^(1/2) y tiene una proporción de victorias/pérdidas de 28 a 1, y el Sistema B, que gana el 70% de las tiempo y tiene una proporción de victorias/pérdidas de 1 a 1. Nuestra expectativa matemática, por apuesta unitaria, para A es 1,9 y para B es ,4. Por tanto, podemos decir que por cada Expresado literalmente, nuestro objetivo es "Maximizar la raíz cuadrada de la cantidad HPR al cuadrado menos la varianza poblacional en HPR." El exponente de la TWR estimada, N, se cuidará solo. Eso apuesta unitaria El Sistema A devolverá, en promedio, 4,75 veces más que el Sistema B. Pero examinemos esto en el marco del comercio fraccionado fijo. Podemos encontrar nuestro Es decir, aumentar N no es un problema, ya que podemos aumentar el número de mercados fs óptimo aquí dividiendo las expectativas matemáticas por el que seguimos, podemos comerciar con más tipos de sistemas a corto plazo, etc. ratios de ganancias/pérdidas. Esto nos da una f óptima de 0,0678 para A y 0,4 para B. Sin embargo, estas medidas estadísticas de dispersión, varianza y Las medias geométricas para cada sistema en sus niveles f óptimos son entonces: desviación estándar (V y DE respectivamente), son difíciles de imaginar para la mayoría de A = 1,044176755 los no estadísticos. Por lo tanto, lo que mucha gente usa en lugar de estos B = 1,0857629 medidas se conoce como desviación media absoluta (que llamaremos M). % de victorias del sistema Ganancia: Pérdida ME f Geomean Esencialmente, para encontrar M simplemente se toma el valor absoluto promedio de Un 1,9 0,067810 1,0441768 28:1 B 70 1:1 .4 .4 diferencia de cada punto de datos con un promedio de los puntos de datos. 1.0857629 (1.20) M = ∑ABS(Xi­X[])/N Como puede ver, el Sistema B, aunque representa menos de una cuarta parte de la En una distribución en forma de campana (como casi siempre ocurre con el expectativa matemática de A, gana casi el doble por apuesta (devolviendo 8,57629% de tu apuesta total por apuesta en promedio cuando reinviertes en distribución de pérdidas y ganancias de un sistema comercial), la desviación absoluta media los niveles f óptimos) al igual que A (que devuelve un 4,4176755% de su apuesta total por equivale aproximadamente a 0,8 de la desviación estándar (en una distribución normal, apuesta en promedio cuando reinvierte en los niveles f óptimos). es .7979). Por tanto, podemos decir: Ahora bien, asumir una reducción del 50% del capital requerirá una ganancia del 100%. 6 Mucha gente utiliza erróneamente la media aritmética HPR en la ecuación para HPH^N. Como se demuestra aquí, esto no dará la TWR verdadera después de N jugadas. Lo que debe utilizar es el HPR^N promedio geométrico, en lugar del aritmético. Esto le dará la verdadera TWR. Si la desviación estándar en HPR es 0, entonces la La media aritmética HPR y la media geométrica HPR son equivalentes, y No importa cuál uses. para recuperarse, entonces 1.044177 elevado a X es igual a 2.0 en aproximadamente X es igual a 16.5, o más de 16 operaciones para recuperarse de un 50% reducción para el Sistema A. Compare esto con el Sistema B, donde 1.0857629 a la potencia de X es igual a 2,0 en aproximadamente X es igual a 9, o 9 operaciones para que el Sistema B se recupere de una reducción del 50%. ­ 23 ­ Machine Translated by Google (1.21) M = .8*DE y (1.19c) TWR estimada = (A^2­SD^2)^(N/2) (1.22) SD = 1.25*M fundamental para el comercio, ya que describe cómo los diferentes factores, A, SD y N A esta última ecuación, la simplificación del TWR estimado, la llamamos ecuación afectan nuestro resultado final en el comercio. Denotaremos el HPR promedio aritmético con la variable A y el HPR promedio geométrico con la variable G. Usando la ecuación (1.16b), podemos expresar la media geométrica estimada como: (1.16b) GRAMO = (A^2­V)^(1/2) Algunas cosas son evidentes. La primera de ellas es que si A es menor o igual a 1, entonces, independientemente de las otras dos variables, SD y N, nuestro resultado no puede ser mayor que 1. Si A es menor que 1, entonces cuando N se acerca al infinito, A tiende a cero. Esto significa que si A es menor o igual a 1 (expectativa matemática menor De esta ecuación podemos obtener: (1.23) o igual a cero, ya que expectativa matemática = A­1), no tenemos ninguna posibilidad de G^2 = (A^2­V) obtener ganancias. De hecho, si A es menor que 1, es simplemente cuestión de tiempo Ahora sustituyendo la varianza por la desviación estándar al cuadrado [como en (es decir, a medida que N aumenta) hasta que quedemos en quiebra. (1.16a)]: (1.24) G^2 = A^2­SD^2 Siempre que A sea mayor que 1, podemos ver que aumentar N aumenta nuestras De esta ecuación podemos aislar cada variable, así como aislar el cero para obtener ganancias totales. Por cada aumento de 1 operación, el coeficiente se multiplica por su raíz cuadrada. Por ejemplo, suponga que su sistema muestra una media aritmética de las relaciones fundamentales entre la media aritmética, la media geométrica y la 1,1 y una desviación estándar de 0,25. dispersión, expresadas como SD ^ 2 aquí: (1.25) A^2­C^2­SD^ 2 = 0 (1.26) G^2 De este modo: = A^2­SD^2 (1.27) SD^2 = A^2­ TWR estimado = (1,1^2­0,25^2)^(N/2) = (1,21­0,0625)^(N/2) = 1,1475^(N/2) G^2 (1.28) A^2 = G^2+SD^2 Cada vez que podemos aumentar N en 1, aumentamos nuestra TWR en un factor equivalente a la raíz cuadrada del coeficiente. En el caso de nuestro ejemplo, donde En estas ecuaciones, el valor SD^2 también se puede escribir como V o como tenemos un coeficiente de 1,1475, entonces 1,1475^(1/2) = 1,071214264. Por lo tanto, (1,25*M)^2. cada aumento comercial, cada aumento de 1 punto en N, equivale a multiplicar nuestra apuesta final por 1,071214264. Observe que esta figura es la media geométrica. Cada Esto nos lleva al punto en el que podemos imaginar exactamente cuáles son las vez que se produce una operación, cada vez que N aumenta en 1, el coeficiente se relaciones. Observe que la última de estas ecuaciones es el conocido teorema de Pitágoras: ¡la hipotenusa de un triángulo rectángulo al cuadrado es igual a la suma de los multiplica por la media geométrica. Aquí está el beneficio real de la diversificación cuadrados de sus lados! Pero aquí la hipotenusa es A, y queremos maximizar uno de expresado matemáticamente en la ecuación fundamental del trading. La diversificación los catetos, G. le permite obtener más N en un período de tiempo determinado. Al maximizar G, cualquier aumento en D (el tramo de dispersión, igual a SD ^ (1/2) cero, o 1,25*M) requerirá un aumento en A para compensar. Cuando D o V es igual a El otro punto importante a tener en cuenta sobre la ecuación comercial fundamental entonces A es igual a G, lo que se ajusta a la función de crecimiento mal interpretada es que muestra que si reduce su desviación estándar más de lo que reduce su HPR TWR = (1+R)^N. En realidad, cuando D es igual a cero, entonces A es igual a G según promedio aritmético, estará en mejor situación. Por lo tanto, es lógico que reducir sus pérdidas, si es posible, le beneficie. Pero la ecuación demuestra que en algún momento la ecuación (1.26). ya no se beneficia al reducir sus pérdidas. Ese punto es el punto en el que le impedirían Entonces, en términos de su efecto relativo sobre G, podemos afirmar que un aumento en A ^ 2 es igual a una disminución de la misma cantidad en (1,25*M)^2. (1.29) ∆A^2 = ­A((1.25*M)^2) realizar demasiadas operaciones con una pequeña pérdida que luego se habría vuelto rentable, reduciendo así su A en mayor medida que su SD. Para ver esto, considere cuando A pasa de 1.1 a 1.2: A SD MGA^2 SD^2 = (1.25*M)^2 1.1 .1 1.095445 1.21 .01 1.2 .4899 .39192.08 1.095445 1.44 .24 En la misma línea, reducir las grandes operaciones ganadoras puede ayudar a su programa si reduce su SD más de lo que reduce su A. En muchos casos, esto se puede lograr incorporando opciones en su programa de operaciones. Tener una posición en una .23 .23 opción que vaya en contra de su posición en el subyacente (ya sea comprando una Cuando A = 1,1, se nos da una DE de 0,1. Cuando A = 1,2, para obtener una G opción en largo o emitiendo una opción) posiblemente pueda ayudar. Por ejemplo, si equivalente, la SD debe ser igual a 0,4899 según la ecuación (1,27). Dado que M = tiene una posición larga en una determinada acción (o materia prima), comprar una 0,8*SD, entonces M = 0,3919. Si elevamos los valores al cuadrado y tomamos la opción de venta (o emitir una opción de compra) puede reducir su SD en esta posición diferencia, ambos son iguales a 0,23, como lo predice la ecuación (1.29). neta más de lo que reduce su A. Si es rentable en el subyacente , no será rentable con Considera lo siguiente: la opción, pero sí en general, sólo que en menor medida que si no hubiera tenido la Un SD MG A^2 DE^2 = (1,25*M)^2 1,1 0,25 0,2 1,071214 1,21 0,0625 1,2 0,5408 0,4327 1,071214 1,44 0,2925 .23 .23 posición de opción. Por lo tanto, ha reducido tanto su SD como su A. Si no es rentable en el subyacente, habrá aumentado su A y disminuido su SD. En total, tenderá a haber reducido su SD en mayor medida que su A. Por supuesto, los costos de transacción son una consideración Observe que en el ejemplo anterior, donde comenzamos con valores de dispersión más bajos (SD o M), se requirió un aumento proporcionalmente mayor para obtener el importante en tal estrategia, y siempre deben tenerse en cuenta. Su programa puede estar demasiado orientado al corto plazo para aprovechar dicha estrategia, pero señala mismo G. Por lo tanto, podemos afirmar que cuanto más reduzca su dispersión, mejor , el hecho de que se deben considerar diferentes estrategias, junto con diferentes reglas y cada reducción proporciona un beneficio cada vez mayor. Es una función exponencial, comerciales, en relación con la ecuación comercial fundamental. Al hacerlo, obtenemos con límite en la dispersión igual a cero, donde G es entonces igual a A. una idea de cómo estos factores afectarán el resultado final y en qué podemos trabajar específicamente para mejorar nuestro método. Un operador que opera sobre una base fraccionaria fija quiere maximizar G, no necesariamente A. Al maximizar G, el operador debe darse cuenta de que la desviación estándar, SD, afecta a G en la misma proporción que A, según el teorema de Pitágoras. ! Supongamos, por ejemplo, que nuestro programa de negociación fuera lo Por lo tanto, cuando el operador reduce la desviación estándar (SD) de sus operaciones, suficientemente a largo plazo como para que la estrategia antes mencionada de comprar equivale a un aumento igual en el promedio aritmético HPR (A), ¡y viceversa! una opción de venta junto con una posición larga en el subyacente fuera factible y diera como resultado una TWR estimada mayor. Tal posición, una posición larga en el subyacente y una opción de venta larga, equivale simplemente a estar abiertamente en largo en la opción call. Por lo tanto, es mejor simplemente alargar la llamada, ya que resultará LA ECUACIÓN FUNDAMENTAL DEL COMERCIO Podemos aprender mucho más aquí que simplemente recortar el tamaño de nuestra pérdidas mejora nuestro resultado final. Volvemos ahora a la ecuación (1.19a): (1.19a) TWR estimada = ((AHPR^2­SD^2)^(1/2))^N Nuevamente reemplazamos AHPR con A, que representa el HPR promedio aritmético. Además, dado que (X^Y)^Z = X^(Y*Z), podemos simplificar aún más los exponentes de la ecuación, obteniendo así: ­ 24 ­ Machine Translated by Google en costos de transacción considerablemente más bajos'7 que mantener una posición larga en la opción así como qué serie de opciones comprar) deben analizarse a la luz de la ecuación fundamental subyacente y larga en la opción de venta. para la negociación para poder ser juzgados adecuadamente. Para demostrar esto, usaremos el ejemplo extremo de los índices bursátiles de 1987. Como puede ver, la ecuación comercial fundamental se puede utilizar para Supongamos que realmente podemos comprar el activo subyacente. dictan muchos cambios en nuestro comercio. Estos cambios pueden estar en el camino Índice OEX. El sistema que utilizaremos es una simple ruptura de canales de 20 días. Cada día de endurecer (o aflojar) nuestras barreras, fijar objetivos, etc. Estos calculamos el máximo más alto y el mínimo más bajo de los últimos 20 Los cambios son el resultado de ineficiencias en la forma en que estamos llevando a cabo días. Luego, a lo largo del día, si el mercado sube y toca el nuestro comercio, así como las ineficiencias en nuestro programa o metodología de comercio. Punto álgido, entramos en largo con un stop. Si el sistema se cae y toca el punto más bajo, nos quedamos cortos en un stop. Si las aperturas diarias son Espero que ahora empieces a ver que la mayoría de los traders han hecho un uso terrible A través de los puntos de entrada, entramos al aire libre. El sistema siempre está en El mercado: del ordenador. Optimización y búsqueda de los sistemas. y los valores de los parámetros que generaron la mayor cantidad de dinero en comparación con los datos anteriores son, por y grande un proceso inútil. Sólo necesitas algo que sea Fecha Posición Entrada P&L Volatilidad acumulada 870106 L 24107 0 0 .1516987 marginalmente rentable en el futuro. Por una correcta gestión del dinero 870414 S 27654 35,47 35,47 .2082573 se puede sacar muchísimo provecho de un sistema que sólo es marginalmente rentable. Entonces, 870507 L 29228 ­15,74 19,73 .2182117 870904S 31347 21,19 40,92 32067 .1793583 871001L ­7,2 33,72 30281 ­17,86 .1 848783 871012S 15,86 24294 59,87 75,73 .2076074 871221L en general, el grado de rentabilidad está determinado por la La gestión del dinero se aplica al sistema más que al sistema. sí mismo Por lo tanto, usted debe construir sus sistemas (o técnicas comerciales, .3492674 para aquellos que se oponen a los sistemas mecánicos) sobre qué tan seguro se puede Si tuviéramos que determinar la f óptima en este flujo de operaciones, ser que serán rentables (aunque sólo sea marginalmente) en el futuro. Esto se logra principalmente encontraríamos su media geométrica correspondiente, el factor de crecimiento en nuestro al no restringir un sistema o La apuesta por jugada será de 1,12445. grados de libertad de la técnica. La segunda cosa que debes hacer con respecto a la construcción Ahora tomaremos exactamente las mismas operaciones, sólo que, usando el modelo de fijación de precios de opciones sobre acciones de Black­Sc­holes del Capítulo 5, convertiremos el precios de entrada a precios teóricos de opciones. Los datos del modelo de fijación de precios son la volatilidad histórica determinada sobre una base de 20 días (el cálculo de la volatilidad histórica también se proporciona en el Capítulo 5), una tasa libre de riesgo de del dinero, ya sean empíricas, como se detalla en este capítulo, o paramétricas (en las que Quedan 0,5 años hasta el vencimiento (6 meses) y que están al día. Es decir, que exista un precio de ejercicio correspondiente al precio de entrada exacto. Comprar una call en largo cuando el sistema se pone largo en el subyacente, y comprar una opción de venta en largo cuando el sistema se pone corto en el subyacente, utilizando los parámetros del modelo de valoración de opciones mencionado, habrían resultado en un flujo comercial de la siguiente manera: 870414F Posición Entrada P&L Acción subyacente acumulada 9.623 0 0 24107 LLAMADA LARGA 35,47 25,846 25,846 27654 870414L 15.428 0 25.846 27654 8.792 ­6.637 870507F 19.21 29228 870507L 17.116 0 870904F 21.242 4.126 23.336 19.21 29228 31347 870904L 14.957 0 871001F 10,844 ­4,113 19,223 32067 871001L 15,797 0 19,223 9,374 32067 871012F ­6,423 12,8 12,8 30281 23.336 31347 871012L 16.839 0 30281 871221F 61.013 44.173 56.974 23 24294 871221L 56.974 0 24294 junto con el principio de no restringir los grados de libertad, habrás obtenido una técnica o sistema ahora emplean las técnicas de administración del dinero. El uso de estas técnicas de administración un año). Además, asumiremos que estamos comprando opciones con exactamente 870106L ecuación de trading en mente Le guiará en la dirección correcta con respecto a las ineficiencias en su sistema o técnica, y cuándo se utiliza en el que podrás 6%, y un año de 260,8875 días (este es el número promedio de días laborables en Fecha de tu sistema o técnica es asumir los principios fundamentales. PUESTA LARGA LLAMADA LARGA PUESTA LARGA LLAMADA LARGA PUESTA LARGA LLAMADA LARGA Si tuviéramos que determinar la f óptima en este flujo de operaciones, encontraríamos su media geométrica correspondiente, el factor de crecimiento en nuestro apuesta por jugada, es 1.2166, que se compara con la media geométrica en la f óptima para el subyacente de 1,12445. Esta es una enorme diferencia. Como hay un total de 6 oficios, podemos elevar cada geométrico significa elevado a 6 para determinar el TWR de nuestra apuesta al final del los 6 oficios. Esto devuelve un TWR sobre el subyacente de 2,02 frente a un TWR sobre las opciones de 3.24. Restar 1 de cada TWR se traduce estos resultados a ganancias porcentuales sobre nuestra participación inicial, o una ganancia del 102% negociando el subyacente y una ganancia del 224% haciendo las mismas operaciones en el opciones. Las opciones son claramente superiores en este caso, ya que el fundamento La ecuación del comercio lo atestigua. Operar en largo con las opciones directamente como en este ejemplo puede no siempre ser superior a ser largo el instrumento subyacente. Este ejemplo es un caso extremo, sin embargo, ilumina el hecho de que las estrategias comerciales (como 7 Hay otro beneficio aquí que no es evidente pero que tiene un enorme mérito. Es decir, sabemos de antemano cuál será nuestra peor pérdida. Teniendo en cuenta cuán sensible es la ecuación f óptima a cuál será la mayor pérdida en el futuro, dicha estrategia puede hacer que estemos mucho más cerca del pico de la curva f en el futuro al permitirle a Estados Unidos predeterminar con certeza cuál puede ser nuestra mayor pérdida. En segundo lugar, el problema de una pérdida de 3 desviaciones estándar o más teniendo un probabilidad de ocurrencia mucho mayor que la que implica la Distribución Normal es eliminado. Son las gigantescas pérdidas superiores a 3 desviaciones estándar las que matan la mayoría de los comerciantes. Una estrategia de opciones como esta puede eliminar totalmente dicho terminal. pérdidas. ­ 25 ­ profundizaremos a partir del Capítulo 3), permitirá determinar el grado de rentabilidad de su técnica o sistema. Machine Translated by Google habría negociado 3 contratos ($22,500/$7,500). Como puede ver, esta técnica se puede utilizar sin importar cuán grande sea el capital de una cuenta (sin embargo, cuanto mayor Capítulo 2 ­ Características del comercio fraccionario fijo y técnicas saludables sea el capital, más cercanas serán las dos respuestas). Además, cuanto mayor sea el capital, es menos probable que eventualmente experimentemos una reducción que nos haga Hemos visto que el crecimiento óptimo de una cuenta se logra mediante f óptima. Esto es cierto independientemente del vehículo subyacente. negociar solo 1 contrato. Para cuentas más pequeñas o para cuentas que recién comienzan, esta es una buena idea. Ya sea que estemos negociando futuros, acciones u opciones, o gestionando un grupo de operadores, logramos un crecimiento óptimo en el f óptimo y alcanzamos un objetivo UMBRAL A GEOMÉTRICO específico en el menor tiempo. Aquí hay otra buena idea para las cuentas que recién comienzan, una que puede no También hemos visto cómo combinar varios sistemas de mercado en sus niveles f óptimos en una cartera óptima desde un punto de vista empírico. Es decir, hemos visto ser posible si emplea la técnica que acabamos de mencionar. cómo combinar f óptima y la teoría de la cartera, no desde el punto de vista de un modelo Esta técnica utiliza otro cálculo subproducto de f óptimo llamado umbral geométrico. Los matemático, sino desde el punto de vista de utilizar los datos pasados directamente para subproductos del cálculo de f óptima incluyen cálculos, como la TWR, la media geométrica, determinar las cantidades óptimas para intercambiar por los componentes de la cartera etc., que se derivaron para obtener la f óptima y que nos dicen algo sobre el sistema. El umbral de lo geométrico es otro de estos cálculos subproductos. Esencialmente, el umbral óptima. geométrico nos dice en qué punto debemos cambiar al comercio fraccional fijo, asumiendo Ciertas características importantes sobre el comercio fraccionario fijo aún es necesario mencionarlo. Ahora cubrimos estas características. que estamos comenzando con el comercio de contrato constante. F ÓPTIMA PARA LOS PEQUEÑOS COMERCIANTES QUE RECIEN COMENZANDO ¿Cómo una cuenta muy pequeña, una cuenta que va a comenzar a operar con 1 Vuelva al ejemplo de un lanzamiento de moneda en el que ganamos $2 si el lanzamiento sale cara y perdemos $1 si el lanzamiento sale cruz. Sabemos que nuestra f óptima es 0,25, contrato, utiliza el enfoque f óptimo? Una sugerencia es que dicha cuenta comience o hacer 1 apuesta por cada $4 que tengamos en el capital de la cuenta. Si comenzamos a negociando 1 contrato, no por cada cantidad f óptima en dólares (mayor pérdida/­f), sino que operar con un contrato constante, sabemos que obtendremos un promedio de 0,50 dólares la reducción y el margen deben considerarse en la fase inicial. La cantidad de fondos por unidad y por jugada. Sin embargo, si empezamos a operar sobre una base fraccionaria asignados al primer contrato debe ser la mayor entre la cantidad f óptima en dólares o el fija, podemos esperar realizar una operación promedio geométrica de 0,2428 dólares por margen más la reducción histórica máxima (sobre una base de 1 unidad): (2.01) A = MAX unidad y jugada. {(Pérdida mayor/ ­f), (Margen+ABS(Reducción))} Supongamos que comenzamos con una apuesta inicial de $4 y, por lo tanto, hacemos 1 apuesta por jugada. Con el tiempo, cuando lleguemos a $8, la f óptima nos haría pasar a hacer 2 apuestas por jugada. Sin embargo, 2 apuestas multiplicadas por el promedio dónde geométrico de la operación de $0,2428 son $0,4856. ¿No sería mejor seguir con una apuesta al nivel de equidad de $8, por lo que nuestra expectativa por jugada seguiría siendo de A = El monto en dólares que se asignará al primer contrato. $0,50? La respuesta es sí." La razón por la que la f óptima se calcula sobre la base de f = La f óptima (0 a 1). contratos que son infinitamente divisibles, lo que puede no ser el caso en la vida real. Margen = El margen especulativo inicial para el contrato dado. Drawdown = La reducción máxima histórica. Podemos encontrar ese punto en el que deberíamos pasar a intercambiar dos MAX{} = El valor máximo de los valores entre corchetes. contratos por la fórmula para el umbral de la geométrica, T: (2.02) T = AAT/ ABS() = La función de valor absoluto. GAT*Pérdida mayor/­f donde Con este procedimiento, una cuenta puede volver a experimentar la reducción máxima y aún tener fondos suficientes para cubrir el margen inicial en otra operación. Aunque no podemos esperar que la peor caída en el futuro no supere la peor caída histórica, es bastante improbable que comencemos a operar justo al comienzo de una nueva caída histórica. T = El umbral de lo geométrico. AAT = El comercio promedio aritmético. GAT s El comercio promedio geométrico, f = El f óptimo (0 a 1). Un operador que utilice esta idea restará la cantidad de la ecuación (2.01) de su capital cada día. Con el resto, lo dividirá entre (Pérdida mayor/­f). La respuesta obtenida se En nuestro ejemplo del lanzamiento de una moneda de 2 a 1: T = 0,50/0,2428*­1/­0,25 = 8,24 redondeará a la baja al número entero y se sumará 1. El resultado es cuántos contratos Por lo tanto, es mejor que cambiemos a negociar 2 contratos cuando nuestro capital negociar. llegue a $8,24 en lugar de $8,00. La figura 2­1 muestra el umbral geométrico para un juego con un 50% de probabilidad de ganar $2 y un 50% de probabilidad de perder $1. Un ejemplo puede ayudar a aclarar. Supongamos que tenemos un sistema donde el f óptimo es 0,4, la mayor pérdida histórica es ­3.000 dólares, la reducción máxima fue ­6.000 dólares y el margen es 2.500 dólares. Empleando la ecuación (2.01), entonces: A = MAX{( ­ $3000/­.4), ($2500+ABS(­$6000))} Umbral en $ 120 100 = MÁXIMO(($7500), ($2500+$6000)) 80 = MAX($7,500, $8,500) = $8,500 Así asignaríamos $8,500 para el primer contrato. Ahora supongamos que estamos tratando con $22,500 en capital de cuenta. Por lo tanto, restamos esta asignación del primer contrato del capital: $22,500­$8,500 = $14,000 60 La f óptima es 0,25, 40 donde el umbral es 8,24 dólares. 20 Luego dividimos esta cantidad por los dólares finales óptimos: $14,000/$7,500 = 1,867 0 0 0,5 0,10 0,15 0,20 0,25 0,30 0,35 0,40 0,45 0,50 0,55 valores f Luego llevamos este resultado al número entero: INT( 1,867) = 1 y Figura 2­1 Umbral de lo geométrico para el lanzamiento de moneda 2:1. sumamos 1 al resultado (el contrato 1 representado por los $8,500 que Observe que el valle del umbral de la curva geométrica se produce en el f óptimo. Esto hemos restado de nuestro patrimonio): significa que dado que el umbral geométrico es el nivel óptimo de patrimonio para ir a 1+1 = 2 negociar 2 unidades, se pasa a 2 unidades en el nivel más bajo de patrimonio, de manera Por lo tanto, negociaríamos 2 contratos. Si simplemente estuviéramos negociando al óptima, al incorporar el umbral geométrico en el f óptimo. nivel f óptimo de 1 contrato por cada $7,500 en capital de la cuenta, ­ 26 ­ Machine Translated by Google Ahora la pregunta es: "¿Podemos utilizar un enfoque similar para saber cuándo Es por esta razón que "recapitalizamos" las subcuentas diariamente pasar de 2 autos a 3 autos?" Además, '¿Por qué el tamaño de la unidad no puede ser de 100 autos? base a medida que fluctúa el patrimonio de una cuenta. Lo que sigue es una serie de dos comenzando, suponiendo que esté comenzando con una cuenta grande, en lugar sistemas similares, el Sistema A y el Sistema B. Ambos tienen un 50% de posibilidades de que simplemente una cuenta pequeña comenzando con 1 automóvil?" Para responder primero ganando, y ambos tienen una relación de pago de 2:1. Por lo tanto, la f óptima a la segunda pregunta, es válido utilizar esta técnica al comenzar con dicta que apostemos $1 por cada S4 unidades en capital. La primera carrera que vemos. un tamaño de unidad mayor que 1. Sin embargo, es válido sólo si no recorta muestra estos dos sistemas con correlación positiva entre sí. Nosotros retroceda las unidades en el lado negativo antes de cambiar al modo geométrico. Comience con $100, dividiéndolos en 2 unidades de subcuenta de $50 cada una. Después La razón es que antes de cambiar al modo geométrico se supone que está operando en un Se registra una operación, solo afecta la columna acumulativa de ese sistema, ya que cada tamaño de unidad constante. sistema tiene su propio bankroll separado. El tamaño de los fondos separados de cada sistema se utiliza para determinar el tamaño de la apuesta en el siguiente Suponga que comienza con una apuesta de 400 unidades en nuestro juego de jugar: lanzamiento de moneda de 2 a 1. Tus dólares finales óptimos son negociar 1 contrato (hacer 1 apuesta) por cada $4 en capital. Por lo tanto, comenzará a operar con 100 contratos. Sistema A Sistema B P&L Comercial Acumulado P&L Comercial Acumulado (haciendo 100 apuestas) en la primera operación. Tu umbral hacia lo geométrico es 50,00 a $ 8,24 y, por lo tanto, comenzaría a negociar 101 contratos a un precio de renta variable 2 nivel de $ 404,24. Puedes convertir tu umbral al geométrico, el cual se calcula sobre la base de avanzar de 1 contrato a 2, como: (2.03) T convertido = EQ+T­(Pérdida mayor/­f) 50.00 25,00 75,00 25,00 75,00 2 ­1 ­18,75 56,25 ­1 ­18,75 56,25 2 28,13 84 ,38 2 28,13 84,38 ­1 ­21,09 63,28 ­1 ­21.09 63.28 dónde 2 31,64 94 ,92 2 31,64 94 ,92 EQ = El nivel de capital inicial de la cuenta. ­1 ­23,73 71,19 ­1 ­23,73 71,19 ­50,00 T = El umbral geométrico para pasar de 1 automóvil a 2. ­50.0 Beneficio neto 21,19140 f = La f óptima (0 a 1). 21.19140 Beneficio neto total de los dos bancos = $42,38 Ahora veremos lo mismo, solo que esta vez operaremos desde Por lo tanto, dado que el capital inicial de su cuenta es de $400, su T es un banco combinado a partir de 100 unidades. En lugar de apostar $1 por cada $8.24, su mayor pérdida ­$1, y su f es .25: T convertido = 400+8,24­(­1/­,25) $4 en la apuesta combinada para cada sistema, apostaremos $1 por cada $8 en = 400+8,24­4 el banco combinado. Cada operación para cualquiera de los sistemas afecta el resultado combinado. banco, y es el banco combinado el que se utiliza para determinar el tamaño de la apuesta en = 404,24 la jugada siguiente: Por lo tanto, avanzaría hasta negociar 101 contratos (haciendo 101 Sistema A Sistema B apuestas) siempre y cuando el capital de su cuenta alcance $404,24. asumiremos Banco combinado P&L de operaciones P&L de operaciones está operando en un modo de contrato constante hasta que el capital de su cuenta 100.00 alcanza $404.24, momento en el cual comenzarás el modo geométrico. 2 25.00 2 25.00 150.00 Por lo tanto, hasta que el capital de su cuenta alcance $404,24, operará ­1 ­18,75 ­1 ­18.75 112,50 100 contratos en la siguiente operación independientemente del capital restante en 2 28,13 2 28,13 168,75 su cuenta. Si, después de cruzar el umbral geométrico (es decir, después de ­1 ­21,09 ­1 ­21,09 126,56 31,64 2 31,64 189,84 ­23,73 ­1 ­23,73 el capital de su cuenta llega a S404.24), sufre una pérdida y su capital 2­1 cae por debajo de $ 404,24, volverá a operar sobre una base constante de 100 contratos 142,38 ­100.00 hasta que vuelva a cruzar el umbral geométrico. Beneficio neto total del banco combinado = $42,38 Esta incapacidad para recortar contratos a la baja cuando estás Tenga en cuenta que utilizar un banco combinado o un banco separado en el por debajo del umbral geométrico es el inconveniente de utilizar este procedimiento cuando se encuentra en un nivel de equidad de negociación de más de 2 contactos. Si usted solo están negociando 1 contrato, el umbral geométrico es una técnica muy válida para El ejemplo anterior muestra una ganancia sobre los $100 de $42,38. Sin embargo, ¿qué fue Se muestra el caso en el que existe una correlación positiva entre los dos. sistemas. Ahora veremos la correlación negativa entre los mismos determinar a qué nivel de capital comenzar a negociar 2 contratos (ya que no puede recortar más de 1 contrato si experimenta una disminución del capital). Sin dos sistemas, primero con ambos sistemas funcionando desde sus propios fondos: embargo, no es una técnica válida para avanzar de 2 contratos a 3, porque la técnica se basa Sistema A Sistema B P&L Comercial Acumulado P&L Comercial Acumulado en el hecho de que actualmente está operando sobre una base de contrato constante. Eso 50,00 es decir, si está negociando 2 contratos, a menos que esté dispuesto a no recortar 2 a 1 contrato si sufre una caída de capital, la técnica no es válida, y lo mismo si comienzas a negociar 100 contratos. Podrías hacer solo 50.00 25,00 75,00 ­1 ­12,50 37,50 ­1 ­18,75 56,25 2 18,75 56,25 2 28,13 84,38 ­1 ­14.06 42.19 21.09 63.28 eso (no recortar el número de contratos que está negociando actualmente si ­1 ­21,09 63,28 2 experimenta una caída de capital), en cuyo caso el umbral de la geometría, o su versión 2 31,64 94,92 ­1 ­15,82 47,46 convertida en la ecuación (2.03), sería el umbral válido ­1 ­23,73 71,19 2 23,73 71,19 punto de capital para agregar el siguiente contrato. El problema de hacer esto (no ­50,00 ­50.00 recortar a la baja) es que ganará menos (su TWR Beneficio neto 21,19140 21.19140 será menor) en un sentido asintótico. No ganarás tanto como si Beneficio neto total de los dos bancos = $42.38 Como puede ver, cuando se opera con fondos separados, ambos sistemas obtienen la simplemente intercambiaste el f óptimo completo. Además, sus reducciones serán misma cantidad, independientemente de la correlación. Sin embargo, con el banco combinado: mayor y su riesgo de ruina mayor. Por lo tanto, el umbral geométrico solo es beneficioso si comienza con la denominación más baja del tamaño de la apuesta (1 contrato) y avanza a 2, y solo es un beneficio si Sistema A Sistema B P&L comercial P&L comercial Banco combinado el comercio promedio aritmético es más del doble del tamaño del comercio geométrico 100.00 comercio promedio. Además, es beneficioso utilizarlo sólo cuando no puedas intercambiar unidades fraccionarias. 2 25.00 ­12,50 112,50 ­1 ­1 ­14,06 2 28,12 126,56 UN BANKROLL COMBINADO VERSUS SEPARADO BANCOS 2 31,64 ­1 ­17,80 ­15,82 142,38 ­1 2 ­1 ­22,53 2 35,59 160,18 2 40.05 ­20,02 180,20 45,00 202,73 ­1 Algunos puntos muy importantes con respecto al comercio fraccionario fijo deben ­100.00 cubriremos antes de discutir las técnicas paramétricas. Primero, cuando Beneficio neto total del banco combinado = $102,73 operando en más de un sistema de mercado simultáneamente, generalmente hacerlo mejor en un sentido asintótico usando solo un bankroll combinado de Con el banco combinado, los resultados mejoran dramáticamente. para calcular el tamaño de sus contratos, en lugar de separar los fondos para cada. Cuando utilice operaciones fraccionarias fijas, lo mejor será operar desde un banco combinado único. ­ 27 ­ Machine Translated by Google B AMENAZA CADA JUGADA COMO SI SE REPETIERA INFINITAMENTE Banco combinado 2.535,87 El siguiente axioma del comercio fraccionario fijo se refiere a maximizar el 1.700,80 ­1 ­391,18 ­1 ­391,18 918,43 evento actual como si fuera a realizarse un número infinito de 2 422,48 2 422,48 1.763,39 A continuación vemos exactamente lo mismo, la única diferencia es que veces en el futuro. Hemos determinado que para ensayos independientes proceso, siempre debes apostar a que f es óptima (y constante) cuando A apuesta solo (es decir, cuando B no tiene una apuesta al mismo y así mismo cuando hay dependencia de por medio, sólo que con dependencia f no es constante. vez como A), hacemos 1 apuesta por cada 4 unidades en el banco combinado para Sistema A, ya que esa es la f óptima en la jugada única e individual. En Supongamos que tenemos un sistema en el que hay dependencia para que lo similar las jugadas donde las apuestas son simultáneas, seguimos apostando 1 unidad por engendre lo similar, y supongamos que éste es uno de esos raros tesoros en los que el límite cada 4,347826087 unidades en el patrimonio de la cuenta tanto para A como para B. Observe que de confianza está en un nivel aceptable para nosotros, que sentimos que podemos lograr con seguridad. Al hacerlo, tomamos cada apuesta, ya sea individual o simultánea, y aplicamos esa f óptima Supongamos que realmente hay dependencia aquí. Por el bien de la simplicidad que maximizaría el juego como Usaremos una relación de pago de 2:1. Nuestro sistema ha demostrado que, históricamente, si aunque se realizaría un número infinito de veces en el futuro. la última jugada fue una victoria, entonces la siguiente jugada tiene un 55% de posibilidades de A B Banco combinado ser una lata. Si la última jugada fue perdida, nuestro sistema tiene un 45% de posibilidades de ganar. 1.000,00 la próxima jugada será una pérdida. Por lo tanto, si la última jugada fue una victoria, entonces desde el ­ 1­250,00 750,00 Fórmula de Kelly, ecuación (1.10), para encontrar el f óptimo (ya que el índice de rentabilidad 2 345,00 ­1 ­172,50 922,50 tiene una distribución de Bernoulli): ­ 1 ­212,17 2 424,35 1.134,67 (1.10) f = ((2 +1)*.55­1)/2 = (3*.55­1)/ 567,34 2 1.702,01 ­ 1 ­391,46 ­1 ­391,46 919,09 2 2 = .65/2 2 422,78 422,78 1.764,65 Como puede verse, se puede obtener una ligera ganancia al hacer esto, = .325 y cuantas más operaciones transcurran, mayor será la ganancia. El mismo principio se aplica a la negociación de una cartera en la que no todos los componentes de la cartera Después de una jugada perdedora, nuestra f óptima es: están en el mercado todo el tiempo. Deberías operar en los niveles óptimos para f = ((2+ l)*.45­l)/2 = la combinación de componentes (o componente único) que da como resultado la (3*.45­l)/2 crecimiento óptimo como si esa combinación de componentes (o un solo = .35/2 componente) se negociarían un número infinito de veces en el futuro. = .175 PÉRDIDA DE EFICIENCIA EN APUESTAS SIMULTÁNEAS O Ahora dividiendo nuestras mayores pérdidas (­1) por estos fs óptimos negativos COMERCIO DE CARTERA dicta que hagamos 1 apuesta por cada 3,076923077 unidades de nuestra apuesta después de una victoria, y que hagamos 1 apuesta por cada 5,714285714 unidades de nuestra apuesta después Volvamos nuevamente a nuestro juego de lanzamiento de moneda 2:1. Supongamos nuevamente que una pérdida. Al hacerlo, maximizaremos el crecimiento a largo plazo. Tenga en cuenta que Vamos a jugar dos de estos juegos, a los que llamaremos Sistema A y tratamos cada obra individual como si fuera a representarse un número infinito de veces. resultados de los dos juegos. Podemos determinar nuestro fs óptimo para tal Sistema B, simultáneamente y que existe correlación cero entre los caso como apostar 1 unidad por cada 4.347826 en el patrimonio de la cuenta cuando el Observe en este ejemplo que apostar después de las victorias y las pérdidas todavía tiene una expectativa matemática positiva individualmente. ¿Qué pasa si, después Los juegos se juegan simultáneamente. Al empezar con un banco de 100 una pérdida, la probabilidad de ganar era .3? En tal caso, la expectativa matemática es negativa, unidades, fíjate que terminamos con un banco de 156,86 unidades: por lo tanto no hay f óptima y como resultado Sistema A Sistema B P&L comercial Banco P&L comercial no deberías tomar esta obra: La f óptima es 1 unidad por cada 4,347826 de patrimonio: 100,00 ­1 ­23.00 ­1 ­23.00 54.00 (1.03) ME = (.3*2)+ (.7*­1) = .6­.7 = ­.1 2 24,84 ­1 ­12,42 66,42 En tales circunstancias, apostaría la cantidad óptima sólo después ­1 ­15,28 2 30,55 81,70 una victoria y no apostarías después de una pérdida. Si hay dependencia presente, 2 37,58 2 37,58 156,66 debe segregar las operaciones del sistema de mercado en función de la dependencia y tratar Sistema A Sistema B P&L comercial Banco P&L comercial las operaciones segregadas como sistemas de mercado separados. La f óptima es 1 unidad por cada 8,00 de capital: ­1 ­12,50 ­1 El mismo principio, a saber, que el crecimiento asintótico se maximiza si cada obra se considera representada un número infinito de veces en el futuro, también se aplica a las apuestas simultáneas (o al comercio de una cartera). Considere dos sistemas de apuestas, A y B. Ambos tienen un pago de 2:1. proporción, y ambos ganan el 50% de las veces. Supondremos que la correlación 100.00 ­12,50 75,00 2 18,75 2 18,75 112,50 ­1 ­14,06 ­1 ­14,06 84,38 2 21,09 2 21,09 126,56 Ahora consideremos el Sistema C. Este sería lo mismo que el Sistema A. El coeficiente entre los dos sistemas es 0, pero eso no es relevante para el y B, solo que este juego lo vamos a jugar solos, sin otro juego. punto que se ilumina aquí. El fs óptimo para ambos sistemas (si yendo simultáneamente. También vamos a jugarlo durante 8 jugadas, en lugar de se comercializaban solos, en lugar de simultáneamente) son .25, o para hacer al esfuerzo anterior, donde jugamos 2 juegos para 4 simultáneos 1 apuesta por cada 4 unidades en equidad. El fs óptimo para operar con ambos sistemas obras de teatro. Ahora nuestra f óptima es apostar 1 unidad por cada 4 unidades de equidad. simultáneamente son .23, o 1 apuesta por cada 4.347826087 unidades en cuenta Lo que tenemos son los mismos 8 resultados que antes, pero diferentes y mejores. resultado final: equidad.1 El sistema B sólo opera dos tercios del tiempo, por lo que algunas operaciones hacerse cuando los dos sistemas no estén operando simultáneamente. Esto primero Sistema C La secuencia se demuestra con un banco combinado inicial de 1.000 unidades, PyG comerciales y cada apuesta para cada sistema se realiza con una f óptima de 1 apuesta por La f óptima es 1 unidad por cada 4,00 de capital: ­1 ­25,00 cada 4,347826087 unidades: A B Banco 100.00 75.00 Banco combinado 37,50 112,50 1.000,00 ­28,13 84,38 42,19 126,56 ­1 ­230,00 770,00 2 354,20 ­1 ­177,10 947,10 2­1 2 2 63,28 189,84 ­1 ­217,83 2 435,67 1.164,93 2 94.92 284,77 ­1 ­71.19 213.57 ­1 ­53.39 160.18 1 El método que utilizamos aquí para llegar a estos tamaños de apuesta óptimos se describe en Capítulos 6 y 7. En efecto, estamos utilizando tres sistemas de mercado, los Sistemas A y B, como descrito aquí, ambos con un HPR aritmético de 1,125 y una posición y desviación en HPR de .375, y efectivo nulo, con un HPR de 1.0 y una desviación estándar de 0. El resultado final aquí es mejor no porque los fs óptimos difieran ligeramente (ambos están en sus respectivos niveles óptimos), sino porque hay una pequeña pérdida de eficiencia involucrada con las apuestas simultáneas. Esta ineficiencia es el Por lo tanto, el promedio geométrico se maximiza en aproximadamente E = 0,23, donde el resultado de no poder recapitalizar su cuenta después las ponderaciones para A y B son 0,92. Por lo tanto, los fs óptimos tanto para A como para B son cada apuesta como podría hacerlo apostando solo en 1 sistema de mercado. En el si­ transformado a 4.347826. El uso de tales factores maximizará el crecimiento en este juego. ­ 28 ­ Machine Translated by Google En el caso de 2 apuestas simultáneas, sólo puedes recapitalizar 3 veces, mientras que en el caso SD = Desviación estándar de la población en HPR. En un solo caso de apuesta B, se recapitaliza 7 veces. Por lo tanto, la pérdida de eficiencia en Por tanto, podemos estimar la desviación estándar, DE, como: apuestas simultáneas (o en el comercio de una cartera de sistemas de mercado). (2.04) DE^2 = AHPR^2­EGM^2 Acabamos de presenciar el caso en el que las apuestas simultáneas no fueron Volviendo a nuestro juego de lanzamiento de moneda 2:1, tenemos una expectativa correlacionado. Veamos qué sucede cuando nos ocupamos de lo positivo. matemática de $0,50 y una f óptima de apostar $1 por cada $4 en capital, (+1,00) correlación: lo que produce una media geométrica de 1,06066. Podemos usar la ecuación (2.05) Observe que después de 4 jugadas simultáneas donde la correlación entre para determinar nuestro promedio aritmético HPR: los sistemas de mercado empleados es +1,00, el resultado es una ganancia de 126,56 en un apuesta inicial de 100 unidades. Esto equivale a un TWR de 1,2656, o una media geométrica, un factor de crecimiento por jugada (aunque estos se combinan (2.05) AHPR = l+(ME/f$) dónde AHPR = El HPR promedio aritmético. jugadas) de 1,2656^(1/4) = 1,06066. Ahora volvamos al caso de la apuesta única. Observe aquí que después de 4 jugadas, ME = La expectativa matemática aritmética en unidades. el resultado es 126,56, también con una apuesta inicial de 100 unidades. Por lo tanto, la f$ = La mayor pérdida/­f. f = La f óptima (0 a 1). media geométrica de 1,06066. Esto demuestra que la tasa de crecimiento es Así, tendríamos una HPR media aritmética de: lo mismo cuando se negocia con las fracciones óptimas para valores perfectamente correlacionados mercados. Tan pronto como el coeficiente de correlación descienda por debajo de +1,00, AHPR = 1+(.5/( ­1/ ­.25)) = la tasa de crecimiento aumenta. Así, podemos afirmar que al combinar 1+(.5/4) = sistemas de mercado, su tasa de crecimiento nunca será menor que con 1+.125 En el caso de la apuesta única, no importa cuán altas sean las correlaciones, siempre que el = 1,125 sistema de mercado que se agrega tenga una expectativa aritmética matemática positiva. Ahora, dado que tenemos nuestro AHPR y nuestro ECM, podemos emplear ción (2.04) para determinar la desviación estándar estimada en los HPR: Recuerde el primer ejemplo de esta sección, donde había 2 mercados sistemas que tenían un coeficiente de correlación cero entre ellos. Este sistema de mercado ganó 156,86 por 100 unidades después de 4 jugadas, para una media geométrica. (2.04) DE^2 = AHPR^2­EGM^2 = 1,125^2­1,06066^2 = 1,265625­1,124999636 de (156,86/100)^(1/4) = 1,119. Veamos ahora un caso en el que los coeficientes de = .140625364 correlación son ­1,00. Dado que nunca hay una jugada perdedora bajo el siguiente escenario, la cantidad óptima para apostar es infinitamente alta Por lo tanto, SD^2, que es la varianza en HPR, es 0,140625364. Tomando cantidad (en otras palabras, apuesta 1 unidad por cada cantidad infinitamente pequeña de la raíz cuadrada de esto produce una desviación estándar en estos HPR de patrimonio de la cuenta). Pero, en lugar de volvernos tan codiciosos, simplemente haremos 1 .140625364^(1/2) = .3750004853. Debe tener en cuenta que esta es la desviación estándar apostar por cada 4 unidades de nuestra apuesta para que podamos hacer la ilustración estimada porque utiliza la media geométrica estimada. aquí: como entrada. Probablemente no sea del todo exacto, pero se acerca lo suficiente como para Sistema A Sistema B P&L comercial Banco P&L comercial nuestros propósitos. Sin embargo, supongamos que queremos convertir estos valores para el estándar La f óptima es 1 unidad por cada 0,00 en capital (se muestra 1 por cada 4): 100,00 ­1 ­12,50 2 25,00 112,50 desviación (o varianza), HPR media aritmética y geométrica para reflejar cotizando al fraccionario f. Estas conversiones ahora se dan: 2 28,13 ­1 ­14,06 126,56 ­1 ­15,82 2 31,64 142,38 (2.06) FAHPR = (AHPR­1)*FRAC+1 2 35,60 ­1 ­17,80 160,18 (2.07) FSD = DE*FRAC Hay dos puntos principales que extraer de esta sección. El primero es (2.08) FGHPR = (FAHPR^2­FSD^2)^(1/2) que hay una pequeña pérdida de eficiencia con las apuestas simultáneas o el comercio de carteras, una pérdida causada por la incapacidad de recapitalizarse después de cada jugada dónde individual. El segundo punto es que combinar sistemas de mercado, siempre que tengan una FRAC = La fracción de f óptima que estamos resolviendo. expectativa matemática positiva, e incluso si tienen AHPR = El HPR promedio aritmético en el f óptimo. correlación positiva perfecta, nunca disminuye su crecimiento total por tiempo SD = La desviación estándar en HPR en el f óptimo. FAHPR = período. Sin embargo, a medida que se añaden más y más sistemas de mercado, la pérdida de eficiencia se vuelve considerablemente mayor. Si tienes, digamos, La media aritmética HPR en el fraccionario f. FSD = La desviación estándar en HPR en la fracción f FGHPR = 10 sistemas de mercado y todos sufren una pérdida simultáneamente, esa pérdida El HPR promedio geométrico en el fraccionario f. podría ser terminal para la cuenta, ya que no ha podido recortar Por ejemplo, supongamos que queremos ver qué valores tendríamos tamaño de respaldo para cada pérdida como lo habría hecho si las operaciones se hubieran realizado para FAHPR, FGHPR y FSD a la mitad del f óptimo (FRAC = .5) en nuestro secuencialmente. Juego de lanzamiento de moneda 2:1. Aquí sabemos que nuestro AHPR es 1.125 y nuestra SD es Por lo tanto, podemos decir que hay una ganancia al agregar cada nuevo .3750004853. De este modo: sistema de mercado a la cartera siempre que el sistema de mercado tenga una (2.06) FAHPR = (AHPR­1)*FRAC+1 = (1.125­ coeficiente de correlación menor que 1 y una expectativa matemática positiva, o una expectativa negativa pero una correlación suficientemente baja con la otra 1)*.5+1 componentes de la cartera para compensar con creces el impacto negativo = .125*.5+1 expectativa. Hay un beneficio marginalmente decreciente para el modelo geométrico. = .0625+1 media para cada sistema de mercado agregado. Es decir, cada nuevo sistema de mercado = 1,0625 beneficia a la media geométrica cada vez en menor grado. Además, como Si se agrega cada nuevo sistema de mercado, se produce una pérdida cada vez mayor de (2.07) FSD = DE*FRAC eficiencia como resultado de resultados simultáneos en lugar de secuenciales. En algún = ,3750004853*.5 momento, añadir otro sistema de mercado hará más daño = .1875002427 entonces bien. (2.08) FGHPR = (FAHPR^2­FSD^2)^(1/2) = (1,0625^2­.1875002427^2)^(1/2) TIEMPO REQUERIDO PARA ALCANZAR UNA META ESPECÍFICA Y EL PROBLEMA CON LA F FRACCIONAL = (1.12890625­.03515634101)^(1/2) = 1.093749909^(1/2) Supongamos que tenemos el HPR promedio aritmético y el HPR promedio geométrico para un sistema dado. Podemos determinar la desviación estándar en HPR a partir de la = 1,04582499 Por lo tanto, para una f óptima de 0,25, o hacer 1 apuesta por cada $4 en equidad, fórmula para la media geométrica estimada: tenemos valores de 1.125, 1.06066 y .3750004853 para la aritmética (1.19a) EGM = (AHPR^2­SD^2)^(1/2) promedio, promedio geométrico y desviación estándar de los HPR respectivamente. Ahora dónde hemos resuelto una f fraccionaria (.5) de .125 o hacer 1 apuesta por AHPR = La media aritmética HPR. cada $8 de nuestra participación, lo que arroja valores de 1,0625, 1,04582499 y ­ 29 ­ Machine Translated by Google .1875002427 para la media aritmética, la media geométrica y la desviación estándar de los HPR, respectivamente. La media geométrica no implica nada con respecto a la reducción. Es decir, una media geométrica más alta no significa una reducción mayor (o menor). La media geométrica sólo se refiere al retorno. La f óptima es la medida de la caída histórica mínima esperada como porcentaje Ahora podemos echar un vistazo a lo que sucede cuando practicamos una estrategia f fraccionaria. Ya hemos determinado que bajo f fraccional ganaremos geométricamente menos del retroceso del capital. Una f óptima más alta no significa un rendimiento mayor (o menor). dinero que bajo f óptima. Además, hemos determinado que las reducciones y la variación en los rendimientos serán menores También podemos usar estos puntos de referencia para comparar un sistema dado en un valor f fraccionario y otro sistema dado en su valor f óptimo completo. con f fraccionaria. ¿Qué pasa con el tiempo necesario para alcanzar un objetivo específico? Podemos cuantificar el número esperado de operaciones necesarias para alcanzar un objetivo ue. Por lo tanto, cuando se analizan sistemas, se deben observar en términos de qué tan altas específico. Esto no es lo mismo que el tiempo esperado requerido para alcanzar una meta específica, pero como nuestra medición es en operaciones, usaremos las dos nociones de tiempo son sus medias geométricas y cuáles son sus fs óptimas. Por ejemplo, supongamos que tenemos el Sistema A, que tiene una media geométrica de 1,05 y una f óptima de 0,8. Además, tenemos el y operaciones transcurridas indistintamente aquí: (2.09) N = ln(Objetivo)/ln( Media Sistema B, que tiene una media geométrica de 1,025 y una f óptima de 0,4. El Sistema A en el nivel Geométrica) donde medio f tendrá el mismo retroceso (reducción) de capital mínimo histórico en el peor de los casos del 40%, al igual que el Sistema B en el nivel f completo, pero la media geométrica del Sistema A N = El número esperado de operaciones para alcanzar un objetivo específico. en la mitad f seguirá siendo mayor que la del Sistema B. al importe total de f. Por tanto, el Sistema Objetivo = El objetivo en términos de un múltiplo de nuestra apuesta inicial, un TWR. ln() = La A es superior al Sistema B. función del logaritmo natural. "Espera un minuto", dices, "pensé que lo único que importaba era que teníamos una media Volviendo a nuestro ejemplo de lanzamiento de moneda 2:1. En f óptima tenemos una media geométrica de 1,06066, y en la mitad de f es 1,04582499. Ahora calculemos el número esperado de operaciones necesarias para duplicar nuestra apuesta (objetivo = 2). En f completa: N = ln(2)/ geométrica mayor que 1, que el sistema tenía que ser sólo marginalmente rentable, que podíamos ganar todo el dinero que queramos mediante la administración del dinero. " Eso sigue siendo cierto. Sin embargo, la tasa a la que ganarás dinero sigue siendo función de la media geométrica en el ln( 1.06066) = nivel f que estás empleando. La variabilidad esperada será función de qué tan alta sea la f que esté .6931471/.05889134 = 11.76993 utilizando. Entonces, si bien es cierto que debe tener un sistema con una media geométrica en el Por lo tanto, con la cantidad f completa en este juego de lanzamiento de moneda 2:1, f óptimo que sea mayor que 1 (es decir, una expectativa matemática positiva) y que aún puede anticipamos que nos llevará 11,76993 jugadas (intercambios) duplicar nuestra apuesta. Ahora, a la mitad de la cantidad f: ganar virtualmente una cantidad ilimitada con dicho sistema después de suficientes operaciones, la norte = ln(2)/ln(1.04582499) = .6931471/.04480602 = 15.46996 depende de la media geométrica del valor f empleado. La variabilidad en el camino hacia ese tasa de crecimiento (el número de operaciones necesarias para alcanzar un objetivo específico) objetivo también es función del valor f empleado. Por lo tanto, a la mitad de la cantidad f, anticipamos que nos llevará 15,46996 operaciones duplicar nuestra participación. En otras palabras, operar con la mitad de f en este caso nos llevará un 31,44% más para alcanzar nuestro objetivo. Bueno, eso no suena tan mal. Al ser más pacientes, permitiendo un 31,44% más de tiempo Sin embargo, estas consideraciones, el grado de la media geométrica y la f empleada, son para alcanzar nuestro objetivo, eliminamos nuestra reducción a la mitad y nuestra variación en las operaciones a la mitad. Half f es una forma aparentemente atractiva de hacerlo. Cuanto menor sea secundarias al hecho de que se debe tener una expectativa matemática positiva, aunque son útiles la fracción de f óptima que utilice, más suave será la curva de capital y, por tanto, menos tiempo para comparar dos sistemas o técnicas que tienen expectativas matemáticas positivas y una podrá esperar estar en el peor de los casos. confianza igual. de su trabajo en el futuro. Ahora, veámoslo desde otra perspectiva. Suponga que abre dos cuentas, una para negociar la f completa y otra para negociar la mitad de la f. Después de 12 jugadas, su cuenta f completa se DEMASIADA SENSIBILIDAD A LA PÉRDIDA MÁS GRANDE habrá más que duplicado a 2,02728259 (1,06066^12) veces su apuesta inicial. Después de 12 Una crítica recurrente al enfoque completo de f óptima es que depende demasiado de la operaciones, su cuenta de media f habrá aumentado a 1,712017427 (1,04582499^12) veces su operación con mayores pérdidas. Esto parece bastante inquietante para muchos comerciantes. apuesta inicial. Esta cuenta de media f se duplicará en 16 operaciones hasta un múltiplo de Argumentan que la cantidad de contratos que se firman hoy no debería depender tanto de una única 2,048067384 (1,04582499^16) veces su apuesta inicial. Entonces, al esperar alrededor de un tercio mala operación en el pasado. más, se logra el mismo objetivo que con f óptima completa, sólo que con la mitad de conmoción. Sin embargo, en la operación 16, la cuenta f completa ahora es un múltiplo de 2,565777865 (1,06066^16) veces su apuesta inicial. Full f continuará saliendo y alejándose. Al realizar la operación 100, su cuenta media f debería ser un múltiplo de 88,28796546 veces su apuesta inicial, ¡pero la f completa será un múltiplo de 361,093016! La gente ha elaborado numerosos algoritmos diferentes para aliviar esta aparente hipersensibilidad a la pérdida mayor. Muchos de estos algoritmos funcionan ajustando la pérdida más grande hacia arriba o hacia abajo para que la pérdida más grande sea una función de la volatilidad actual en el mercado. La relación parece ser cuadrática. Es decir, el valor absoluto de la mayor pérdida parece aumentar a un ritmo más rápido que la volatilidad. Por lo tanto, cualquiera que afirme que lo único que se sacrifica al operar a f fraccional versus (Estos profesionales suelen definir la volatilidad como el rango diario promedio de las últimas f completa es el tiempo necesario para alcanzar un objetivo específico, tiene toda la razón. Sin semanas, o el valor absoluto promedio del cambio neto diario de las últimas semanas, o cualquiera embargo, el tiempo es de lo que se trata. ¡Podemos poner nuestro dinero en Letras del Tesoro y de las otras medidas convencionales de volatilidad). Sin embargo, esto no es así. una relación alcanzarán un objetivo específico en un tiempo determinado con un mínimo absoluto de reducción determinista. Es decir, sólo porque la volatilidad sea X hoy no significa que nuestra mayor pérdida y variación! El tiempo es realmente esencial. será X^Y. Simplemente significa que normalmente está cerca de X^Y. COMPARACIÓN DE SISTEMAS COMERCIALES manejar mucho mejor nuestra administración del dinero.2 Aquí nuevamente tenemos un caso en el Si pudiéramos determinar de antemano cuál sería la mayor pérdida posible hoy, podríamos Hemos visto que dos sistemas comerciales pueden compararse basándose en sus medias que debemos considerar el peor de los casos y construir a partir de ahí. El problema es que no geométricas en sus respectivos fs óptimos. Además, podemos comparar sistemas en función de sabemos exactamente cuál puede ser nuestra mayor pérdida hoy. Un algoritmo que pueda predecir qué tan altos son sus fs óptimos, siendo el f óptimo más alto el sistema más riesgoso. Esto se debe esto realmente no nos resulta muy útil debido a la única vez que falla. a que lo mínimo que puede haber sido la reducción es al menos un retroceso del capital del cinco por ciento. Entonces, hay dos medidas básicas para comparar sistemas, las medias geométricas en el fs óptimo, siendo la media geométrica más alta el sistema superior, y las fs óptimas mismas, siendo el f óptimo más bajo el sistema superior. Por lo tanto, en lugar de tener una medida única y unidimensional del desempeño del sistema, vemos que el desempeño debe medirse en un plano bidimensional, siendo un eje la media geométrica y el otro el valor de f mismo. Cuanto mayor sea la media geométrica en la f óptima, mejor será el sistema. Además, cuanto menor sea la f óptima, mejor será el sistema. 2 Aquí es donde resulta tan útil el uso de opciones en una estrategia comercial. Ya sea comprando una opción de venta o de compra en oposición a la posición subyacente para limitar la pérdida del precio de ejercicio de las opciones, o simplemente comprando opciones directamente en lugar de la posición subyacente, se obtiene un piso, una pérdida máxima absoluta. Saber esto es extremadamente útil desde el punto de vista de la administración del dinero, particularmente desde el punto de vista de la f óptima. Además, si sabe cuál es su pérdida máxima posible con antelación (por ejemplo, en una operación intradía), entonces siempre podrá determinar cuál es la f en dólares. perfectamente para cualquier operación por la relación dólares en riesgo por unidad/óptimo] f. Por ejemplo, supongamos que un comerciante intradía supiera que su 1 óptimo era 0,4. Su parada hoy, por unidad I, será de Por lo tanto, lo óptimo será negociar 1 unidad por cada $2250 ($900/0,4) en el capital de la cuenta. ­ 30 ­ Machine Translated by Google A este nuevo flujo de pérdidas y ganancias traducido lo llamamos datos igualados, porque Consideremos, por ejemplo, la posibilidad de que se produzca un shock exógeno en un mercado de la noche a la mañana. Supongamos que la volatilidad era bastante baja antes de este se igualan con el precio del instrumento subyacente cuando se produjo la operación. shock nocturno y que el mercado se bloqueó en su contra durante los próximos días. O supongamos que no hubiera límites de precios y que el mercado simplemente abriera una cantidad enorme en su contra al día siguiente. Este tipo de eventos son tan antiguos como el comercio de materias Para contabilizar las comisiones y el deslizamiento, debe ajustar el precio de salida a la baja en la ecuación (2.10a) por un monto proporcional al monto de las comisiones y el deslizamiento. primas y acciones. Pueden suceder y suceden, y no siempre son avisados con anticipación por una Asimismo, debería ajustar al alza el precio de salida en (2.10b). Si está utilizando (2.10c), debe mayor volatilidad. deducir el monto de las comisiones y el deslizamiento (nuevamente en puntos) del numerador P&L en Puntos. En general, entonces es mejor no "reducir" su mayor pérdida histórica para reflejar un mercado actual de baja volatilidad. Además, existe la posibilidad concreta de experimentar una A continuación determinamos nuestra f óptima sobre estos porcentajes de ganancias y pérdida mayor en el futuro que la pérdida históricamente mayor. No existe ningún mandato que pérdidas. La f óptima es .09. Ahora debemos convertir esta f óptima de 0,09 en una cantidad en indique que la mayor pérdida vista en el pasado sea la mayor pérdida que se pueda experimentar dólares basada en el precio actual de las acciones. Esto se logra mediante la siguiente fórmula: hoy.3 Esto es cierto independientemente de la volatilidad actual que se avecina hoy. (2.11) f$ = Mayor % de pérdida*Precio actual*$ por punto/­f Por lo tanto, dado que nuestra mayor pérdida porcentual fue ­0,15, el precio actual es de 100 dólares por acción, y la cantidad de dólares por punto completo es 1 El problema es que, empíricamente, la f que ha sido óptima en el pasado es función de la mayor pérdida del pasado. No hay forma de evitar esto. Sin embargo, como verá cuando entremos en las técnicas paramétricas, puede presupuestar una pérdida mayor en el futuro. Al hacerlo, estará (dado que solo estamos tratando con la compra de 1 acción), podemos determinar nuestro f$ como: f$ = ­.15*100*1/­.09 = ­15/­.09 = 166,67 preparado si se produce una pérdida mayor, casi inevitable. Por lo tanto, lo óptimo sería comprar 1 acción por cada 166,67 dólares del capital de la cuenta. En lugar de intentar ajustar la pérdida más grande al clima actual de un mercado determinado de Si usáramos 100 acciones como tamaño de unidad, la única variable afectada habría sido la modo que su óptimo empírico f refleje el clima actual, será mucho mejor que aprenda las técnicas cantidad de dólares por punto completo, que habría sido 100. El f$ resultante habría sido $16 paramétricas. 666,67 en capital por cada 100 acciones. La técnica que sigue es una posible solución a este problema y se puede aplicar ya sea que Supongamos ahora que las acciones bajaron a 3 dólares por acción. Nuestra ecuación f$ obtengamos nuestro f óptimo empíricamente o, como aprenderemos más adelante, de manera sería exactamente la misma excepto por la variable de precio actual que ahora sería 3. Por lo tanto, paramétrica. la cantidad para financiar 1 acción por llega: ECUALIZACIÓN ÓPTIMA F La f óptima producirá el mayor crecimiento geométrico en una serie de resultados. Este es un f$ = ­.15*3*1/­.09 = ­.45/­.09 = 5 Lo óptimo sería comprar 1 acción por cada 5 dólares que tuviéramos en el capital de la hecho matemático. Considere el flujo hipotético de resultados: cuenta. Observe que la f óptima no cambia con el precio actual de la acción. Se mantiene en .09. Sin +2, ­3, +10, ­5 Esta es una secuencia a partir de la cual podemos determinar nuestra f óptima como .17, o apostar 1 unidad por cada $29.41 en equidad. Hacerlo en una corriente de este tipo generará el mayor embargo, el f$ cambia continuamente a medida que cambia el precio de la acción. Esto no significa que deba modificar diariamente una posición en la que ya se encuentra, pero sí hace que sea más probable que sea beneficioso hacerlo. Por ejemplo, si mantiene una posición larga en una acción crecimiento de nuestro capital. determinada y ésta cae, los dólares que debe asignar a 1 unidad (100 acciones en este caso) de Considere por un momento que esta corriente representa las ganancias y pérdidas comerciales de una acción. Lo ideal sería comprar una acción por cada 29,41 dólares que tengamos en el capital de la cuenta, independientemente del precio actual de las acciones. Pero supongamos que el precio actual de las acciones es de 100 dólares por acción. Además, supongamos que la acción costaba esta acción también disminuirán, con la f óptima determinada a partir de datos igualados. Si su f óptima se determina a partir de los datos brutos de pérdidas y ganancias comerciales, no disminuirá. En ambos casos, su patrimonio diario está disminuyendo. El uso de la f óptima ecualizada hace que sea más probable que ajustar el tamaño de su posición diariamente sea beneficioso. 20 dólares por acción cuando se produjeron las dos primeras operaciones y 50 dólares por acción cuando se produjeron las dos últimas operaciones. Igualar los datos para su f óptima requiere cambios en los subproductos.4 Ya hemos visto Recuerde que con f óptima estamos utilizando el flujo de pérdidas y ganancias comerciales que tanto la f óptima como la media geométrica (y por tanto la TWR) cambian. El promedio pasadas como indicador de la distribución de las pérdidas y ganancias comerciales esperadas actualmente. Por lo tanto, podemos preprocesar los datos de pérdidas y ganancias comerciales para reflejar esto aritmético del comercio cambia porque ahora también debe basarse en la idea de que todos los intercambios en el pasado deben ajustarse como si se hubieran producido a partir del precio actual. convirtiendo los datos de pérdidas y ganancias comerciales anteriores para reflejar una ganancia o pérdida porcentual proporcional basada en el precio actual. Por lo tanto, en nuestro ejemplo hipotético de resultados en 1 acción de +2, ­3, +10 y ­5, tenemos Para nuestras dos primeras operaciones, que ocurrieron a un precio de acción de $20 por una operación promedio de $1. Cuando tomamos nuestras ganancias y pérdidas porcentuales de acción, la ganancia de $2 corresponde a una ganancia del 10% y la pérdida de $3 corresponde a +.1, ­15, +.2 y ­.1, tenemos una operación promedio (en porcentaje) de +.5. A 100 dólares por una pérdida del 15%. Para las dos últimas operaciones, tomadas a un precio de acción de 50 acción, esto se traduce en una operación promedio de 100*0,05 o 5 dólares por operación. A 3 dólares por acción, la ganancia de 10 dólares corresponde a una ganancia del 20% y la pérdida de dólares por acción, la operación media se convierte en 0,15 dólares (3*0,05). 5 dólares corresponde a una pérdida del 10%. Las fórmulas para convertir las pérdidas y ganancias comerciales brutas en ganancias y pérdidas El comercio promedio geométrico también cambia. Recuerde la ecuación (1.14) para el porcentuales para posiciones largas y cortas son las comercio promedio geométrico: (1.14) GAT = siguientes: (2.10a) % P&L = Precio de salida/Precio de entrada­1 (para G*(Pérdida mayor/­f) dónde largos) (2.10b) % P&L = Precio de entrada/Precio de salida ­1 (para pantalones cortos) G = Media geométrica 1. o podemos usar la siguiente fórmula para convertir tanto en largos como en cortos: f = Fracción fija óptima. (y, por (2.10c) P&L% = P&L en puntos/precio de entrada Por lo supuesto, nuestra mayor pérdida es siempre un número negativo). tanto, para nuestras 4 operaciones hipotéticas, ahora tenemos el siguiente flujo de ganancias Esta ecuación es el equivalente a: GAT = y pérdidas porcentuales (asumiendo que todas las operaciones son operaciones largas): +.l, ­.15, (media geométrica­1)*f$ + .2, ­.l 4 3 La prudencia exige que suframos una pérdida mayor, al menos tan grande como la pérdida más Las ecuaciones de riesgo de ruina, aunque no se abordan directamente en este texto, también deben ajustarse para reflejar datos ecualizados cuando se utilizan. Generalmente, las ecuaciones de grande observada en el pasado. A medida que se desarrolle el futuro y obtengamos más y más datos, riesgo de ruina utilizan los datos brutos de pérdidas y ganancias comerciales como entrada. Sin obtendremos rachas de pérdidas más largas. Por ejemplo, si ] lanza una moneda 100 veces, es embargo, cuando utiliza datos igualados, el nuevo flujo de ganancias y pérdidas porcentuales debe posible que vea que sale cruz 12 veces en una fila en la serie más larga de cruces. Si lo doy la vuelta multiplicarse por el precio actual del instrumento subyacente y el flujo resultante utilizado. Por lo tanto, 1000 veces, lo más probable es que vea una serie de colas más largas. Este mismo principio se aplica un flujo de ganancias y pérdidas porcentuales como 0,1, ­0,15, 0,2, ­0,1 se traduce en un flujo de 10, cuando comerciamos. No sólo deberíamos esperar rachas más largas de operaciones perdedoras en ­15, 20, ­10 para un subyacente a un precio actual de 100 dólares. Esta nueva corriente debería el futuro, sino que también deberíamos esperar una mayor operación perdedora. utilizarse entonces como datos para las ecuaciones de riesgo de ruina. ­ 31 ­ Machine Translated by Google Ya hemos obtenido una nueva media geométrica igualando la cosa como es? Esto es más una cuestión de creencias que de un hecho matemático. Es una datos pasados. La variable f$, que es constante cuando no igualamos cuestión de qué es más pertinente en el artículo que estás negociando, cambios porcentuales los datos pasados, ahora cambian continuamente, ya que es una función de los datos actuales. precio subyacente. Por lo tanto, nuestro comercio promedio geométrico cambia continuamente o cambios absolutos. Es un movimiento de $2 en un $20 ¿Es lo mismo una acción que un movimiento de $10 en una acción de $100? ¿Qué pasa si a medida que cambia el precio del instrumento subyacente. estamos hablando de dólares y marcos alemanes? ¿Es un movimiento de 30 puntos a .4500 el ¿Es lo mismo que un movimiento de 0,40 puntos a 0,6000? Nuestro umbral hacia lo geométrico también debe cambiarse para reflejar la datos ecualizados. Recuerde la ecuación (2.02) para el umbral de la geometría: Mi opinión personal es que probablemente estés mejor con el datos ecualizados. A menudo la cuestión es discutible, ya que si una acción se ha movido de $20 por acción a $100 por acción y queremos determinar el f óptimo, queremos utilizar (2.02) T = AAT/GAT*Pérdida mayor/­f datos actuales. Las operaciones que ocurrieron a $20 por dónde la acción puede no ser representativa de la forma en que se cotizan actualmente, T = El umbral de lo geométrico. independientemente de si están igualados o no. AAT = El comercio promedio aritmético. Entonces, en general, es mejor no utilizar datos en los que el precio subyacente tenía un GAT = El comercio promedio geométrico. precio dramáticamente diferente al actual, ya que las características de la forma en que se f = La f óptima (0 a 1). comercializa el artículo también pueden haber cambiado. En eso sentido, la f off óptima de los datos sin procesar y la f off óptima de la Esta ecuación también se puede reescribir como: T = AAT/GAT*f$ Los datos igualados serán idénticos si todas las operaciones se realizaron al mismo precio Ahora bien, no sólo las variables AAT y GAT cambian continuamente subyacente. a medida que cambia el precio del subyacente, también lo hace la variable f$. Así que podemos afirmar que si importa mucho si igualas o no tus datos, entonces Finalmente, al armar una cartera de sistemas de mercado, probablemente estés usando demasiados datos de todos modos. debe calcular los HPR diarios. Éstas también son función de f$: Has ido tan lejos en el pasado que los intercambios generados en aquel entonces (2.12) HPR diario = D$/f$+1 Probablemente no sean muy representativos del próximo comercio. En resumen, podemos dónde decir que no importa mucho si usas datos ecualizados o no, D$ = La ganancia o pérdida de dólares en 1 unidad del día anterior. Esto es y si es así, probablemente haya un problema. Si no hay ningún problema y hay una diferencia entre usar los datos ecualizados y los datos sin procesar, igual a (Cierre de esta noche­Cierre de anoche)*Dólares por punto. debes optar por los datos ecualizados. Esto no significa que la f óptima calculada a partir de los f$ = Los dólares finitos óptimos actuales, calculados a partir de la ecuación datos ecualizados hubiera sido óptima en el caso (2.11). Aquí, sin embargo, la variable de precio actual es el cierre de anoche. Por ejemplo, supongamos que una acción cerró esta noche a 99 dólares por acción. Último noche fue de 102 dólares por acción. Nuestra mayor pérdida porcentual es ­15. Si nuestra f pasado. No lo hubiera sido. La f óptima calculada a partir de los datos sin procesar. hubiera sido lo óptimo en el pasado. Sin embargo, en términos de determinar la respuesta aún desconocida a la pregunta de cuál será la f óptima (o más cerca de ella mañana), la f óptima es .09 entonces nuestro f$ es: calculada a partir de los datos ecualizados tiene más sentido. ya que los datos ecualizados son f$ = ­.15*102 *1/­.09 = una representación más justa de la distribución de posibles resultados en la siguiente operación. ­15.3/­.09 = 170 Las ecuaciones (2.10a) a (2.10c) darán diferentes respuestas dependiendo de si la operación se inició en largo o en corto. Para Dado que estamos tratando con sólo 1 acción, nuestro valor en dólares por punto es Por ejemplo, si una acción se compra a 80 y se vende a 100, la ganancia porcentual $1. Ahora podemos determinar nuestro HPR diario para hoy mediante la ecuación (2.12) es 25. Sin embargo, si una acción se vende en descubierto a 100 y se cubre a 80, la ganancia como: es sólo el 20%. En ambos casos, las acciones se compraron a 80 y se vendieron a 100, (2.12) HPR diario = (99­102)*1/170+1 = ­3/170+1 = ­.01764705882+1 = .9823529412 pero es necesario tener en cuenta la secuencia, la cronología de estas transacciones. Como la cronología de las transacciones afecta la distribución de ganancias y pérdidas porcentuales, Volvamos ahora a lo que se dijo al principio de esta discusión. Dado suponemos que la cronología de las transacciones En un flujo de pérdidas y ganancias comerciales, la f óptima generará la mayor geometría en el futuro se parecerá más a la cronología del pasado que a no serlo. De este modo, crecimiento en esa corriente (siempre que tenga una expectativa matemática aritmética Las ecuaciones (2.10a) a (2,10c) darán respuestas diferentes para largos positiva). Utilizamos el flujo de pérdidas y ganancias comerciales como indicador de la y pantalones cortos. distribución de posibles resultados en la siguiente operación. En esta línea de Por supuesto, podríamos ignorar la cronología de los oficios (usando razonamiento, puede ser ventajoso para nosotros igualar la corriente del pasado 2,10c para largos y utilizando el precio de salida en el denominador de 2,10c para las ganancias y pérdidas comerciales sean lo que serían si se realizaran cortos), pero hacerlo sería reducir el contenido informativo del al precio actual del mercado. Al hacerlo, podremos obtener una imagen más realista. la historia del comercio. Además, el riesgo involucrado con una operación es una función de la proxy de la distribución de ganancias y pérdidas comerciales potenciales en el próximo comercio. Por lo tanto, debemos calcular nuestra f óptima a partir de esta distribución ajustada de ganancias y pérdidas comerciales. Esto no significa que habríamos ganado más usando la f óptima de los datos ecualizados. cronología del comercio, un hecho que nos veríamos obligados a ignorar. PROMEDIO DE DÓLARES Y COMPARTIR IDEAS DE PROMEDIO He aquí una técnica antigua y poco utilizada de gestión del dinero que es una No tendríamos, como sigue espectáculos de demostración: Herramienta ideal para afrontar situaciones en las que te faltan conocimientos. Porcentaje de pérdidas y ganancias f$ Precio subyacente Número de 286952343. Cada semana, pone $20 de gasolina en su automóvil, independientemente del +2,1 ­3 20 $33,33 300 $10,600 ­,15 +10,2 20 $33,33 318 $9,646 ­5 ­,1 50 $83,33 115,752 $10.803,52 50 $83,33 129,642 f$ $10.155,31 Acumulativo Número de Precio subyacente precio de la gasolina esa semana. Siempre recibe $20 y $10,000 En f = 0,09, operando con el método igualado: Porcentaje de pérdidas y ganancias Consideremos un automovilista hipotético, Joe Putzivakian, número de caso. Acumulativo Comparte Cada semana usa los $20 que valen, sin importar lo mucho o poco que sean. lo compra. Cuando el precio de la gasolina es más alto, lo obliga a ser más austero en su forma de conducir. Como resultado, Joe Putzivakian habrá pasado la vida comprando más gasolina cuando es más barata y comprar menos cuando es más cara. Por lo tanto, habrá pasado la vida pagando un coste por galón de gasolina inferior al promedio. En otras palabras, Comparte si promediaste el costo En f = 0,17, operando con el método no igualado: 10.000 dólares 20 +2,1 $29,41 340,02 $10.680,04 de un galón de gasolina durante todas las semanas en las que Joe fue automovilista, 20 ­3 ­0,15 $29,41 363,14 $9.590,61 el promedio habría sido mayor que el promedio que pagó Joe. +10.2 ­5 50 $29,41 326,1 $12.851,61 ­.1 50 $29,41 436,98 $10.666,71 Consideremos ahora a su hipotético primo, Cecil Putzivakian, número de caso 286952344. Siempre que necesita gasolina, simplemente llena su camioneta. Sin embargo, si todas las operaciones se calcularan a partir del precio actual y se queja del alto precio de la gasolina. Como resultado, Cecil tiene (digamos $100 por acción), el óptimo igualado f habría generado más usó una cantidad constante de gasolina cada semana y, por lo tanto, pagó el que el óptimo bruto f. precio medio del mismo a lo largo de su vida como motor. ¿Cuál es entonces mejor usar? ¿Deberíamos ecualizar nuestros datos y determinar nuestra f óptima (y sus subproductos), o deberíamos simplemente ejecutar todos­? ­ 32 ­ Machine Translated by Google Ahora supongamos que usted está considerando un programa de inversión a largo acciones que está "cobrando" esta semana. Continuará haciendo esto hasta que no le plazo. Decide que quiere poner dinero en un fondo mutuo para usarlo en su jubilación dentro queden acciones, momento en el cual no quedará ningún capital en su cuenta. Al hacer de muchos años. Cree que cuando se jubile el fondo mutuo tendrá un valor mucho mayor esto, probablemente haya obtenido un mejor precio promedio por salir de su cuenta que el que el actual. Es decir, usted cree que en un sentido asintótico el fondo mutuo será una que habría recibido si hubiera salido de la cuenta en algún momento arbitrario durante este inversión que generará dinero (por supuesto, en un sentido asintótico, el rayo cae dos período de retiro de 20 semanas. veces). Sin embargo, no se sabe si aumentará o disminuirá durante el próximo mes o el próximo año. No tiene conocimiento sobre el desempeño a corto plazo del fondo mutuo. Este principio de promediar dentro y fuera de una cuenta comercial es tan simple que uno se pregunta por qué nadie lo hace. Siempre pregunto a las cuentas que logro hacer esto. Sin embargo, hasta la fecha nunca he tenido a nadie que me haya aceptado. La razón es sencilla. El concepto, aunque completamente válido, requiere disciplina y tiempo para Para hacer frente a esto, puede ingresar el dólar promedio en el fondo mutuo. funcionar: exactamente los mismos ingredientes que se requieren para que el concepto de f Supongamos que desea espaciar su entrada en el fondo mutuo en el transcurso de dos óptima funcione. años. Además, digamos que tiene $36 000 para invertir. Por lo tanto, cada mes durante los próximos 24 meses invertirás $1,500 de estos $36,000 en el fondo, hasta que después de Pregúntele a Joe Putzivakian. Una cosa es comprender los conceptos y creer en ellos. Otra cosa es hacerlo. 24 meses estés completamente invertido. Al hacerlo, habrá obtenido un coste inferior al promedio en el fondo. "Promedio", como se utiliza aquí, se refiere al precio promedio del LAS LEYES DEL ARCO SINO Y LOS PASEO ALEATORIO fondo durante el período de 24 meses durante el cual está invirtiendo. No significa Ahora dirigimos la discusión hacia las reducciones. Sin embargo, primero necesitamos necesariamente que obtendrá un precio más barato que si invirtiera los $36,000 completos hoy, ni garantiza que al final de estos 24 meses de ingresar al fondo obtendrá una ganancia estudiar un poco de teoría sobre las leyes del primer y segundo arcoseno. Estos son sobre sus $36,000. . La cantidad que tenga en el fondo en ese momento puede ser inferior principios que pertenecen a los paseos aleatorios. El flujo de pérdidas y ganancias a los $36,000. comerciales con el que está tratando puede no ser verdaderamente aleatorio. El grado en Lo que sí significa es que si simplemente ingresara arbitrariamente en algún momento es el grado en que esta discusión no pertenecerá a su flujo de ganancias y pérdidas. Sin que el flujo de pérdidas y ganancias que está utilizando difiere de ser puramente aleatorio durante los siguientes 24 meses con sus $36,000 completos de una sola vez, probablemente embargo, en general, la mayoría de los flujos de ganancias y pérdidas comerciales son casi habría terminado comprando menos acciones de fondos mutuos y, por lo tanto, habría aleatorios, según lo determinado por la prueba de ejecución y el coeficiente de correlación pagado un precio más alto que si hubiera ingresado en dólares. promediado en. lineal (correlación en serie). Además, las leyes del arcoseno no sólo suponen que usted sabe de antemano cuál es Lo mismo ocurre cuando se sale de un fondo mutuo, sólo que el lado de salida funciona con un promedio de acciones en lugar de un promedio en dólares. Digamos que ha llegado la cantidad que puede ganar o perder, sino que también suponen que la cantidad que puede el momento de jubilarse y que tiene un total de 1000 acciones en este fondo mutuo. No sabe ganar es igual a la cantidad que puede perder, y que esto siempre es una cantidad constante. si es un buen momento para retirarse o no, por lo que decide tomarse 2 años ( 24 meses), En nuestra discusión, asumiremos que la cantidad que puedes ganar o perder es $1 en cada como promedio del fondo. Así es como se hace. Tomas el número total de acciones que jugada. Las leyes del arcoseno también suponen que tienes un 50% de posibilidades de tienes (1000) y lo divides por el número de períodos que deseas retirar (24 meses). Por lo ganar y un 50% de posibilidades de perder. Por tanto, las leyes del arcoseno suponen un tanto, dado que 1.000/24 = 41,67, venderá 41,67 acciones cada mes durante los próximos juego donde la expectativa matemática es 0. 24 meses. Al hacerlo, habrá terminado vendiendo sus acciones a un precio superior al precio medio durante los próximos 24 meses. Por supuesto, esto no es garantía de que las haya vendido a un precio más alto del que podría haber recibido hoy por ellas, ni de que haya Estas advertencias crean un juego que es considerablemente diferente y considerablemente más simple que el comercio. Sin embargo, las leyes del primer y segundo vendido sus acciones a un precio más alto del que podría obtener si las hubiera vendido. arcoseno son exactas para el juego que acabamos de describir. En la medida en que el venda todas sus acciones dentro de 24 meses. Lo que obtendrá es un precio más alto que comercio difiere del juego que acabamos de describir, las leyes del arcoseno no se aplican. el promedio durante el período de tiempo que está promediando. Eso está garantizado. Sin embargo, en aras de aprender la teoría, no dejaremos que estas diferencias nos preocupen por el momento. Imagine una secuencia verdaderamente aleatoria, como por ejemplo al lanzar una moneda5, en la que ganamos 1 unidad cuando ganamos y perdemos 1 unidad cuando perdemos. Si tuviéramos que trazar nuestra curva de capital sobre X lanzamientos, podríamos Estos mismos principios se pueden aplicar a una cuenta comercial. Al depositar dinero en dólares en una cuenta de operaciones en lugar de simplemente "dar el paso" en algún referirnos a un punto específico (X,Y), donde X representa el X lanzamiento e Y nuestra ganancia o pérdida acumulada a partir de ese lanzamiento. momento durante el período de tiempo en el que está promediando, habrá ingresado en la Definimos territorio positivo cuando la curva de acciones está por encima del eje X o cuenta a un mejor "precio promedio". Sin conocimiento de cuáles serán los cambios de en el eje X cuando el punto anterior estaba por encima del eje X. capital a corto plazo en la cuenta, es mejor, en promedio, ingresar al promedio en dólares Del mismo modo, definimos territorio negativo como cualquier momento en que la curva de en un programa de negociación. acciones esté por debajo del eje X o en el eje X cuando el punto anterior estaba por debajo No confíe sólo en su instinto y su olfato, utilice las medidas de dependencia analizadas en del eje X. Esperaríamos que el número total de puntos en territorio positivo se acerque al el Capítulo 1 sobre los cambios mensuales en el capital de un programa de negociación. número total de puntos en territorio negativo. Pero este no es el caso. Intente ver si existe dependencia en los cambios mensuales del capital. Si existe una dependencia de un nivel de confianza lo suficientemente alto como para poder lanzarse en un punto favorable, entonces hágalo. Sin embargo, si no hay una confianza suficientemente alta en la dependencia de los cambios mensuales de las acciones, entonces el promedio en dólares entra (y el promedio de acciones sale de) un programa de negociación. Al hacerlo, Si lanzaras la moneda N veces, tu probabilidad (Prob) de gastar K de los eventos en territorio positivo es: (2.13) Prob~l/ (Pi*K^.5*(NK)^.5) donde estarás por delante en un sentido asintótico. Pi = 3,141592654. Lo mismo ocurre con el retiro de dinero de una cuenta. La forma de compartir el promedio de un programa de negociación (cuando no hay acciones, como una cuenta de El símbolo ~ significa que ambos lados tienden a la igualdad en el límite. En este caso, materias primas) es decidir una fecha para comenzar a promediar, así como durante cuánto cuando K o (NK) se aproximan al infinito, los dos lados de la ecuación tenderán a la igualdad. tiempo se promediará. En la fecha en que va a comenzar a promediar, divida el capital de la cuenta entre 100. Esto le dará el valor de "1 acción". Ahora, divide 100 por la cantidad de Así, si lanzáramos una moneda 10 veces (N = 10) tendríamos las siguientes períodos que deseas promediar. Supongamos que desea promediar el gasto de la cuenta semanalmente durante las próximas 20 semanas. Eso hace 20 períodos. Dividir 100 entre 20 da 5. Por lo tanto, promediará su cuenta en 5 "acciones" por semana. Multiplique el valor que había calculado para 1 acción por 5 y eso le indicará cuánto dinero retirar de su cuenta de operaciones esta semana. Ahora, de cara a la próxima semana, debes realizar un probabilidades de estar en territorio positivo para K de los lanzamientos: K probabilidad 5 6 Aunque las pruebas empíricas muestran que el lanzamiento de una moneda no es una secuencia verdaderamente aleatoria debido a ligeras imperfecciones en la moneda utilizada, asumiremos aquí, y en seguimiento de cuántas acciones te quedan. otras partes del texto cuando nos referimos al lanzamiento de una moneda, que estamos lanzando una moneda ideal con exactamente un .5 probabilidad de caer cara o cruz. 6 Como se quedó sin 5 acciones la semana pasada, le quedan 95. Cuando llegue el momento del retiro número 2, divida el capital de su cuenta por 95 y multiplíquelo por 5. Esto le dará el valor de las 5. ­ 33 ­ Tenga en cuenta que dado que ni K ni N pueden ser iguales a 0 en la ecuación (2.13) (ya que entonces estaría dividiendo por 0), podemos discernir las probabilidades correspondientes a K = 0 y K = N sumando las probabilidades de K = l a K = Nl y restando esta suma de 1. Dividiendo esta diferencia por 2 obtendremos las probabilidades asociadas con K = 0 y K = N. Machine Translated by Google 0.14795 la segunda ley, donde, en lugar de buscar un máximo absoluto 1.1061 y mínimo, buscábamos un máximo por encima del matemático 2.0796 expectativa y un mínimo por debajo de ella. El mínimo por debajo de la expectativa matemática 3 .0695 4 podría ser mayor que el máximo por encima si la .065 5 mínimo ocurrió más tarde y la expectativa matemática aritmética .0637 6 era una línea ascendente (como en el comercio) en lugar de una línea horizontal en cero. .065 7 Por tanto, podemos interpretar que el espíritu de las leyes del arcoseno se aplica a .0695 6 .0796 9 comerciar de las siguientes maneras. (Sin embargo, en lugar de imaginar la línea importante .1061 como una línea horizontal en cero, deberíamos imaginar una línea 10 .14795 que tiene una pendiente ascendente a la tasa del comercio promedio aritmético (si negociación de contratos constantes). Si somos operaciones fraccionarias Axed, la línea Esperarías estar en territorio positivo en 5 de los 10 lanzamientos, ¡Sin embargo, ese es el resultado menos probable! De hecho, los resultados más probables son será uno que se curva hacia arriba, volviéndose cada vez más pronunciado, "a tal ritmo que que estarás en territorio positivo para todos los lanzamientos o para ninguno de ¡a ellos! el siguiente punto es igual al punto actual multiplicado por la media geométrica). Podemos interpretar la ley del primer arco seno como si estableciésemos que deberíamos esperar ser a un lado de la línea de expectativa matemática para muchas más operaciones que Este principio se detalla formalmente en la ley del primer arco seno que estados: gastamos al otro lado de la línea de expectativas matemáticas. Con respecto a la ley del segundo arco seno, deberíamos esperar las desviaciones máximas de la línea de expectativa matemática, Para un A fijo (0<A<1) y cuando N se acerca al infinito, la probabilidad ya sea por encima o por debajo de ella, que K/N gastado en el lado positivo es < A tiende a: como lo más probable es que ocurra cerca del comienzo o el final del capital (2.14) Prob{(K/N)<A} = 2/Pi*ARCSIN(A^.5) gráfico de curva y menos probable cerca del centro del mismo. dónde Notarás otra característica que sucede cuando estás Pi = 3,141592654. operar en los niveles óptimos de f. Esta característica se refiere a la duración de Incluso con N tan pequeño como 20, se obtiene una aproximación muy cercana tiempo que pasa entre dos puntos altos de equidad. Si está operando en el nivel f óptimo, ya sea que esté negociando solo un sistema de mercado o una cartera de sistemas para la probabilidad. de mercado, el tiempo que tarda en transcurrir la reducción más larga7 (no necesariamente la La ecuación (2.14), la primera ley del arco seno, nos dice que con probabilidad .1, podemos esperar ver el 99.4% del tiempo invertido en un lado del origen, y con probabilidad .2, la curva de acciones gastará el 97.6% del tiempo. tiempo en el mismo lado del origen! Con una probabilidad de 0,5, podemos esperar que la curva de acciones pase más del 85,35% del tiempo en el peor o la más profunda) es generalmente de 35 a 55% del tiempo total que estás mirando. Esto parece ser cierto sin importar ¡Qué período de tiempo tan largo o corto estás viendo! (Nuevamente, el tiempo en este El sentido se mide en los oficios.) Esta no es una regla estricta. Más bien, es el efecto del espíritu de mismo lado del origen. Así de perversa es la curva de acciones de una Las leyes del arco seno en acción. Es perfectamente natural y debería esperarse. ¡La moneda justa es! Este principio parece ser válido sin importar cuán largo o corto sea el período que estemos Ahora aquí está la segunda ley del arco seno, que también usa la ecuación (2.14) y por tanto tiene las mismas probabilidades que la ley del primer arco seno, pero analizando. Esto significa que podemos esperar estar en el se aplica a un incidente completamente diferente, el máximo o mínimo de mayor reducción para aproximadamente del 35 al 55% de las operaciones durante el la curva de equidad. La segunda ley del arco seno establece que el máximo (o ¡La vida útil del programa comercial que estamos empleando! Esto es cierto ya sea que estemos mínimo) de una curva de acciones probablemente ocurrirá en los puntos finales y menos probable operar con 1 sistema de mercado o con una cartera completa. Por lo tanto, debemos aprender en el centro. La distribución es exactamente la misma. esperar estar dentro de la reducción máxima durante el 35 al 55% de la vida de un programa que deseamos comercializar. Saber esto antes del hecho permite ¡como la cantidad de tiempo pasado en un lado del origen! que estemos mentalmente preparados para comerciar a través de él. Si lanzaras la moneda N veces, tu probabilidad de lograr Ya sea que esté a punto de administrar una cuenta o de tener una el máximo (o mínimo) en el punto K de la curva de acciones también está dado administrado por otra persona, o a punto de negociar su propia cuenta, usted por la Ecuación (2.13): debe tener en cuenta el espíritu de las leyes del arcoseno y cómo funcionan en (2.13) Prob~l/(Pi*K^.5*(NK)^.5) ]donde Pi = 3.141592654. su curva de capital en relación con la línea de expectativa matemática, a lo largo Por lo tanto, si lanzaras una moneda 10 veces (N = 10) tendrías con la regla del 35% al 55%. Al hacerlo, estarás sintonizado con la realidad con respecto a qué las siguientes probabilidades de que ocurra el máximo (o mínimo) en el lanzamiento Kth: esperar a medida que se desarrolle el futuro. K probabilidad 0,14795 Hemos discutido muchas características del comercio fraccionario fijo y 1,1061 han introducido algunas técnicas saludables, que serán utilizadas Ahora hemos cubierto las técnicas empíricas por completo. Más, 2,0796 a lo largo de la secuela. Hemos visto que al operar al nivel óptimo 3,0695 niveles de gestión del dinero, no sólo podemos esperar sustanciales 4,065 reducciones, pero el tiempo transcurrido entre dos máximos de las acciones también puede ser 5,0637 bastante sustancial. Ahora centramos nuestra atención en el estudio de las técnicas paramétricas, 6,065 tema del próximo capítulo. 7,0695 8 .0796 9 .1061 10 .14795 En pocas palabras, la ley del segundo arco seno establece que el máximo o Los mínimos son más probables que ocurran cerca de los puntos finales de la curva de acciones. y es menos probable que ocurra en el centro. TIEMPO PASADO EN UNA ETIQUETA Recuerde las advertencias relacionadas con las leyes del arcoseno. Es decir, el arco Las leyes de los senos suponen un 50% de posibilidades de ganar y un 50% de posibilidades de perder. Además, asumen que usted gana o pierde exactamente las mismas cantidades y que la corriente generadora es puramente aleatoria. El comercio es considerablemente más complicado que esto. Por lo tanto, las leyes del arco seno no se aplican en un estado puro. sentido, pero se aplican en espíritu. Considere que las leyes del arcoseno funcionaron con una expectativa matemática aritmética de 0. Por lo tanto, con la primera ley, podemos interpretar el porcentaje de tiempo a 7 7Aquí por reducción más larga nos referimos al tiempo más largo, en términos del número de operaciones transcurridas, entre un pico de acciones y el tiempo (o número de operaciones cada lado de la línea cero como el porcentaje de tiempo a cada lado de la expectativa matemática aritmética. Lo mismo ocurre con operaciones) hasta que ese pico sea igualado o superado. ­ 34 ­ Machine Translated by Google Capítulo 3 ­ Óptimo paramétrico f en el Distribución normal Ahora que hemos terminado con nuestra discusión sobre los aspectos empíricos. técnicas, así como las características del comercio fraccionario fijo, entrar en el ámbito de las técnicas paramétricas. En pocas palabras, estas técnicas difieren de las empíricas en que no utilizan la historia pasada en sí misma como los datos para operar en Bather, sino que observamos la historia pasada para desarrollar una descripción matemática de esa distribución de esa información. datos Esta descripción matemática se basa en lo que ha sucedido en el pasado y lo que esperamos que suceda en el futuro. En el Técnicas paramétricas que operamos en estas descripciones matemáticas. Figura 3­1 Una distribución continua es una serie de contenedores infinitamente delgados en lugar de en la historia pasada misma Cuando hablamos de las ganancias y pérdidas de las operaciones, esencialmente Las descripciones matemáticas utilizadas en las técnicas paramétricas. estamos hablando de una distribución continua. Una operación puede tomar una multitud de Son más a menudo lo que se conoce como distribuciones de probabilidad. Por lo tanto, si valores (aunque podríamos decir que los datos están agrupados al centavo más cercano). vamos a estudiar las técnicas paramétricas, debemos estudiar las distribuciones de Para trabajar con dicha distribución, es posible que sea necesario agrupar los datos, por probabilidad (en general) como base. Luego continuaremos ejemplo, en contenedores de cien dólares de ancho. para estudiar un determinado tipo de distribución, la Distribución Normal. Tal distribución tendría un contenedor para las operaciones que no generaron nada que Luego veremos cómo encontrar la f óptima y sus subproductos en el Distribución normal. $99,99, el siguiente contenedor sería para operaciones que generaron entre $100 y $199,99, y pronto. Hay una pérdida de contenido de información al agrupar de esta manera, sin embargo, El perfil de distribución de las ganancias y pérdidas comerciales permanece relativamente sin LOS FUNDAMENTOS DE LAS DISTRIBUCIONES DE PROBABILIDAD cambios. Imagina si quieres que estás en una pista de carreras y quieres seguir un registro de la posición en la que terminan los caballos en una carrera. Específicamente, MEDIDAS DESCRIPTIVAS DE LAS DISTRIBUCIONES desea registrar si el caballo en la pole position llegó primero, La mayoría de la gente está familiarizada con el promedio, o más específicamente con el segundo, y así sucesivamente para cada carrera del día. Sólo grabarás diez. significado aritmetico. Esto es simplemente la suma de los puntos de datos en una distribución lugares. Si el caballo quedó peor que el décimo lugar, lo registrarás. dividida por el número de puntos de datos: como décimo puesto. Si haces esto durante varios días, obtendrás (3.01) A = (∑[i = 1,N] Xi)/N Hemos recopilado suficientes datos para ver la distribución de las posiciones finales. para un caballo que comienza en la pole position. Ahora tomas tus datos y dónde trazarlo en una gráfica. El eje horizontal representa dónde terminó el caballo, siendo el A = La media aritmética. extremo izquierdo la peor posición final (décimo) y el Xi = El iésimo punto de datos. la extrema derecha es una victoria. El eje vertical registrará cuántas veces N = El número total de puntos de datos en la distribución. El caballo de la pole position terminó en la posición indicada en el eje horizontal. La media aritmética es el más común de los tipos de medidas. Comenzaría a ver desarrollarse una curva en forma de campana. de ubicación, o tendencia central de un conjunto de datos, una distribución. Sin embargo, En este escenario, hay diez posiciones finales posibles para debe tener en cuenta que la media aritmética no es la única medida de tendencia central cada carrera. Decimos que hay diez contenedores en esta distribución. Y si, disponible y, a menudo, no es la mejor. La media aritmética tiende a ser una mala medida ¿En lugar de usar diez contenedores, usamos cinco? El primer contenedor sería para un cuando una distribución tiene muy primer o segundo lugar, el segundo lugar para un tercer o cuarto lugar colas anchas. Supongamos que selecciona aleatoriamente puntos de datos de una distribución. terminar, y así sucesivamente. ¿Cuál hubiera sido el resultado? y calcular su media. Si continúa haciendo esto encontrará que el Usar menos contenedores en el mismo conjunto de datos habría resultado en una las medias aritméticas así obtenidas convergen mal, si es que lo hacen, cuando se distribución de probabilidad con el mismo perfil que la determinada en el Se trata de una distribución con colas muy anchas. Los mismos datos con más contenedores. Es decir, se verían más o menos como Otra medida importante de ubicación de una distribución es la mediana. La mediana se lo mismo gráficamente. Sin embargo, utilizar menos contenedores reduce el contenido de describe como el valor medio cuando se organizan los datos. información de una distribución. Del mismo modo, usar más contenedores aumenta la Contenido informativo de una distribución. Si, en lugar de registrar la posición final del caballo de la pole position en cada carrera, registramos el tiempo en una matriz según el tamaño. La mediana divide una distribución de probabilidad en dos mitades de modo que el área bajo la curva de una mitad es igual al área bajo la curva de la otra mitad. La mediana suele ser una mejor medida de el caballo entró corriendo, redondeado al segundo más cercano, obtendremos más de tendencia central que la media aritmética. diez contenedores; y por tanto el contenido informativo de la distribución obtenida A diferencia de la media aritmética, la mediana no se ve distorsionada por valores atípicos será mayor. Si registráramos la hora exacta de finalización, en lugar de redondear la hora de finalización veces para usar el segundo más cercano, estaríamos creando lo que se llama un extremos. Además, la mediana se puede calcular incluso para casos abiertos. distribuciones. Una distribución abierta es una distribución en la que todos los valores que exceden un determinado contenedor se arrojan a un contenedor. Un ejemplo distribución continua. En una distribución continua no hay contenedores. Piense en una distribución continua como una serie de contenedores infinitamente delgados (ver Figura 3­1). Una distribución continua se diferencia de una distribución discreta , el tipo que de una distribución abierta es la que estábamos compilando cuando registró la posición final en las carreras de caballos para el caballo que comenzó en la pole position. Se registraron resultados peores que el décimo lugar. analizamos primero, en que una distribución discreta es una distribución agrupada. como décimo lugar. Por tanto, teníamos una distribución abierta. La mediana es distribución. Aunque la agrupación reduce el contenido de información de un ampliamente utilizado por la Oficina del Censo de EE. UU. distribución, en la vida real a menudo es necesario agrupar los datos. Por lo tanto, en La tercera medida de tendencia central es la moda, la más frecuente. En la vida real, a menudo es necesario perder parte del contenido informativo de un ocurrencia. La moda es el pico de la curva de distribución. En algunas distribuciones no existe ningún modo y en ocasiones hay más de un modo. distribución, manteniendo el mismo perfil de distribución, de modo que que puedas procesar la distribución. Finalmente debes saber que es Es posible tomar una distribución continua y hacerla discreta agrupandola, pero no es posible tomar una distribución discreta y hacerla continuo. Al igual que la mediana, la moda a menudo puede considerarse una medida superior. de tendencia central. El modo es completamente independiente del extremo. valores atípicos, y se obtiene más fácilmente que la media aritmética o la mediana. Hemos visto cómo la mediana divide la distribución en dos áreas iguales. De la misma manera una distribución se puede dividir por tres cuartiles (para dar cuatro áreas de igual tamaño o probabilidad), o nueve deciles (para dar diez áreas de igual tamaño o probabilidad) o 99 percentiles (para dar 100 áreas de igual tamaño o probabilidad). El percentil 50 es la mediana y, junto con los percentiles 25 y 75, nos dan los cuartiles. Fi­ ­ 35 ­ Machine Translated by Google Finalmente, otro término con el que deberías familiarizarte es el de cuan­tile. Un cuantil es percentiles). Esto es similar al rango del percentil 10­90, excepto que con esta medida el cualquiera de los N­1 valores variables que dividen la frecuencia total en N partes iguales. rango comúnmente se divide por 2. La mitad del ancho es una medida de dispersión aún más utilizada. Aquí, tomamos la Ahora volvemos a la media. Hemos discutido la media aritmética como medida de altura de una distribución en su punto máximo, la moda. Si encontramos el punto a mitad de tendencia central de una distribución. Debes tener en cuenta que también existen otros tipos esta medida vertical y pasamos una línea horizontal a través de él perpendicular a la línea de medios. Estos otros medios son menos comunes, pero tienen importancia en determinadas vertical, la línea horizontal tocará la distribución en un punto a la izquierda y un punto a la aplicaciones. derecha. La distancia entre estos dos puntos se llama medio ancho. Primero está la media geométrica, que vimos cómo calcular en el primer capítulo. La media geométrica es simplemente la raíz enésima de todos los puntos de datos multiplicados. A continuación, la desviación media absoluta o desviación media es el promedio aritmético del valor absoluto de la diferencia entre los puntos de datos y el promedio aritmético de los puntos de datos. En otras palabras, como su nombre lo indica, es la distancia promedio (3.02) G = (∏[i = 1,N]Xi)^(1/N) a la que se encuentra un punto de datos de la media. Expresado matemáticamente: (3.06) M dónde = 1/N ∑[i = 1,N] ABS (Xi­A) donde G = La media geométrica. Xi = El iésimo punto de datos. N = El número total de puntos de datos en la distribución. M = La desviación absoluta media. La media geométrica no se puede utilizar si alguno de los valores variables es cero o N = El número total de puntos de datos. negativo. Xi = El iésimo punto de datos. Podemos afirmar que la expectativa matemática aritmética es el resultado promedio aritmético de cada jugada (sobre una base de I unidades constantes) menos el tamaño de A = El promedio aritmético de los puntos de datos. la apuesta. Asimismo, podemos afirmar que la expectativa matemática geométrica es el ABS() = La función de valor absoluto. resultado promedio geométrico de cada jugada (sobre una base de unidad I constante) La ecuación (3.06) nos da lo que se conoce como desviación absoluta media poblacional . Debes saber que la desviación absoluta media también se puede calcular como menos el tamaño de la apuesta. lo que se conoce como desviación absoluta media muestral . Para calcular la desviación Otro tipo de media es la media armónica. Este es el recíproco de la media de los recíprocos de los puntos de datos. (3.03) 1/ absoluta media de la muestra, reemplace el término 1/N en la ecuación (3.06) con 1/(N­1). La versión de muestra se utiliza cuando se hacen juicios sobre la población basándose en una ∏ = 1/N ∑[i = 1,N]1/Xi muestra de esa población. dónde H = La media armónica. Las siguientes dos medidas de dispersión, varianza y desviación estándar, son las más Xi = El iésimo punto de datos. utilizadas. Ambos se utilizan ampliamente, por lo que no podemos decir que uno sea más N = El número total de puntos de datos en la distribución. común que el otro; Basta decir que ambos son los más comunes. Al igual que la desviación media absoluta, se pueden calcular de dos formas diferentes, tanto para una población como La medida final de tendencia central es la media cuadrática o techo. para una muestra. cuadrado medio. Se muestra la versión de población, y nuevamente se puede modificar fácilmente a la versión (3.04) R^2 = l/N∑[i = 1,N]Xi^2 de muestra reemplazando el término 1/N por 1/(N­1). dónde La varianza es lo mismo que la desviación absoluta media excepto que elevamos al R = La raíz cuadrática media. cuadrado cada diferencia entre un punto de datos y el promedio de los puntos de datos. Xi = El iésimo punto de datos. Como resultado, no necesitamos tomar el valor absoluto de cada diferencia, ya que multiplicar N = El número total de puntos de datos en la distribución. cada diferencia por sí misma hace que el resultado sea positivo, ya sea que la diferencia sea Debes darte cuenta de que la media aritmética (A) siempre es mayor o igual que la positiva o negativa. Además, dado que cada distancia se eleva al cuadrado, los valores media geométrica (G), y la media geométrica siempre es mayor o igual que la media atípicos extremos tendrán un efecto más fuerte en la varianza que en la desviación media armónica (H): (3.05) H<= G<=A donde absoluta. Expresado matemáticamente: (3.07) V = 1/N ∑[i = 1,N] ((Xi­A)^2) donde V = La varianza. H = La media armónica. N = El número total de puntos de datos. G = La media geométrica. Xi = El iésimo punto de datos. A = La media aritmética. A = El promedio aritmético de los puntos de datos. Finalmente, la desviación estándar está relacionada con la varianza (y por lo tanto con MOMENTOS DE UNA DISTRIBUCIÓN la desviación absoluta media) en el sentido de que la desviación estándar es simplemente la El valor central o la ubicación de una distribución es a menudo lo primero que desea saber acerca de un grupo de datos y, a menudo, lo siguiente que desea saber es la variabilidad o el "ancho" de los datos alrededor de ese valor central. A las medidas de tendencia central de una distribución las llamamos primer momento de una distribución. La variabilidad de los puntos de datos alrededor de esta tendencia central se denomina segundo momento de una raíz cuadrada de la varianza. El tercer momento de una distribución se llama asimetría y describe el grado de asimetría en torno a la media de una distribución (Figura 3­2). Mientras que los dos primeros momentos de una distribución tienen valores que pueden ser considerada dimensional (es decir, que tiene las mismas unidades que las cantidades distribución. Por tanto, el segundo momento mide la dispersión de una distribución con medidas), la asimetría se define de tal manera que la vuelve adimensional. Es un número respecto al primer momento. puro que no representa más que la forma de la distribución. Al igual que con la medida de tendencia central, hay muchas medidas de dispersión disponibles. Cubrimos siete de ellas aquí, comenzando con las medidas menos comunes y terminando con las más comunes. El rango de una distribución es simplemente la diferencia entre los valores más grandes y más pequeños de una distribución. Asimismo, el rango percentil 10­90 es la diferencia entre los puntos percentiles 90 y 10. Estas dos primeras medidas de dispersión miden la propagación de un extremo al otro. Las cinco medidas de dispersión restantes miden la desviación de la tendencia central (y, por tanto, miden la mitad del diferencial). El rango semiintercuartil o desviación cuartil equivale a la mitad de la distancia entre el primer y el tercer cuartil (los cuartiles 25 y 75). ­ 36 ­ Machine Translated by Google Oblicuidad platicúrtico mesocúrtico Sesgado = 0 leptocúrtico Positivo Negativo Figura 3­4 Curtosis. Finalmente, el cuarto momento de una distribución, la curtosis (consulte la Figura 34) mide el pico o la planitud de una distribución (en relación con la distribución normal). Al igual Figura 3­2 Asimetría que la asimetría, es una cantidad adimensional. Una curva con menos pico que la Normal se Un valor positivo de asimetría significa que las colas son más gruesas en el lado positivo de la distribución y viceversa. Una distribución perfectamente simétrica tiene una asimetría de 0. dice platicúrtica (la curtosis será negativa), y una curva con más pico que la Normal se llama lep­tocúrtica (la curtosis será positiva). Cuando el pico de la curva se asemeja a la curva de Distribución Normal, la curtosis es igual a cero, y llamamos a este tipo de pico en una distribución mesocúrtica. Modo Significar Como los momentos anteriores, la curtosis tiene más de una medida. Los dos más comunes son: Mediana (3.12) K = Q/P donde K = La curtosis. Q = El rango semiintercuartil. P = El rango percentil 10­90. (3.13) K = (1/N (∑[i = 1,N] (((Xi­A)/D)^ 4)))­3 dónde K = La curtosis. N = El número total de puntos de datos. Xi = El iésimo punto de datos. A = El promedio aritmético de los puntos de datos. Figura 3­3 La asimetría altera la ubicación. D = La desviación estándar de la población de los puntos de datos. En una distribución simétrica, la media, la mediana y la moda tienen el mismo valor. Sin embargo, cuando una distribución tiene un valor de asimetría distinto de cero, esto cambia Finalmente, cabe señalar que hay mucha más "teoría" detrás de los momentos de una distribución de la que se cubre aquí. Para una discusión más profunda se debe consultar uno como se muestra en la Figura 3­3. La relación para una distribución asimétrica (cualquier de los libros de estadística mencionados en la Bibliografía. La profundidad de la discusión distribución con una asimetría distinta de cero) es: (3.08) Media­Moda = 3*(Media­ sobre los momentos de una distribución presentada aquí será más que adecuada para Mediana) nuestros propósitos a lo largo de este texto. Al igual que con los dos primeros momentos de una distribución, existen numerosas medidas de asimetría, que con mayor frecuencia darán respuestas diferentes. Estas medidas ahora siguen: Hasta ahora, hemos cubierto las distribuciones de datos en un sentido general. Ahora cubriremos la distribución específica llamada Distribución Normal. (3.09) S = (Media­Moda)/Desviación estándar (3.10) S = (3*(Media­Mediana))/Desviación estándar Estas dos últimas ecuaciones, (3.09) y (3.10), a menudo se denominan la primera de Pearson. y segundo coeficientes de asimetría, respectivamente. La asimetría también se determina comúnmente LA DISTRIBUCIÓN NORMAL Con frecuencia se hace referencia a la distribución normal como distribución gaussiana, o distribución de De Moivre, en honor a quienes se cree que la descubrieron: Karl Friedrich como: (3.11) S = 1/N ∑[i = 1,N] (((Xi­A)/D)^3) Gauss (1777­1855) y, aproximadamente un siglo antes y de manera mucho más oscura, Abraham de Moivre (1667­1754). dónde La Distribución Normal se considera la distribución más útil en el modelado. Esto se S = La asimetría. debe al hecho de que la Distribución Normal modela con precisión muchos fenómenos. En N = El número total de puntos de datos. términos generales, podemos medir alturas, pesos, niveles de inteligencia, etc., de una Xi = El iésimo punto de datos. población, y estos valores se parecerán mucho a la distribución normal. A = El promedio aritmético de los puntos de datos. Consideremos lo que se conoce como tablero de Galton (Figura 3­5). Se trata de un D = La desviación estándar de la población de los puntos de datos. tablero montado verticalmente con forma de triángulo isósceles. El tablero está tachonado de clavijas, una en la fila superior, dos en la segunda, y así sucesivamente. Cada fila hacia abajo tiene una clavija más que la fila anterior. Las clavijas están dispuestas en forma triangular de modo que cuando se deja caer una bola, tiene una probabilidad de 50/50 de ir hacia la derecha o hacia la izquierda con cada clavija que encuentre. En la base del tablero hay una serie de canales para registrar la puerta de salida de cada bola. ­ 37 ­ Machine Translated by Google La distribución se distribuye según la Distribución Exponencial (Figura 3­ 6), entonces puede ser necesario utilizar un N de 100 aproximadamente. Exponencial Incluso los medios de las muestras tomadas. de la exponencial tenderá a ser Normalmente distribuido Normal Figura 3­5 Tablero de Galton. Figura 3­6 La distribución exponencial y la normal. Las bolas que caen a través del tablero de Galton y llegan a los comederos. comenzará a formar una Distribución Normal. Cuanto más "profundo" sea el tablero (es decir, cuantas más filas tiene) y cuantas más bolas se dejan caer, más El teorema del límite central, así de sorprendentemente simple y hermoso De hecho, valida la importancia de la Distribución Normal. El resultado final se parecerá mucho a la distribución normal. TRABAJANDO CON LA DISTRIBUCIÓN NORMAL Lo Normal es útil por derecho propio, pero también porque tiende a ser Al utilizar la distribución normal, con mayor frecuencia queremos encontrar la forma limitante de muchos otros tipos de distribuciones. Por ejemplo, si X el porcentaje de área bajo la curva en un punto dado a lo largo de la curva. se distribuye binomialmente, entonces como N tiende hacia el infinito, X tiende a ser Normalmente distribuido. Además, la distribución normal es también la forma limitante de En el lenguaje del cálculo, esto se llamaría integral de la función de la curva misma. De la otras distribuciones de probabilidad útiles, como misma manera, podríamos llamar a la función para el la distribución de Poisson, la de Student o la T. En otras palabras, como el la curva misma es la derivada de la función para el área bajo la curva. Los datos (N) utilizados en estas otras distribuciones aumentan, estas distribuciones Las derivadas a menudo se indican con un número primo después de la variable de la se parecen cada vez más a la Distribución Normal. función. Por lo tanto, si tenemos una función, N(X), que representa el porcentaje de área EL TEOREMA DEL LÍMITE CENTRAL derivada de esta función, N'(X) (llamada N prima de X), es la función bajo la curva en un punto dado, X, podemos decir que para la curva misma en el punto X. Una de las aplicaciones más importantes para fines estadísticos de la Distribución Comenzaremos con la fórmula de la curva misma, N'(X). Este Normal tiene que ver con la distribución de promedios. Los promedios de muestras de un la función se representa como: tamaño dado, tomadas de manera que cada elemento muestreado se seleccione (3.14) N'(X) = 1/(S*(2*3.1415926536)^(1/2))*EXP(­((XU)^2)/(2*S^2)) independientemente de los demás, producirán una distribución eso está cerca de lo normal. Este es un hecho extremadamente poderoso, porque significa que se puede generalizar sobre un proceso aleatorio real a partir de promedios dónde calculado utilizando datos de muestra. U = La media de los datos. Por tanto, podemos afirmar que si se extraen N muestras aleatorias de un S = La desviación estándar de los datos. población, entonces las sumas (o promedios) de las muestras estarán aproximadamente X = El punto de datos observado. distribuidas normalmente, independientemente de la distribución de la población de la que EXP() = La función exponencial. se extraen las muestras. La cercanía a la distribución normal mejora a medida que N (el Esta fórmula nos dará el valor del eje Y, o la altura de la curva. número de muestras) aumenta. si lo desea, en cualquier valor dado del eje X. Como ejemplo, considere la distribución de números del 1 al 100. A menudo es más fácil referirse a un punto a lo largo de la curva con referencia a Esto es lo que se conoce como distribución uniforme: todos los elementos (números en este caso) ocurren sólo una vez. El número 82 aparece una vez y sólo una vez, su coordenada X en términos de cuántas desviaciones estándar está lejos al igual que 19, y así sucesivamente. Supongamos ahora que tomamos una muestra de de la media. Por lo tanto, un punto de datos que estaba a una desviación estándar de distancia cinco elementos y tomamos el promedio de estos cinco elementos muestreados (podemos es mejor tomar sus sumas). Ahora, reemplazamos esos cinco elementos nuevamente. de la media se diría que es una unidad estándar de la media. Además, suele ser más fácil restar la media de todos los datos. en la población, tomamos otra muestra y calculamos la media muestral. Si seguimos puntos, lo que tiene el efecto de desplazar la distribución de modo que quede centrada repitiendo este proceso, veremos que las medias muestrales están distribuidas normalmente, sobre cero en lugar de sobre la media. Por lo tanto, un dato que aunque la población de había una desviación estándar a la derecha de la media ahora tendría una que se dibujan se distribuye uniformemente. valor de 1 en el eje X. Además, ¡esto es cierto independientemente de cómo esté distribuida la población! El teorema del límite central nos permite tratar la distribución. puntos de datos, luego dividiendo la diferencia por la desviación estándar de la Cuando hacemos estas conversiones, restando la media de la de las medias muestrales como Normales sin tener que conocer la distribución de la puntos de datos, estamos convirtiendo la distribución a lo que se llama normal estandarizada, población. Este es un hecho enormemente conveniente para muchos que es la distribución normal con media = 0 y áreas de estudio. varianza = 1. Ahora, N'(Z) nos dará el valor del eje Y (la altura del curva) para cualquier valor de Z: Si la población en sí está distribuida normalmente, entonces la La distribución de las medias muestrales será exactamente (no aproximadamente) normal. (3.15a) N'(Z) = l/((2*3.1415926536)^(1/2))*EXP(­(Z^2/2)) = Esto es cierto porque la rapidez con la que se distribuye la muestra .398942*EXP(­(Z^2/2)) La media se acerca a la Normal, a medida que N aumenta, es una función de qué tan cerca la población es normal. Como regla general, si una población dónde (3.16) Z = (XU)/S tiene una distribución unimodal : cualquier tipo de distribución donde hay una y U = La media de los datos. concentración de frecuencia alrededor de un solo modo, y frecuencias decrecientes en ambos lados del modo (es decir, es convexo), o es uniformemente S = La desviación estándar de los datos. distribuido, usar un valor de 20 para N se considera suficiente, y un valor de 10 para N se X = El punto de datos observado. considera probablemente suficiente. Sin embargo, si la población EXP() = La función exponencial. ­ 38 ­ Machine Translated by Google La ecuación (3.16) nos da el número de unidades estándar a las que corresponde X = El punto de datos observado. el punto de datos; en otras palabras, a cuántas desviaciones estándar de la media se EXP() = La función exponencial. encuentra el punto de datos. Cuando la ecuación (3.16) es igual a 1, se denomina desviación normal estándar. Una desviación estándar o una desviación estándar. A los no estadísticos a menudo les resulta difícil imaginar el concepto de La unidad estándar a veces se denomina sigma. Por lo tanto, cuando alguien habla de que un evento es un "evento cinco sigma", se refiere a un evento cuya probabilidad de ocurrencia es la probabilidad de estar más allá de cinco desviaciones estándar. desviación estándar (o su varianza cuadrática) . Una solución para esto es utilizar lo que se conoce como desviación absoluta media y convertirla hacia y desde la desviación estándar en estas ecuaciones. La desviación media absoluta es exactamente lo que su nombre implica. La media de los datos se resta de cada punto de datos. Luego se suman los valores absolutos de cada una de estas diferencias y esta suma 0,5 se divide por el número de puntos de datos. N'(Z) Lo que obtienes es la distancia promedio que cada punto de datos está lejos de la media. La conversión para desviación media absoluta y estándar La desviación estándar se da 0,4 ahora: (3.17) Desviación absoluta media = S*((2/3.1415926536)^(1/2)) = S*.7978845609 0.3 dónde M = La desviación absoluta media. 0,2 S = La desviación estándar. Así podemos decir que en la Distribución Normal, la media absoluta 0.1 La desviación es igual a la desviación estándar multiplicada por 0,7979. Asimismo: (3.18) S = M*1/.7978845609 = M*1.253314137 0­3 ­2 ­1 0 <­­ Z ­­> 1 2 dónde 3 S = La desviación estándar. Figura 3­7 La función de densidad de probabilidad normal. M = La desviación absoluta media. Considere la Figura 3­7, que muestra esta ecuación para la curva Normal. Entonces también podemos decir que en la Distribución Normal la desviación Observe que la altura de la curva Normal estándar es .39894. estándar es igual a la desviación absoluta media multiplicada por 1,2533. Dado que De la ecuación (3.15a), la altura es: (3.15a) la varianza es siempre la desviación estándar al cuadrado (y la desviación estándar es N'(Z) = .398942*EXP(­(Z^2/2)) siempre la raíz cuadrada de la varianza), podemos realizar la conversión entre la varianza y la desviación absoluta media. N'(0) = .398942*EXP(­(0^2/2)) (3.19) M = V^(1/2)*((2/3.1415926536)^(1/2)) = V^(l/2)*.7978845609 N'(0) = 0,398942 dónde Observe que la curva es continua, es decir, no hay "interrupciones" en la curva M = La desviación absoluta media. mientras va desde menos infinito a la izquierda hasta infinito positivo a la derecha. Observe también que la curva es simétrica, el lado a la derecha del pico es la imagen especular del lado a la izquierda del pico. V = La varianza. (3.20) V = (M*1.253314137)^2 donde Supongamos que tenemos un grupo de datos donde la media de los datos es 11 y la desviación estándar del grupo de datos es 20. Para ver dónde se ubicaría un punto de datos en ese conjunto en la curva, primero podríamos calcularlo. como unidad estándar. Supongamos que el punto de datos en cuestión tuviera un valor de ­9. Para V = La varianza. M = La desviación absoluta media. Dado que la desviación estándar en la curva normal estándar es igual a 1, podemos afirmar que la desviación absoluta media en la curva normal estándar es calcular cuántas unidades estándar son, primero debemos restar la media de este punto de datos: ­9 ­11 = ­20 igual a 0,7979. Además, en una curva en forma de campana como la Normal, el rango A continuación debemos dividir el resultado por la desviación estándar: semiintercuartil equivale aproximadamente a dos tercios de la desviación estándar y, ­20/20 = ­1 por lo tanto, la desviación estándar equivale aproximadamente a 1,5 veces el rango Por lo tanto, podemos decir que el número de unidades estándar es ­1, cuando el punto de datos es igual a ­9, la media es 11 y la desviación estándar es 20. En otras palabras, estamos a una desviación estándar del pico de la curva, la media, y como semiintercuartil. Esto es cierto para la mayoría de las distribuciones en forma de campana, no sólo para la Normal, como lo son las conversiones dadas para la desviación media absoluta y la desviación estándar. este valor es negativo sabemos que significa que estamos una desviación estándar a la izquierda del pico. Para ver dónde nos ubica esto en la curva misma (es decir, qué tan alta está la curva a una desviación estándar a la izquierda del centro, o cuál es el valor del eje Y de la curva para un valor correspondiente del eje X de ­1) , necesitamos ahora introduzca esto en la ecuación (3.15a): (3.15a) N'(Z) = .398942*EXP(­(Z^2/2)) = PROBABILIDADES NORMALES Ahora sabemos cómo convertir nuestros datos sin procesar a unidades estándar y cómo formar la propia curva N'(Z) (es decir, cómo encontrar la altura de la curva o la coordenada Y para una unidad estándar determinada), así como N'. (X) (Ecuación (3.14), la curva misma sin convertir primero a unidades estándar). .398942*2.7182818285^(­(­1^2/2) ) = Sin embargo, para utilizar realmente la distribución de probabilidad normal, queremos .398942*2.7182818285^(­1/2) = saber cuáles son las probabilidades de que ocurra un determinado resultado. Esto no .398942*.6065307 está dado por la altura de la curva. Más bien, las probabilidades corresponden al área = .2419705705 estudiado hasta ahora. Ahora nos ocuparemos de N(Z), la integral. a N'(Z), para bajo la curva. Estas áreas están dadas por la integral de esta función N'(Z) que hemos encontrar las áreas bajo la curva (las probabilidades).1 (3.21) N(Z) = 1 Por tanto podemos decir que la altura de la curva en X = ­1 es ­N'(Z)*((1.330274429*Y ^ 5)­ .2419705705. La función N'(Z) también se suele expresar como: (3.15b) (1.821255978*Y^ 4)+(1.781477937*Y^3)­ N'(Z) = EXP(­(Z^2/2))/((8*ATN(1))^(1/2) (.356563782*Y^2)+(.31938153*Y)) = EXP(­(Z^2/2))/((8*.7853983)^(1/2) = EXP(­(Z^2/2))/2,506629 donde Si Z<0 entonces N(Z) = 1­N(Z) (3.15a) N'(Z) = .398942*EXP(­(Z^2/2)) donde (3.16) Z = (XU)/S y Y = 1/(1+2316419*ABS(Z)) ATN() = La función arcotangente. U = La media de los datos. 1 La integral real de la densidad de probabilidad normal no existe en forma cerrada, pero puede aproximarse muy estrechamente mediante la ecuación (3.21). S = La desviación estándar de los datos. ­ 39 ­ Machine Translated by Google y Por lo tanto, diríamos que hay alrededor de un 2,275% de posibilidades de que un evento en un proceso aleatorio normalmente distribuido sería igual o superior ABS() = La función de valor absoluto. +2 unidades estándar. Esto se muestra en la Figura 3­9. EXP() = La función exponencial. Siempre convertiremos nuestros datos a unidades estándar cuando encontremos 1 0,9 probabilidades bajo la curva. Es decir, no describiremos un N(X) función, sino que usaremos la función N(Z) donde: N(Z) y N'(Z) 0,8 (3.16) Z = (XU)/S 0,7 0,6 y U = La media de los datos. S = La desviación estándar de los datos. 0,5 X = El punto de datos observado. NUEVA ZELANDA) N(Z) sin el 1­ 0,4 0.3 Consulte ahora la ecuación (3.21). Supongamos que queremos saber cuál es el La probabilidad es de un evento que no excede +2 unidades estándar (Z = +2). y ­Z disposición 0,2 Y = 1/(1+2316419*ABS(+2)) = NUEVA ZELANDA) 0.1 1/1,4632838 0 ­3 = .68339443311 ­2 ­1 (3.15a) N'(Z) = .398942*EXP(­(+2^2/2)) = .398942*EXP(­2) = 1 0 z 2 3 Figura 3­9 Eliminación de la disposición 1 y Z en la ecuación (3.21). .398942*.1353353 Hasta ahora hemos analizado las áreas bajo la curva (probabilidades) = .05399093525 donde sólo estamos tratando con lo que se conoce como probabilidades "de una cola". Es decir, hasta ahora hemos buscado resolver cuestiones como, Observe que esto nos indica la altura de la curva en +2 unidades estándar. Al sustituir estos valores para Y y N'(Z) en la ecuación (3.21), podemos obtener la "¿Cuáles son las probabilidades de que un evento sea menor (más) que tal o cual unidad probabilidad de que un evento no exceda +2 unidades estándar: estándar de la media?" Supongamos ahora que planteáramos la pregunta como: "¿Cuáles son las probabilidades de que un evento ocurra dentro de un plazo tan N(Z) = 1­N'(Z)*((1.330274429*Y^5)­ ¿Cuántas unidades estándar de la media?" En otras palabras, deseamos averiguar (1,821255978*Y^4)+(1,781477937*Y^3)­ cuáles son las probabilidades "e­tailed". (.356563782*Y^2)+(.31938153*Y)) = 1­.05399093525*((1.330274429*.68339443311^5)­ 0,5 1­((1­N(Z))*2) N'(Z) (1.821255978*.68339443311^4+1.781477937*.68339443311^3)­ (.356563782*.68339443311^2)+(.31938153*.68339443311)) 0,4 = 1­.05399093525*((1.330274429*.1490587)­ (1.821255978*.2181151+(1.781477937*.3191643)­ 0.3 (­356563782*.467028+.31938153*.68339443311)) = 1­.05399093525*(.198288977­.3972434298+.5685841587­ 0,2 .16652527+.2182635596) = 1­.05399093525*.4213679955 0.1 = 1­.02275005216 = .9772499478 0 ­3 Así podemos decir que podemos esperar el 97,72% de los resultados en un Proceso aleatorio normalmente distribuido para no llegar a +2 unidades estándar. ­1 0 <­­ Z ­­> 1 2 3 Figura 3­10 Una probabilidad de dos colas de que un evento sea +o­2 sigma. Esto se muestra en la Figura 3­8. 1 0,9 ­2 Considere la Figura 3­10. Esto representa las probabilidades de ser N(Z) y N'(Z) dentro de 2 unidades estándar de la media. A diferencia de la Figura 3­8, esta probabilidad El cálculo no incluye el área de la cola extrema izquierda, el área de menos de ­2 unidades estándar. Para calcular la probabilidad de estar dentro de Z 0,8 unidades estándar de la media, primero debe calcular la probabilidad de cola I del valor 0,7 0,6 absoluto de Z con la ecuación (3.21). Esta será su entrada para la siguiente ecuación (3.22), que nos da las probabilidades de dos colas. 0,5 (es decir, las probabilidades de estar dentro de las unidades estándar ABS(Z) del NUEVA ZELANDA) significar): 0,4 0.3 (3.22) probabilidad de cola e = 1­((1­N(ABS(Z)))*2) 0,2 Si estamos considerando cuáles son nuestras probabilidades de ocurrencia dentro de 2 NUEVA ZELANDA) las desviaciones estándar son (Z = 2), entonces de la ecuación (3.21) sabemos que 0.1 0 ­3 N(2) = .9772499478, y usando esto como entrada para la ecuación (3.22): ­2 ­1 0 z 1 2 3 Probabilidad de dos colas = 1­((1­.9772499478)*2) = 1­(.02275005216* 2) = 1­.04550010432 = .9544998957 Por tanto, podemos afirmar a partir de esta ecuación que la probabilidad de un evento Figura 3­8 Ecuación (3.21) que muestra la probabilidad con Z = +2. en un proceso aleatorio normalmente distribuido que cae dentro de 2 unidades estándar de la media es aproximadamente 95,45%. Si quisiéramos saber cuáles son las probabilidades de un evento igualar o exceder un número prescrito de unidades estándar (en este caso +2), simplemente modificaríamos la ecuación (3.21), eliminando el 1­ en el comienzo de la ecuación y eliminando la disposición ­Z (es decir, eliminando "Si Z < 0 entonces N(Z) = 1­N(Z)"). Por tanto, la segunda a la última línea en el último cálculo se cambiaría de = 1­.02275005216 simplemente .02275005216 ­ 40 ­ Machine Translated by Google 0,5 = ­212,506628274*EXP(­2) (1­N(Z))*2 N'(Z) = ­2/2.506628274*.1353353 = ­.1079968336 0,4 Por lo tanto, podemos afirmar que la tasa de cambio instantánea en la Función N'(Z) cuando Z = +2 es ­.1079968336. Esto representa ascenso/ejecución, 0.3 entonces podemos decir que cuando Z = +2, la curva N'(Z) aumenta ­.1079968336 para siempre) 1 unidad ejecutada en Z. Esto se muestra en la Figura 3­13. 0,2 0,5 NUEVA ZELANDA) 0.1 0,4 0 ­3 ­2 ­1 0 <­­ Z ­­> 1 2 3 0.3 Figura 3­11 Probabilidad de dos colas de que un evento supere 2 sigma. Al igual que con la ecuación (3.21), podemos eliminar el 1­in principal 0,2 Ecuación (3.22) para obtener (1­N(ABS(Z)))*2, que representa las probabilidades de que un evento quede fuera de las unidades estándar ABS(Z) de la media. 0.1 Esto se muestra en la Figura 3­11. Para el ejemplo donde Z = 2, podemos afirman que las probabilidades de un evento en una distribución aleatoria normalmente 0 ­3 El proceso que queda fuera de 2 unidades estándar es: Probabilidad de 2 colas (exterior) = (1­.9772499478)*2 = .02275005216*2 = .04550010432 Finalmente, llegamos al caso en el que queremos encontrar cuál es la probabilidad. La tangente al punto Z=2 ­2 ­1 1 0 <­­ Z ­­> 2 3 Figura 3­13 N"(Z) que muestra la pendiente de la línea tangente a N'(Z) en Z = +2. Las capacidades (áreas bajo la curva N'(Z)) son para dos valores diferentes de Z. Para referencia del lector, a continuación se proporcionan más derivados. 0,5 Estos no serán necesarios a lo largo del resto de este texto, pero son NUEVA ZELANDA) proporcionado en aras de la integridad: (3.24) N'"(Z) = (Z^2­1)/2.506628274*EXP(­(Z^2)/2) 0,4 (3.25) N""(Z) = ((3*Z)­Z^3)/2.506628274*EXP(­(Z^2)/2) 0.3 (3.26) N'""(Z) = (Z^4­(6*Z^2)+3)/2.506628274*EXP(­(Z^2)/2) 0,2 consciente de que la distribución no es tan “pico” como el gráfico 0.1 La distribución se muestra en la Figura 3­14. Como nota final con respecto a la Distribución Normal, usted debe ser los ejemplos presentados en este capítulo implican. La forma real de lo Normal 4 0 ­3 ­2 ­1 0 <­­ Z ­­> 1 2 3 Figura 3­12 El área entre ­1 y +2 unidades estándar. 3 Supongamos que queremos encontrar el área bajo la curva N'(Z) entre ­1 unidad estándar y +2 unidades estándar. Hay un par de formas de lograrlo. Para empezar, podemos calcular la probabilidad de no exceder +2 unidades estándar con la ecuación 2 (3.21), y a partir de esto podemos restar la probabilidad de no exceder ­1 unidades estándar (ver Figura 3­ 12). Esto nos daría: .9772499478­.1586552595 = .8185946883 1 Otra forma en que podríamos haber realizado esto es tomando el número 1, representando toda el área bajo la curva, y luego restar la suma de la probabilidad de no exceder ­1 unidad estándar y la probabilidad de 0 superior a 2 unidades estándar: ­3 = 1­(.022750052+.1586552595) = 1 .1814053117 = .8185946883 Con las herramientas matemáticas básicas relacionadas con la Distribución Normal cubiertas hasta ahora en este capítulo, ahora puedes usar tus poderes de ­2 ­1 0 1 2 3 Figura 3­14 La forma real de la Distribución Normal. Observe que aquí las escalas de los dos ejes son las mismas, mientras que en razonamiento para calcular las probabilidades de ocurrencia de variables aleatorias normalmente distribuidas. los otros ejemplos gráficos se diferencian para exagerar la forma de la distribución. OTRAS DERIVADAS DE LA NORMAL LA DISTRIBUCIÓN LOGNORMAL A veces es posible que desees conocer la segunda derivada de N(Z) Muchas de las aplicaciones comerciales del mundo real requieren una pequeña pero modificación crucial a la Distribución Normal. Esta modificación lleva función. Dado que la función N(Z) nos da el área bajo la curva en Z, y la función N'(Z) nos da la altura de la curva misma en Z, entonces la Normal y la cambia a lo que se conoce como Distribución Lognormal. la función N"(Z) nos da la pendiente instantánea de la curva en un dado Z: Considere que el precio de cualquier artículo de libre comercio tiene cero como precio más bajo. (3.23) N"(Z) = ­Z/2.506628274*EXP(­(Z^2/2) límite.2 Por lo tanto, cuando el precio de un artículo cae y se acerca a cero, dónde En teoría, debería volverse progresivamente más difícil para el artículo obtener más bajo. Por ejemplo, considere el precio de una acción hipotética a $10 por EXP() = La función exponencial. compartir. Si la acción cayera $5, a $5 por acción, una pérdida del 50%, entonces, de Para determinar cuál es la pendiente de la curva N'(Z) en el estándar +2 acuerdo con la Distribución Normal, podría caer con la misma facilidad de $5 a $5 por acción. unidades: $0. Sin embargo, bajo el Lognormal, una caída similar del 50% desde un precio N"(Z) = ­2/2,506628274*EXP(­(+2^2)/2) ­ 41 ­ Machine Translated by Google EL ÓPTIMO PARAMÉTRICO F de 5 dólares por acción a 2,50 dólares por acción sería tan probable como una caída de 10 dólares a 5 dólares por acción. Ahora que hemos estudiado las matemáticas de las distribuciones Normal y Log­normal, La Distribución Lognormal, Figura 3­15, funciona exactamente igual que la Distribución veremos cómo determinar una f óptima en función de resultados que tienen una distribución Normal excepto que con la Lognormal estamos tratando con cambios porcentuales en lugar de Normal. cambios absolutos. La fórmula de Kelly es un ejemplo de f óptima paramétrica en el sentido de que la f óptima devuelta es una función de dos parámetros. En la fórmula de Kelly, los parámetros de entrada son el porcentaje de apuestas ganadoras y la tasa de pago. Sin embargo, la fórmula de Kelly sólo proporciona la f óptima cuando los posibles resultados tienen una distribución de Bernoulli. En otras palabras, la fórmula de Kelly solo dará la f óptima correcta cuando solo haya dos Lognormal resultados posibles. Cuando los resultados no tienen una distribución de Bernoulli, como los resultados normalmente distribuidos (que estamos a punto de estudiar), la fórmula de Kelly no le dará la f óptima correcta.4 Cuando son aplicables, las técnicas paramétricas son mucho más Normal poderosas. que sus homólogos empíricos. Supongamos que tenemos una situación que puede describirse completamente mediante la distribución de Bernoulli. Podemos derivar aquí nuestro f óptimo mediante la fórmula de Kelly o la técnica empírica detallada en Fórmulas de gestión de carteras. Supongamos que en este caso ganamos el 60% de las veces. Digamos que estamos lanzando una moneda sesgada y sabemos que a la larga el 60% de los lanzamientos serán cara. Por lo tanto, vamos a apostar a que cada lanzamiento saldrá cara y el pago es 1:1. La fórmula de Kelly nos diría que apostemos una fracción de 0,2 de nuestra apuesta en la siguiente Figura 3­15 Distribuciones normal y lognormal. apuesta. Supongamos además que de los últimos 20 lanzamientos, 11 fueron cara y 9 cruces. Si Consideremos ahora las ventajas. Según Lognormal, un movimiento de 10 dólares por acción a 20 dólares por acción es tan probable como un movimiento de 5 dólares a 10 dólares por acción, ya que ambos movimientos representan una ganancia del 100%. utilizáramos estas últimas 20 operaciones como entrada para las técnicas empíricas, el resultado sería que deberíamos arriesgar 0,1 de nuestra apuesta en la siguiente apuesta. Eso no quiere decir que no usaremos la Distribución Normal. El propósito aquí es presentarle el Lognormal, mostrarle su relación con el Normal (el Lognormal usa cambios de precio porcentuales en lugar de cambios de precio absolutos) y señalar que generalmente se usa cuando se habla de movimientos de precios, o en cualquier momento. que se aplicaría la Normal pero estaría limitada en el extremo inferior a cero.2 Para usar la distribución Lognormal, ¿Cuál es correcto, el 0,2 devuelto por la técnica paramétrica (la fórmula de Kelly en este caso distribuido de Bernoulli) o el 0,1 devuelto empíricamente por los últimos 20 lanzamientos? simplemente convierta los datos con los que está La respuesta correcta es .2, la respuesta surgió de la técnica paramétrica. La razón es que el trabajando a logaritmos naturales.3 Ahora los datos convertidos se distribuirán Normalmente si los datos sin procesar tenía una distribución lognormal. siguiente lanzamiento tiene un 60% de probabilidad de salir cara, no un 55% de probabilidad como indicarían los últimos 20 lanzamientos. Aunque sólo estamos hablando de una diferencia de probabilidad del 5%, 1 lanzamiento entre 20, el efecto sobre cuánto debemos apostar es Por ejemplo, si estamos discutiendo la distribución de los cambios de precios dramático. Generalmente, las técnicas paramétricas son inherentemente más precisas en este sentido que sus contrapartes empíricas (siempre que conozcamos la distribución de los como Al ser Lognormal, podemos usar la distribución Normal en él. Primero, debemos dividir cada resultados). Ésta es la primera ventaja de lo paramétrico frente a lo empírico. Esta es también precio de cierre por el precio de cierre anterior. Supongamos que en este caso estamos viendo una condición crítica: debemos saber cuál es la distribución de los resultados en el largo plazo la distribución de los precios de cierre mensuales (podríamos usar cualquier período de tiempo: para poder utilizar las técnicas paramétricas. Este es el mayor inconveniente del uso de técnicas horario, diario, anual o lo que sea). Supongamos que ahora vemos $10, $5, $10, $10 y luego paramétricas. $20 por acción como precios de cierre de nuestros primeros cinco meses. Esto equivaldría entonces a una pérdida del 50% en el segundo mes, una ganancia del 100% en el tercer mes, una ganancia del 0% en el cuarto mes y otra ganancia del 100% en el quinto mes. Entonces, La segunda ventaja es que la técnica empírica requiere una historia pasada de resultados, respectivamente, tenemos cocientes de 0,5, 2, 1 y 2 para los cambios de precios mensuales de mientras que la paramétrica no. Además, esta historia pasada debe ser bastante extensa. En el los meses 2 a 5. Estos son los mismos que los HPR de un mes al siguiente en sucesión. Ahora ejemplo que acabamos de citar, podemos suponer que si tuviéramos un historial de 50 debemos convertir a logaritmos naturales para poder estudiar su distribución según las matemáticas de la Distribución Normal. Por lo tanto, el logaritmo natural de 0,5 es ­0,6931473, lanzamientos habríamos llegado a un óptimo empírico f más cercano a 0,2. Con un historial de 1.000 lanzamientos, estaría aún más cerca según la ley de los promedios. de 2 es 0,6931471 y de 1 es 0. Ahora podemos aplicar las matemáticas relativas a la distribución normal a estos datos convertidos. El hecho de que las técnicas empíricas requieran un flujo bastante largo de datos pasados casi las ha restringido a sistemas de negociación mecánicos. Alguien que opere con algo que no sea un sistema de negociación mecánico, ya sea mediante Elliott Wave o fundamentos, casi se ha visto excluido del uso de la técnica f óptima. Con las técnicas paramétricas esto ya no es cierto. Alguien que desee seguir ciegamente a algún gurú del mercado, por ejemplo, ahora tiene una manera de emplear el poder de la f óptima. Ahí radica la tercera ventaja de la técnica paramétrica sobre la empírica: puede ser utilizada por cualquier operador en cualquier mercado. 2 Esta idea de que el precio más bajo al que se puede comercializar un artículo es cero no siempre es del todo cierta. Por ejemplo. Durante la caída del mercado de valores de 1929 y el consiguiente mercado bajista, los accionistas de muchos bancos en quiebra fueron considerados responsables ante los depositantes de esos bancos. Las personas Sin embargo, aquí hay una gran suposición para alguien que no emplea un sistema de comercio mecánico. El supuesto es que la distribución futura de ganancias y pérdidas se parecerá a la distribución del pasado (que es lo que calculamos como f óptima). Esto puede ser menos probable que con un sistema mecánico. que poseían acciones en dichos bancos no sólo perdieron toda su inversión, sino que también asumieron responsabilidades superiores al monto de su inversión. El punto aquí no es decir que tal evento pueda o no volver a ocurrir. Más bien, no siempre podemos decir que cero es el extremo inferior absoluto al que se puede fijar el precio de un artículo que se comercializa libremente, aunque normalmente lo es. 3 Esto también arroja nueva luz sobre el rendimiento esperado de cualquier técnica que no sea puramente mecánica. Incluso los mejores practicantes de tales técnicas, ya sea por los Aquí se reitera la distinción entre logaritmos comunes y naturales. Un logaritmo común es un logaritmo en base 10, mientras que un logaritmo natural es un logaritmo en base e, donde e = 2,7182818285. El logaritmo común de X se fundamentos, Gann, Elliott Wave, etc., están condenados al fracaso si están demasiado lejos del pico (a la derecha de) la curva f. Si están demasiado a la izquierda del pico, terminarán con ganancias geométricamente inferiores a su experiencia en su área. denomina matemáticamente log(X), mientras que el logaritmo natural se denomina ln(X). La distinción se vuelve borrosa cuando observamos el código de programación BÁSICO, que a menudo utiliza una función LOG(X) para devolver el registro natural. Esto es diametralmente opuesto a la convención matemática. 4 BASIC no tiene una disposición para registros comunes, pero el registro natural se puede convertir en registro común Aquí estamos hablando de las fórmulas de Kelly en un sentido singular, aunque, de hecho, hay dos fórmulas de Kelly diferentes, una para cuando la relación de pago es 1:1 y la otra para cuando el pago es cualquier relación. En multiplicando el registro natural por .4342917. Del mismo modo, CM convierte registros comunes en registros los ejemplos de Kelly en esta discusión asumimos un pago de 1:1, por lo tanto, no importa cuál de las dos fórmulas naturales multiplicando el registro común por 2,3026. de Kelly estemos usando. ­ 42 ­ Machine Translated by Google debería haber hecho para ellos. Además, los practicantes de técnicas N° comercial P&L N° comercial P&L N° comercial P&L N° comercial P&L que no son puramente mecánicos debemos darnos cuenta de que todo lo dicho sobre 173, 0,17 190, ­1,88 224, 0,37 ­0,65 207. f óptima y se aplican las técnicas puramente mecánicas. Esto debería ser 174, 0,62 191, 0,35 225, ­0,51 ­0,78 208. considerados al contemplar las reducciones esperadas de dichas técnicas. Recuerde que las 175. 0,77 192. ­1,28 209. 0,92 226. 176. 0,37 193. 0,32 210. 0,34 reducciones serán sustanciales, y este hecho 1,55 227. 177. ­1,33 194. 1,24 211. 1,17 228. 178. ­1,18 195, ­1,28 No significa que la técnica deba abandonarse. La cuarta y quizás la mayor ventaja del método paramétrico sobre 2 0,05 212 0,67 229 179 0,97 196. 0,75 213. 0,82 230. 180. 1,80 0,70 197. 0,17 214. ­0,98 231. 181. 1,64 198. 0,67 215. ­0,85 2.12 232. 182. 0,57 199. ­0,56 216. 0 .22 0,77 El método empírico para determinar f óptima es que el parámetro paramétrico ­1,33 El método le permite realizar tipos de modelado del tipo "¿Qué pasaría si?". Por ejemplo, 1,52 supongamos que está operando en un sistema de mercado que ha estado funcionando muy caliente. Quiere estar preparado para cuando ese sistema de mercado deje de funcionar. Si quisiéramos determinar un óptimo paramétrico ecualizado f, tan bien, como usted sabe, inevitablemente lo hará. Con las técnicas paramétricas, ahora convertiría estas ganancias y pérdidas comerciales en ganancias porcentuales y usted puede variar sus parámetros de entrada para reflejar esto y así ubicarse en cuál será la f pérdidas [basadas en las ecuaciones (2.10a) a (2.10c)]. A continuación, haríamos óptima cuando el sistema de mercado se enfríe a convertir estos porcentajes de ganancias y pérdidas multiplicándolos por el el estado que reflejan los parámetros que ingresa. Por tanto, las técnicas paramétricas son precio actual del instrumento subyacente. Por ejemplo, P&L #1 es 0,18. mucho más poderosas que las empíricas. Supongamos que el precio de entrada a esta operación fuera 100,50. Por lo tanto, la ganancia porcentual en esta operación sería 0,18/100,50 = 0,001791044776. Ahora supongamos que el Entonces, ¿por qué utilizar técnicas empíricas? Las técnicas empíricas son más intuitivamente obvias que las paramétricas. Por eso, precio actual de este instrumento subyacente es 112,00. Multiplicar 0,001791044776 por 112,00 Las técnicas empíricas son lo que uno debe aprender primero antes de pasar. se traduce en unas pérdidas y ganancias igualadas de Pasamos a lo paramétrico. Ahora hemos cubierto las técnicas empíricas en .2005970149, Si buscáramos hacer este procedimiento en un nivel ecualizado detalle y por tanto están preparados para estudiar las técnicas paramétricas. base, realizaríamos esta operación en las 232 ganancias y pérdidas comerciales. es. Si vamos a realizar o no nuestros cálculos en un LA DISTRIBUCIÓN DE LAS P&L'S COMERCIALES base igualada (en este capítulo no operaremos sobre una base igualada), ahora debemos Considere la siguiente secuencia de 232 ganancias y pérdidas comerciales en calcular la media (aritmética) y la desviación estándar poblacional de estas 232 ganancias y puntos. No importa cuál sea el producto o qué sistema generó este flujo; podría ser cualquier pérdidas comerciales individuales como sistema en cualquier mercado. .330129 y 1.743232 respectivamente (nuevamente, si estuviéramos haciendo cosas en N° comercial P&L N° comercial P&L N° comercial P&L N° comercial P&L sobre una base igualada, necesitaríamos determinar la media y el estándar 1. 0,18 42. ­1,58 83. ­4,13 124. ­2,63 2. ­1,11 43. ­0,5 84. ­1,63 125. ­0,73 3. 0,42 44. 0,17 85. ­1,23 126. ­1,83 4. ­0,83 45. 0,17 86. 1,62 127. 0,32 5. 1,42 46. ­0,65 87. 0,27 128. 1,62 6. 0,42 47. 0,96 88. 1,97 130. 1.02 dónde 1. ­0,99 48. ­0,88 89. ­1,72 131. ­0,81 ­0,74 U = La media de los datos. 8. 0,87 49. 0,17 90. 1,47 132. 9. 0,92 50. ­1,53 91. ­1,88 133. 1.09 10. ­0,4 51. 0,15 92. 1,72 134. ­1.13 11. ­1,48 52. ­0,93 93. 1,02 135. 0,52 12. 1,87 53. 0,42 94. 0,67 136. 0,18 13. 1,37 54. 2,77 95. 0,67 137. 0,18 14. ­1,48 55. 8,52 96. ­1,18 138. 1.47 15. ­0,21 56. 2,47 97. 3,22 139. ­1.07 16. 1,82 57. ­2,08 98. ­4,83 140. ­0,98 17. 0,15 58. ­1,88 99. 8,42 141. 1.07 18. 0,32 59. ­1,88 100. ­1,58 142. ­0,88 desviación en las pérdidas y ganancias comerciales igualadas). Con estos dos números tenemos Puede utilizar la ecuación (3.16) para traducir cada ganancia y pérdida comercial individual. en unidades estándar. (3.16) Z = (XU)/S S = La desviación estándar de los datos. X = El punto de datos observado. Por lo tanto, para traducir la operación n.° 1, una ganancia de 0,18, a unidades estándar: Z = (.18­.330129)/1.743232 = ­.150129/1.743232 = ­.08612106708 Asimismo, las siguientes tres operaciones de ­1,11, 0,42 y ­0,83 se traducen en ­.8261258398, .05155423948 y ­.6655046488 unidades estándar respectivamente. Si utilizamos datos ecualizados, simplemente estandarizamos restando la media de los datos y dividiendo por la desviación estándar de los datos. 19. ­1,18 60. 1,67 101. ­1,88 143. ­0,51 20. ­0,43 61. ­1,88 102. 1,23 144. 0,57 Una vez que hayamos convertido todas nuestras ganancias y pérdidas comerciales 21. 0,42 62. 3,72 103. 1,72 145. 2.07 individuales a unidades estándar, podemos agrupar los datos ahora estandarizados. Recordar 22. 0,57 63. 2,87 104. 1,12 146. 0,55 que con el binning hay una pérdida de contenido de información sobre un particular 23. 4,72 64. 2,17 105. ­0,97 147. 0,42 distribución (en este caso la distribución de las operaciones individuales) pero la 24. 12,42 65. 1,37 106. ­1,88 148. 1.42 El carácter de la distribución permanece sin cambios. 25. 0,15 66. 1,62 107. ­1,88 149. 0,97 26. 0,15 67. 0,17 108. 1,27 150. 0,62 27. ­1,14 68. 0,62 109. 0,16 151. 0,32 28. 1,12 69. 0,92 110. 1,22 152. 0,67 29. ­1,88 70. 0,17 111. ­0,99 153. 0,77 30. 0,17 71. 1,52 112. 1,37 154. 0,67 31. 0,57 72. ­1,78 113. 0,18 155. 0,37 32. 0,18 156. 0,47 33. 73. 2,07 157. 34. 0,22 1,47 114. 158. 35. 4,87 159. 36. Supongamos que ahora tomáramos estas 232 operaciones individuales y las en 10 contenedores. Estamos eligiendo arbitrariamente aquí: podríamos haber elegido 9 contenedores o 50 contenedores. De hecho, uno de los grandes argumentos sobre el binning datos es que lo más frecuente es que exista una considerable arbitrariedad en cuanto a cómo Se deben elegir los contenedores. Siempre que desechamos algo, debemos decidir los rangos del 0,87 contenedores. Por tanto, seleccionaremos un rango de ­2 a +2 sigmas, o desviaciones estándar. ­1,08 160. ­1,88 37. 1,27 74. 161. 38. 0,92 0,62 115. 162. 39. ­1,03 163. 40. 1,82 1.32 Esto significa que tendremos 10 contenedores igualmente espaciados entre ­2 164. 41. 0.42 0,17 165. 75. 0,32 116. 0,16 unidades estándar a +2 unidades estándar. Dado que hay 4 unidades estándar en ­1,93 76. 0,17 117. 0,18 total entre ­2 y +2 unidades estándar y estamos dividiendo este espacio 0,92 77. 0,57 118. 0,52 en 10 regiones iguales, tenemos 4/10 = ­4 unidades estándar como tamaño o 1,45 78. 0,17 119. ­2.33 0,17 79. 1,18 120. 1.07 1.32 1,87 80. 0,17 121. 0,52 81. 0,72 122. 1.42 0,67 82. ­3,33 123. 2.72 "ancho" de cada contenedor. Por lo tanto, nuestro primer contenedor, el "más alejado del izquierda", contendrá aquellas operaciones que estaban dentro de ­2 a ­1,6 unidades estándar, el siguiente cambia de ­1,6 a ­1,2, luego de ­1,2 a ­0,8, y así sucesivamente, hasta que nuestro El contenedor final contiene aquellas operaciones que eran de 1,6 a 2 unidades estándar. Aquellos operaciones que son inferiores a ­2 unidades estándar o superiores a +2 estándar N° comercial P&L N° comercial P&L N° comercial P&L N° comercial P&L Las unidades no se agruparán en este ejercicio y las ignoraremos. Si nosotros 166, 1,37 183, ­0,98 217, ­1,08 0,24 200. 167. ­1.93 184. 0.17 218. 0.25 0,57 201. así lo deseamos, podríamos haberlos incluido en los contenedores extremos, colocando 168, 2,12 185, ­0,96 219, 0,14 0,35 202. aquellos puntos de datos inferiores a ­2 en el contenedor ­2 a ­1,6, y lo mismo para aquellos 169, 0,62 186, 0,35 220, 0,79 1,57 203. puntos de datos mayores que 2. Por supuesto, podríamos haber elegido un rango más amplio 170, 0,57 187, 0,52 221, ­0,55 ­1,73 204. rango para agrupar, pero dado que estos intercambios están más allá del rango de nuestro 171, 0,42 188, 0,77 222, 0,32 ­0,83 205. contenedores, hemos decidido no incluirlos. En otras palabras, estamos eliminando de este 172, 1,58 189, 1,10 223, ­1,30 ­1,18 206. ejercicio aquellas operaciones con P&L inferiores a .330129­. ­ 43 ­ Machine Translated by Google (1.743232*2) = ­3.156335 o mayor que .330129+(1.743232*2) = 3.816593. parámetros como entrada, el promedio y la desviación estándar de los resultados, para devolver el f óptimo. Recuerde que la distribución normal es una distribución continua, en Lo que hemos creado ahora es una distribución del comercio de este sistema. P&L. Nuestra distribución contiene 10 puntos de datos porque elegimos Para utilizar esta técnica necesitamos que esta distribución sea discreta. trabajar con 10 Recuerde además que la distribución normal es ilimitada. Eso es el La distribución va desde menos infinito a la izquierda hasta más infinito a la izquierda. bien. 232 operaciones reales Por lo tanto, los dos primeros pasos que debemos dar para encontrar la f óptima sobre datos distribuidos normalmente es que debemos determinar (1) a cuántos sigmas de la media de la distribución truncamos la distribución, y (2) en cuántos puntos de datos igualmente espaciados dividiremos el rango entre los dos extremos determinados en (1). Por ejemplo, sabemos que el 99,73% de todos los puntos de datos estarán entre más y menos 3 sigmas de la media, por lo que podríamos decidir utilizar 3 sigmas. sigmas como nuestro parámetro para (1). En otras palabras, estamos decidiendo considerar la Distribución normal Distribución Normal sólo entre menos 3 sigmas y más 3 sigmas de la media. De esta manera abarcaremos el 99,73% de todos los actividad bajo la Distribución Normal. Generalmente querremos usar un valor de 3 a 5 sigmas para este parámetro. Con respecto al paso (2), el número de puntos de datos igualmente espaciados, Generalmente querrás utilizar un mínimo de diez veces el número de Figura 3­16 232 transacciones individuales en 10 contenedores de ­2 a +2 sigma versus la Distribución Normal. sigmas que estamos usando en (1). Si seleccionamos 3 sigmas para (1), entonces deberíamos seleccione al menos 30 puntos de datos igualmente espaciados para (2). Esto significa que nosotros contenedores. Cada punto de datos representa el número de operaciones que cayeron en vamos a tomar el eje horizontal de la Distribución Normal, de ese contenedor. Cada operación no puede caer en más de 1 contenedor, y si la operación que estamos usando el área desde menos 3 sigmas hasta más 3 sigmas desde estaba más allá de 2 unidades estándar a cada lado de la media (PyG <­3,156335 la media y divídala en 30 puntos equiespaciados. Puesto que hay o >3.816593), entonces no está representado en esta distribución. Figura 3­16 6 sigmas entre menos 3 sigmas y más 3 sigmas, y queremos dividir esto en 30 puntos muestra esta distribución tal como la acabamos de calcular. equidistantes, debemos dividir 6 entre 30­1, o 29. "Espera un minuto", dices. "¿No debería la distribución de un comercio Esto nos da .2068965517. Entonces, nuestro primer punto de datos será menos 3, y Las pérdidas y ganancias del sistema estarán sesgadas hacia la derecha porque probablemente vamos a sumaremos .2068965517 a cada punto anterior hasta llegar a más 3, en ¿Tienes algunas ganancias importantes?" punto en el que habremos creado 30 puntos de datos igualmente espaciados entre menos 3 y más 3. Por lo tanto, nuestro segundo punto de datos será ­3 Esta distribución particular de 232 pérdidas y ganancias comerciales procede de un sistema que muy a menudo obtiene pequeños beneficios a través de un objetivo. Mucha gente tiene +.2068965517 = ­2.793103448, tercer punto de datos la impresión errónea de que las distribuciones de pérdidas y ganancias van a estar sesgadas 2,79310344+.2068965517 = ­2,586206896, y así sucesivamente. Al hacerlo, nosotros a la derecha para todos los sistemas comerciales. Esto no es del todo cierto, como se muestra en la Figura 3­16. Habrá determinado las 30 coordenadas horizontales de entrada a este sistema. da fe. Diferentes sistemas de mercado tendrán diferentes distribuciones y nuestro Cuantos más puntos de datos decidas, mejor será la resolución. No debes esperar que todos sean iguales. de la curva Normal. Usar diez veces el número de sigmas es una aproximación regla para determinar el número mínimo de puntos de datos que debería usar. Recuerde que la distribución Normal es una distribución continua . Sin embargo, También en la Figura 3­16, superpuesta a la distribución tenemos acabamos de juntar, es la Distribución Normal como se vería para 232 negociar pérdidas y ganancias si estuvieran distribuidas normalmente. Esto se hizo para que debemos hacerlo discreto para encontrar la f óptima en Puede comparar gráficamente las pérdidas y ganancias comerciales tal como las acabamos de él. Cuanto mayor sea el número de puntos de datos igualmente espaciados que utilicemos, mayor nuestro modelo discreto estará más cerca de la distribución continua real en sí misma, con el calcular con las normales. La distribución normal aquí se calcula mediante primero tomando los límites de cada contenedor. Para el contenedor más a la izquierda de límite del número de puntos de datos igualmente espaciados acercándose al infinito donde el nuestro ejemplo, esto sería Z = ­2 y Z = ­1,6. Ahora ejecutamos estos valores Z modelo discreto se aproxima a la distribución continua. a través de la ecuación (3.21) para convertir estos límites en un valor acumulativo exactamente. probabilidad. En nuestro ejemplo, esto corresponde a .02275 para Z = ­2 y ¿Por qué no utilizar una cantidad extremadamente grande de puntos de datos? Cuanto más .05479932 para Z = ­1,6. A continuación, tomamos el valor absoluto de la diferencia entre estos puntos de datos que utilice en la curva Normal, más cálculos serán dos valores, lo que nos da ABS(.02275­.05479932) necesario para encontrar la f óptima en él. Aunque normalmente utilizará una computadora para = .03204932 para nuestro ejemplo. Por último, multiplicamos esta respuesta por el número de resolver la f óptima, será más lenta cuanto más puntos de datos, que en este caso es 232 porque hay 232 en total. puntos de datos que utiliza. Además, cada punto de datos agregado resuelve la curva. intercambios (todavía debemos usar 232 a pesar de que algunos han sido eliminados) en menor medida que el dato anterior. nos referiremos porque estaban fuera del alcance de nuestros contenedores). Por lo tanto, podemos a estos dos primeros parámetros de entrada como parámetros delimitadores. indique que si los datos se distribuyeran normalmente y se colocaran en 10 contenedores Ahora, el tercer y cuarto paso son determinar el comercio promedio aritmético y la desviación de igual ancho entre ­2 y +2 sigmas, entonces el contenedor más a la izquierda sería estándar de la población para el sistema de mercado. contiene .03204932*232 = 7.43544224 elementos. Si tuviéramos que calcular estamos trabajando en. Si no tienes un sistema mecánico, puedes conseguir esto para cada uno de los 10 contenedores, calcularíamos la curva Normal superpuesta en la estos números de sus estados de cuenta de corretaje o puede estimar Figura 3­16. a ellos. Ese es uno de los verdaderos beneficios de esta técnica: que no Es necesario tener un sistema mecánico, ni siquiera se necesitan estados de cuenta de corretaje ENCONTRAR LA F ÓPTIMA EN LA DISTRIBUCIÓN NORMAL ni resultados comerciales en papel para utilizar esta técnica. La técnica puede Se puede utilizar estimando simplemente estos dos insumos, la media aritmética del comercio Ahora podemos construir una técnica para encontrar la f óptima en datos normalmente promedio (en puntos o en dólares) y la desviación estándar poblacional del comercio (en puntos distribuidos. Al igual que la fórmula de Kelly, esta será una fórmula paramétrica. o en dólares, siempre que sea consistente con lo que técnica. Sin embargo, esta técnica es mucho más poderosa que la Kelly. Fórmula, porque la fórmula de Kelly permite sólo dos resultados posibles para un evento, mientras utiliza para el comercio de media aritmética). Sin embargo, tenga en cuenta que su Los resultados sólo serán tan precisos como sus estimaciones. que esta técnica permite el espectro completo. Si tiene dificultades para estimar la desviación estándar de su población, simplemente de los resultados (siempre que los resultados estén distribuidos normalmente). La belleza de los resultados normalmente distribuidos (aparte del hecho de que intente estimar en cuánto, en promedio, una operación ocurren con tanta frecuencia, ya que son el límite de muchas otras distribuciones) es que pueden diferirá del comercio promedio. Al estimar la desviación absoluta media de esta manera, puede describirse mediante 2 parámetros. Las fórmulas de Kelly le dará la f óptima para los resultados distribuidos de Bernoulli ingresando los 2 parámetros de la usar la ecuación (3.18) para convertir su desviación absoluta media estimada en una desviación estándar estimada: relación de pago y la probabilidad de ganar. La técnica que vamos a describir también sólo (3.18) S = M*1/.7978845609 = M*1.253314137 necesita dos pasos. dónde ­ 44 ­ Machine Translated by Google S = La desviación estándar. Para ver qué pasaría si la dispersión se calmara, utilice un valor inferior a 1. M = La desviación absoluta media. Nos referiremos a estos dos parámetros, la media aritmética del comercio promedio Al utilizar esta técnica, observará que reducir el tramo hacia cero tenderá a aumentar los cálculos de subproductos, lo que dará como resultado una evaluación más y la desviación estándar de los intercambios, como el parámetro de entrada real . optimista del futuro y viceversa. La contracción funciona de manera opuesta, ya que parámetros. Ahora queremos tomar todos los puntos de datos igualmente espaciados del paso (2) y encontrar sus valores de precio correspondientes, con base en la media aritmética y la desviación estándar. Recuerde que nuestros puntos de datos equidistantes se reducir la contracción a cero dará como resultado evaluaciones más pesimistas sobre el futuro y viceversa. Una vez que hayamos determinado qué valores queremos usar para estirar expresan en términos de unidades estándar. Ahora, para cada uno de estos puntos de y reducir (y por el momento usaremos valores de 1 para ambos, lo que significa no datos equidistantes encontraremos el precio correspondiente como: afectar los parámetros reales) podemos modificar la ecuación (3.27) a: (3.28) D = (U*Shrink)+(S*E (3.27) D = U+(S*E) donde *Estirar) donde D = El valor del precio correspondiente a un valor unitario estándar. D = El valor del precio correspondiente a un valor unitario estándar. E = El valor unitario estándar. E = El valor unitario estándar. S = Desviación estándar de la población. S = Desviación estándar de la población. U = La media aritmética. Una vez que hayamos determinado todos los valores de precios correspondientes a cada punto de datos, realmente habremos logrado mucho. Ahora hemos construido la distribución que esperamos que tiendan los puntos de datos futuros. a. U = La media aritmética. Para resumir hasta ahora, los primeros dos pasos son determinar los parámetros límite del número de sigmas a cada lado de la media que vamos a usar, así como cuántos puntos de datos igualmente espaciados vamos a usar dentro de este rango. Los dos pasos siguientes son los parámetros de entrada reales del promedio aritmético del Sin embargo, esta técnica nos permite hacer mucho más que eso. Podemos incorporar dos parámetros más que nos permitirán realizar tipos de escenarios "Qué pasaría si" sobre el futuro. Estos parámetros, que llamaremos parámetros " Qué pasaría comercio y la desviación estándar de la población. Podemos derivar estos parámetros si", nos permiten ver el efecto de un cambio en nuestro promedio. comercio o un cambio utilizando declaraciones de corretaje o resultados comerciales en papel. También en la dispersión (desviación estándar) de nuestros intercambios. podemos derivar estas cifras mediante estimación, pero recuerde que los resultados empíricamente observando los resultados de un sistema comercial determinado o obtenidos sólo serán tan precisos como sus estimaciones. Los pasos quinto y sexto son El primero de estos parámetros, llamado contracción, afecta el comercio promedio. La contracción es simplemente un multiplicador de nuestra operación promedio. Recuerde que cuando encontramos la f óptima también obtenemos otros cálculos, que son determinar los factores que se utilizarán para estirar y encoger si va a realizar un escenario del tipo "¿Qué pasaría si?". Si no es así, simplemente use valores de 1 tanto para estirar como para encoger. Una vez que haya completado estos seis pasos, ahora puede usar la ecuación (3.28) subproductos útiles de la f óptima. Dichos cálculos incluyen la media geométrica, la para realizar el séptimo paso. El séptimo paso es convertir los puntos de datos TWR y el comercio promedio geométrico. La contracción es el factor por el cual multiplicaremos nuestra operación promedio antes de realizar la técnica f óptima en ella. Por lo tanto, la contracción nos permite ver cuál sería la f óptima si nuestro comercio equidistantes de valores estándar a una cantidad real de puntos o dólares (dependiendo de si utilizó puntos o dólares como entrada para su promedio aritmético de comercio y desviación estándar de la población). promedio se viera afectado por la contracción, así como cómo se verían afectados los demás cálculos de subproductos. Ahora el octavo paso es encontrar la probabilidad asociada con cada uno de los Por ejemplo, supongamos que está operando con un sistema que ha estado funcionando muy intensamente últimamente. Usted sabe por experiencia pasada que es probable que el sistema deje de funcionar tan bien en el futuro. Le gustaría ver qué puntos de datos igualmente espaciados. Esta probabilidad se determina usando la ecuación (3.21): (3.21) pasaría si el comercio promedio se redujera a la mitad. Al utilizar un valor de contracción N(Z) = 1­N'(Z)*((1.330274429*Y^5)­ de 0,5 (ya que la contracción es un multiplicador, el comercio promedio multiplicado por (1.821255978*Y^4)+(1.781477937*Y ^3)­ 0,5 equivale al corte comercial promedio a la mitad), puede realizar la técnica f óptima (.356563782*Y^2)+(.31938153*Y)) para determinar cuál debería ser su f óptima si el comercio promedio iban a ser cortados a la mitad. Además, puede ver cómo dichos cambios afectan su comercio promedio Si Z<0 entonces N(Z) = 1­N(Z) donde geométrico, etc. Y = 1/(1+.2316419*ABS(Z)) Al utilizar un valor de reducción de 2, también puede ver el efecto que tendría ABS() = La función de valor absoluto. duplicar su operación promedio. En otras palabras, el parámetro de reducción también se puede utilizar para aumentar (¿reducir?) su operación promedio. Es más, le permite tomar un sistema no rentable (es decir, un sistema con un comercio N'(Z) = .398942*EXP(­(Z^2/2)) EXP() = La función exponencial. Sin embargo, usaremos la ecuación (3.21) sin su 1­ como primer término de la promedio inferior a cero) y, utilizando un valor negativo para la contracción, ver qué pasaría si ese sistema se volviera rentable. Por ejemplo, supongamos que tiene un ecuación y sin la disposición ­Z (es decir, sin la cláusula "Si Z<0 entonces N(Z)­1­N(Z)") , sistema que muestra una operación promedio de ­$100. ya que queremos saber cuáles son las probabilidades de que un evento iguale o exceda Si utiliza un valor de reducción de ­0,5, esto le dará su f óptima para esta distribución una cantidad prescrita de unidades estándar. como si la operación promedio fuera de $50, ya que ­100*­0,5 = 50. Si usamos un factor de reducción de ­2, obtendríamos la distribución centrada en una operación media de Así que repasamos cada uno de nuestros puntos de datos igualmente espaciados. 200$. Cada punto tiene un valor estándar, que usaremos como parámetro Z en la ecuación Debe tener cuidado al utilizar estos parámetros "Qué pasaría si", ya que facilitan la (3.21), y una cantidad en dólares o puntos. Ahora habrá otra variable correspondiente a cada punto de datos igualmente espaciado: la probabilidad asociada. mala gestión del rendimiento. Se acaba de mencionar cómo se puede convertir un sistema con una media aritmética negativa en uno positivo. Esto puede generar problemas si, por ejemplo, en el futuro todavía tienes expectativas negativas. LA MECÁNICA DEL PROCEDIMIENTO El otro parámetro "Qué pasaría si" se llama estiramiento. Esto no es, como su El procedimiento se demostrará ahora con el ejemplo comercial presentado nombre indica, lo opuesto a la reducción. Más bien, la extensión es el multiplicador que anteriormente en este capítulo. Dado que nuestras 232 operaciones actualmente están se utilizará en la desviación estándar. Puede utilizar este parámetro para determinar en puntos, debemos convertirlas a sus representaciones en dólares. Sin embargo, dado que el mercado no está especificado, asignaremos un valor arbitrario de 1.000 dólares el efecto sobre f y sus subproductos por un aumento o disminución de la dispersión. por punto. Por lo tanto, la operación promedio de 0,330129 ahora se convierte en Además, a diferencia de la contracción, la extensión siempre debe ser un número 0,330129*$1000, o una operación promedio de 330,13 dólares. Del mismo modo, la positivo, mientras que la contracción puede ser positiva o negativa (siempre que el tiempo desviación estándar de la población de 1,743232 también se multiplica por 1.000 dólares promedio de contracción comercial sea positivo). Si desea ver qué sucederá si su por punto para obtener 1.743,23 dólares. desviación estándar se duplica, simplemente use un valor de 2 para estirar. A Ahora construimos la matriz. Primero, debemos determinar el rango, en sigmas de la media, que queremos que abarquen nuestros cálculos. Para ­ 45 ­ Machine Translated by Google En nuestro ejemplo elegiremos 3 sigmas, por lo que nuestro rango irá desde menos = .004431846678*((1.330274429*.07149022693)­ 3 sigmas a más 3 sigmas. Tenga en cuenta que debe utilizar la misma cantidad para (1.821255978*.1211706)+(1.781477937*.2053752)­ a la izquierda de la media que usas a la derecha de la media. Es decir, si usted (.356563782*.3480957094)+(.31938153*.5899963639)) ve 3 sigmas a la izquierda (menos 3 sigmas) entonces no deberías ir solo 2 = .004431846678*(.09510162081­.2206826796+.3658713876­ o 4 sigmas a la derecha, sino que deberías ir 3 sigmas a la derecha como .1241183226+.1884339414) bien (es decir, más 3 sigmas de la media). = .004431846678*.3046059476 = .001349966857 A continuación debemos determinar en cuántos puntos de datos igualmente espaciados dividir este rango. Elegir 61 como nuestro valor proporciona un punto de datos en cada Tenga en cuenta que aunque Z es negativo (Z = ­3), no ajustamos N(Z) aquí haciendo N(Z) = 1­N(Z). Como no utilizamos la disposición ­Z, décima parte de una unidad simple estándar. Así podemos determinar nuestra columna de valores estándar. simplemente dejamos que la respuesta sea. Ahora, para cada valor en la columna de valor estándar habrá una entrada correspondiente Ahora debemos determinar la media aritmética que vamos a utilizar como entrada. Determinamos esto empíricamente a partir de las 232 operaciones como $330,13. Además, debemos determinar la desviación estándar de la población, en la columna de PyG asociada y en la columna de pérdidas y ganancias asociada. columna de probabilidad. Esto se muestra en la siguiente tabla. Una vez que tengas establecidas estas tres columnas estás listo para comenzar la búsqueda del que también determinamos empíricamente a partir de las 232 operaciones como $1.743,23. f óptima y sus subproductos. Ahora para determinar la columna de pérdidas y ganancias asociadas. Es decir, debemos determine un importe de pérdidas y ganancias para cada valor estándar. Antes de que podamos ASOCIADO STD VALOR ASOCIADO P&L ASOCIADO PROBABILIDAD HPR EN f=.01 determinar nuestra columna de pérdidas y ganancias asociada, debemos decidir los valores para la extensión.­3,0 ($4.899,57) 0,001350 0.9999864325 y encogerse. Como no vamos a realizar ningún tipo de escenario "¿Qué pasaría si en este ­2,9 ($4.725,24) 0,001866 0.9999819179 momento?", elegiremos un valor de 1 tanto para estirar como para encoger. ­2,8 ($4.550,92) 0,002555 0.9999761557 ­2,7 ($4.376,60) 0,003467 0.9999688918 Media aritmética = 330,13 ­2,6 ($4.202,27) 0,004661 0.9999598499 ­2,5 ($4.027,95) 0,006210 0.9999487404 ­2,4 0,008198 0.9999352717 Estiramiento = 1 ($3.853,63) ­2,3 ($3.679,30) 0,010724 0.9999191675 Reducir = 1 ­2,2 ($3.504,98) 0,013903 0.9999001875 ­2,1 ($3.330,66) 0,017864 0.9998781535 ­2,0 ($3.156,33) 0,022750 0.9998529794 ­1,9 ($2.982,01) 0,028716 0.9998247051 ­1,8 ($2 .807,69) 0,035930 0.9997935316 ­1,7 ($2.633,37) 0,044565 0.9997598578 ­1,6 ($2.459,04) 0,054799 0.9997243139 ­1,5 ($2.284,72) 0,066807 0.9996877915 ­1,4 ($2.110,40) ) 0,080757 0.9996514657 ­1,3 ($1.936,07) 0,096800 0.9996168071 S = Desviación estándar de la población. ­1,2 ($1.761,75) 0,115070 0.9995855817 U = La media aritmética. ­1,1 ($1.587,43) 0,135666 0.999559835 ­1,0 ($1.413,10) 0,158655 0.9995418607 ­0,9 ($1.238,78) 0,184060 0.9995341524 ­6,8 ($1.064,46) 0,211855 0.9995393392 ­0,7 ($890,13) 0,241963 0.999560108 ­0,6 ($715,81) 0,274253 0.9995991135 ­0,5 0,308537 0.9996588827 = 330,129­5229,696 ($541,49) ­0,4 ($367,16) 0,344578 09997417168 = 4899,567 ­0,3 ($192,84) 0,382088 0.9998495968 ­0,2 0,420740 0.9999840984 ­0,1 ($18,52) $155,81 0,460172 1.0001463216 0,0 $330,1 3 0,500000 1.0003368389 0,1 $504,45 0,460172 1.0004736542 0,2 $678,78 0,420740 1.00058265 0,3 $853,10 0,382088 1.0006649234 columna de valor estándar como entrada Z para la ecuación (3.21). 0,4 $1.027,42 0,344578 1.0007220715 sin la disposición 1 anterior y sin la disposición Z (es decir, la disposición "Si Z < 0 0,5 $1.201,75 0,308537 1.0007561259 entonces N(Z) = 1­N(Z)"). Para el valor estándar de ­3 (Z = ­3), esto es: 0,6 $1.376,07 0,274253 1.0007694689 0,7 $1.550,39 0,241963 1.0007647383 0,8 $1.724,71 0,211855 1.0007447264 0,9 $1.899,04 0,184060 1.0007122776 1,0 $2.073,36 0,158655 1.0006701921 1,1 $2.247,68 0,135666 1.0006211392 1,2 $2,422.01 0,115070 .0005675842 1,3 $2,596.33 0,096800 .0005117319 1,4 $2,770.65 0,080757 .0004554875 1,5 $2,944.98 0,066807 1.0004004351 1,6 $3,119.30 0,054799 1.0003478328 1,7 $3,293.62 0,044565 .0002986228 1,8 $3,467.95 0,035930 .0002534528 1,9 $3,642.27 0,028716 1.0002127072 N'(3) = .398942*EXP(­((­3)^2/2)) = .398942*EXP(­(9/2)) = 2,0 $3,816.59 0,022750 1.0001765438 .398942*EXP(­4.5) = .398942*.011109 = .004431846678 2,1 $3,990.92 0,017864 .000144934 2,2 $4,165.24 0,013903 .0001177033 2,3 $4,339.56 0,010724 .0000945697 2,4 0,008198 .0000751794 N(­3) = .004431846678*((1.330274429*.5899963639^5)­ $4,513.89 2,5 $4,68 8,21 0,006210 1.0000591373 (1.821255978*.5899963639^4)+(1.781477937*.5899963639^3)­ 2,6 $4.862,53 0,004661 1.0000460328 (.356563782*.5899963639^2)+(.31938153*.5899963639)) 2,7 $5.036,86 0,003467 1.0000354603 2,8 $5.211,18 0,002555 1.0000270338 2,9 $5.385,50 0,001866 1.0000203976 3,0 $5.559,83 0,001350 1.0000152327 Desviación estándar de la población = 1743,23 Usando la ecuación (3.28) podemos calcular nuestra columna de pérdidas y ganancias asociada. Hacemos esto tomando cada valor estándar y usándolo como E en la ecuación (3.28) para obtener la columna de PyG asociadas: (3.29) D = (U*Contracción)+(S*E*Estiramiento) dónde D = El valor del precio correspondiente a un valor unitario estándar. E = El valor unitario estándar. Para el valor estándar ­3, las pérdidas y ganancias asociadas son: D = (U*Contracción)+(S*E*Estiramiento) = (330,129*1)+(1743,232*(­3)*1) = 330,129+(­5229,696) Por lo tanto, nuestra columna de pérdidas y ganancias asociada con un valor estándar de ­3 equivale 4899.567. Ahora queremos construir las pérdidas y ganancias asociadas para el próximo valor estándar, que es ­2,9, por lo que simplemente realizamos la misma ecuación, (3.29), nuevamente, solo que esta vez usamos un valor de ­2.9 para E. Ahora para determinar la columna de probabilidad asociada. Esto se calcula usando la N(Z) = N'(Z)*(( 1.330274429*Y^5)­ (1,821255978*Y^4)+(1,781477937*Y^3)­ (.356563782*Y^2+(.31938153*Y)) Si Z<0 entonces N(Z) = 1­N(Z) dónde Y = 1/(1+.2316419*ABS(Z)) ABS() = La función de valor absoluto. N'(Z) = .398942*EXP(­(Z^2/2)) EXP() = La función exponencial. De este modo: Y = 1/(1+2316419*ABS(­3)) = 1/(1+2316419*3) = 1/(1+6949257) = 1/1.6949257 = .5899963639 ­ 46 ­ Machine Translated by Google Subproductos atf­.01: También podemos calcular el comercio promedio geométrico (GAT). Esta es la TWR = 1,0053555695 cantidad que habría ganado, en promedio, por contrato y por operación, si estuviera operando con esta distribución de resultados a un valor f específico. Suma de probabilidades = 7,9791232176 Geomedia (3.33) GAT = (G(f)­1)*(w/(­f)) donde = 1,0006696309 GAT = $328,09 Así es como se puede encontrar la f óptima. Primero, debe determinar el método de búsqueda de f. G(f) = La media geométrica para un valor f dado. f = El Puede simplemente realizar un bucle de 0 a 1 en una cantidad predeterminada (por ejemplo, 0,01), utilizar una técnica iterativa o utilizar la técnica de interpolación parabólica valor f dado. descrita en Fórmulas de gestión de cartera. Lo que se busca encontrar es qué valor de f W = P&L asociado al peor caso. (entre 0 y 1) dará como resultado la media geométrica más alta. En el caso de nuestro ejemplo, el valor f es .01: GAT = (1,00066963­1)*(­4899,57/(­0,01)) Una vez que haya decidido una técnica de búsqueda, debe determinar cuál es el = .00066963*489957 peor caso de pérdidas y ganancias asociado en su tabla. En nuestro ejemplo es el P&L = 328,09 correspondiente a ­3 unidades estándar, 4899,57. Deberá utilizar este valor particular repetidamente a lo largo de los cálculos. Por lo tanto, esperaríamos ganar, en promedio por contrato y por operación, $328,09. Para encontrar la media geométrica para un valor f dado, para cada valor de f que vaya a procesar en su búsqueda del óptimo, debe convertir cada P&L y probabilidad Ahora vamos a nuestro siguiente valor para f que debe ser probado de acuerdo con nuestro asociada a un HPR. La ecuación (3.30) muestra el cálculo del HPR: (3.30) HPR = (1+(L/(W/ procedimiento de búsqueda elegido para el f óptimo. En el caso de nuestro ejemplo, estamos (­f))))^P haciendo un bucle de 0 a 1 por 0,01 para f, por lo que nuestro siguiente valor de prueba para f es .02. Volveremos a hacer lo mismo. Calcularemos una nueva columna de HPR asociada y calcularemos nuestro TWR y nuestra media geométrica. El valor de f que da como dónde resultado la media geométrica más alta es aquel valor de f que es el óptimo según los L = Las pérdidas y ganancias asociadas. parámetros de entrada que hemos utilizado. W = Las pérdidas y ganancias asociadas al peor de los casos en la tabla (este En nuestro ejemplo, si continuáramos con nuestra búsqueda del f óptimo, siempre será un valor negativo). encontraríamos el óptimo en f = 0,744 (estoy usando un incremento de paso de 0,001 en f = El valor probado para f. mi búsqueda del f óptimo aquí). da como resultado una media geométrica de 1,0265. Por P = La probabilidad asociada. lo tanto, la operación media geométrica correspondiente es de 174,45 dólares. Trabajando ahora con un ejemplo donde usamos el valor de .01 para el valor probado para f, encontraremos el HPR asociado en el valor estándar de ­3. En este caso, nuestras Es importante señalar que el TWR en sí no tiene ningún significado real como pérdidas y ganancias asociadas en el peor de los casos son 4899,57, al igual que nuestras subproducto. Más bien, cuando calculamos nuestra media geométrica de forma pérdidas y ganancias asociadas. Por lo tanto, nuestro paramétrica, como lo hacemos aquí, la TWR es simplemente un paso intermedio para obtener esa media geométrica. Ahora, podemos calcular cuál sería nuestra TWR después HPR aquí es: HPR = (1+(­4899.57/­4899.57/(­.01))))^.001349966857 de que X se negocie elevando la media geométrica a la potencia de X. = (1+(­4899.57/489957))^.001349966857 = (1+(­ Por tanto, si queremos calcular nuestro TWR para 232 operaciones a una media .01))^.001349966857 geométrica de 1,0265, elevaríamos 1,0265 a la potencia de 232, obteniendo 431,79. Por = .99^.001349966857 lo tanto, podemos afirmar que operando a una f óptima de 0,744, esperaríamos ganar el = 0,9999864325 43,079% ((431,79­1)*100) de nuestra participación después de 232 operaciones. Ahora bajamos a nuestro siguiente valor estándar, de ­2,9, donde tenemos unas pérdidas y ganancias asociadas de ­2866,72 y una probabilidad asociada de 0,001865. Nuestro HPR asociado aquí será: Umbral geométrico HPR = (­4725.24/(­4899.57/(­.01))))^.001866 = (1+ = 330,13/174,45*­4899,57/­0,744 = 12.462,32 Otro subproducto que calcularemos es nuestro umbral geométrico Ecuación (2.02): Tenga en cuenta que la operación promedio aritmética de $330,13 no es algo que (­4725.24/489957))^001866 = (1+ hayamos calculado con esta técnica, sino que es un hecho, ya que es uno de los (­4725.24/489957))^.001866 = ( 1+ parámetros de entrada. (­.009644193266))^.001866 = Ahora podemos convertir nuestra f óptima en cuántos contratos negociar mediante .990355807^.001866 las ecuaciones: = .9999819 Una vez que hayamos calculado un HPR asociado para cada valor estándar para un valor de prueba determinado (.01 en nuestra tabla de ejemplo), estará listo para calcular el TWR. La TWR es simplemente el producto de todas las HPR para un valor f dado (3.34) K = E/Q donde K = El número de contratos para negociar. E = El patrimonio en cuenta corriente. multiplicadas entre sí: (3.31) TRW = (∏[i (3.35) Q = W/( ­f) = 1,N]HPRi) dónde dónde N = El número total de puntos de datos igualmente espaciados. W = P&L asociado al peor caso. f = El valor f óptimo. HPRi = El HPR correspondiente al i­ésimo punto de datos, dado por la Ecuación (3.30). Tenga en cuenta que esta variable, Q, representa un número por el que puede dividir el capital de su cuenta a medida que su capital cambia día a día para saber cuántos Entonces, para nuestra prueba con un valor de = 0,01, la TWR será: contratos negociar. TWR = .9999864325*.9999819179*...*1.0000152327 = 1.0053555695 Podemos convertir fácilmente una TWR en una media geométrica elevando la TWR Volviendo ahora a nuestro ejemplo: a la potencia de 1 dividida por la suma de todas las probabilidades asociadas. Q = ­4.899,57/­0,744 = 6.585,44 dólares (3.32) G = TRW^(1/∑[i = 1,N] Pi) equidad. Para una cuenta de $25 000, esto significa que negociaríamos: Por lo tanto, negociaremos 1 contrato por cada $6.585,44 en la cuenta. K = 25000/6585,44 = 3,796253553 dónde Como no podemos negociar contratos fraccionarios, debemos redondear esta cifra N = El número de puntos de datos igualmente espaciados. de 3,796253553 al número entero más cercano. Por lo tanto, negociaríamos 3 contratos Pi = La probabilidad asociada del iésimo punto de datos. Tenga en cuenta que si sumamos la columna que enumera las 61 probabilidades asociadas idades es igual a 7,979105. Por lo tanto, nuestra media geométrica en f = .01 es: G por una cuenta de $25,000. La razón por la que siempre redondeamos hacia abajo en lugar de hacia arriba es que el precio extraído por estar ligeramente por debajo del óptimo es menor que el precio por estar ligeramente por encima del óptimo. = 1.0053555695^(1/7.979105) = 1.0053555695^.1253273393 = 1.00066963 Observe cuán sensible es el número óptimo de contratos a negociar ante la peor pérdida. Esta peor pérdida es únicamente una función de cuántos sigmas ­ 47 ­ Machine Translated by Google has decidido ir a la izquierda de la media. Este parámetro delimitador, comercio promedio geométrico, comercio promedio aritmético y umbral para el rango de sigmas, es muy importante en este cálculo. Hemos elegido tres sigmas en nuestro los geométricos sólo son válidos para el precio actual del subyacente cálculo. Esto significa que, en efecto, instrumento. Cuando el precio del instrumento subyacente cambia, presupuestado para una pérdida de tres Sigma. Sin embargo, una pérdida superior a tres sigmas se debe realizar nuevamente el procedimiento, volviendo al paso 1 y multiplicando el realmente puede perjudicarnos, dependiendo de qué tan lejos esté de tres sigmas. porcentaje de ganancias y pérdidas por el nuevo subyacente Por lo tanto, debes tener mucho cuidado con el valor que elijas para este precio. Cuando vaya a rehacer el procedimiento con un precio subyacente diferente, parámetro de límite de rango. Tendrás mucho en juego. obtendrá la misma f óptima, media geométrica y TWR. Sin embargo, su comercio promedio aritmético, promedio geométrico Tenga en cuenta que, para simplificar la ilustración, no hemos deducido las comisiones ni comercio, y el umbral de lo geométrico diferirá, dependiendo del los deslizamientos de estas cifras. Si quieres nuevo precio del instrumento subyacente. incorporar comisiones y deslizamientos, deberías deducir X dólares en comisiones y deslizamientos de cada una de las 232 operaciones al comienzo de 3. El número de contratos a negociar según lo indicado en la ecuación (3.34) debe este ejercicio. Calcularía su comercio promedio aritmético y ser cambiado. Las pérdidas y ganancias asociadas al peor caso, la variable W en desviación estándar de la población de este conjunto de 232 operaciones ajustadas, y La ecuación (3.34) [como subecuación (3.35)] será diferente como resultado luego realice el ejercicio exactamente como se describe. de los cambios causados en los datos ecualizados por una corriente diferente precio. Ahora podríamos regresar y realizar un tipo de escenario "¿Qué pasaría si?" aquí. Supongamos que queremos ver qué sucederá si el sistema comienza a funcionar. En este capítulo hemos aprendido cómo encontrar la f óptima en un rendir con sólo la mitad de la rentabilidad que tiene ahora (reducción = 0,5). Además, Distribución de probabilidad. Hemos utilizado la Distribución Normal porque aparece con mucha supongamos que el mercado en el que se encuentra el sistema que estamos analizando se vuelve muyfrecuencia en muchos procesos que ocurren naturalmente. volátil, y que como consecuencia la dispersión entre las operaciones aumenta en un 60% (stretch y debido a que es más fácil trabajar con él que muchas otras distribuciones, = 1,6). Al bombear estos parámetros a través ya que su función de densidad acumulativa, la ecuación (3.21), existe.5 Sin embargo, la Con este sistema podemos ver cuál será el óptimo para que podamos hacer ajustes en nuestras Lo normal a menudo se considera un modelo deficiente para la distribución del comercio. operaciones antes de que estos cambios pasen a ser historia. Al hacerlo, encontramos que el f ganancias y pérdidas. ¿Cuál es entonces un buen modelo para nuestros propósitos? En el óptimo ahora se convierte en ,262, o negociar 1 contrato En el próximo capítulo abordaremos esta pregunta y nos basaremos en las técnicas que hemos por cada $31,305.92 en patrimonio de la cuenta (ya que el peor caso asociado aprendido en este capítulo para trabajar con cualquier tipo de distribución de probabilidad, ya Las pérdidas y ganancias se ven fuertemente afectadas por los cambios en la dilatación y la contracción). esto es bastante sea que su función de densidad acumulativa sea conocida o no. no. un cambio. Esto significa que si estos cambios en el sistema de mercado comienzan a producirse materializarse, vamos a tener que hacer algunos cambios en nuestra gestión del dinero con respecto a ese sistema. La media geométrica caerá hasta 1,0027, el comercio promedio geométrico se reducirá a $ 83,02 y el TWR por encima 232 operaciones serán 1.869. Esto ni siquiera se acerca a lo que es actualmente. sería. Todo esto se basa en una disminución del 50% en el comercio promedio. y un aumento del 60% en la desviación estándar. Es muy posible que esto suceda. También es muy posible que el futuro resulte más favorable que el pasado. También podemos probar esto. Supongamos que queremos ver ¿Qué pasará si nuestro beneficio medio aumenta sólo un 10%? Podemos verifique esto ingresando un valor de reducción de 1.1. Estos parámetros del tipo “¿Qué pasaría si?”, ampliados y reducidos, realmente nos dan un gran poder en nuestra gestión del dinero. Cuanto más cerca esté su distribución de pérdidas y ganancias comerciales de Normal para comenzar con, mejor funcionará la técnica para usted. El problema con casi cualquier técnica de administración del dinero es que existe una cierta cantidad de "desecho" involucrado. Aquí podemos definir la pendiente como la diferencia entre la Distribución Normal y la distribución que realmente estamos usando. El La diferencia entre los dos es la pendiente, y cuanto más pendiente hay, menos efectiva se vuelve la técnica. Para ilustrar, recuerde que usando este método hemos determinado que negociar 1 contrato por cada $6.585,44 en el capital de la cuenta es óptimo. Sin embargo, si repasáramos estas operaciones y encontráramos nuestra f óptima empíricamente, encontraríamos que lo óptimo es negociar 1 contrato por cada $7,918.04 en patrimonio de la cuenta. Como puede ver, usar la técnica de Distribución Normal aquí nos tendría ligeramente a la derecha de la curva f, negociando un poco más de contratos de lo que sugeriría la experiencia empírica. Sin embargo, como veremos, hay mucho que decir a favor de esperar que La distribución futura de los precios se distribuirá normalmente. Cuando alguien compra o vende una opción, el supuesto de que la distribución futura de la El registro de cambios de precio en el instrumento subyacente será Normal. en el precio de la opción. En esta misma línea de razonamiento, alguien quién ingresa a una operación en un mercado y no utiliza un sistema mecánico Se puede decir que estamos mirando la misma posible distribución futura. La técnica detallada en este capítulo se mostró utilizando datos que no fue igualado. También podemos utilizar esta misma técnica en datos ecualizados incorporando los siguientes cambios: Antes de estandarizar los datos, se deben igualar convirtiendo primero todas las ganancias y pérdidas comerciales en ganancias y pérdidas porcentuales. según las ecuaciones (2.10a) a (2.10c). Entonces estos beneficios porcentuales y las pérdidas deben traducirse en porcentajes del precio actual simplemente multiplicándolos por el precio actual. 1. Cuando vaya a estandarizar estos datos, estandarice los datos ahora igualados usando la media y la desviación estándar de los datos igualados. datos. 5 Nuevamente, la función de densidad acumulada de la distribución normal no existe realmente, sino que se aproxima mucho mediante la ecuación (3.21). sin embargo, el La densidad acumulada de lo Normal puede al menos aproximarse mediante una ecuación, una Un lujo que no todas las distribuciones poseen. 2. El resto del procedimiento es el mismo que está escrito en este capítulo en términos de determinación de la f óptima, la media geométrica y la TWR. El ­ 48 ­ Machine Translated by Google Capítulo 4 ­ Técnicas paramétricas en otras distribuciones Para ver esto, mire la Figura 4­1. Observe que en el punto A la línea real está por encima de lo teórico. Por lo tanto, queremos comparar el valor CDF real actual con el valor teórico actual para encontrar la mayor diferencia. Sin embargo, en el punto B, la línea real está por debajo de la teórica. Por lo tanto, Hemos visto en el capítulo anterior cómo encontrar la f óptima queremos comparar el valor real anterior con el valor teórico actual y sus subproductos en la Distribución Normal. La misma técnica valor. La razón es que estamos midiendo la mayor distancia entre las dos líneas. Dado se puede aplicar a cualquier otra distribución donde la densidad acumulada que estamos midiendo en este instante el valor real Se conoce la función. Muchas de estas distribuciones más comunes y salta, podemos considerar usar el valor anterior para el real como el sus funciones de densidad acumulativa se tratan en el Apéndice B. Desafortunadamente, la mayoría de las distribuciones de pérdidas y ganancias comerciales no encajan claramente en el Funciones de distribución normales u otras funciones comunes. En este capítulo nosotros Primero tratemos este problema de la naturaleza indefinida de la distribución de negociar pérdidas y ganancias y luego observar la técnica de planificación de escenarios, una valor actual para el instante real antes de que salte. En resumen, entonces, para cada valor estándar, queremos tomar el valor absoluto de la diferencia entre el valor CDF real actual y el valor CDF teórico actual. También queremos tomar el valor absoluto de la diferencia entre el valor CDF real anterior y el valor CDF teórico actual. Al hacer esto para todos los consecuencia natural de la noción de f óptimo. Esta técnica tiene muchas amplias aplicaciones. Esto luego lleva a encontrar la f óptima en un valores estándar, todos distribución agrupada, lo que nos lleva al siguiente capítulo sobre ambos puntos donde la CDF real salta 1/N, y tomando la mayor opciones y múltiples posiciones simultáneas. diferencia, habremos determinado la variable D. Antes de intentar modelar la distribución real de las pérdidas y ganancias comerciales, Cuanto menor sea el valor de D, más parecidas serán las dos distribuciones. Podemos convertir fácilmente el valor D a un nivel de significancia mediante la siguiente debemos tener un método para comparar dos distribuciones. fórmula: LA PRUEBA DE KOLMOGOROV­SMIRNOV (KS) (4.01) SIG = ∑[j = 1, ∞] (j%2)*4­2*EXP(­2*j^2*(N^(1/2)*D)^2) dónde La prueba de chi­cuadrado es sin duda el más popular de todos los métodos de comparando dos distribuciones. Dado que muchas aplicaciones orientadas al mercado SIG = El nivel de significancia para una D y N determinadas. Además de los que realizamos en este capítulo, a menudo se utiliza el chi­cuadrado. D = El estadístico KS. prueba, se analiza en el Apéndice A. Sin embargo, la mejor prueba para nuestros propósitos N = El número de operaciones sobre las que se determina la estadística KS. bien puede ser la prueba KS. Esta prueba muy eficiente es aplicable a distribuciones no agrupadas que son función de una única variable independiente (beneficio por operación en nuestro caso). % = El operador de módulo, el resto de la división. Como están las cosas utilizado aquí, J % 2 produce el resto cuando J se divide por 2. EXP() = La función exponencial. Todas las funciones de densidad acumulativa tienen un valor mínimo de 0 y un No es necesario seguir sumando los valores hasta que J llegue al infinito. valor máximo de 1. Lo que sucede entre ellos los diferencia. El La prueba KS mide una variable muy simple, D, que se define como la Valor absoluto máximo de la diferencia entre dos distribuciones. La ecuación converge (normalmente en poco tiempo) a un valor. Una vez el funciones de densidad acumulativa. Es necesario continuar sumando valores. Si se obtiene la convergencia a una tolerancia del usuario lo suficientemente cercana, no hay Para ilustrar la ecuación (4.01) con un ejemplo. Supongamos que tuviéramos 100 Realizar la prueba KS es relativamente sencillo. N objetos (comercios en nuestro operaciones que arrojaron una estadística KS de .04: caso) están estandarizados (restando la media y dividiendo por el desviación estándar) y ordenados en orden ascendente. A medida que pasamos J1 = (1%2)*4­2*EXP(­2*1^2*(100^(1/2)*.04)^2) En estas operaciones ordenadas y estandarizadas, la probabilidad acumulada es cuántas = 1*4­2*EXP(­2*1^2*(10*.04)^2) operaciones hemos realizado divididas por N. Cuando llegamos a nuestro primera operación en la secuencia ordenada, la operación con el valor estándar más bajo, la función de densidad acumulativa (CDF) es igual a 1/N. Con cada = 2*EXP(­2*1^2*.4^2) =2*EXP(­2*1*.16) Valor estándar que transmitimos en el camino hacia nuestro estándar más alto. = 2*EXP(­.32) valor, se suma 1 al numerador hasta que, al final de la secuencia, nuestro = 2*.726149 CDF es igual a N/N o 1. = 1,452298 Para cada valor estándar podemos calcular la distribución teórica. Entonces nuestro primer valor es 1,452298. Ahora a esto le agregaremos el siguiente pase. con el que queremos comparar. Por lo tanto, podemos comparar nuestra densidad a través de la ecuación, y como tal debemos incrementar J en 1 para que J acumulativa real con cualquier densidad acumulativa teórica. La variable D, la ahora es igual a J2: Estadístico KS, es igual a la mayor distancia entre cualquier valor estándar de nuestra J2 = (2%2)*4­2*EXP(­2*2^2*(100^(1/2)*.04)^2) densidad acumulada real y el valor de la CDF de la distribución teórica en ese valor estándar. Cualquiera que sea el valor estándar que resulte = 0*4­2*EXP(­2*2^2*(10*.04)^2) en la mayor diferencia se asigna a la variable D. = ­2*EXP(­2*2^2*.4^2) = ­2*EXP(­2*4*.16) Al comparar nuestro CDF real a un valor estándar dado con el CDF teórica en ese valor estándar, también debemos comparar la CDF real del valor estándar anterior con la CDF real del valor estándar actual. = ­2*EXP(­1,28) = ­2*.2780373 CDF. La razón es que el CDF real sube instantáneamente. = ­.5560746 en los puntos de datos, y, si lo real está por debajo de lo teórico, la diferencia entre las Sumando este valor de ­.5560746 nuevamente a nuestra suma acumulada de líneas es mayor el instante antes de que lo real salte. 1,452298 nos da una nueva suma acumulada de 0,8962234. Nuevamente incrementamos 1 0,9 Probabilidad acumulada J por 1, por lo que es igual a J3, y realiza la ecuación. Tomamos el resultado Suma y agrégala a nuestro total acumulado de .8962234. Seguimos haciendo esto hasta que converjamos a un valor dentro de una tolerancia lo suficientemente cercana. Para nuestro 0,8 Por ejemplo, este punto de convergencia estará alrededor de .997, dependiendo A 0,7 0,6 sobre cuántos decimales queremos tener precisión. esta respuesta B significa que para 100 operaciones donde el mayor valor entre las dos distribuciones fue 0,5 .04, podemos estar 99.7% seguros de que la distribución real 0,4 0.3 fue generado por la función de distribución teórica. En otras palabras, 0,2 podemos estar 99,7% seguros de que la función de distribución teórica representa la distribución real. Por cierto, este es un nivel de significancia muy bueno. Actual 0.1 0 ­3 Teórico ­2 ­1 0 Valores estándar 1 2 3 Figura 4­1 La prueba KS. ­ 49 ­ Machine Translated by Google CREANDO NUESTRA PROPIA DISTRIBUCIÓN CARACTERÍSTICA 1 FUNCIÓN Hemos determinado que la distribución de probabilidad normal es 0,8 generalmente no es un muy buen modelo de distribución de los beneficios comerciales y pérdidas. Además, ninguna de las distribuciones de probabilidad más comunes es cualquiera. Por lo tanto, debemos crear una función para modelar la distribución de 0,6 nuestras ganancias y pérdidas comerciales nosotros mismos. Generalmente se supone que la distribución de los registros de cambios de precios es ser de la variedad paretiana estable (para una discusión sobre la variedad paretiana estable) 0,4 distribución, consulte el Apéndice B). La distribución de las pérdidas y ganancias comerciales puede considerarse como una transformación de la distribución de precios. Esta transformación se 0,2 produce como resultado de técnicas comerciales como las de los comerciantes que intentan para reducir sus pérdidas y dejar correr sus ganancias. Por tanto, la distribución de Las pérdidas y ganancias comerciales también pueden considerarse de la variedad paretiana estable. Qué que estamos a punto de estudiar, sin embargo, no es el paretiano estable. La paretiana estable, como todas las demás funciones distributivas, modela una fenómeno de probabilidad específico. El paretiano estable modela la distribución de sumas de 0 ­3 ­2 ­1 0 1 2 3 Figura 4­3 LOC =­.5 ESCALA = 1 SESGO = 0 KURT = 2 Del mismo modo, si quisiéramos cambiar la ubicación hacia la derecha, usaríamos un variables aleatorias independientes e idénticamente distribuidas. La función distributiva que estamos a punto de estudiar no modela un fenómeno de valor positivo para la variable LOC. Mantener LOC en cero resultará en probabilidad específico. Más bien, modela otras funciones de distribución unimodales. Como sin cambio de ubicación, como se muestra en la Figura 4­2. El exponente en el denominador afecta la curtosis. Hasta ahora, tenemos tal, puede replicar la forma y, por lo tanto, el Hemos visto la distribución con la curtosis establecida en un valor de 2, pero podemos densidades de probabilidad, de la distribución paretiana estable así como de cualquier otra distribución unimodal. controlar la curtosis de la distribución cambiando el valor del exponente. Esto altera nuestra función característica, que ahora aparece como: Ahora crearemos esta función. Para empezar, considere la siguiente ecuación: (4.04) Y = 1/((X­LOC)^KURT+1) dónde (4.02) Y = 1/(X^2+1) Y = La ordenada de la función característica. Esta ecuación se representa como una curva general en forma de campana, simétrica. X = El importe del valor estándar. alrededor del eje X, como se muestra en la Figura 4­2. 1 LOC = Una variable que representa la ubicación, el primer momento del distribución. 0,8 KURT = Una variable que representa la curtosis, el cuarto momento del distribución. 0,6 sobre nuestra función característica. Tenga en cuenta que cuanto mayor sea el exponente, Las figuras 4­4 y 4­5 demuestran el efecto de la variable curtosis. distribución más plana y de cola más delgada (platicúrtica), y la Cuanto menor sea el exponente, más puntiagudo será el pico y más gruesas las colas de 0,4 la distribución (leptocúrtica). 1 0,2 0 ­3 0,8 ­2 ­1 0 1 2 3 0,6 Figura 4­2 LOC = 0 ESCALA = 1 SESGO = 0 KURT = 2. Así construiremos a partir de esta ecuación general. La variable X puede 0,4 considerarse como el número de unidades estándar que estamos a cada lado del media o eje Y. Podemos afectar el primer momento de esta "distribución", la ubicación, agregando un valor para representar un cambio de ubicación a X. 0,2 Así, la ecuación queda: (4.03) Y = 1/((X­LOC)^2+1) 0 ­3 dónde Y = La ordenada de la función característica. ­2 ­1 0 1 2 3 1 2 3 Figura 4­4 LOC = 0 ESCALA = 1 SESGO =0 KURT = 3. X = El importe del valor estándar. LOC = Una variable que representa la ubicación, el primer momento del distribución. 1 Por lo tanto, si quisiéramos alterar la ubicación moviéndola hacia la izquierda 1/2 0,8 de una unidad estándar, estableceríamos LOC en ­0,5. Esto nos daría la gráfico representado en la Figura 4­3. 0,6 0,4 0,2 0 ­3 ­ 50 ­ ­2 ­1 0 Machine Translated by Google (4.06) Y = (1/(ABS((X­LOC)*ESCALA)^KURT+1))^C Figura 4­5 LOC = 0 ESCALA = 1 SESGO = 0 KURT = 1 dónde Para que no nos encontremos con problemas con los números irracionales cuando KURT<1, usaremos el valor absoluto del coeficiente en el denominador. Esto no afecta la C = El exponente de la asimetría, calculado como: forma de la curva. Así, podemos (4.07) C = (1+(ABS(SKEW)^ABS( 1/(X­LOC))*signo(X)*­ reescriba la ecuación (4.04) como: signo(SESGO)))^.5 (4.04) Y = 1/(ABS(X­LOC)^KURT+1) Y = La ordenada de la función característica. X = El estándar cantidad de valor. Podemos poner un multiplicador al coeficiente en el denominador para permitirnos controlar la escala, el segundo momento de la distribución. De este modo, nuestra función característica ahora se ha convertido en: LOC = Una variable que representa la ubicación, el primer momento del distribución. (4.05) Y = 1/(ABS((X­LOC)*ESCALA) ^ KURT+1) ESCALA = Una variable que representa la escala, el segundo momento de la distribución. dónde Y = La ordenada de la función característica. SKEW = Una variable que representa la asimetría, el tercer momento de la distribución. X = El importe del valor estándar. LOC = Una variable que representa la ubicación, el primer momento del distribución. KURT = Una variable que representa la curtosis, el cuarto momento del distribución. ESCALA = Una variable que representa la escala, el segundo momento de la distribución. para X distinto de 0. Si X es igual a cero, el signo sign() = La función de signo, igual a 1 o ­1. El signo de X se calcula como X/ABS(X) debe considerarse positivo. KURT = Una variable que representa la curtosis, el cuarto momento del distribución. Las figuras 4­8 y 4­9 demuestran el efecto de la variable de asimetría en nuestra distribución. Las figuras 4­6 y 4­7 demuestran el efecto del parámetro de escala. El efecto de este parámetro se puede considerar como mover la línea horizontal. 1 eje hacia arriba o hacia abajo en la distribución. Cuando el eje se mueve hacia arriba (mediante una escala decreciente), el gráfico también se amplía. Esto resulta en lo que tenemos 0,8 en la Figura 4­6. Esto tiene el efecto de mover el eje horizontal hacia arriba y ampliando la curva de distribución. El resultado es como si estuviéramos mirando en el "límite" de la distribución. La figura 4­7 hace justo lo contrario. Como es 0,6 Como se muestra en la figura, el efecto es que el eje horizontal ha sido bajó y la curva de distribución se redujo. 0,4 1 0,2 0,8 0 ­3 0,6 ­2 ­1 0 1 2 3 1 2 3 Figura 4­8 LOC = 0 ESCALA = 1 SESGO = ­.5 KURT = 2. 0,4 1 0,2 0,8 0 ­3 ­2 ­1 0 1 2 3 0,6 Figura 4­6 LOC = 0 ESCALA = 0,5 SESGO = 0 KURT = 2. 0,4 1 0,2 0,8 0 ­3 0,6 ­2 ­1 0 Figura 4­9 LOC = 0 ESCALA = 1 SESGO = +.5 KURT = 2. 0,4 Algunas notas importantes sobre los cuatro parámetros LOC, SCALE, SKEW y KURT. Con excepción de la variable LOC (que es expresado como el número de valores estándar para compensar la distribución), 0,2 las otras tres variables son adimensionales , es decir, sus valores son números puros que tienen significado sólo en un contexto relativo, caracterizan la forma 0 ­3 de la distribución y son relevantes sólo para esta distribución. ­2 ­1 0 1 2 3 Además, los valores de los parámetros no son los mismos valores que usted Figura 4­7 LOC = 0 ESCALA = 2 SESGO = 0 KURT = 2. obtendría si empleara cualquiera de las técnicas de medición estándar detalladas en Ahora tenemos una función característica para una distribución mediante la cual "Medidas descriptivas de distribuciones" en el Capítulo 3. Por ejemplo, si determinara uno tener control total sobre tres de los primeros cuatro momentos de la distribución. de los coeficientes de asimetría de Pearson en un Actualmente, la distribución es simétrica respecto a la ubicación. Qué conjunto de datos, no sería el mismo valor que usaría para el Lo que ahora necesitamos es poder incorporar una variable para la asimetría, la SKEW variable en las distribuciones ajustables aquí. Los valores para el tercer momento de la distribución, en esta función. para dar cuenta de asimetría, debemos modificar aún más nuestra función. Nuestra función característica ha evolucionado ahora a: ­ 51 ­ cuatro variables son exclusivas de nuestra distribución y tienen significado sólo en un contexto relativo. Machine Translated by Google También es importante el rango que pueden tomar las variables. El ción en el punto X, como N(X). Por lo tanto, dado que la ecuación (4.06) nos da la primera ESCALA. La variable siempre debe ser positiva sin límite superior, y derivada de la integral, definimos la ecuación (4.06) como N'(X). lo mismo con KURT. Sin embargo, en la aplicación, generalmente utilizará valores entre 0,5 y A menudo es posible que no puedas derivar la integral de una función, incluso 3, y en casos extremos entre 0,05 y 5. Sin embargo, si dominas el cálculo. Por lo tanto, en lugar de determinar la puedes usar valores más allá de estos extremos, siempre que sean mayores que cero. integral a la Ecuación (4.06), vamos a confiar en una técnica diferente, una que, aunque requiere un poco más de mano de obra, es más difícil que la técnica de La variable LOC puede ser positiva, negativa o cero. El parámetro SKEW debe ser mayor o igual a ­1 y menor o igual a +1. encontrar la integral. Las probabilidades respectivas siempre se pueden estimar para cualquier punto. Cuando SKEW es igual a +1, todo el lado derecho de la distribución (derecho de en la línea característica de la función haciendo que la distribución sea una serie de muchas el pico) es igual al pico, y viceversa cuando SKEW es igual a ­1. barras. Luego, para cualquier barra determinada de la distribución, puedes Los rangos de las variables se resumen como: calcular la probabilidad asociada en esa barra tomando la suma de las áreas de todas esas barras a la izquierda de su barra, incluida su barra, y dividiéndola por la (4.08) ­infinito<LOC<+infinito suma de las áreas de todas las barras en la distribución. El (4.09) ESCALA>0 Cuantas más barras utilices, más precisas serán tus probabilidades estimadas. (4.10) ­1<=SESGAR<=+1 ser. Si pudieras usar un número infinito de barras, tu estimación sería exacto. (4.11) KURT>0 Las figuras 4­2 a 4­9 demuestran cuán flexible es nuestra distribución. Podemos ajustar Ahora analizamos el procedimiento para encontrar las áreas bajo nuestra distribución estos cuatro parámetros de manera que la distribución resultante pueda ajustarse a casi ajustable a modo de ejemplo. Supongamos que deseamos encontrar cualquier otra distribución. probabilidades asociadas con cada incremento de 0,1 en los valores estándar de ­3 a +3 sigmas de nuestra distribución ajustable. Observe que nuestra tabla (p. 163) comienza en ­5 unidades estándar y termina en +5 unidades estándar, la razón AJUSTE DE LOS PARÁMETROS DE LA DISTRIBUCIÓN Al igual que con el proceso descrito en el Capítulo 3 para encontrar nuestra f óptima en la Distribución Normal, debemos convertir nuestros datos comerciales sin procesar siendo que usted debe comenzar y terminar 2 sigmas más allá de los parámetros límite (­3 y +3 sigmas en este caso) para obtener resultados más precisos. Por lo tanto, comenzamos nuestra tabla en ­5 sigmas y la terminamos en +5 sigmas. a unidades estándar. Hacemos esto restando primero la media de Observe que X representa el número de unidades estándar que estamos cada comercio, luego se divide por la desviación estándar de la población. De esto En adelante, trabajaremos con los datos en unidades estándar en lugar de lejos de la media. A esto le siguen los cuatro valores de parámetros. que en su forma cruda. Después de que tengamos nuestras operaciones en valores estándar, podemos La siguiente columna es la columna N'(X), la altura de la curva en el punto X ordenarlos en orden ascendente. Con nuestros datos comerciales organizados de esta manera, dados los valores de estos parámetros. N'(X) se calcula mediante la ecuación (4.06). podrá realizar la prueba KS en él. Ahora trabajamos con la ecuación (4.06). Supongamos que queremos calcular N'(X) para Nuestro objetivo ahora es encontrar qué valores para LOC, SCALE, SKEW, y KURT se ajustan mejor a nuestra distribución comercial real. Para determinar este "mejor X en ­3, con los valores para los parámetros de .02, 2.76, 0, ajuste" nos basamos en la prueba KS. Estimamos los valores de los parámetros empleando la calcule el exponente de asimetría, C en la ecuación (4.06), dada como ecuación (4.07), como: y 1,78 para LOC, SCALE, SKEW y KURT respectivamente. Primero nosotros "técnica de fuerza bruta del siglo XX". x LOC SCA combinación para KURT de 3 a .5 por ­.1 (podríamos ejecutarlo con la misma facilidad de .5 a 3 por .1, ya que no importa si ascendemos o descendemos a través de los valores). También ejecutamos todas las combinaciones para ESCALA desde 3 a .5 por ­.1. Por el momento dejamos LOC y SKEW en 0. Por lo tanto, vamos a ejecutar las siguientes combinaciones: LOC ESCALA SESGO KURT 030030 3 2.9 0303 0 2,8 03 0 2,7 0 2,6 0303 0 2,5 0303 0 2,4 0303 0 2,3 03 0 2,2 0 2,1 0 0 0 2,9 0 0 2,9 0 ,5 0 0 ,5 0 0 2 1,9 3 2,9 ,6 ,5 Realizamos la prueba KS para cada combinación. La combinación eso da como resultado la estadística KS más baja que asumimos que son nuestros valores de parámetros óptimos y de mejor ajuste para SCALE y KURT (por el momento). Para realizar la prueba KS para cada combinación, necesitamos tanto la distribución real como la distribución teórica (determinada a partir de la parámetros para la distribución ajustable que estamos probando). Ya hemos visto cómo construir la densidad acumulada real como X/N, donde N es el número total de operaciones y X es la clasificación (entre 1 y N) de un comercio determinado. Ahora necesitamos calcular la CDF (la función de qué porcentaje del área de la función característica constituye un cierto punto) para nuestra distribución teórica para el LOC dado, Valores de los parámetros SCALE, SKEW y KURT que estamos repitiendo actualmente a través de. Contamos con la función característica para nuestra distribución regulable. Esta es la ecuación (4.06). Para obtener una CDF a partir de la función característica de una distribución debemos encontrar la integral de la función característica. Nosotros Defina la integral, el porcentaje de área bajo la función característica. ­ 52 ­ SKE KURT N'(X)Ec.(4.06) RUNNING­LE W. SUMA ­5,0 0,02 2,76 0 1,78 0,0092026741 0,0092026741 0,000388 ­4,9 0,02 2,76 0 1,78 0,0095350519 0,018737726 0,001178 ­4,8 0,02 2,76 0 1,78 0,0098865117 0,0286242377 0,001997 ­4,7 0,02 2,76 0 1,78 0,01025857 0,0388828077 0,002847 ­4,6 0,02 2,76 0 1,78 0,0106528988 0,0495357065 0,003729 ­4,5 0,02 2,76 0 1,78 0,0110713449 0,0606070514 0,004645 ­4,4 0,02 2,76 0 1,78 0,0115159524 0,0721230038 0,005598 ­4,3 0,02 2,76 0 1,78 0,0119889887 0,08411I9925 0,006590 ­4,2 0,02 2,76 0 1,78 0,0124929748 0,0966049673 0,007622 ­4,1 0,02 2,76 0 1,78 0,0130307203 0.I096356876 0,008699 ­4,0 0,02 2,76 0 1,78 0,0136053639 0,1232410515 0,009823 ­3,9 0,02 2,76 0 1,78 0,0142204209 0,1374614724 0,010996 ­3,8 0,02 2,76 0 1,78 0,0148798398 0,1523413122 0,012224 ­3,7 0,02 2,76 0 1,78 0,0155880672 0,1679293795 0,013509 ­3,6 0,02 2,76 0 1,78 0,0163501266 0,184279506 0,014856 ­3,5 0,02 2,76 0 1,78 0,0171717099 0,2014512159 0,016270 ­3,4 0,02 2,76 0 1,78 0,0180592883 0,2195105042 0,017756 ­3,3 0,02 2,76 0 1,78 0,0190202443 0,2385307485 0,019320 ­3,2 0,02 2,76 0 1,78 0,0200630301 0,2585937786 0,020969 ­3,1 0,02 2,76 0 1,78 0,0211973606 0,2797911392 0,022709 ­3,0 0,02 2,76 0 1,78 0,0224344468 0,302225586 0,024550 ­2,9 0,02 2,76 0 1,78 0,0237872819 0,3260128679 0,026499 ­2,8 0,02 2,76 0 1,78 0,0252709932 0,3512838612 0,028569 ­2,7 0,02 2,76 0 1,78 0,0269032777 0,3781871389 0,030770 ­2,6 0,02 2,76 0 1,78 0,0287049446 0,4068920835 0,033115 ­2,5 0,02 2,76 0 1,78 0,0307005967 0,4375926802 0,035621 ­2,4 0,02 2,76 0 1,78 0,032919491I 0,4705121713 0,038305 ­2,3 0,02 2,76 0 1,78 0,0353966362 0,5059088075 0,041186 ­2,2 0,02 2,76 0 1,78 0,0381742015 0,544083009 0,044290 ­2,1 0,02 2,76 0 1,78 0,041303344 0,5853863529 0,047642 ­2,0 0,02 2,76 0 1,78 0,0448465999 0,6302329529 0,051276 ­1,9 0,02 2,76 0 1,78 0,0488810452 0,6791139981 0,055229 ­1,8 0,02 2,76 0 1,78 0,0535025185 0,7326165166 0,059548 ­1,7 0,02 2,76 0 1,78 0,0588313292 0,7914478458 0,064287 ­1,6 0,02 2,76 0 1,78 0,0650200649 0,8564679107 0,06951I ­1,5 0,02 2,76 0 1,78 0,0722644105 0,9287323213 0,075302 ­1,4 0,02 2,76 0 1,78 0,080818341 1,0095506622 0,081759 ­1,3 0,02 2,76 0 1,78 0,0910157581 1,1005664203 0,089007 ­1,2 0,02 2,76 0 1,78 0,1033017455 1,2038681658 0,097204 ­1,1 0,02 2,76 0 1,78 0.I182783502 1,322146516 0,106550 N(X) Machine Translated by Google x LOC SCA SKE KURT N'(X)Ec.(4.06) RUNNING­LE W. SUMA = .02243444681 N(X) Por tanto, en el punto X = ­3, el valor de N'(X) es .02243444681. (Aviso ­1,0 0,02 2,76 0 ­0,9 1,78 0,1367725028 1,4589190187 0,117308 0,02 2,76 0 ­0,8 0,02 1,78 0,1599377464 1,6188567651 0,129824 2,76 0 ­0,7 0,02 2,76 1,78 0,1894070001 1,8082637653 0,144560 0 ­0,6 0,02 2,76 0 1,78 0,2275190511 2,0357828164 0,162146 ­0,5 0,02 2,76 0 1,78 0,2776382822 2,3134210986 0,183455 suficiente. Ahora calculamos la columna N(X), las probabilidades resultantes 1,78 0,3445412618 2,6579623604 0,209699 asociado con cada valor de X, para los valores de parámetros dados. Hacer ­0,4 0,02 2,76 0 ­0,3 1,78 0,4346363128 3,0925986732 0,242566 Para ello debemos realizar la Ecuación (4.12): 0,02 2,76 0 ­0,2 0,02 1,78 0,5550465747 3,6476452479 0,284312 (4.12) N(C) = (∑[i = 1,C]N'(Xi)+∑[i = 1,C­1]N'(Xi))/2/ ∑[i = 2,76 0 ­0,1 0,02 2,76 1,78 0,7084848615 4,3561301093 0,337609 0 0,0 0,02 2,76 0 0,1 1,78 0,8772840491 5,2334141584 0,404499 1,M]N'(Xi) 0,02 2,76 0 0,2 0,02 1,78 1 6,2334141584 0,483685 2,76 0 0,3 0,02 2,76 1,78 0,9363557429 7,1697699013 0,565363 C = El valor X actual. 0 0,4 0,02 2,76 0 0,5 1,78 0,776473162 7,9462430634 0,637613 M = El recuento total de valores X. 0,02 2,76 0 1,78 0,6127219404 8,5589650037 0,696211 que calculemos una columna N'(X), que corresponde a cada valor de X). El siguiente paso que debemos realizar, la siguiente columna, es la suma acumulada. de las N'(X) a medida que avanzamos a través de las X. Esto es sencillo dónde La ecuación (4.12) dice, literalmente, sumar la suma corriente al valor actual 1,78 0,4788099392 9,0377749429 0,742253 valor de X a la suma acumulada en el valor anterior de X a medida que avanzamos 1,78 0,377388991 9,4151639339 0,778369 hasta las X. Ahora divide esta suma por 2. Luego toma el nuevo cociente y divídelo por el 0,6 0,02 2,76 0 0,7 1,78 0,3020623672 9,7172263011 0,807029 0,02 2,76 0 0,8 0,02 1,78 0,2458941852 9,9631204863 0,830142 2,76 0 0,9 0,02 2,76 1,78 0,2034532796 10,1665737659 0,849096 los N'(X) (el total de la columna N'(X)). Esto nos da la resultante 0 1,0 0,02 2,76 0 1,1 1,78 0,1708567846 10,3374305505 0,864885 probabilidades para un valor dado de X, para valores de parámetros dados. 0,02 2,76 0 1,2 0,02 1,78 0,1453993995 10,48282995 0,878225 2,76 0 1,3 0,02 2,76 1,78 0,1251979811 10,6080279311 0,889639 0 1,4 0,02 2,76 0 1,5 1,78 0,1089291462 10,7169570773 0,899515 .2797911392. La suma de estas dos sumas acumuladas nos da 0,02 2,76 0 1,78 0,0956499316 10,8126070089 0,908145 5820167252. Dividir esto por 2 nos da .2910083626. Luego dividiendo último valor en la columna de la suma acumulada de Por lo tanto, para el valor de ­3 para X, la suma acumulada de los N'(X) en ­3 es .302225586, y la X anterior, ­3.1, tiene un valor de suma acumulada de 1,78 0,0846780659 10,8972850748 0,915751 esto por el último valor en la columna de suma acumulada, el total de todos los 1,78 0,0755122067 10,9727972814 0,922508 N'(X), 11,8535923812, nos da un cociente de 0,02455022522. Esto es 1,6 0,02 2,76 0 1,7 1,78 0,0677784099 11,0405756913 0,928552 0,02 2,76 0 1,8 0,02 1,78 0,0611937787 11,10176947 0,933993 2,76 0 1,9 0,02 2,76 1,78 0,0555414402 11,1573109102 0,938917 0 2,0 0,02 2,76 0 1,78 0,0506530744 11,2079639847 0,943396 2,1 0,02 2,76 0 2,2 1,78 0,0463965419 11,2543605266 0,947490 distribución ajustable, podemos realizar la prueba KS para la 0,02 2,76 0 2,3 0,02 1,78 0,0426670018 11,2970275284 0,951246 valores de parámetros que estamos utilizando actualmente. Antes de hacerlo, sin embargo, 2,76 0 2,4 0,02 2,76 1,78 0,0393804519 11,3364079803 0,954707 debemos hacer ajustes por un par de consideraciones preliminares más. 0 2,5 0,02 2,76 0 1,78 0,0364689711 11,3728769515 0,957907 la probabilidad asociada, N(X), en el valor estándar de X = ­3. Una vez que hayamos construido probabilidades acumuladas para cada operación en la distribución real y las probabilidades para cada incremento de valor estándar en nuestra En el ejemplo de la tabla de probabilidades acumuladas mostrada anteriormente 1,78 0,0338771754 11,4067541269 0,960874 Para nuestra distribución ajustable, calculamos probabilidades en cada incremento de 0,1 1,78 0,0315595472 11,4383136741 0,963634 en los valores estándar. Esto fue por simplicidad. En la práctica, puede obtener un mayor 2,6 0,02 2,76 0 2,7 1,78 0,0294784036 11,4677920777 0,966209 0,02 2,76 0 2,8 0,02 1,78 0,0276023341 11,4953944118 0,968617 2,76 0 2,9 0,02 2,76 1,78 0,0259049892 11,5212994011 0,970874 0 3,0 0,02 2,76 0 3,1 1,78 0,0243641331 11,5456635342 0,972994 0,02 2,76 0 3,2 0,02 1,78 0,0229608959 11,5686244301 0,974990 práctica, es decir, ¿cuántos sigmas a cada lado de la media debes ir? 2,76 0 3,3 0,02 2,76 1,78 0,0216791802 11,5903036102 0,976873 para determinar sus probabilidades para nuestra distribución ajustable. En nuestro 0 3,4 0,02 2,76 0 3,5 1,78 0,0205051855 11,6108087957 0,978653 Por ejemplo, estábamos usando 3 sigmas a cada lado de la media, pero en realidad 0,02 2,76 0 1,78 0,0194270256 11,6302358213 0,980337 debes utilizar el valor absoluto del punto más alejado de la media. Para 1,78 0,0184344179 11,6486702392 0,981934 En nuestro ejemplo de 232 operaciones, el valor estándar del extremo izquierdo (más bajo) es ­2,96 grado de precisión utilizando un paso más pequeño. incremento. Considero que usar valores estándar de 0,01 es un buen incremento de paso. Unas palabras sobre cómo determinar sus parámetros delimitadores en la actualidad 1,78 0,0175184304 11,6661886696 0,983451 3,6 0,02 2,76 0 3,7 1,78 0,0166712734 11,682859943 0,984893 0,02 2,76 0 3,8 0,02 1,78 0,0158861285 11,6987460714 0,986266 2,76 0 3,9 0,02 2,76 1,78 0,0151570063 11,7139030777 0,987576 unidades estándar y el extremo derecho (más alto) es 6.935321 estándar unidades. Dado que 6,93 es mayor que ABS(­2,96), debemos tomar el 6,935321. Ahora, agregamos al menos 2 sigmas a este valor, para mayor precisión, y construir probabilidades para una distribución de ­8,94 a +8,94 sigmas. 0 4,0 0,02 2,76 0 4,1 1,78 0,014478628 11,7283817056 0,988826 0,02 2,76 0 4,2 0,02 1,78 0,0138463263 11,742228032 0,990020 2,76 0 4,3 0,02 2,76 1,78 0,0132559621 11,7554839941 0,991164 0 4,4 0,02 2,76 0 4,5 1,78 0,012703854 11,7681878481 0,992259 ­8,94 0,02 2,76 0 1,78 0,0121867187 11,7803745668 0,993309 ­8.93 Como queremos mucha precisión, usaremos un incremento de paso de .01. Por lo tanto, calcularemos probabilidades para valores estándar de: 1,78 0,0117016203 11,7920761871 0,994316 ­8,92 1,78 0,0112459269 11,8033221139 0,995284 4,6 0,02 2,76 0 4,7 1,78 0,0108172734 11,8141393873 0,996215 0,02 2,76 0 4,8 0,02 1,78 0,0104135298 11,8245529171 0,997110 2,76 0 4,9 0,02 2,76 1,78 0,0100327732 11,8345856903 0,997973 0 5,0 0,02 2,76 0 1,78 0,0096732643 11,8442589547 0,998804 ­8,91 +8.94 Ahora, lo último que debemos hacer antes de poder realizar nuestra 1,78 0,0093334265 11,8535923812 0,999606 La estadística KS consiste en redondear los valores estándar reales de las operaciones clasificadas a (4.07) C = (1+(ABS(SKEW)^ABS(1/(X­LOC))*signo(X)*­ el .01 más cercano (ya que estamos usando .01 como nuestro valor de paso en la signo(SKEW)))^.5 = distribución teórica). Por ejemplo, el valor 6,935321 no tendrá una probabilidad teórica (1+(ABS(0)^ABS(l/(­3­.02))*­1*­1))^5 = (1+0)^.5 = 1 correspondiente asociada, ya que está entre los valores de paso 6,93 y 6,94. Como 6,94 está más cerca de 6,935321, redondeamos 6,935321 a 6,94. Antes de que podamos comenzar el procedimiento de optimización de nuestro Así, sustituyendo C por 1 en la ecuación (4.06): parámetros de distribución ajustables a la distribución real empleando la prueba KS, (4.06) Y= (1/(ABS((X­LOC)*ESCALA)^KUKT+1))^C debemos redondear nuestras operaciones estandarizadas clasificadas reales a = (l/(ABS((­3­.02)*2.76)^1.78+1))^1 = (1/ el incremento de paso más cercano. ((3.02*2.76)^1.78+1))^1 = (1/(8.3352^ En lugar de redondear los valores estándar de las operaciones al valor más cercano 1,78+1))^1 = (1/ Xésimo lugar decimal, puede utilizar la interpolación lineal en su tabla de probabilidades (43,57431058+1))^1 = acumulativas para derivar probabilidades correspondientes al valor real. valores estándar de los oficios. Para obtener más información sobre la interpolación lineal, consulte a un (1/44,57431058)^1 buen libro de estadísticas, como algunos de los sugeridos en la bibliografía o Commodity = .02243444681^1 Market Money Management de Fred Gehm. ­ 53 ­ Machine Translated by Google Hasta ahora, hemos estado optimizando solo para el KURT que mejor se ajusta. 1.2 y valores de ESCALA. Lógicamente, parecería que si estandarizáramos nuestra datos, como tenemos, entonces el parámetro LOC debe mantenerse en 0 y el 1 El parámetro SCALE debe mantenerse en 1. Esto no es necesariamente cierto, ya que la verdadera ubicación de la distribución puede no ser la media aritmética, y el verdadero valor óptimo para la escala puede no ser 1. KURT y SCALE N(X) 0,8 Los valores tienen una relación muy fuerte entre sí. Por lo tanto, primero intentamos para aislar la "vecindad" de los valores de parámetros que mejor se ajustan a KURT y ESCALA. Para nuestras 232 operaciones, esto ocurre a una ESCALA igual a 0,6 N'(X) 2,7 y KURT igual a 1,9. Ahora intentamos progresivamente concentrarnos en el parámetro que mejor se ajusta valores. Este es un proceso que requiere mucho tiempo de computadora. Ejecutamos nuestro próximo pase. 0,4 A través de, ciclando el parámetro LOC de .1 a ­.1 por ­.05, la ESCALA parámetro de 2,6 a 2,8 por 0,05, el parámetro SKEW de 0,1 a ­0,1 por 0,2 ­.05, y el parámetro KURT de 1.86 a 1.92 por .02. Los resultados de este ciclo proporciona el óptimo (estadística KS más baja) en LOC = 0, 0 ­4899,56 ­3156,33 ­1413,1 330,13 2073,36 3716,59 ESCALA = 2,8, SESGO = 0 y KURT = 1,86. Así realizamos un tercer ciclo. Esta vez ejecutamos LOC desde Figura 4­10 Distribución ajustable ajustada a los 232 oficios. .04 a ­.04 por ­.02, ESCALA de 2.76 a 2.82 por .02, SKEW de .04 a ­.04 por ­.02, y KURT de 1.8 a 1.9 por .02. Los resultados de la tercera Si tomamos estos parámetros y encontramos la f óptima en esta distribución, limitando el ciclo muestra valores óptimos en LOC = 0,02, ESCALA = 2,76, la distribución de +3 a ­3 sigmas y usando 100 SKEW = 0 y KURT = 1,8. puntos de datos igualmente espaciados, llegamos a un valor f óptimo de .206, o 1 Ahora nos hemos centrado en la vecindad óptima, las áreas contrato por cada $23.783,17. Compare esto con el método empírico, donde los parámetros logran el mejor ajuste de nuestra función característica ajustable a los lo que demostró que el crecimiento óptimo se obtiene con 1 contrato por cada datos reales. Para nuestro último ciclo vamos a $7,918.04 en patrimonio de la cuenta. ejecute LOC de 0 a 0,03 por 0,01, ESCALA de 2,76 a 2,73 por ­01, SKEW Pero ese es el resultado que obtenemos si limitamos la distribución a 3 sigmas. de 0,01 a ­01 por ­01, y KURT de 1,8 a 1,75 por ­01. Los resultados cada lado de la media. En realidad, en la corriente empírica de los intercambios, de este pase final muestran los parámetros óptimos para nuestras 232 operaciones en LOC = tuvo una pérdida en el peor de los casos de 2,96 sigmas y una ganancia en el mejor de los .02, ESCALA = 2.76, SESGO = 0 y KURT = 1.78. casos de 6,94 sigmas. Ahora, si volvemos atrás y limitamos nuestra distribución a 2,96 sigmas en el lado izquierdo (lado negativo) de la media y 6,94 a la derecha (y usaremos USO DE LOS PARÁMETROS PARA ENCONTRAR LA F ÓPTIMA 300 puntos de datos igualmente espaciados esta vez), obtenemos una f óptima de .954 Ahora que hemos encontrado los valores de los parámetros que mejor se ajustan, podemos o 1 contrato por cada $5,062.71 en capital de la cuenta. ¿Por qué esto difiere? del óptimo empírico f de $7.918,04? Encuentre la f óptima en esta distribución. Podemos hacer el mismo procedimiento. La diferencia está en la "aspereza" de la distribución real. Recuerde que el nivel de Solíamos encontrar la f óptima en la distribución normal analizada en valor estándar (valor X) se calculan según el procedimiento significancia de nuestros parámetros de mejor ajuste fue solo 7,8384%. Tomemos nuestra distribución de 232 operaciones y la agruparemos en 12 contenedores. descrito para las ecuaciones (4.06) y (4.12). Con la Distribución Normal, encontramos nuestra de ­3 a +3 sigmas. el último capítulo. La única diferencia ahora es que las probabilidades asociadas para cada columna de probabilidades asociada (probabilidades correspondientes a un cierto valor Número de contenedores de operaciones estándar) usando la Ecuación (3.21). aquí, a ­3,0 ­2,5 2 encontrar nuestras probabilidades asociadas, debemos seguir el procedimiento detallado ­2,5 ­2,0 1 previamente: ­2,0 ­1,5 2 ­1,5 ­1,0 24 ­1,0 1. Para un valor estándar dado, X, calculamos su correspondiente N'(X) mediante ­0,5 39 ­0,5 0,0 Ecuación (4.06). 43 0,0 0,5 69 2. Para cada valor estándar, también tenemos el paso intermedio de mantener un 0,5 1,0 38 1,0 suma acumulada de los N'(X) correspondientes a cada valor de X. 1,5 7 1,5 2,0 2 2,0 2,5 0 3. Ahora, para encontrar N(X), la probabilidad resultante para un X dado, sume la suma acumulada correspondiente al valor de X con la suma acumulada correspondiente al valor de X anterior. dividir esta suma 2,5 3,0 2 por 2. Luego divide este cociente por la suma total de los N'(X), el Observe que al final de la distribución hay espacios, áreas o contenedores. última entrada en la columna de sumas corrientes. Este nuevo cociente es el donde no hay datos empíricos. Estas áreas invariablemente obtienen probabilidad asociada de una cola para una X dada. Ya que ahora tenemos un procedimiento para encontrar las probabilidades asociadas. para un valor estándar dado, X, para un conjunto dado de valores de parámetros, podemos encontrar nuestro f óptimo. El procedimiento es exactamente el mismo que el detallado. para encontrar la f óptima en la distribución normal. La única diferencia es que calculamos la columna de probabilidades asociada de manera diferente. En nuestro ejemplo de 232 operaciones, los valores de los parámetros que dan como resultado el La estadística KS más baja es 0,02, 2,76, 0 y 1,78 para LOC, ESCALA, SKEW, suavizado cuando ajustamos nuestra distribución ajustable a los datos, y Son estas áreas suavizadas las que causan la diferencia entre el fs óptimo paramétrico y empírico. ¿Por qué nuestra distribución no se ajusta a las ¿Se observa mejor, especialmente a la luz de lo maleable que es? La razón tiene que ver con que la distribución observada tiene demasiados puntos de inflexión. Una parábola se puede ahuecar hacia arriba o hacia abajo. Sin embargo, en la medida de una parábola, la dirección de la copa, ya sea que apunte hacia arriba o y KURT respectivamente. Llegamos a estos valores de parámetros usando hacia abajo, no cambia. Definimos un punto de inflexión como cualquier momento en el que el procedimiento de optimización descrito en este capítulo. Esto dio como resultado una La dirección de la concavidad cambia de arriba a abajo. Por lo tanto, un estadística KS de 0,0835529 (lo que significa que en su peor punto, las dos distribuciones la parábola tiene 0 puntos de inflexión, ya que la dirección de la concavidad estaban separadas por un 8,35529%) y un nivel de significancia de 7,8384%. nunca cambia. Un objeto con forma de letra S que yace de lado tiene La Figura 4­10 muestra la función de distribución para esos valores de parámetros. un punto de inflexión, un punto donde la concavidad cambia desde arriba que mejor se ajusten a nuestras 232 operaciones. a abajo. ­ 54 ­ Machine Translated by Google mencionado, debemos suponer que la f óptima para la siguiente operación está determinada paramétricamente por la función generadora, aunque esto pueda difieren del óptimo empírico f. Obviamente, los parámetros delimitadores tienen un efecto muy importante en Cóncavo hacia abajo el óptimo f. ¿Dónde debería colocar los parámetros delimitadores para obtener los mejores resultados? Mira lo que sucede a medida que movemos la parte superior. vendó. La siguiente tabla se compila delimitando el extremo inferior en 3 sigmas y utilizando 100 puntos de datos igualmente espaciados y los parámetros óptimos para nuestras 232 operaciones: Cóncava arriba Puntos de inflexión Cóncava arriba Límite superior ff$ 0,206 $23783,17 3 Sigmas 4 Sigmas 0,588 $8332,51 5 Sigmas 0,784 $6249,42 6 Sigmas 0,887 $5523,73 7 Sigmas 0,938 $5223,41 8 Sigmas 0,963 $5087,81 1 00 Figura 4­11 Puntos de inflexión en una distribución en forma de campana. Sigmas .999 $4,904.46 Observe que, manteniendo constante el límite La Figura 4­11 muestra la Distribución Normal. Note que hay dos inferior, mayor arriba nosotros puntos de inflexión en una curva en forma de campana como la Distribución Normal. Dependiendo mueve el límite superior, más se acerca la f óptima a 1. Por lo tanto, la del valor de ESCALA, nuestra distribución ajustable puede Cuanto más subamos el límite superior, más será la f óptima en dólares. tener n cero puntos de inflexión (si la ESCALA es muy baja) o dos puntos de acercarse exactamente al límite inferior (pérdida esperada en el peor de los casos). En esto inflexión. La razón por la que nuestra distribución ajustable no se ajusta a la realidad En el caso de que nuestro límite inferior esté en ­3 sigmas, cuanto más movamos el límite distribución de operaciones mejor que lo que hace es que la distribución real superior hacia arriba, más se acercará la f óptima en dólares al límite inferior. Tiene demasiados puntos de inflexión. consolidado como límite­$330,13­(1743,23*3) = ­$4.899,56. ¿Significa esto que nuestra distribución regulable ajustada está mal? Ahora observe lo que sucede cuando mantenemos constante el límite superior. Probablemente no. Si así lo deseamos, podríamos crear una distribución. (en 3), pero mueva el límite inferior hacia abajo. Muy pronto en este proceso el función que permitía más de dos puntos de inflexión, lo que La expectativa matemática aritmética se vuelve negativa. Esto sucede porque más del 50% del área bajo la función característica es para Se ajustaría mejor la curva a la distribución observada real. Si creáramos un función de distribución que permitía tantos puntos de inflexión como la izquierda del eje cero. En consecuencia, a medida que movemos el límite inferior deseado, podríamos ajustarnos perfectamente a la distribución observada. Nuestro óptimo Si el parámetro es más bajo, la f óptima rápidamente llega a cero. f derivada de allí sería entonces casi igual que la empírica. Ahora considere lo que sucede cuando movemos ambos parámetros delimitadores al Sin embargo, cuantos más puntos de inflexión agreguemos a nuestra función de distribución, mismo ritmo. Aquí estamos utilizando el conjunto de parámetros óptimo de menos robusta será (es decir, probablemente será menos robusta). .02, 2.76, 0 y 1.78 en nuestra distribución de 232 operaciones y 100 igualmente representante de los oficios en el futuro). puntos de datos espaciados: Sin embargo, no estamos tratando de ajustar el parámetro f al observado. Límite superior e inferior ff$ 3 Sigmas exactamente. Estamos tratando de determinar cómo se distribuyen los datos observados. para que podamos determinar con bastante precisión cuál es la solución óptima. .206 $23,783.17 4 Sigmas .158 $42,040.42 5 Así será el futuro si los datos se distribuyen como en el pasado. Sigmas ,126 $66,550.75 .104 $97,387.87 6 Sigmas 10 Sigmas .053 $322,625.17 Observe que nuestra Cuando observamos la distribución ajustable que se ha adaptado a nuestros oficios reales, los f óptima se acerca a0a puntos de inflexión espurios desaparecen. medida que movemos ambos delimitando Una analogía puede aclarar esto. Supongamos que estamos usando el tablero de Galton. Sabemos que asintóticamente la distribución de las bolas que caen parámetros hasta más y menos infinito. Además, dado que nuestra pérdida en el peor de los el tablero será Normal. Sin embargo, sólo vamos a ver 4 bolas. casos es cada vez mayor y se divide por una cantidad cada vez más pequeña rodó por el tablero. ¿Podemos esperar que los resultados de las 4 bolas sean f óptimo más pequeño, nuestro f$, la cantidad para financiar 1 unidad, también se acerca al ¿Será perfectamente conforme a lo Normal? ¿Qué tal 5 bolas? 50 bolas? infinito. En un sentido asintótico, esperamos que la distribución observada en la carne El problema de cuál es el mejor lugar para colocar los parámetros delimitadores se reformula a lo esperado a medida que aumenta el número de operaciones. Ajustar nuestra distribución mejor como: "¿Dónde, en el caso extremo, esperamos que se establezcan los parámetros delimitadores?". teórica a cada punto de inflexión en la realidad no nos dará ¿Se producirán las mejores y peores operaciones en el futuro (en el transcurso del cual vamos a un mayor grado de precisión en el futuro. A medida que se produzcan más intercambios, comerciar con este sistema de mercado)? Podemos esperar que la distribución observada converja hacia la esperada, como podemos en realidad va a más y menos infinito. Para dar cuenta de esto nosotros esperar que los puntos de inflexión extraños se completen. financiaría óptimamente cada contrato por una cantidad infinitamente alta (como con operaciones a medida que el número de operaciones se acerca al infinito. si el proceso La generación de operaciones se modela con precisión mediante nuestros parámetros, la f óptima derivada de la teórica será más precisa en el futuro. secuencia de operaciones que la f óptima derivada empíricamente en el pasado en nuestro último ejemplo, donde movimos ambos límites hacia afuera). Si fueramos vamos a negociar durante un tiempo infinitamente largo en el futuro, nuestra f óptima en Los dólares serían infinitos. Pero no vamos a comerciar con este sistema de mercado para siempre. La f óptima en el futuro sobre la que vamos a negociar. vientos alisios. En otras palabras, si nuestras 232 operaciones son una aproximación de la distribución de las operaciones en el futuro, entonces podemos esperar que las operaciones en el futuro lleguen en una distribución más parecida a la teórica que hemos ajustado que a la distribución teórica que hemos ajustado. como el observado con sus extraños puntos de inflexión y su aspereza por no tener infinidad de oficios. Al hacerlo, podemos este sistema de mercado es una función de lo que se negocia mejor y peor en ese el futuro son. Recuerde que si lanzamos una moneda 100 veces y registramos cuál es el tiempo más largo racha de cruces consecutivas es, luego lanza la moneda otras 100 veces, la La racha más larga de cruces consecutivas al final de 200 lanzamientos superará a probablemente sea mayor de lo que era después de sólo los primeros 100 lanzamientos. De manera similar, si el esperar que la aleta óptima el futuro se parezca más a la f óptima obtenida La peor pérdida observada en nuestro historial de 232 operaciones fue una pérdida de 2,96 sigma. de la distribución teórica que es como el f óptimo obtenido empíricamente sobre la distribución (digamos una pérdida de 3 sigma), entonces deberíamos esperar una pérdida mayor que 3 observada. sigmas en el futuro sobre los cuales vamos a negociar este sistema de mercado. Por lo tanto, en Por lo tanto, en este caso es mejor utilizar el óptimo paramétrico f lugar de limitar nuestra distribución a lo que los límites en lugar de lo empírico. La situación es análoga al lanzamiento de 20 monedas. de la historia pasada de las operaciones fueron (­2,96 y +6,94 sigmas), veremos discusión del capítulo anterior. Si esperamos un 60% de ganancias con un pago de 1:1, la f lo limitó a ­4 y +6,94 sigmas. Quizás deberíamos esperar la gama alta. óptima es correctamente 0,2. Sin embargo, si sólo tuviéramos datos empíricos seguramente será violado en el futuro, tal como esperamos que la gama baja de los últimos 20 lanzamientos, 11 de los cuales fueron victorias, nuestra f óptima mostraría obligado a ser violado. Sin embargo, no haremos esta suposición por un como .1, aunque ,2 es lo que deberíamos apostar de manera óptima en el próximo lanzamiento par de razones. La primera es que los sistemas comerciales notoriamente no ya que tiene un 60% de posibilidades de ganar. Debemos suponer que el f óptimo paramétrico comercio también en el futuro, en general, como lo han hecho con los datos históricos, ($5.062,71 en este caso) es correcto porque es el f óptimo de la función generadora . Al igual incluso cuando no hay parámetros optimizables involucrados. vuelve a que con el juego de lanzar una moneda, solo men­ el principio de que los sistemas de comercio mecánicos parecen sufrir de un ­ 55 ­ Machine Translated by Google Borde cada vez más deteriorado. En segundo lugar, el hecho de que paguemos una pena menor. Observe que en la Figura 4­12, cambiando el parámetro de ubicación LOC por equivocarnos en f óptima si nos equivocamos a la izquierda del pico de la curva f que mueve la distribución hacia la derecha o hacia la izquierda en la "ventana" de los parámetros si nos equivocamos hacia la derecha sugiere que deberíamos equivocarnos hacia el lado conservador delimitadores. Pero los parámetros delimitadores no se mueven con la distribución. Por lo tanto, lado en nuestros pronósticos sobre el futuro. un cambio en el parámetro LOC también afecta cuántos puntos de datos equidistantes quedarán a la izquierda del modo y a la derecha del modo de Por lo tanto, determinaremos nuestro óptimo paramétrico f utilizando la la distribución. Al cambiar la media aritmética real (o usar la parámetros delimitadores de ­4 y +6,94 sigmas y utilice 300 igualmente espaciados puntos de datos. Sin embargo, al calcular las probabilidades en cada uno de los 300 reducir la variable en la búsqueda de Distribución Normal para f), la ventana de puntos de datos igualmente espaciados, es importante que comencemos nuestra distribución los parámetros delimitadores también se mueven. Cuando modifica el promedio aritmético del 2 sigmas antes y después de nuestros parámetros delimitadores seleccionados. Por lo tanto, comercio como entrada, o modifica la variable de reducción en el mecanismo de Distribución determinamos las probabilidades asociadas creando barras de ­6 a Normal, todavía tiene la misma cantidad de datos igualmente espaciados. +8,94 sigmas, aunque solo vamos a utilizar las barras entre ­4 apunta a la derecha y a la izquierda del modo de distribución que tenías antes de la alteración. y +6,94 sigmas. Al hacerlo, hemos mejorado la precisión de nuestra resultados. ECUALIZACIÓN F Usando nuestros parámetros óptimos de 0,02, 2,76, 0 y 1,78 ahora se obtiene una f óptima de 0,837, o 1 contrato por cada $7.936,41. La técnica detallada en este capítulo se mostró utilizando datos que no fue igualado. También podemos utilizar esta misma técnica con datos ecualizados. Si Mientras no se violen nuestros parámetros delimitadores seleccionados, nuestro El modelo de la realidad es exacto en términos de los límites seleccionados. Eso es tan queremos determinar un óptimo paramétrico ecualizado f, tenemos siempre y cuando no veamos una pérdida mayor a 4 sigmas­$330.13­(1743.23*4) convertiría las ganancias y pérdidas comerciales brutas en ganancias porcentuales = ­$6.642,79­o una ganancia mayor a 6,94 sigmas­ y pérdidas, con base en las ecuaciones (2.10a) a (2.10c). A continuación, haríamos $330,13+(1743,23*6,94) = $12.428,15: hemos modelado con precisión el límites de la distribución de los oficios en el futuro. convertir estos porcentajes de ganancias y pérdidas multiplicándolos por el precio actual del instrumento subyacente. Por ejemplo, P&L número 1 es .18. Supongamos que el precio de entrada a esta operación fuera 100,50. El porcentaje La posible divergencia entre nuestro modelo y la realidad es nuestra ciega. La ganancia en esta operación sería 0,18/100,50 = 001791044776. Ahora supongamos lugar. Es decir, la f óptima derivada de nuestro modelo (con nuestro seleccionado que el precio actual de este instrumento subyacente es 112,00. Multiplicar 0,001791044776 por parámetros delimitadores) es la f óptima para nuestro modelo, no necesariamente para 112,00 se traduce en unas pérdidas y ganancias igualadas de .2005970149. realidad. Si nuestros parámetros delimitadores seleccionados se violan en el futuro, nuestro óptimo seleccionado f no puede ser entonces el óptimo. Seríamos inteligentes si Si quisiéramos hacer este procedimiento en igualdad de condiciones, defender este punto ciego con técnicas, como opciones largas, que limitan realizaría esta operación en las 232 ganancias y pérdidas comerciales. Nosotros nuestra responsabilidad hasta una cantidad prescrita. Luego calcularía la media aritmética y la desviación estándar poblacional en los intercambios Mientras discutimos las debilidades del método, una última igualados y usaría la ecuación (3.16) para estandarizar los intercambios. A continuación, Cabe señalar la debilidad. Una vez que haya obtenido su f óptima paramétrica, debe tener en podríamos encontrar el conjunto de parámetros óptimo para LOC, cuenta que la distribución real del comercio SCALE, SKEW y KURT en los datos ecualizados exactamente como se muestra pérdidas y ganancias es aquel en el que los parámetros cambian constantemente, aunque en este capítulo para datos no ecualizados. lentamente. Debes ejecutar frecuentemente la técnica en tu El resto del procedimiento es el mismo en este capítulo en términos de determinar la f opere ganancias y pérdidas para cada sistema de mercado con el que esté operando para óptima, la media geométrica y la TWR. Los subproductos de monitorear esta dinámica de las distribuciones. el comercio promedio geométrico, el comercio promedio aritmético y el umbral para los geométricos sólo son válidos para el precio actual del instrumento subyacente. Cuando el REALIZANDO "QUÉ SI SI" precio del instrumento subyacente cambia, se debe repetir el procedimiento, volviendo al paso Una vez que haya obtenido su f óptima paramétrica, puede realizar uno y multiplicando el "¿Qué pasa si los tipos de escenarios en su distribución funcionan alterando el parámetros LOC, SCALE, SKEW y KURT de la función de distribución para replicar diferentes resultados esperados en el futuro cercano (diferentes porcentaje de ganancias y pérdidas por el nuevo precio subyacente. cuando vas para rehacer el procedimiento con un precio subyacente diferente, obtendrá el mismo f óptimo, media geométrica y TWR. Sin embargo, su operación promedio aritmética, distribuciones que podría tomar el futuro) y observar los efectos. Así como nosotros su operación promedio geométrica y su umbral geométrico serán diferentes según el nuevo puede jugar con el estiramiento y la contracción en la distribución Normal, así también, precio del activo subyacente. instrumento. ¿Podemos jugar con los parámetros LOC, SCALE, SKEW y KURT de nuestra distribución ajustable. El número de contratos a negociar según lo indicado en la ecuación (3.34) debe El "¿Qué pasa si las capacidades de la técnica paramétrica son las ser cambiado. Las pérdidas y ganancias asociadas al peor de los casos, la variable W, ecuación fortalezas que ayudan a compensar las debilidades de la distribución real de (3.35), será diferente en la ecuación (3.34) como resultado de los cambios Las pérdidas y ganancias comerciales se mueven. Las técnicas paramétricas nos permiten ver los efectos de los cambios en la distribución de las ganancias y pérdidas comerciales reales antes de que ocurran, y posiblemente presupuestarlas. causado en los datos igualados por un precio actual diferente. F ÓPTIMA EN OTRAS DISTRIBUCIONES Y EQUIPADOS Al jugar con los parámetros, es necesaria una sugerencia. Cuando CURVAS encontrar la f óptima, en lugar de jugar con el LOC, la ubicación En este punto debes darte cuenta de que hay muchas otras maneras de parámetro, es mejor que juegue con el promedio aritmético del comercio puede determinar su óptimo paramétrico f. Hemos cubierto un procedimiento. en dólares que estás utilizando como entrada. La razón se ilustra en la figura. 4­12. para encontrar la f óptima en datos distribuidos normalmente en el artículo anterior capítulo. Así tenemos un procedimiento que nos dará la f óptima para cualquier Fenómeno normalmente distribuido. Ese mismo procedimiento se puede utilizar Como es para encontrar el óptimo en los datos de cualquier distribución, siempre que la función de densidad acumulada de la distribución seleccionada esté disponible (estos Las funciones se dan para muchas otras distribuciones comunes en el Apéndice. B). Cuando la función de densidad acumulada no está disponible, el valor óptimo f se puede encontrar para cualquier otra función mediante el método de integración utilizado Alterar la merma o el en este capítulo para aproximar las densidades acumuladas, las áreas bajo la curva. comercio promedio He elegido en este capítulo modelar la distribución real de opera a través de nuestra distribución ajustable. Esto equivale a poco más Alterando el que encontrar una función y sus valores apropiados, que modelen la función de densidad real ubicación de las pérdidas y ganancias comerciales con un máximo de 2 puntos de inflexión. Podrías usar o crear muchas otras funciones y métodos para parámetro hacer esto, como la interpolación polinomial y la extrapolación, racional Figura 4­12 Modificación de los parámetros de ubicación. función (cocientes de polinomios) interpolación y extrapolación, o Usar splines para ajustar una función teórica a la real. Una vez que cualquier teoría ­ 56 ­ Machine Translated by Google Se encuentra la función física, las probabilidades asociadas se pueden determinar mediante ¿Qué pasa si surge un nuevo competidor? ¿Qué pasa si usted ha subestimado gravemente la el mismo método de estimación integral que se usó para encontrar las probabilidades asociadas demanda de este producto? ¿Qué pasa si estalla una guerra en tal o cual continente? ¿Y si se trata de una guerra nuclear? Porque cada escenario es de nuestra distribución ajustable o usando la integración técnicas de cálculo. Sólo uno de varios, cada escenario puede considerarse seriamente. Pero que ¿Qué haces una vez que has definido estos escenarios? Existe un problema al adaptar cualquiera de estas otras funciones. Parte de La idea central de este libro ha sido permitir a los usuarios de sistemas que no son Para empezar, debes determinar qué objetivo te gustaría alcanzar. puramente mecánico para tener el mismo poder de gestión de cuentas que lograr para cada escenario dado. Dependiendo del escenario, el objetivo los usuarios de sistemas puramente mecánicos. Como tal, la ruta de distribución ajustable que no tiene por qué ser positivo. Por ejemplo, en un escenario sombrío su tomé sólo requiere estimaciones de los parámetros. Estos El objetivo puede ser simplemente el control de daños. Una vez que haya definido una meta para un Los parámetros pertenecen a los primeros cuatro momentos de la distribución. Es escenario dado, entonces es necesario elaborar los planes de contingencia correspondientes a estos momentos (ubicación, escala, asimetría y curtosis) que describen la ese escenario para lograr el objetivo deseado. Por ejemplo, en el distribución. Por lo tanto, alguien que opere sobre alguna base no puramente mecánica (por escenario bastante improbable y sombrío donde su objetivo es el control de daños, usted ejemplo, la onda de Elliott) podría estimar los parámetros y tener acceso a Necesita tener planes formulados para que pueda minimizar el daño. f óptima y sus cálculos de subproductos. Una historia pasada de intercambios no es Por encima de todo, la planificación de escenarios proporciona al planificador un curso de un requisito previo para estimar estos parámetros. Si tuviera que utilizar cualquiera de acciones a tomar en caso de que se desarrolle un determinado escenario. Te obliga a hacer las otras técnicas de adaptación mencionadas, no necesariamente necesitarías un planes antes del hecho; Te obliga a estar preparado para lo inesperado. historial pasado de operaciones tampoco, pero las estimaciones de los parámetros de esas Sin embargo, la planificación de escenarios puede hacer mucho más. Existe una estrecha Las técnicas de ajuste no se refieren necesariamente a los momentos de la distribución. A lo relación entre la planificación de escenarios y la f óptima. Optimal nos sigue a que pertenecen es a una función de la función particular que usted determinar la cantidad óptima para asignar a un conjunto dado de escenarios posibles. Sólo están usando. Estas otras técnicas no necesariamente le permitirían ver podemos existir en un escenario a la vez, aunque estemos ¿Qué pasaría si la curtosis aumentara o la asimetría cambiara o la planificación para múltiples futuros (múltiples escenarios). Planificación de escenarios se modificó la escala, etc. Nuestra distribución ajustable es la lógica. nos coloca en una posición en la que debemos tomar una decisión sobre cómo elección de una función teórica que se ajuste a la real, ya que los parámetros Es un gran recurso para asignar hoy, dados los posibles escenarios del mañana. Éste es el no sólo miden los momentos de la distribución, nos dan control verdadero corazón de la planificación de escenarios: cuantificarlo. sobre esos momentos en los que se pronostican cambios futuros en el Podemos usar otro método paramétrico para determinar f óptima distribución. Además, estimar los parámetros de nuestro ajustable cuánto de un determinado recurso asignar dado un determinado conjunto de escenarios. Esta La distribución es más fácil que ajustar cualquier otra función que esté técnica maximizará la utilidad obtenida en un sistema asintótico. conciente de. sentido geométrico. Primero, debemos definir cada escenario único. En segundo lugar, nosotros debe asignar un número a la probabilidad de que ocurra ese escenario. PLANIFICACIÓN DE ESCENARIOS Ser una probabilidad significa que este número está entre 0 y 1. Escenarios con una probabilidad de 0 no necesitamos considerar más. Tenga en cuenta que Las personas que se ganan la vida pronosticando (economistas, pronosticadores del mercado de valores, meteorólogos, agencias gubernamentales, etc.) tienen un historial notorio de estas probabilidades no son acumulativas. En otras palabras, la probabilidad asignada a un pronósticos incorrectos, pero la mayoría de las decisiones que alguien debe tomar en la vida generalmente escenario dado es única para ese escenario. Supongamos que somos un requieren hacer una previsión sobre el futuro. tomador de decisiones para XYZ Manufacturing Corporation. dos de los muchos Los escenarios que tenemos son los siguientes. En un escenario Fabricación XYZ Inmediatamente surgen aquí un par de trampas. Para empezar, la gente generalmente se declara en quiebra, con una probabilidad de 0,15; en el otro escenario XYZ hace suposiciones sobre el futuro que son más optimistas que las probabilidades reales. La está siendo sacado del negocio por la intensa competencia extranjera, con una probabilidad de mayoría de la gente siente que están lejos .07. Ahora bien, debemos preguntarnos si el primer escenario, declararse en quiebra, incluye Es más probable que ganen la lotería este mes que morir en un automóvil. declararse en quiebra debido al segundo escenario, intenso accidente, aunque las probabilidades de que ocurra lo último son mayores. Esto es competencia extranjera. Si es así, entonces las probabilidades en el primer escenario no sólo es cierto a nivel del individuo, sino que es aún más pronunciado no han tenido en cuenta las probabilidades del segundo escenario, y a nivel del grupo. Cuando las personas trabajan juntas, tienden a ver una debemos modificar las probabilidades del primer escenario para que sean .08 (.15­.07). el resultado más probable es un resultado favorable (todos los demás parecen hacerlo, de lo Tenga en cuenta también que tan importante como la unicidad de cada probabilidad de contrario no estarían trabajando aquí), de lo contrario abandonarían el proyecto del que forman parte (a menos, por supuesto, que todos nos hayamos convertido en autómatas que trabajan como esclavos sin pensar en barcos que se hunden). El segundo y más dañino peligro es que la gente haga pronósticos lineales sobre el futuro. cada escenario es que la suma de las probabilidades de todos los escenarios que estamos considerando debe ser exactamente igual a 1, no 1,01 ni 0,99, sino 1. Para cada escenario ahora hemos asignado una probabilidad de precisamente eso escenario que ocurre. También debemos asignar un resultado final. Este es un valor numérico. Pueden ser dólares ganados o perdidos como resultado de un escenario. La gente intenta predecir el precio de un galón. del gas dentro de dos años, predicen lo que sucederá con sus puestos de trabajo, manifestándose, pueden ser unidades de utilidad, medicación o cualquier cosa. quién será el próximo presidente, cuáles serán los próximos estilos, y así sucesivamente en. Siempre que pensamos en el futuro, tendemos a pensar en términos de un resultado único y más probable. Como resultado, siempre que debemos tomar decisiones, ya sea como individuo o como grupo, tendemos a tomarlas basándonos en lo que pensamos que será el resultado Sin embargo, nuestra salida estará en las mismas unidades que ingresamos como entrada. Debe tener al menos un escenario con un resultado negativo en para poder utilizar esta técnica. Esto es obligatorio. Dado que estamos tratando de responder a la pregunta "¿Cómo más probable en la vida. el futuro. Como consecuencia, somos extremadamente vulnerables a situaciones desagradables. ¿Cuánto de este recurso deberíamos asignar hoy dados los posibles escenarios de mañana?", sorpresas. si no hay un escenario de resultado negativo, entonces La planificación de escenarios es una solución parcial a este problema. Un escenario es deberíamos asignar el 100% de este recurso. Además, sin negativo. En el escenario de resultados, es cuestionable qué tan sintonizado con la realidad está realmente este simplemente un posible pronóstico, una historia sobre una forma en que el futuro podría desplegar. La planificación de escenarios es una colección de escenarios para cubrir el espectro conjunto de escenarios. Un último requisito previo para utilizar esta técnica es que las matemáticas de posibilidades. Por supuesto, el espectro completo nunca puede ser cubierto, pero el planificador del escenario quiere cubrir tantas posibilidades como sea posible. expectativa, la suma de todos los resultados multiplicada por sus respectivos él o ella puede. Al actuar de esta manera, a diferencia de una línea recta probabilidades, debe ser mayor que cero. pronóstico del resultado más probable, el planificador de escenarios puede prepararse para (1.03) ME = ∑[i = 1,N] (Pi *Ai) dónde el futuro a medida que se desarrolla. Además, la planificación de escenarios permite al planificador estar preparado para lo que de otro modo podría ser un evento inesperado. Pi= La probabilidad asociada con el iésimo escenario. La planificación de escenarios se ajusta a la realidad porque reconoce que la certeza es una ilusión. Ai = El resultado del iésimo escenario. N = El número total de escenarios considerados. Suponga que está involucrado en la planificación a largo plazo de su empresa. Digamos que fabrica un producto en particular. En lugar de hacer un pronóstico en línea recta Si la expectativa matemática es igual a cero o negativa, no se puede utilizar la siguiente con el resultado más probable, usted decide ejercitar el escenario. técnica. Eso no quiere decir que la planificación de escenarios en sí no pueda utilizarse. Puede planificación. Tendrá que sentarse con los otros planificadores y hacer una lluvia de ideas sobre y debe. Sin embargo, la f óptima puede posibles escenarios. ¿Qué pasa si no puedes obtener suficiente comida cruda? sólo se incorporará a la planificación de escenarios cuando exista un efecto positivo. ¿Materiales para fabricar su producto? ¿Qué pasa si uno de tus competidores fracasa? ­ 57 ­ Machine Translated by Google expectativa matemática. Cuando la expectativa matemática es cero o La TWR devuelta por la ecuación (4.14) es sólo un valor provisional que negativo, no deberíamos asignar nada de este recurso en este momento. debe tener para obtener la media geométrica. Una vez que tenemos esta media geométrica, la TWR real se puede obtener mediante la ecuación (4.17). Por último, debe intentar cubrir la mayor parte del espectro de resultados como sea posible. En otras palabras, realmente quieres representar el 99% de la A continuación se explica cómo realizar estas ecuaciones. Para empezar, debemos posibles resultados. Esto puede parecer casi imposible, pero muchos escenarios se decidirnos por un esquema de optimización, una forma de buscar entre los valores f pueden ampliar para que no se necesiten 10.000 escenarios para cubrir el 99% del para encontrar esa f que maximiza nuestra ecuación. De nuevo, podemos hacer esto con espectro. Al ampliar sus escenarios, debe un bucle recto con f de .01 a 1, mediante iteración o mediante Evite el error común de tres escenarios: uno optimista, otro pesimista y un tercero en el interpolación parabólica. A continuación, debemos determinar cuál es el peor resultado que las cosas siguen igual. Esto es demasiado simple, y las respuestas que de él se posible para un escenario de todos los escenarios que estamos analizando, derivan son a menudo demasiado crudas para ser de alguna utilidad. independientemente de cuán pequeñas sean las probabilidades de que ese escenario ocurra. valor. ¿Le gustaría encontrar su f óptima para un sistema de comercio basado son. En el ejemplo de XYZ Corporation, esto es ­500.000 dólares. Ahora para cada ¿En sólo tres operaciones? escenario posible, primero debemos dividir el peor resultado posible entre negativo f. En nuestro ejemplo de XYZ Corporation, asumiremos que Entonces, aunque puede haber una cantidad incognoscible de escenarios que cubren todo el espectro, podemos cubrir lo que creemos que es vamos a recorrer los valores f de .01 a 1. Por lo tanto, comenzamos alrededor del 99% del espectro de resultados. Si esto genera un gran número de con un valor f de .01. Ahora bien, si dividimos el peor resultado posible de escenarios inmanejables, podemos ampliar los escenarios para los escenarios considerados por el valor negativo de f: reducir su número. Sin embargo, al reducir su número podemos perder cierta cantidad de información. Cuando recortamos el número ­$500,000/­.01 = $50,000,000 de escenarios (ampliándolos) a sólo tres, un error común, nuestro resultado en este caso es positivo. A medida que avanzamos en cada escenario, Hemos eliminado efectivamente tanta información que esta técnica divida el resultado del escenario por el resultado que acaba de obtener. desde el se ve gravemente obstaculizada en su eficacia. El resultado del primer escenario es también el peor escenario: una pérdida de Los valores negativos divididos por valores negativos producen resultados positivos, por lo que $500,000, ahora tenemos: ¿Cuál es una buena cantidad de escenarios a tener entonces? Tantos como tu puede y todavía gestionarlos. Aquí, una computadora es un gran activo. Asumir ­$500.000/$50.000.000 = ­0,01 Nuevamente que estamos tomando decisiones para XYZ. Estamos pensando en comercializar un nuevo producto nuestro en un pequeño país primitivo y remoto. Somos mirando cinco escenarios posibles (en realidad deberías tener muchos más que esto, pero usaremos cinco a modo de ilustración). Estos cinco escenarios retratan lo que percibimos como futuros posibles para este país remoto y primitivo, sus probabilidades de ocurrencia y la ganancia o pérdida de El siguiente paso es sumar este valor a 1. Esto nos da: l+(­.01) = .99 Por último, elevamos esta respuesta a la potencia de la probabilidad de que ocurra, que en nuestro ejemplo es .1: .99^.1 = .9989954713 A continuación, pasamos al siguiente escenario denominado "Problema", donde hay un invirtiendo allí. .2 probabilidad de una pérdida de 200.000 dólares. Nuestro peor resultado sigue siendo... Resultado de probabilidad del escenario $500.000. El valor f en el que estamos trabajando sigue siendo .01, por lo que el valor que Guerra .1 Problemas queremos dividir el resultado de este escenario por sigue siendo $50,000,000: ­$500.000 .2 ­$200.000 Estancamiento .2 0 $500.000 Paz .45 ­$200.000/$50.000.000 = ­0,004 $1.000.000 Trabajando con el resto de los pasos para obtener nuestro HPR: 1+(­.004) = .996 Prosperidad .05 Suma 1.00 .996^.2 = .9991987169 La suma de nuestras probabilidades es igual a 1. Tenemos al menos 1 escenario Si continuamos con los escenarios para este valor de prueba de .01 para f, con un resultado negativo, y nuestra expectativa matemática es positiva: encontraremos los 3 HPR correspondientes a los 3 últimos escenarios: (0,1*­$500 000)+(0,2*­$200 000)+.. = $185 000 Por tanto, podemos utilizar la técnica en este conjunto de escenarios. Observemos primero, sin embargo, que si usáramos el resultado más probable método concluiríamos que la paz será el futuro de este país, Estancamiento 1.0 Paz 1.004467689 Prosperidad 1.000990622 Una vez que hemos convertido cada escenario en un HPR para el valor f dado, y entonces actuaríamos como si la paz fuera a ocurrir, como si fuera una debemos multiplicar estos HPR: certeza, permaneciendo sólo vagamente consciente de las otras posibilidades. .9989954713*.9991987169*1.0*1.004487689*1.000990622 = Volviendo a la técnica, debemos determinar la f óptima. El 1.00366'7853 f óptima es aquel valor de f (entre 0 y 1) que maximiza la media geométrica: Esto nos da la TWR provisional, que en este caso es 1,003667853. Nuestro siguiente paso es llevar esto a la potencia de 1 dividido por la suma de (4.13) Media geométrica = TWR^(1/∑[i = 1,N] Pi) probabilidades. Como la suma de las probabilidades es 1, podemos afirmar que y debemos elevar la TWR a la potencia de 1 para darnos la media geométrica. Como cualquier cosa elevada a la potencia de 1 es igual a sí misma, podemos decir que nuestra (4.14) TWR = ∏[i = 1,N] HPRi La media geométrica es igual a la TWR en este caso. Por tanto, tenemos una media y geométrica de 1,003667853. Sin embargo, si relajamos la restricción de que (4.15) HPRi = (1+(Ai/(W/­f))) ^ Pi por lo tanto cada escenario debe tener una probabilidad única, entonces podríamos permitir que (4.16) Media geométrica = (∏[i = 1,N] (1+(Ai/(W/­f))) ^ Pi) ^ (1/∑[i = suma de las probabilidades de los escenarios sea mayor que 1. En tal caso 1,N] Pi) Finalmente, podemos calcular la TWR real como: En este caso, tendríamos que elevar nuestro TWR a la potencia de 1 dividido por este (4.17) TWR = Media geométrica ^ X suma de las probabilidades para derivar la media geométrica. dónde La respuesta que acabamos de obtener en nuestro ejemplo es nuestra geometría. N = El número de escenarios diferentes. media correspondiente a un valor f de .01. Ahora pasamos a un valor f de .02, y repetimos todo el proceso hasta que hayamos encontrado la geometría TWR = La riqueza terminal relativa. media correspondiente a un valor f de .02. Seguimos adelante hasta HPRi = El rendimiento del período de tenencia del iésimo escenario. llegamos al valor de f que produce la media geométrica más alta. Ai = El resultado del iésimo escenario. En nuestro ejemplo encontramos que se obtiene la media geométrica más alta Pi = La probabilidad del iésimo escenario. a un valor f de 0,57, lo que produce una media geométrica de 1,1106. Divisor W = El peor resultado de todos los N escenarios. nuestro peor resultado posible para un escenario (­$500,000) por el negativo f óptima produce un resultado de $877,192.35. En otras palabras, si XYZ Corporación f = El valor de f que estamos probando. quiere comprometerse a comercializar este nuevo producto en este control remoto X = Por muchas veces que queramos "ampliar" este escenario. país, lo ideal es que comprometan esta cantidad para esta empresa en este momento. Es decir, lo que esperaríamos ganar si invirtiéramos f cantidad en tiempo. A medida que pasa el tiempo y se desarrollan las cosas, también lo hacen los escenarios, y a medida que estos posibles escenarios X veces. sus resultados y probabilidades resultantes cambian, también cambia esta cantidad cambiar. Cuanto más se mantenga al tanto XYZ Corporation de estos cambios ­ 58 ­ Machine Translated by Google escenarios, y cuanto más precisos sean los escenarios que desarrollan como entrada, listado de un sistema de mercado determinado y utilizar cada una de esas operaciones como más precisas serán sus decisiones. Tenga en cuenta que si XYZ Corporation un escenario que podría ocurrir en el futuro, el monto de la ganancia o pérdida de la operación no puede comprometer estos $877,192.35 a este compromiso en este momento, entonces siendo el resultado final del escenario dado. Cada escenario (comercio) están demasiado lejos del pico de la curva f. Es el equivalente a la tendría la misma probabilidad de ocurrencia­1/N, donde N es el total comerciante que tiene demasiados contratos de productos básicos con respecto a lo que número de operaciones (escenarios). Esto nos dará la f óptima empíricamente. la f óptima dice que él o ella debería tenerlo puesto. Si XYZ Corporation compromete más que Esta técnica cierra la brecha entre lo empírico y lo paramétrico. No existe una línea muy fina esta cantidad para este proyecto en este momento, la situación que delinee las dos escuelas. Como puedas sería análogo a un comerciante de materias primas con muy pocos contratos. Mira, hay un área gris. Cuando se nos presenta una decisión donde hay un conjunto diferente Además, aunque la cantidad discutida aquí es una cantidad de dinero, podría ser una cantidad de cualquier cosa y la técnica sería de escenarios para cada faceta de la decisión, seleccionando el escenario cuyo igual de válido. El enfoque se puede utilizar para cualquier decisión cuantitativa en la media geométrica correspondiente a su óptimo f es mayor maximizará un entorno de incertidumbre favorable. nuestra decisión en un sentido asintótico. A menudo esto va en contra de las reglas convencionales de toma de decisiones como la regla de Hutwicz, maximax, Si crea diferentes escenarios para el mercado de valores, el f óptimo minimax, arrepentimiento minimax y mayor expectativa matemática. derivado de esta metodología le dará el porcentaje correcto para Por ejemplo, supongamos que debemos decidir entre dos opciones posibles. Podríamos invertirse en el mercado de valores en un momento dado. Por ejemplo, si la f devuelto es .65, entonces eso significa que el 65% de su capital debe estar en el tener muchas opciones posibles, pero por simplicidad mercado de valores y el 35% restante, digamos, en efectivo. Este enfoque Elegimos dos, a los que llamamos "blanco" y "negro". Si seleccionamos la decisión etiquetada proporcionarle el mayor crecimiento geométrico de su capital en el como "blanca", determinamos que nos presentará los posibles escenarios futuros: largo plazo. Por supuesto, nuevamente, la salida es tan precisa como la entrada. que ha proporcionado al sistema en términos de escenarios, sus probabilidades de ocurrencia Decisión blanca y los pagos y costos resultantes. Además, recuerda Resultado de probabilidad del escenario que todo lo dicho sobre f óptima se aplica aquí, y eso también significa A .3 que las reducciones esperadas se acerquen a un retroceso del 100% de las acciones. 0 .4 ­20 Si aplica este enfoque de planificación de escenarios para la asignación de activos, .3 BC 30 Expectativa matemática Podemos esperar que cerca del 100% de los activos asignados a la empresa en cuestión se = $3,00 agoten en cualquier momento en el futuro. Por ejemplo, supongamos Óptima f = .17 Media geométrica = 1 .0123 está utilizando esta técnica para determinar qué porcentaje de inversión No importa cuáles sean estos escenarios, pueden ser cualquier cosa y Los fondos deben estar en el mercado de valores y qué porcentaje deben estar en un Para ilustrar aún más esto, simplemente se les asignarán letras, A, B, C en activo libre de riesgo. Supongamos que la respuesta es tener el 65% invertido en el esta discusión. Además, no importa cuál sea el resultado, puede ser simplemente bolsa de valores y el 35% restante en el activo libre de riesgo. Se puede esperar que las acerca de todo. retiradas en el futuro se acerquen al 100% del importe asignado al mercado de valores. En La decisión de las Negras presentará los siguientes escenarios: otras palabras, puedes esperar ver, en algún momento Decisión negra punto en el futuro, casi el 100% de su total 65% asignado a la el mercado de valores desaparecerá. Sin embargo, así es como logrará el máximo crecimiento Resultado de probabilidad del escenario A geométrico. .3 ­10 B 5 C 6 D 20 .4 Expectativa Este mismo proceso se puede utilizar como técnica paramétrica alternativa para matemática.15 = $2,90 determinar la f óptima para una operación determinada. Supongamos que eres .15 tomando sus decisiones comerciales basándose en los fundamentos. Si quieres, podría delinear los diferentes escenarios que puede tomar el comercio. El Óptima f = .31 Media geométrica = 1,0453 Más escenarios, y cuanto más precisos sean los escenarios, más precisos serán. tus resultados serían. Digamos que está buscando comprar un bono municipal por Mucha gente optaría por la decisión blanca, ya que es la decisión con mayor expectativa ingresos, pero no planea mantener el bono hasta su vencimiento. Tú matemática. Con la decisión blanca Podría esbozar numerosos escenarios diferentes de cómo podría desarrollarse el futuro y se puede esperar, "en promedio", una ganancia de $3,00 frente a la ganancia de $2,90 del negro. utilizar estos escenarios para determinar cuánto invertir en esta emisión de bonos en particular. Sin embargo, la decisión negra es en realidad la decisión correcta, porque resulta en una media geométrica mayor. Con la decisión negra, uno esperaría para hacer 4,53% (1,0453­1) "en promedio" en comparación con el 1,23% de los blancos Este concepto de utilizar la planificación de escenarios para determinar la f óptima Se puede utilizar para todo, desde estrategias militares hasta decidir el nivel óptimo para ganar. Cuando se consideran los efectos de la reinversión, la decisión negra participar en una suscripción y el pago inicial óptimo. en una casa. ¡gana más del triple, en promedio, de lo que gana la decisión blanca! "Espera, amigo", dices. "No vamos a hacer esto otra vez, Para nuestros propósitos, esta técnica es quizás la mejor técnica, y lo haremos solo una vez. No vamos a reinvertir en el mismo futuro Sin duda, el más fácil de emplear para alguien que no utiliza un mecánico. Medios de entrada y salida de los mercados. Aquellos que operan basándose en fundamentos, escenarios aquí. ¿No saldremos ganando si siempre elegimos el más alto? patrones climáticos, ondas de Elliott o cualquier otro enfoque que requiera cierto grado de expectativa matemática aritmética para cada conjunto de decisiones que juicio subjetivo, pueden discernir fácilmente su valor óptimo. ¿Se presentan de esta manera ante nosotros? fs con este enfoque. Este enfoque es más fácil que determinar los valores de los parámetros distribucionales. El único momento en el que queremos tomar decisiones basadas en los mayores La expectativa matemática aritmética es si planeamos no reinvertir el dinero arriesgado en la decisión en cuestión. Dado que en casi todos los El HPR promedio aritmético de un grupo de escenarios se puede calcular como: En este caso, el dinero arriesgado en un evento hoy se arriesgará nuevamente en un evento diferente en el futuro, y el dinero ganado o perdido en el pasado afecta (4.18) AHPR = (∑[i = 1,N](1+(Ai/(W/­f)))*Pi)∑[i = 1,N]Pi lo que tenemos disponible para arriesgar hoy (es decir, un entorno de geometría dónde consecuencias), debemos decidir basándonos en la media geométrica para maximizar N = el número de escenarios. el crecimiento a largo plazo de nuestro dinero. Aunque los escenarios que f = el valor f empleado. que se presentan mañana no serán los mismos que los de hoy, al decidir siempre en base a Ai = el resultado (ganancia o pérdida) asociado con el iésimo escenario. la mayor media geométrica estamos maximizando nuestra decisiones. Es análogo a un proceso de pruebas dependientes como un juego de Pi = la probabilidad asociada con el iésimo escenario. veintiuna. En cada mano las probabilidades cambian y, por lo tanto, el valor óptimo W = el resultado más negativo de todos los escenarios. La fracción para apostar también cambia. Apostando siempre a lo que es óptimo para La AHPR será importante más adelante en el texto cuando necesitemos De esa manera, sin embargo, maximizamos nuestro crecimiento a largo plazo. Recuerda eso discernir la frontera eficiente de numerosos sistemas de mercado. Necesitaremos Para maximizar el crecimiento a largo plazo, debemos considerar la competencia actual como para determinar el rendimiento esperado (aritmética) de un sistema de mercado determinado. uno que se expande infinitamente hacia el futuro. En otras palabras, debemos Este retorno esperado es simplemente AHPR­1. Mirar cada evento individual como si fuéramos a jugarlo un tiempo infinito. número de veces si queremos maximizar el crecimiento en muchas jugadas de diferentes concursos. No es necesario aplicar la técnica de forma paramétrica, como se detalla aquí; también se puede aplicar empíricamente. En otras palabras, podemos tomar el comercio ­ 59 ­ Machine Translated by Google Como generalización, siempre que el resultado de un evento tenga un efecto siempre es el caso. A menudo resulta útil hacer un único recipiente adicional para guardar el En función del resultado de los eventos posteriores, es mejor que maximicemos pérdida en el peor de los casos. Tal como se aplica a nuestro ejemplo de 3 contenedores, supongamos que tuviéramos un para la mayor expectativa geométrica. En los raros casos en que el resultado operación que supuso una pérdida de 1.000 dólares. Tal operación caería en los ­$1,000 de un gone no tiene efecto en eventos posteriores, entonces es mejor que a ­$100 bin, y se registraría como ­$550, el punto medio del bin. En su lugar, podemos agrupar estos mismos datos de la siguiente manera: maximizar para la mayor expectativa aritmética. Expectativa matemática (aritmética) no tiene en cuenta la varianza entre los resultados de los diferentes escenarios, y por Bin Bin Trades Probabilidad asociada Resultado asociado tanto puede llevar a decisiones incorrectas cuando se plantea la reinversión, o en cualquier ­1.000 ­1.000 1 ­1.000 ­999.1­100 1 ­550 entorno de consecuencias geométricas. .1 ­100 100 5 ,5 100 1000 3 0,3 El uso de este método en la planificación de escenarios lo posiciona cuantitativamente con Ahora, el f óptimo es 0,04, o 0 550 1 contrato por cada $25 000 en capital. respecto a los posibles escenarios, sus resultados y las consecuencias. probabilidad de que ocurran. El método es inherentemente más conservador que posicionarse ¿Estás empezando a ver lo tosca que es esta técnica? Entonces, aunque esto según la mayor aritmética matemática. La técnica nos dará la f óptima para datos agrupados, podemos ver que la expectativa. ecuación (3.05) Permitió que la media geométrica nunca sea La pérdida de información involucrada al agrupar los datos para empezar puede hacer que mayor que la media aritmética. Asimismo, este método nunca podrá tener nuestros resultados sean tan inexactos que sean inútiles. Si tuviéramos más puntos de datos y te posicionas (tienes un mayor compromiso) que seleccionar por el Si hubiera más contenedores para empezar, la técnica no sería nada complicada. De hecho, La mayor expectativa matemática aritmética sería. en lo asintótico Si tuviéramos infinitos datos y un número infinito de contenedores, la técnica En el sentido de largo plazo, este no es sólo un método superior para posicionarse, ya que logra Sería exacto. (Otra forma en la que este método podría ser exacto es si los datos en cada uno de los contenedores igualaron los puntos medios de sus respectivos el mayor crecimiento geométrico, sino que también es un método más eficaz. contenedores exactamente.) conservador que posicionarse según la mayor aritmética El otro problema con esta técnica es que el elemento promedio en expectativa matemática, que invariablemente te pondría en el camino correcto un contenedor no es necesariamente el punto medio del contenedor. De hecho, el promedio de los elementos en un contenedor tenderán a estar más cerca de la moda de toda la distribución del pico de la curva f . Dado que la reinversión es casi siempre una realidad (excepto el día antes de jubilarse1 ) ­ es decir, reutiliza el dinero que está usando hoy ­ debemos tomar la decisión que el punto medio del contenedor. Por tanto, la dispersión tiende a de hoy bajo el supuesto de que lo mismo ser mayor con esta técnica que en el caso real. Hay maneras de correcto para esto, pero estas correcciones en sí mismas a menudo pueden ser incorrectas, decisión se presentará mil veces para maximizar dependiendo de la forma de la distribución. Nuevamente, este problema los resultados de nuestra decisión. Debemos tomar nuestras decisiones y posicionarnos. aliviarse y los resultados serían exactos si tuviéramos un número infinito nosotros mismos para maximizar la expectativa geométrica. Además, desde el Los resultados de la mayoría de los eventos de hecho tienen un efecto sobre los resultados de de elementos (oficios) y un número infinito de bins. Si tiene un número suficientemente grande de operaciones y una gran acontecimientos posteriores, debemos tomar nuestras decisiones y posicionarnos basado en la expectativa geométrica máxima. Esto tiende a llevar a decisiones y posiciones que suficiente número de contenedores, puede utilizar esta técnica con un buen grado de no siempre son aparentemente obvias. precisión si así lo desea. Puede realizar simulaciones del tipo "¿Qué pasaría si?" F ÓPTIMA EN DATOS Agrupados de los efectos de dichos cambios. alterar el número de elementos en los distintos contenedores y obtener una aproximación justa Ahora llegamos al caso de encontrar la f óptima y sus subproductos en datos agrupados. ¿CUÁL ES LA MEJOR F ÓPTIMA? Este enfoque es también una especie de híbrido entre las técnicas paramétricas y empíricas. Ahora hemos visto que podemos encontrar nuestra f óptima desde un punto de vista empírico. Esencialmente, el proceso es casi idéntico al proceso de encontrar la f óptima en diferentes escenarios, sólo que en lugar de diferentes resultados para cada contenedor (escenario), procedimiento, así como de una serie de procedimientos paramétricos diferentes Usamos el punto medio de cada contenedor. Por lo tanto, para cada contenedor tenemos una ecualizar los datos como medio de preprocesamiento, para encontrar cuál es nuestro f óptimo para datos agrupados y no agrupados. Además, hemos visto que podemos probabilidad asociada calculada como el número total de elementos (comercios) en debería ser si todas las operaciones se realizaron al precio subyacente actual. En esto ese contenedor dividido por el número total de elementos (negocios) en todos los contenedores. En este punto, probablemente esté pidiendo la f óptima real para ponerse de pie. Además, para cada contenedor tenemos un resultado asociado de un elemento que termina ¿Qué f óptima es realmente óptima? en ese contenedor. Los resultados asociados se calculan como el punto medio de Para empezar, el óptimo empírico directo (no igualado) f dará cada contenedor. usted la f óptima en datos pasados. Usando la técnica f óptima empírica Por ejemplo, supongamos que tenemos 3 contenedores de 10 operaciones. El primer contenedor que detalladas en el Capítulo 1 y en las Fórmulas de gestión de carteras arrojarán definirá como aquellas operaciones donde las pérdidas y ganancias fueron de ­$1,000 a ­$100. Decir la f óptima que habría realizado el mayor crecimiento geométrico en Hay 2 elementos en este contenedor. El siguiente contenedor, decimos, es para esos intercambios. una corriente pasada de resultados. Sin embargo, queremos discernir cuál es el valor que son ­$100 a $100. Este contenedor tiene 5 intercambios. Por último, el tercer contenedor. para este f óptimo será en el futuro (específicamente, durante la próxima operación), tiene 3 operaciones y es para aquellas operaciones que tienen pérdidas y ganancias de $ 100 a considerando que estamos ausentes de conocimiento sobre el resultado de la $1,000. próxima operación. No sabemos si será una ganancia, en cuyo caso el Bin Bin Trades Probabilidad asociada Resultado asociado ­1 000 ­100 2 ­550 ­ 100 100.25 ,5 100 1 000 3 ,3 Ahora es simplemente cuestión de Más bien, sólo podemos expresar el resultado de la siguiente operación como una estimación de resolver la ecuación (4.16), f óptima sería 1, o una pérdida, en cuyo caso la f óptima sería 0. la distribución de probabilidad de los resultados de la siguiente operación. 0 550 Dicho esto, nuestra mejor estimación para los comerciantes que emplean un mecánico sistema, es más probable que se obtenga utilizando la técnica paramétrica donde cada bin representa un escenario diferente. Por lo tanto, para el caso de nuestro ejemplo de S­bin aquí, en nuestra función de distribución ajustable como se detalla en este capítulo sobre datos encontramos que nuestra f óptima está en .2, o 1 contrato por cada ecualizados o no ecualizados. Si hay una diferencia material en $ 2,750 en capital (nuestra pérdida en el peor de los casos es el punto medio del primer contenedor, Al utilizar datos ecualizados versus no ecualizados, lo más probable es que también haya o (­$1000+­$100)/2 = ­$550). muchos datos o datos insuficientes al nivel de precios actual. Para no sistema Para los comerciantes, el enfoque de planificación de escenarios es el más fácil de emplear con Esta técnica, aunque válida, también es muy tosca. Para empezar, es precisión. En mi opinión, estas técnicas darán como resultado la mejor estimación de Se supone que la mayor pérdida es el punto medio del peor contenedor. Esto no es la distribución de probabilidad de los resultados en la siguiente operación. 1 Ahora tienes una buena concepción de las técnicas empíricas y paramétricas, así como de Hay ciertos momentos en los que querrás maximizar para obtener la mayor aritmética. algunas técnicas híbridas para encontrar la expectativa matemática en lugar de geométrica. Tal caso es cuando una entidad es operando en un tipo o forma de "contrato constante" y quiere cambiar a un óptimo f. En el próximo capítulo, consideraremos encontrar el j óptimo (paramétricamente) cuando modo de operación "fraccional fijo" en algún momento favorable en el futuro. Este se ejecuta más de una posición al mismo tiempo. El punto favorable se puede determinar como el umbral geométrico donde el comercio promedio aritmético que se utiliza como insumo se calcula como la expectativa matemática aritmética (la suma del resultado de cada escenario multiplicada por su probabilidad de ocurrencia) dividido por (la suma de las probabilidades de todos los escenarios. Dado que la suma de las probabilidades de todos los escenarios suele ser igual a 1, podemos afirmar que el promedio aritmético del "comercio" es igual a la expectativa matemática aritmética. ­ 60 ­ Machine Translated by Google Los modelos de precios son una cifra anualizada, un período de tiempo mucho más corto, Capítulo 5 ­ Introducción a múltiples posiciones simultáneas bajo el enfoque paramétrico Ya se ha mencionado en este texto la idea de utilizar opciones, ya sea por sí mismas o en conjunto con un puesto en el subyacente, para mejorar la rentabilidad. Comprar una opción de venta larga junto con una posición larga en el subyacente (o simplemente comprar una opción de compra en lugar de ambos) o, a veces, incluso escribir (acortar) una llamada en conjunto generalmente de 10 a 20 días, se utiliza para determinar la volatilidad histórica y la respuesta resultante se anualiza. A continuación se explica cómo calcular una volatilidad histórica anualizada de 20 días. Paso 1 Divida el cierre de esta noche por el cierre del día de mercado anterior. Paso 2 Tome el logaritmo natural del cociente obtenido en el paso 1. Por lo tanto, para el yen japonés de marzo de 1991 en la noche del 910225 (esto se conoce como formato AAMMDD para el 25 de febrero de 1991), tomamos el cierre de 74,82 y dividirlo por el cierre 910222 de 75,52: 74,82/75,52 = 0,9907309322 Luego tomamos el registro natural de esta respuesta. Dado que el registro natural de con una posición larga en el subyacente puede aumentar el crecimiento geométrico asintótico. Esto sucede como resultado de incorporar las opciones. .9907309322 es ­.009312258, nuestra respuesta al paso 2 es ­.009312258. en la posición, lo que a menudo (pero no siempre) reduce la dispersión Paso 3 Después de que hayan transcurrido 21 días de datos anteriores, tendrá 20 en mayor medida que reduce el rendimiento promedio aritmético. Según el valores para el paso 2. Ahora puede comenzar a ejecutar un promedio móvil de 20 días ecuación fundamental de la negociación, esto da como resultado una TWR estimada mayor. a las respuestas del paso 2. Paso 4 Ahora desea ejecutar una variación de muestra de 20 días para los datos. Las opciones se pueden utilizar de diversas formas, tanto entre sí. del paso 2. Para una variación de 20 días, primero debe determinar la fecha de mudanza y en conjunto con posiciones en el subyacente, para gestionar el riesgo. promedio de los últimos 20 días. Esto se hizo en el paso 3. Luego, para cada día En el futuro, a medida que los operadores se concentren cada vez más en la gestión de riesgos, de los últimos 20 días, se toma la diferencia entre el promedio móvil de hoy y la respuesta de es muy probable que las opciones desempeñen un papel cada vez mayor. Las fórmulas de gestión de carteras analizaron la relación entre el j óptimo y las opciones.1 ese día al paso 2. En otras palabras, para cada uno de los últimos 20 días restarás el promedio móvil de la respuesta de ese día a En este capítulo retomamos esa discusión y paso 2. Ahora, eleva al cuadrado esta diferencia (multiplícala por sí misma). Al hacerlo, convierte Llévelo más allá con una introducción de múltiples posiciones simultáneas, especialmente en lo todas las respuestas negativas en positivas para que todas las respuestas sean que respecta a las opciones. ahora positivo. Una vez hecho esto, suma todas estas diferencias positivas de los últimos 20 Este capítulo nos brinda otro método para encontrar el fs óptimo. para posiciones en las que no se entra ni se sale mediante el uso de un días. Finalmente, divide esta suma por 19 y el resultado es la varianza de la muestra de los últimos 20 días. La siguiente hoja de cálculo mostrará cómo encontrar la muestra de 20 días. sistema. Las técnicas paramétricas discutidas hasta ahora podrían utilizarse por alguien que no comercia mediante un sistema mecánico, sino aparte variación del yen japonés de marzo de 1991 para un solo día, 901226 (26 de diciembre de 1990): Desde el enfoque de planificación de escenarios, todavía tienen algunas dificultades. bordes. Por ejemplo, alguien que no utiliza un sistema mecánico y que A B C D mi F Col E utilizar la técnica descrita en el Capítulo 4 necesitaría una estimación de Fecha Cerca LN 20 días Coronel C­ Promedio Cambiar al cuadrado (­.0029) la curtosis de sus oficios. Puede que esto no sea demasiado fácil de conseguir. Por lo tanto, este capítulo es para aquellos que utilizan medios puramente no mecánicos para de parámetros para la distribución de las operaciones. Sin embargo, necesitarán estimaciones de parámetros tanto para la volatilidad de el instrumento subyacente y la previsión del operador para el precio del 901128 76,91 ­9,0136 901129 ­0,0107 0,000113 74,93 ­0,0261 901130 75,37 ­0,0232 0,000537 0,0059 901203 74,18 ­0,0159 0,0088 0,000076 901204 74,72 0,0073 ­0,0130 0,000169 0,0102 0,000103 901205 74,57 ­0,0020 901206 0,0009 0,000000 0,0142 estimaciones para la distribución de operaciones que aún no se han producido. 75,42 0,0113 901207 76,44 0,000202 0,0163 0,0134 901210 75,54 ­0,0118 0,000266 ­0,0089 No utilizar un sistema mecánico y objetivo tiene un costo conveniente. 901211 75,37 ­0,0023 901212 0,000079 0,0006 etapa del libro, ya que es la entrada perfecta para múltiples presentaciones simultáneas. 75,9 0,0070 90 1213 75,57 0,000000 0,0099 ­0,0044 901214 75,08 ­0,0065 0,000098 ­0,0015 901217 75,11 0,0004 901218 0,000002 ­0,0036 0. ¿Los medios para entrar y salir de operaciones no pueden participar en múltiples posiciones simultáneas? No. El Capítulo 6 nos mostrará un método para encontrar múltiples posiciones 74,99 ­0,0016 000012 0,0033 0,000010 0,0013 0,000001 simultáneas óptimas para los operadores, ya sea que estén usando un sistema mecánico o no. Este capítulo introduce el concepto por 19 F parámetros son más fáciles de conseguir que los parámetros. posiciones. ¿Significa esto que alguien que esté usando un mecánico? Dividido últimos 20 901127 77,96 instrumento subyacente. Para un comerciante que no utiliza un sistema objetivo mecánico, estos Esta discusión sobre f óptima y sus subproductos para esos comerciantes 901219 74,52 ­0,0063 901220 ­0,0034 0,000011 de múltiples posiciones simultáneas, pero el punto de vista es el de alguien que no usa un 74,06 ­0,0062 901221 73,91 ­0,0033 0,000010 sistema mecánico y posiblemente también usa opciones ­0,0020 901224 73,49 ­0,0057 0,0009 0,000000 como instrumentos subyacentes. 901226 73,5 0,0001 ­0,0029 ­0,0028 0,000007 0,0030 0,000009 .001716 ESTIMACIÓN DE LA VOLATILIDAD Un parámetro importante que debe introducir un operador que desee utilizar los siguientes conceptos es la volatilidad. Analizamos dos formas de determinar la volatilidad. La primera es utilizar la estimación determinada por el mercado. Esto se llama volatilidad implícita. Los modelos de valoración de opciones. H Col G La suma de Valores de col (al menos, es posible que no esté disponible una estimación precisa de esto). entrar y salir de sus operaciones. Los usuarios de estas técnicas no necesitarán estimaciones GRAMO .000090 Como puede ver, la variación de la muestra de 20 días para 901226 es 0,00009. Debe hacer esto todos los días para haber determinado el Variación de muestra de 20 días para cada día. Paso 5 Una vez que haya determinado la variación de la muestra de 20 días para todos los días, debe convertir esto en un estándar de muestra de 20 días presentados en este capítulo utilizan la volatilidad como uno de sus datos para derivar desviación. Esto se logra fácilmente sacando la raíz cuadrada de la el precio teórico justo de una opción. La volatilidad implícita está determinada por variación para cada día. Por lo tanto, para 901226, tomando la raíz cuadrada del suponiendo que el precio de mercado de una opción es equivalente a su precio teórico justo. La varianza (que resultó ser 0,00009) nos da una desviación estándar de muestra de 20 días de 0,009486832981. Resolviendo para el valor de la volatilidad que produce un valor teórico justo Un precio igual al precio de mercado determina la volatilidad implícita. Este El valor de la volatilidad se obtiene mediante iteración. El segundo método para estimar la volatilidad es utilizar lo que se conoce. Paso 6 Ahora debemos "anualizar" los datos. Ya que estamos usando diariamente datos, y supondremos que hay 252 días de negociación en el yen por año (aproximadamente), debemos multiplicar las respuestas del paso 5 por el como volatilidad histórica, que está determinada por los cambios reales de precios raíz cuadrada de 252, o 15,87450787. Por lo tanto, para 901226, la desviación estándar de la en el instrumento subyacente. Aunque la volatilidad como insumo de las opciones muestra de 20 días es 009486832981 y multiplicada por 15.87450787 nos da una respuesta de .1505988048. Esta respuesta es la volatilidad histórica 1 Hubo algunos problemas de formulación menores con el material de opciones en Fórmulas de gestión de cartera. Desde entonces, estos se resolvieron y se corrigieron. Las formulaciones se presentan aquí. Mis disculpas por cualquier confusión que esto pueda han causado. (en este caso, 15,06%) y puede usarse como volatilidad aportes al modelo de fijación de precios de opciones de Black­Scholes. Machine Translated by Google La siguiente hoja de cálculo muestra cómo seguir los pasos para obtener a esta volatilidad histórica anualizada de 20 días. Notarás que el La ecuación del riesgo de ruina puede decirnos cuál es la probabilidad de ruina antes de que Comience a operar con este sistema. Los pasos intermedios para determinar la variación para un día determinado, que se detallaron en la Si estuviéramos operando con este sistema sobre una base fraccionaria fija, la línea hoja de cálculo anterior, no se encuentran en esta. Esto se hizo en se curvaría hacia arriba, haciéndose más y más pronunciada con cada paso ordena para que veas todo el proceso. Por lo tanto, tenga en cuenta que el comercio. Sin embargo, la cantidad que podríamos dejar de esta línea siempre es La columna de variación en la siguiente hoja de cálculo se determina para cada proporcional a lo alto que estamos en la línea. Es decir, la probabilidad fila exactamente como en la hoja de cálculo anterior. UNA FECHA B CERCA C D 20­ LN E 20 días Promedio Diferencia Cambiar diario El riesgo de ruina no disminuye a medida que transcurren más y más intercambios. En teoria, F 20 días G Anual­SD Sin embargo, el riesgo de ruina en el comercio fraccionado fijo es cero, porque tamaño*15.8745 puede comerciar en unidades infinitamente divisibles. En la vida real esto no es necesariamente 1 901127 77,96 entonces. En la vida real, el riesgo de ruina en el comercio fraccionado fijo es siempre un poco mayor que en el mismo sistema bajo el comercio de contrato constante. 901128 76,91 ­0,0136 901129 En realidad, no hay límite sobre cuánto puedes perder en un determinado 74,93 ­0,0261 901130 75,37 comercio. 0,0059 961203 74,18 ­0,0159 En realidad, las líneas de expectativas de equidad de las que estamos hablando pueden ser 901204 74,72 0,0073 901205 7 4,57 ­0,0020 901206 75,42 retrocedieron completamente en una operación, independientemente de cuán altos sean. De este modo, 0,0113 901207 76,44 0,0134 el riesgo de ruina, si vamos a comerciar durante un período de tiempo infinitamente largo en un instrumento con responsabilidad ilimitada, independientemente de si operamos sobre una base de contrato constante o fraccional fija, es 1. La ruina es segura. La única manera de desactivar esto 901210 75,54 ­0,0118 901211 es poder poner un límite a la pérdida máxima. Esto se puede lograr negociando opciones donde la 75,37 ­0,0023 961212 75,9 posición se inicia con un débito.2 0,0070 961213 75,57 ­0,0044 901214 75,08 ­0,0065 961217 75,11 0,0004 90 1218 74,99 MODELOS DE PRECIOS DE OPCIONES ­0,0016 901219 74,52 ­0,0063 901220 74,06 ­0,0062 901221 Imagine un instrumento subyacente (puede ser una acción, un bono, una moneda extranjera). 73,91 ­0,0020 moneda, materia prima o cualquier otra cosa) que pueda cotizar hacia arriba o hacia abajo en 1 marque en la siguiente operación. Si, digamos, medimos dónde estará esta acción 100 sigue el camino, y si hacemos esto una y otra vez, encontraremos que 901224 73,49 ­0,0057 901226 73,5 0,0001 ­0,0029 0,0001 901227 73,34 ­0,0022 0,0095 0,1508 0,0092 ­0,0024 0,0001 901 228 74,07 0,0099 ­0,0006 0,0001 0,1460 0,0077 0,1222 901231 73,84 ­0,0031 ­0,0010 0,0001 0,0076 0,1206 la distribución de resultados es Normal. Esto, según la junta de Galton, es como esperaríamos que así fuera. Si luego calculamos el precio de la opción basándonos en este principio tal que no podría obtener ganancias comprando estas opciones, o vendiéndolos en corto, habríamos llegado al Modelo Binomial de Valoración de Opciones (Modelo RUINA, RIESGO Y REALIDAD Recuerde el siguiente axioma de la Introducción a este texto: si Si juegas un juego con responsabilidad ilimitada, arruinarás con una probabilidad que se acerca a la certeza a medida que la duración del juego se acerca al infinito. ¿Qué constituye un juego de responsabilidad ilimitada? La respuesta es una distribución de resultados donde la cola izquierda (los resultados adversos) no está acotada y llega a menos infinito. Las posiciones largas en opciones nos permiten limitó la cola adversa de la distribución de resultados. Puede que esté en desacuerdo con este axioma. Parece irreconciliable que el riesgo de ruina sea menor que 1 (es decir, la ruina no es segura), pero sostengo que en negociar un instrumento con responsabilidad ilimitada en cualquier operación determinada, la ruina es cierto. En otras palabras, mi argumento aquí es que si intercambias algo que no sean opciones y usted está pensando en negociar por una duración infinita de tiempo, su riesgo real de ruina es 1. La ruina es segura en tales condiciones. Esto puede conciliarse con las ecuaciones de riesgo de ruina en el sentido de que las ecuaciones utilizadas para el riesgo de ruina utilice datos empíricos como entrada. Es decir, los datos de entrada para las ecuaciones de riesgo de ruina provienen de una muestra finita de operaciones. Mi argumento de ruina segura por jugar un juego infinitamente largo con responsabilidad ilimitada en cualquier operación determinada se deriva de un punto de vista paramétrico. El punto de vista paramétrico abarca las grandes operaciones perdedoras, esas operaciones en la cola izquierda de la distribución, que aún no han ocurrido y por lo tanto, no forman parte de la muestra finita utilizada como entrada en las ecuaciones de riesgo del ron. Para imaginar esto, supongamos por un momento un sistema de comercio que se realiza bajo un contrato constante. Cada operación realizada se realiza con solo 1 contrato. Para trazar dónde esperaríamos que estuviera el capital X operaciones en el futuro, simplemente multiplicamos X por la operación promedio. De este modo, si nuestro sistema tiene una operación promedio de $250 y queremos saber dónde podemos esperar que nuestro capital sea, digamos, 7 operaciones en el futuro, podemos determinar esto como $250*7 = $1,750. Observe que esta línea de aritmética La expectativa matemática es una función de línea recta. Binomial o Binomial). A esto a veces también se le llama el modelo Cox­Ross­Rubenstein según quienes lo idearon. El precio de una opción de este tipo se basa en su valor esperado (su expectativa matemática aritmética), ya que no se puede obtener ganancias comprando estas opciones. repetidamente y mantenerlos hasta su vencimiento o venderlos repetidamente y mantener la posición hasta el vencimiento, perder en algunos y ganar en otros, pero al final obtener una ganancia. Por tanto, se dice que la opción tiene un precio justo. No cubriremos las matemáticas específicas del modelo binomial. Más bien, hasta cubriremos las matemáticas de la opción sobre acciones de Black­Scholes. Modelo y el modelo de opciones de futuros negros. Debes tener en cuenta que, Dentro de estos tres modelos, existen otras opciones de precios válidas. modelos que tampoco se cubrirán aquí, aunque los conceptos discutidos en este capítulo se aplican a todos los modelos de valoración de opciones. Finalmente, el La mejor referencia que conozco sobre las matemáticas de la fijación de precios de opciones. modelos es Volatilidad de opciones y estrategias de fijación de precios de Sheldon Natenberg. El libro de Natenberg cubre las matemáticas de muchas de las opciones. modelos de precios (incluido el modelo binomial) con gran detalle. Las matemáticas para el modelo de opciones sobre acciones de Black­Scholes y la opción de futuros negros El modelo que vamos a comentar procede de Natenberg. Estos Los temas ocupan un texto completo para discutirlos, más espacio del que tenemos aquí. Aquellos lectores que quieran profundizar en los conceptos de f óptima y opciones. Se remiten a Natenberg para obtener material fundamental sobre las opciones. Debemos cubrir los modelos de fijación de precios en un nivel suficiente para trabajar con las técnicas óptimas que se discutirán sobre los precios de opciones. por lo tanto, nosotros A continuación analizaremos el modelo de fijación de precios de opciones sobre acciones de Black­ Scholes (en adelante, Black­Scholes). Este modelo lleva el nombre de quienes lo idearon, Fischer Black de la Universidad de Chicago y Myron Scholes de MIT, y apareció en el Journal of Political Econo­my de mayo­junio de 1973. Black­Scholes se considera la forma limitante del Modelo Binomial (en adelante, Binomial). En otras palabras, con el Binomio, debes determine cuántas garrapatas hacia arriba o hacia abajo va a utilizar antes de Ahora, en cualquier operación determinada, se puede perder una cierta cantidad, lo que nos hace caer (temporalmente) de esta línea esperada. En este hipotético situación tenemos un límite a lo que podemos perder en cualquier operación determinada. Desde 2 nuestra línea es siempre más alta que lo máximo que podemos perder en una operación determinada, opciones con tiempo infinito hasta el vencimiento. Por lo tanto, si mantenemos posiciones largas en el subyacente Veremos más adelante en este capítulo que los instrumentos subyacentes son idénticos a los call no se puede arruinar en una sola operación. Sin embargo, una racha perdedora prolongada podría cuota podemos asumir que nuestra pérdida en el peor de los casos es el valor total del instrumento. dejarnos lo suficientemente lejos de esta línea como para que no podamos continuar En muchos casos, esto puede considerarse como una pérdida de tal magnitud que comercio, por lo tanto estaríamos "arruinados". La probabilidad de que esto ocurra disminuye a medida que sinónimo de pérdida catastrófica. Sin embargo, estar en corto en el instrumento subyacente es transcurren más operaciones a medida que la línea de expectativas se hace cada vez más alta. A análogo a estar en corto en una opción de compra con un tiempo de vencimiento infinito, y la responsabilidad es verdaderamente ilimitada en tal situación. Machine Translated by Google registrar dónde podría terminar el precio. El siguiente pequeño diagrama muestra la idea. (5.05) Llamada Delta = N(H) (5.06) Ponga Delta = ­N(­H) Estos deltas adquieren bastante importancia en el capítulo 7, cuando analizamos el seguro de cartera. Black pasó a aplicar el modelo a opciones de futuros, que tienen una liquidación tipo acciones.4 El modelo de valoración de opciones de futuros de Black es el mismo que el modelo de valoración de opciones sobre acciones de Black­Scholes, excepto por la variable H: (5.07) H = ln(U/ E)/(V*T^(1/2))+(V*T^(l/2))/2 Precio inicial La única otra diferencia en el modelo de futuros son los deltas, que son: (5.08) Llamada Delta = EXP(­R*T)*N(H) (5.09) Ponga Delta = ­EXP(­R*T)*N(­H) Por ejemplo, supongamos que estamos ante una opción de futuros que tiene un precio de ejercicio de 600, un precio de mercado actual de 575 sobre el subyacente y una volatilidad anual del 25%. Usaremos el modelo de opciones sobre materias primas, un año de 252 días y una tasa libre de riesgo de 0 por simplicidad. Además, asumiremos que el día de vencimiento de las opciones es el 15 de septiembre de 1991 (910915) y que el día Aquí, comienza con un precio inicial, donde el precio puede bifurcarse en 2 direcciones en el que observamos estas opciones es el 1 de agosto de 1991 (910801). durante el siguiente período. El período posterior a eso, hay 4 direcciones en las que el precio podría terminar. En última instancia, con el Binomio debes determinar de antemano cuántos períodos en total vas a utilizar para calcular el precio justo de la opción. Para empezar calcularemos la variable T, la fracción decimal del año que falta para vencer. Primero, debemos convertir 910801 y 910915 a sus equivalentes en días julianos. Para hacer esto, debemos utilizar el siguiente algoritmo. Black­Scholes se considera la forma limitante del binomio porque asume un número infinito de períodos (en teoría). Es decir, Black­Scholes supone que este pequeño diagrama seguirá ramificándose y hacia la derecha infinitamente. Si determina el precio justo de una opción mediante Black­Scholes, entonces tenderá hacia la misma respuesta con el Binomial ya que el número de períodos utilizados en el Binomial tiende hacia el infinito. (El hecho de que Black­Scholes sea la forma limitante del binomio implicaría que el 1. Establecer la variable 1 igual al año (1991), la variable 2 igual al año mes (8) y variable 3 igual al día (1). 2. Si la variable 2 es menor que 3 (es decir, el mes es enero o febrero), entonces establezca la variable 1 igual al año menos 1 y la variable 2 igual al mes más 13. modelo binomial apareció primero. Curiosamente, el modelo Black­Scholes apareció primero). 3. Si la variable 2 es mayor que 2 (es decir, el mes es marzo o después), entonces establezca la variable 2 igual al mes más 1. Las matemáticas de Black­Scholes son bastante sencillas. El El valor razonable de una opción de compra de acciones se da como: (5.01) C = U*EXP(­R*T)*N(H)­E*EXP(­R*T)*N(HV*T^( 1/2)) y para una venta: (5.02) P = ­U*EXP(­R*T)*N(­H)+E*EXP(­R*T)*N(V*T^(l/2)­H ) dónde C = El valor razonable de una opción de compra. 4. Establezca la variable 4 igual a la variable 3 más 1720995 más el número entero de la cantidad 365,25 por la variable 1 más el número entero de la cantidad 30,6001 por la variable 2. Matemáticamente: V4 = V3+1720995+INT(365.25*V1)+INT(30.6001 *V2) 5. Establezca la variable 5 igual al número entero de la cantidad .01 multiplicada por la variable 1: Matemáticamente: V5 = INT(.01*V1) Ahora para obtener la fecha juliana como variable 4 más 2 menos variable 5 P = El valor razonable de una opción de venta. más el número entero de la cantidad .25 por la variable 5. Matemáticamente: FECHA U = El precio del instrumento subyacente. JULIAN = V4+2­V5+INT(.25*V5) E = El precio de ejercicio de la opción. Entonces, para convertir nuestra fecha de 910801 a juliana: T = Fracción decimal del año que falta por vencer.3 V = La Paso 1 V1 = 1991, V2 = 8, V3 = 1 Paso 2 volatilidad anual en porcentaje. Dado que el año es posterior a enero o febrero, este paso no se aplica. R = La tasa libre de riesgo. ln() = La función del logaritmo natural. N() = La función de densidad normal acumulativa, como se indica en la ecuación (3.21). (5.03) H = ln(U/(E*EXP(­R*T)))/(V*T^(l/2))+(V*T^(l/2))/2 Para acciones que pagan dividendos, debe ajustar la variable U para reflejar el Paso 3 Dado que el año es posterior a enero o febrero, este paso sí se aplica. Por lo tanto V2 = 8+1 = 9. Paso 4 Ahora configuramos V4 como: V4 = V3+1720995+INT(365,25*V1)+INT(30,6001*V2) = 1+1720995+INT(365,25*1991)+INT(30,6001*9) precio actual del subyacente menos el valor presente de los dividendos esperados: (5.04) = 1+1720995+INT(727212,75)+INT(275,4009) U = U­∑[i = 1,N] Di*EXP = 1+1720995+727212+275 ( ­R*Wi) donde = 2448483 Paso 5 Ahora configuramos V5 Di = El iésimo pago de dividendo esperado. Wi = El tiempo (fracción decimal de un año) hasta el iésimo pago. Una de las cosas más interesantes del modelo Black­Scholes es el cálculo exacto del delta, la primera derivada del precio de la opción. Esta es la tasa de cambio como: V5 = INT(.01*V1) =INT(.01*1991) =INT(19,91) = 19 instantánea de la opción con respecto a un cambio en U, el precio del subyacente: Paso 6 Ahora obtenemos la fecha juliana como: FECHA JULIANA = V4+2­V5+INT(.25*V5) 3 En la mayoría de los casos, sólo se utilizan los días de mercado para calcular la fracción de un año en las opciones. El número de días laborables en un año (gregoriano) se puede determinar como 365,2425/7*5 = 260,8875 días laborables en promedio por año. Debido a los días festivos, el número real de días hábiles en un año suele estar entre 250 y 252. Por lo tanto, si utilizamos un año de 252 días hábiles y quedan 50 días hábiles hasta el vencimiento, la fracción decimal del año restante hasta el vencimiento, T, sería 50/252 = .1984126984. 4 La liquidación de tipo futuro no requiere pago inicial en efectivo, aunque se debe contabilizar el margen requerido. Además, todas las ganancias y pérdidas se realizan inmediatamente, incluso si la posición no se liquida. Estos puntos contrastan directamente con la liquidación mediante acciones. En la liquidación de acciones, la compra requiere el pago total e inmediato, y las ganancias (o pérdidas) no se obtienen hasta que la posición tiene fecha de liquidación. Machine Translated by Google = 2448483+2­19+INT(.25*19) obtuvo el delta, la tasa de cambio instantáneo del precio del = 2448483+2­19+INT(4.75) = opción con respecto al precio del subyacente. El delta es N(H), o 2448483+2­19+4 la variable H se bombea como Z en la ecuación (3.21). Nuestro delta para = 2448470 Así, podemos afirmar que la fecha juliana del 1 de agosto de 1991, es 2448470. Ahora si convertimos la fecha de vencimiento del 15 de septiembre de 1991 a Julian, obtendríamos una fecha juliana de 2448515. Si estuviéramos usando un año de 365 días (o 365,2425, la duración del calendario gregoriano), podríamos encontrar el tiempo que queda hasta el vencimiento simplemente tomando la diferencia entre estas dos fechas julianas, restando 1 y dividiendo la suma por 365 (o 365.2425). Sin embargo, no utilizamos un año de 365 días; más bien estamos usando un esta opción es por tanto .3262583. Ahora tenemos todos los insumos necesarios para determinar el valor teórico. precio de opción. Introduciendo nuestros valores en la ecuación (5.01): (5.01) C = U*EXP(­R*T)*N(H)­E*EXP(­R*T)*N(HV *T^(1/2)) = 575*EXP(­0*.119047619)*N(­.4502688281)­600*EXP(­ 0*.119047619)*N(­.4502688281­.25*.119047619^(1/2)) = 575*EXP(­0*.119047619)*.3262583­600*EXP(­ 0*.119047619)*.2957971 = 575*EXP(0)*.3262583­600*EXP(0)*.2957971 Año de 252 días, ya que solo contamos los días en que el intercambio está abierto = 575*1*.3262583­600*1*.2957971 (entre semana menos festivos). Así es como explicamos esto. Debemos examinar cada día = 575*.3262583­600*.2957971 entre las dos fechas julianas para ver si es fin de semana. = 187.5985225­177.47826 Podemos determinar qué día de la semana es una fecha juliana dada sumando 1 a la fecha juliana, dividiendo por 7 y tomando el resto (la operación de módulo). El resto = 10.1202625 Así, el precio justo de la opción call 600 que vence el 15 de septiembre, tendrá un valor de 0 a 6, correspondiente a domingo a sábado. Así, para el 1 de agosto de 1991, donde 1991, con el subyacente en 575 el 1 de agosto de 1991, con una volatilidad en la fecha juliana es 2448470: 25%, y utilizando un año de 252 días y el modelo de futuros negros con R = 0, es 10.1202625. Día de la semana = ((2448470+l)/7) % 7 = Es interesante notar la relación entre las opciones y sus 2448471/ % 7 = ((2448471/7)­INT(2448471/7))*7 = instrumentos subyacentes mediante el uso de estos modelos de fijación de precios. sabemos que 0 es el precio límite a la baja de una opción, pero en el lado positivo el precio límite es el precio (349781.5714­349781)*7 = .5714*7 del instrumento subyacente en sí. Los modelos =4 su valor límite alcista del valor del subyacente, U, si alguno o todos demostrar esto en que el precio justo teórico de una opción se acerca Como el 4 corresponde al jueves, podemos afirmar que el 1 de agosto de 1991 es un jueves. Ahora procedemos a través de cada fecha juliana hasta e incluyendo la fecha de caducidad. Contamos todos los días de la semana entre esos dos. fechas y encontramos que hay 32 días laborables entre ellas (e inclusive) 1 de agosto de 1991 y 15 de septiembre de 1991. De nuestra respuesta final podemos Hay que restar 1, ya que contamos el día uno cuando llega el 2 de agosto de 1991. tres de las variables T, R o V aumentan. Esto significaría, por ejemplo, que si incrementáramos T, el tiempo hasta el vencimiento de la opción, a un cantidad infinitamente alta, entonces el precio de la opción sería igual al de el instrumento subyacente. En este sentido, podemos afirmar que todos los instrumentos subyacentes son realmente iguales que opciones, sólo que con T infinita. Por lo tanto, lo que sigue en esta discusión no sólo se aplica a las opciones, sino que también puede Lo mismo ocurre con el subyacente como si fuera una opción. con T infinita. Por lo tanto, tenemos 31 días laborables entre 910801 y 910915. Ahora hay que restar los días festivos, cuando el intercambio está cerrado. El lunes 2 de septiembre de 1991 es el Día del Trabajo en los Estados Unidos. A pesar de Es posible que no vivamos en los Estados Unidos, el intercambio donde este particular La opción en la que se negocia, al estar en los Estados Unidos, se cerrará el 2 de septiembre, y por tanto debemos restar 1 a nuestra cuenta de días. Tanto el modelo de opciones sobre acciones de Black­Scholes como los futuros de Black El modelo se basa en ciertas suposiciones. Los desarrolladores de estos modelos. Eran conscientes de estas suposiciones y usted también debería serlo. Sin embargo, a pesar de las deficiencias que implican los supuestos, estos Los modelos siguen siendo muy precisos y los precios de las opciones tenderán a los valores de estos modelos. Por lo tanto, determinamos que tenemos 30 días "negociables" antes del vencimiento. Ahora dividimos el número de días negociables antes del vencimiento por la duración de lo que hemos determinado que será el año. Como utilizamos un año de 252 días, dividimos 30 entre 252 para obtener 0,119047619. Esto es la fracción decimal del año que falta para vencer, la variable T. A continuación, debemos determinar la variable H para el modelo de fijación de precios. Desde Estamos usando el modelo de futuros, debemos calcular H como en la ecuación El primero de estos supuestos es que la opción no puede ejercerse hasta la fecha del ejercicio. Este acuerdo de opciones de estilo europeo tiende a subvalorar ciertas opciones en comparación con el estilo americano, donde el Las opciones pueden ejercerse en cualquier momento. Algunas de las otras suposiciones en este modelo son que realmente conocemos la volatilidad futura del instrumento subyacente y que permanecerá constante durante toda la vida del instrumento subyacente. opción. Esto no sólo no sucederá (es decir, la volatilidad cambiará ), sino que (5.07): la distribución de los cambios de volatilidad es lognormal, una cuestión que los modelos no abordan.5 Otra cuestión que los modelos suponen es que la (5.07) H = ln(U/E)/(V*T^(1/2))+(V*T^(l/2))/2 La tasa de interés libre de riesgo permanecerá constante durante toda la vida de una opción. = ln(575/600)/(.25*.119047619^(1/2))+(.25*.119047619 ^ (l/2))/2 = ln(575/600)/(.25*. 119047619^.5)+(.25*.119047619^.5)/2 Esto también es poco probable. Además, los tipos a corto plazo parecen ser distribuida lognormalmente. Dado que cuanto más altas son las tasas a corto plazo, mayores serán los precios de las opciones resultantes, este supuesto con respecto = In(575/600)/(.25*.3450327796)+(.25*.3450327796)/2 = que las tasas a corto plazo sean constantes puede subvaluar aún más el precio justo de In(575/600)/.0862581949+.0862581949/2 = la opción (el precio devuelto por los modelos) en relación con el esperado In(.9583333)/.0862581949+ .0862581949/2 = valor (su verdadera expectativa matemática aritmética). .04255961442/.0862581949+.0862581949/2 = ­.4933979255+.0862581949/2 = ­.4933979255+.04312909745 = ­.4502688281 En la ecuación (5.01) notará que necesitamos usar la ecuación Finalmente, otro punto (quizás el más importante) que podría subvaluar el valor razonable de la opción generado por el modelo en relación con el El verdadero valor esperado se refiere al supuesto de que los logaritmos del precio los cambios se distribuyen normalmente. Si en lugar de tener un marco de tiempo en que expiraron, las opciones tenían un número determinado de ticks hacia arriba y hacia abajo antes de que expiraran, y solo podían cambiar 1 tic a la vez, y si (3.21) en dos ocasiones. La primera es donde configuramos la variable Z en cada tick era estadísticamente independiente del último tick, podríamos con razón Ecuación (3.01) a la variable H tal como la acabamos de calcular; el segundo es donde lo hacer este supuesto de normalidad. Los registros de cambios de precios, sin embargo, configuramos con la expresión HV*T^(1/2). Lo sabemos no tienen estas características limpias. V*T^(1/2) es igual a .0862581949 de la última expresión, por lo que HV*T^(1/2) es igual a ­.4502688281­.0862581949 = ­.536527023. Por lo tanto, debemos usar la ecuación (3.21) con la variable de entrada Z como ­.4502688281 y ­.536527023. Según la ecuación (3.21), esto produce .3262583 y .2957971 respectivamente (la ecuación (3.21) se demostró en el capítulo 3, por lo que no es necesario repetirla aquí). Observe, sin embargo, que ahora tenemos 5 El hecho de que la distribución de los cambios de volatilidad sea lognormal no es una prueba muy hecho ampliamente considerado. A la luz de lo extremadamente sensibles que son los precios de las opciones a la volatilidad del instrumento subyacente, esto ciertamente hace que la perspectiva de comprar una opción larga (put o call) más atractiva en términos de expectativa matemática. Machine Translated by Google dónde Dejando a un lado todas estas suposiciones hechas por los modelos de precios, los precios justos teóricos arrojados por los modelos son monitoreados por profesionales en el mercado. Aunque muchos utilizan modelos que difieren C = El valor teóricamente razonable de una opción, o el valor presente de la expectativa matemática aritmética en el tiempo T. A partir de los que se detallan aquí, la mayoría de los modelos arrojan resultados teóricos similares. pi = La probabilidad de estar en el precio i al vencimiento. precios. Cuando los precios reales divergen de los modelos en la medida en que un ai = El valor intrínseco asociado con el instrumento subyacente arbitrajista tiene una oportunidad de ganancias, comenzarán a converger nuevamente para lo que los modelos afirman es el precio justo teórico. Este hecho de que podemos estando al precio i. R = La tasa libre de riesgo actual. predecir con bastante precisión cuál será el precio de una opción dados los diversos inputs (tiempo hasta el vencimiento, precio del instrumento subyacente, etc.) T = Fracción decimal de un año restante hasta el vencimiento. nos permite realizar los ejercicios sobre f óptima y sus subproductos en opciones y posiciones mixtas. El lector debe Tenga en cuenta que todas estas técnicas se basan en los supuestos Acabo de mencionar los modelos de fijación de precios de opciones en sí. La ecuación (5.11) es el modelo de valoración de opciones para todas las distribuciones, que devuelve el valor presente de la expectativa matemática aritmética de la opción al vencimiento.6 Tenga en cuenta que el modelo se puede utilizar para valores de venta además, la única diferencia está en discernir los valores intrínsecos, los términos ai , en cada incremento de precio, i. UN MODELO EUROPEO DE PRECIOS DE OPCIONES PARA TODAS LAS DISPOSICIONES TRIBUCIONES Podemos crear nuestro propio modelo de precios sin suposiciones sobre la distribución de los cambios de precios. Cuando se trata de dividendos, se debe emplear la ecuación (5.04) para ajustar el precio actual del subyacente por. Luego, este precio actual ajustado se utiliza para determinar las probabilidades asociadas con ser a un precio determinado, i, al vencimiento. Un ejemplo del uso de la ecuación (5.11) es el siguiente. Supongamos que determinamos En primer lugar, es necesario definir el término "teóricamente justo" cuando se hace referencia al precio de una opción. Esta definición se da como la expectativa aritmética que la distribución t de Student es un buen modelo de la distribución del logaritmo de los cambios matemática de la opción al vencimiento, expresada en términos de su valor presente, suponiendo de precios. que no haya sesgo direccional en el subyacente. Esto es están considerando comprar opciones en. Ahora utilizamos la prueba KS para determinar el nuestro modelo de valoración de opciones en términos literales. El marco de referencia empleado valor del parámetro que mejor se ajusta a los grados de libertad de la distribución t de Student. aquí es: "¿Cuánto vale esta opción para mí hoy como comprador de opciones?" Supondremos que 5 grados de 7 para un producto hipotético que La libertad proporciona el mejor ajuste a los datos reales según la prueba KS. Supondremos que estamos discerniendo el precio justo de una opción de compra. En términos matemáticos, recuerde que la expectativa matemática (aritmética) se define como la Ecuación (1.03): (1.03) Expectativa matemática = ∑[i = 1,N] (pi*ai) dónde en 911104 que vence en 911220, donde el precio del subyacente es 100 y el precio de ejercicio es 100. Asumiremos una volatilidad anualizada de 20%, una tasa libre de riesgo del 5% y un año de 260,8875 días (el número promedio de días laborables en un año; por lo tanto, ignoramos los días festivos que caen en un p = Probabilidad de ganar o perder el iésimo ensayo. entre semana, por ejemplo, Acción de Gracias en los Estados Unidos). Además, nosotros a = Monto ganado o perdido en la iésima prueba. asumirá que el tick mínimo que este producto hipotético puede N = Número de resultados posibles (ensayos). el intercambio es .10. Si realizamos las ecuaciones (5.01) y (5.02) usando (5.07) para la variable II, obtenemos La expectativa matemática se calcula multiplicando cada posible ganancia o pérdida por la probabilidad de esa ganancia o pérdida y luego sumando estos productos. Cuando la suma de valores razonables de 2,861 tanto para la compra de 100 como para la venta de 100. las probabilidades, los términos pi, es Estos precios de opciones son, por tanto, los valores razonables según el modelo de opciones mayor que 1, la Ecuación 1,03 debe luego dividirse por la suma de los sobre productos básicos negros, que supone una distribución lognormal de probabilidades, los términos pi. precios. Sin embargo, si utilizamos la ecuación (5.11), debemos calcular los términos pi . En pocas palabras, nuestro modelo de valoración de opciones tomará todas esas opciones discretas. incrementos de precio que tienen una probabilidad mayor o igual a .001 de que ocurren al vencimiento y determinar una expectativa matemática aritmética sobre ellos. Estos los obtenemos del fragmento de código BASIC en el Apéndice B. Nota que el fragmento de código requiere un valor estándar, dada la variable nombre Z, y los grados de libertad, dado el nombre de la variable DEGFDM. Antes de llamar a este fragmento de código, podemos convertir el precio, i, a un valor estándar mediante la siguiente fórmula: (5.10) C = ∑(pi*ai)/∑pi dónde (5.12) Z = ln(i/precio subyacente actual)/(V*T^.5) dónde C = El valor teóricamente justo de una opción, o una expectativa aritmético­matemática. i = El precio asociado con el estado actual de la sumatoria proceso. pi = La probabilidad de estar en el precio i al vencimiento. V = La volatilidad anualizada como desviación estándar. ai = El valor intrínseco asociado con el instrumento subyacente T = Fracción decimal de un año restante hasta el vencimiento. estando al precio i. ln() = La función del logaritmo natural. Al usar este modelo, primero comenzamos con el precio actual y trabajamos hacia arriba. La ecuación (5.12) se puede expresar en BASIC como: tick a la vez, sumando los valores tanto en el numerador como en el denominador hasta que el precio, i, tenga una probabilidad, pi, menor que .001 (puede usar un Z = LOG(I/U)/(V*T^.5) valora menos que esto, pero creo que .001 es un buen valor para usar; eso implica encontrar un valor justo suponiendo que tendrá 1000 operaciones de opciones La variable U representa el precio subyacente actual (ajustado por dividendos, si fuera necesario). en tu vida). Luego, comenzando en ese valor que está 1 tick por debajo del precio actual, bajamos 1 tick a la vez, sumando los valores de ambos 6 el numerador y denominador hasta que el precio, i, resulte en una probabilidad, pensamiento convencional sostiene que, incluido en el precio de una opción sobre acciones, pi, menos de 0,001. Tenga en cuenta que las probabilidades que estamos usando son de 1 cola. es el interés de un bono de descuento puro que vence al vencimiento con un valor nominal probabilidades, donde si una probabilidad es mayor que .5, estamos restando la probabilidad de 1. Es interesante observar que los términos pi, las probabilidades, pueden discernirse Observe que la ecuación (5.11) no diferencia las opciones sobre acciones de las materias primas. El igual al precio de ejercicio. Se cree que las opciones sobre materias primas tienen una tasa de interés de 0 en esto, entonces es como si no lo tuvieran. Desde nuestro marco de referencia, es decir, "¿Cuánto vale esta opción para mí hoy como comprador de opciones?" ­ ignoramos esto. Si Tanto una acción como un producto tienen exactamente la misma distribución esperada de resultados, mediante cualquier distribución que el usuario considere aplicable, no sólo la sus expectativas aritméticas matemáticas son las mismas y las expectativas racionales Normal. Es decir, ¡el usuario puede derivar un valor teóricamente justo de una opción para El inversor optaría por comprar el menos caro. Esta situación es análoga a cualquier forma distributiva! Por lo tanto, este modelo nos da libertad para usar la estable alguien que esté considerando comprar una de dos casas idénticas donde una tiene el precio Paretiana, la t de Student, Poisson, nuestra propia distribución ajustable o cualquier otra. mayor porque el vendedor ha pagado una tasa de interés más alta sobre la hipoteca. otra distribución que consideramos que el precio se ajusta al determinar opciones justas valores. cambios. Sin embargo, dado que el único otro parámetro, además de la volatilidad como desviación Todavía necesitamos modificar el modelo para expresar la expectativa matemática aritmética al vencimiento como un valor presente: (5.11) C = (∑ (pi*ai)*EXP(­R*T))/ ∑ pi 7 La distribución t de Student es generalmente un modelo deficiente de la distribución de precios. estándar anualizada, que debe considerarse al utilizar la t de Student distribución, son los grados de libertad, y dado que las probabilidades asociadas con La distribución t de Student se determina fácilmente mediante el fragmento de código básico en En el Apéndice B, aquí usaremos la distribución t de Student por razones de simplicidad y demostración. Machine Translated by Google Por último, una vez que hemos obtenido una probabilidad del fragmento de código BASIC 1.288467. Ahora bien, si restamos este valor de cada término ai, cada valor intrínseco en de la distribución t de Student en el Apéndice B, la probabilidad devuelta es de dos colas. (5.11) (y establecemos cualquier valor resultante menor que 0 en 0), entonces la ecuación (5.11) Necesitamos convertirla en una probabilidad de una cola y expresarla como una probabilidad producirá valores teóricos que son consistentes con (5.13). Este procedimiento tiene el efecto de desviarse del precio actual (es decir, limitarla entre 0 y 0,5). Estos dos procedimientos se de forzar que la expectativa matemática aritmética del subyacente sea igual al precio actual realizan mediante las siguientes dos líneas de BASIC: del subyacente. En el caso de nuestro ejemplo que utiliza la distribución t de Student con 5 CF = 1­((1­ CF)/2) SI CF >.5 entonces CF = 1­CF de 3,218. Por lo tanto, nuestra respuesta es consistente con la ecuación (5.13) y ya no existe grados de libertad, obtenemos un valor tanto para la opción put como para la opción call de 100 Al hacer esto con los parámetros de opción que hemos especificado y 5 grados de una oportunidad de arbitraje entre estas dos opciones y su instrumento subyacente. libertad, se obtiene un valor justo de opción de compra de 3,842 y un valor justo de venta de 2,562. Estos valores difieren considerablemente de los modelos más convencionales por varias razones. Primero, las colas más gruesas de la distribución t de Student con 5 grados de libertad generarán un valor de compra justo más alto. Generalmente, cuanto más gruesas sean las colas de la distribución utilizada, mayor será el valor de llamada devuelto. Si hubiéramos utilizado 4 grados de libertad, habríamos obtenido un valor de call justo aún mayor. En segundo lugar, el valor de venta y el valor de compra difieren sustancialmente, mientras que con el modelo más convencional el valor de venta y el valor de compra eran equivalentes. Siempre que estemos utilizando una distribución que resulte en una expectativa matemática aritmética al vencimiento del subyacente que difiere del valor actual del subyacente, debemos restar la diferencia (expectativa­valor actual) del valor intrínseco al vencimiento de las opciones y piso. esos valores intrínsecos resultantes son menores que 0 a 0. Al hacerlo, la ecuación (5.11) nos dará, para cualquier forma distributiva que queramos usar, el valor presente de la expectativa aritmética matemática de la opción al vencimiento, dada una expectativa aritmética matemática sobre el instrumento subyacente equivalente a su precio actual (es decir, suponiendo que no haya sesgo direccional en el instrumento subyacente). Esta diferencia requiere cierta discusión. El valor razonable de una opción de venta se puede determinar a partir de una opción de compra con el mismo ejercicio y vencimiento (o viceversa) mediante la fórmula de paridad de compra y venta: (5.13) P = C+(EU)*EXP(­ R*T) donde P = El valor justo de venta. C = El valor justo de compra. E = El precio de ejercicio. U = El precio actual del instrumento subyacente. R = La tasa libre de riesgo. T = Fracción decimal de un año restante hasta el vencimiento. LA ÚNICA OPCIÓN LARGA Y LA F ÓPTIMA Supongamos que estamos hablando de la simple compra directa de una opción de compra. En lugar de tomar un historial completo de las operaciones de opciones que produjo un sistema de mercado determinado y derivar nuestro f óptimo de ahí, vamos a echar un vistazo a todos los resultados posibles de lo que esta opción en particular podría hacer durante el plazo que la mantengamos. Pondremos cada resultado según la probabilidad de que ocurra. Este resultado ponderado por probabilidad se derivará como un HPR relativo al precio de compra de la opción. Finalmente, veremos el espectro completo de resultados (es decir, la media geométrica) para cada valor de f hasta que obtengamos el valor óptimo. Cuando la ecuación (5.13) no es cierta, existe una oportunidad de arbitraje. De (5.13) podemos ver que los precios del modelo convencional, al ser equivalentes, parecerían correctos ya que la expresión UE es 0, y por tanto P = c. En casi todos los modelos de valoración de buenas opciones, las variables de entrada que tienen el mayor efecto sobre el precio teórico de las opciones son (a) el tiempo restante hasta el vencimiento, (b) el precio de ejercicio, (c) el precio subyacente y (d) la volatilidad. Diferentes Sin embargo, consideremos la variable U en la ecuación (5.13) como el precio esperado del instrumento subyacente actual al vencimiento. El valor esperado del subyacente se puede discernir mediante (5.10), excepto que el término ai simplemente es igual a i. Para nuestro modelos tienen diferentes entradas, pero básicamente estos cuatro tienen la mayor influencia en el valor teórico devuelto. De los cuatro factores básicos, dos (el tiempo restante hasta el vencimiento y el precio ejemplo con DEGFDM = 5, el valor esperado para el instrumento subyacente = 101,288467. subyacente) seguramente cambiarán. Uno, la volatilidad, puede cambiar, pero rara vez en la Esto sucede como resultado del hecho de que el mínimo por el que se puede negociar una medida del precio subyacente o el tiempo hasta el vencimiento, y ciertamente no tan mercancía en este modelo es 0, mientras que no hay límite alcista. Un movimiento de un precio definitivamente como estos dos. Uno, el precio de ejercicio, seguramente no cambiará. de 100 a un precio de 50 es tan probable como un movimiento de un precio de 100 a 200. Por lo tanto, los valores de compra tendrán un precio mayor que los valores de venta. No sorprende Por lo tanto, debemos observar el precio teórico que arroja nuestro modelo para todos entonces que el valor esperado del instrumento subyacente al vencimiento sea mayor que su estos valores diferentes de precios subyacentes diferentes y el precio diferente para todos estos valor actual. Esto parece ser consistente con nuestra experiencia con la inflación. Cuando valores diferentes de precios subyacentes diferentes y los tiempos restantes hasta el reemplazamos la U en la ecuación (5.13), el precio actual del instrumento subyacente, con su vencimiento. Por tanto, el HPR de una opción es función no sólo del precio del subyacente, sino valor esperado al vencimiento, podemos derivar nuestro valor de venta justo de (5.13) como: P también de cuánto tiempo queda en la opción: (5.14) HPR(T,U) = (1+f*(Z(T, UY)/S­1))^P(T,U) = 3.842+(100­101.288467)*EXP (­.05*33/260.8875) = 3.842+­ 1.288467*EXP(­.006324565186) = 3.842+­1.288467*.9936954 = 3.842+­1.280343731 = 2.561656269 dónde HPR(T,U) = El HPR para un valor de prueba dado para T y U. Este valor es consistente con el valor de venta determinado usando la ecuación (5.11) para el valor actual de la expectativa matemática aritmética de la venta al vencimiento. f = El valor probado para f. S = El precio actual de la opción. Z(T,UY) = El precio teórico de la opción si el subyacente estuviera al precio UY con el Sólo hay un problema. Si tanto las opciones de venta como las de compra para el mismo ejercicio y vencimiento tienen un precio justo según (5.11), entonces existe una oportunidad de arbitraje. En el mundo real, la U en (5.13) es el precio actual del subyacente, no el valor tiempo T restante hasta el vencimiento. Esto puede discernirse mediante cualquier modelo de precios que el usuario considere apropiado. P(T,U) = La probabilidad de cola I de que el subyacente esté al precio U en el tiempo T esperado del subyacente, al vencimiento. En otras palabras, si el precio actual es 100 y el call restante hasta el vencimiento. Esto puede discernirse mediante cualquier forma de distribución de diciembre de 100 es 3,842 y el put de 100 es 2,561656269, entonces existe una oportunidad que el usuario considere apropiada. de arbitraje según (5.13). Y = La diferencia entre la expectativa matemática aritmética del subyacente en el momento T, dada por la Ecuación (5.10), y el precio actual. La ausencia de paridad de compra y venta sugeriría, dados los precios de nuestras opciones recién derivadas, que en lugar de comprar la opción de compra por 3,842, obtendríamos una posición equivalente comprando la opción de venta por 2,562 y comprando el subyacente. Esta fórmula nos dará el HPR (que está ponderado en función de la probabilidad del resultado) de un posible resultado para esta opción: que el instrumento subyacente tendrá un precio U en el momento T. El problema se resuelve si primero calculamos el valor esperado del subyacente, discernido por la Ecuación (5.10), excepto que el término ai simplemente es igual a i (para nuestro ejemplo con DEGFDM = 5, el valor esperado para el instrumento subyacente es igual a 101,288467) y restamos el precio actual del subyacente a partir de este valor. Esto nos da 101.288467­100 = En la ecuación anterior la variable T representa la parte decimal del año que falta hasta el vencimiento de la opción. Por lo tanto, al vencimiento T = 0. Si queda 1 año para el vencimiento, T = 1. La variable Z(T, UY) se encuentra mediante cualquier modelo de opción que esté utilizando. La única otra variable Machine Translated by Google Lo que necesitas calcular es la variable P(T, U), la probabilidad de que el subyacente esté al precio U con el tiempo T restante en la vida de la opción. Si utilizamos el modelo Black­Scholes o el producto Black A partir de esta ecuación, para determinar el punto que es X desviaciones estándar por encima del precio subyacente actual: (5.17a) +X Std. Desarrollo. = U*EXP(X*(V*T^(1/2))) modelo, podemos calcular P(T, U) como: si U < o = a Q: (5.15a) Asimismo, X desviaciones estándar por debajo del precio subyacente actual se calcula P(T,U) = N((ln(U/Q))/(V*(L^( 1/2)))) si U > Q: (5.15b) mediante: (5.17b) ­X Std. Desarrollo. = U*EXP(­X*(V*T ^ (1/2))) donde U = Precio P(T,U) = 1­ actual del instrumento subyacente. V = La volatilidad anual del instrumento subyacente. N((ln(U/Q))/(V*(L^(1/2)))) T = Fracción decimal del año transcurrido desde que se puso la opción dónde U = El precio en cuestión. Q = Precio actual del instrumento subyacente. V = La volatilidad anual del instrumento subyacente. L = Fracción decimal del año transcurrido desde que se puso la opción en. N() = La función de distribución normal acumulativa. Esto viene dado por la ecuación (3.21). ln() = La función del logaritmo natural. Una vez realizadas estas ecuaciones, podemos derivar un HPR ponderado por probabilidad para un resultado particular en la opción. Es posible obtener una amplia gama de resultados, pero afortunadamente estos resultados no son continuos. Tómese el tiempo restante hasta el vencimiento. Esta no es una función continua. Más bien, quedan un número discreto de días hasta el vencimiento. Lo mismo ocurre con el precio del subyacente. Si una acción tiene un precio de, digamos, 35 y queremos saber cuántos resultados de precios posibles hay entre los precios posibles de 30 y 40, y si la acción se negocia en octavos, entonces sabemos que hay 81 posibles. resultados de precios entre 30 y 40 inclusive. en. EXP() = La función exponencial. X = El número de desviaciones estándar de la media que estás tratando de discernir probabilidades. Recuerde, primero debe determinar la antigüedad de la operación, como una fracción de un año, antes de poder determinar qué precio constituye X desviaciones estándar por encima o por debajo de un precio dado U. A continuación se presenta un resumen del procedimiento para encontrar la f óptima para una opción dada. Paso 1 Determine si quedará fuera de la opción en una fecha definitiva. De lo contrario, utilice la fecha de vencimiento. Paso 2 Contando el primer día como día 1, determine cuántos días habrá estado en el negocio para la fecha del número 1. Ahora convierta este número de días a una fracción decimal de un año. Paso 3 Para el día número 1, calcula aquellos puntos que están sin en +3 y ­3 desviaciones estándar del precio subyacente actual. Paso 4 Convierta estos rangos de valores de precios en el paso 3 a valores discretos. En otras palabras, utilizando incrementos de 1 tick, determine todos los precios posibles Lo que debemos hacer ahora es calcular todas las HPR ponderadas por probabilidad entre los valores incluidos en el paso 3 que limitan el rango. de la opción para la fecha de vencimiento o para alguna otra fecha de salida obligatoria anterior a la fecha de vencimiento. Digamos que sabemos que estaremos fuera de la opción a más tardar dentro de una semana a partir de hoy. En tal caso, no necesitamos Paso 5 Para cada uno de estos resultados, calcule ahora las Z(T, UY) y P(T, U) para calcular las HPR para el día de vencimiento, ya que eso es irrelevante para la pregunta la ecuación HPR ponderada por probabilidad. En otras palabras, para cada uno de estos resultados calcule ahora el precio teórico de la opción resultante, así como la probabilidad de cuántas de estas opciones comprar, dada toda la información disponible (tiempo hasta de que el instrumento subyacente esté a ese precio en las fechas en cuestión. el vencimiento, tiempo que esperamos permanecer en el mercado). operación, precio del instrumento subyacente, precio de la opción y volatilidad). Si no tenemos un tiempo establecido en el que estaremos fuera de la operación, entonces debemos usar el día de Paso 6 Después de haber completado el paso 5, ahora tiene todos los datos necesarios para calcular los HPR ponderados por probabilidad para todos los resultados. vencimiento como fecha para calcular los HPR ponderados por probabilidad. (5.14) HPR(T,U) = (1+f*(Z(T,UY)/S­1))^P(T,U) Una vez que sabemos para cuántos días calcular (y asumiremos aquí que calcularemos hasta el día de vencimiento), debemos calcular los HPR ponderados por probabilidad para todos los precios posibles para ese día de mercado. Nuevamente, esto dónde f = El valor probado para f. no es tan abrumador como podría pensar. En la distribución de probabilidad normal, el S = El precio actual de la opción. 99,73% de todos los resultados estarán dentro de tres desviaciones estándar de la media. Z(T,UY) = El precio teórico de la opción si el subyacente estuviera al precio UY con La media aquí es el precio actual del instrumento subyacente. Por lo tanto, en realidad el tiempo T restante hasta el vencimiento. Esto puede discernirse mediante cualquier sólo necesitamos calcular los HPR ponderados por probabilidad para un día de mercado modelo de precios que el usuario considere apropiado. particular, para cada precio discreto entre ­3 y +3 desviaciones estándar. Esto debería acercarnos con bastante precisión a la respuesta correcta. Por supuesto, si quisiéramos, podríamos llegar a 4, 5, 6 o más desviaciones estándar, pero eso no sería mucho más preciso. Del mismo modo, si quisiéramos, podríamos contraer la ventana de precios mirando sólo 2 o 1 desviaciones estándar. Sin embargo, no se gana en precisión al hacer esto. La cuestión es que 3 desviaciones estándar no están escritas en piedra, pero deberían proporcionar una precisión suficiente. P(T,U) = La probabilidad unilateral de que el subyacente esté al precio U en el tiempo T restante hasta el vencimiento. Esto se puede discernir por cualquier distribución que el usuario considere adecuada. Y = La diferencia entre la expectativa matemática aritmética del subyacente en el momento T, dada por (5.10), y el precio actual. Debe tener en cuenta que la forma distributiva utilizada para la variable P(T, U) no tiene por qué ser la misma forma distributiva utilizada por el modelo de precios empleado para discernir los valores de Z(T, UY). Por ejemplo, supongamos que está utilizando el Si utilizamos el modelo de Black­Scholes o el modelo de opciones de futuros de Black, podemos determinar cuánto 1 desviación estándar está por encima de un precio subyacente determinado, U: (5.16) Std. Desarrollo. = U*EXP(V*(T^(1/2))) modelo de opciones sobre acciones de Black­Scholes para discernir los valores de Z(T, UY). Este modelo supone una distribución lognormal de los cambios de precios. Sin embargo, puede utilizar correctamente otra forma de distribución para determinar la P(T, U) correspondiente. Literalmente, esto se traduce de la siguiente manera: usted sabe que si el subyacente llega al precio U, el precio de la opción tenderá a ese valor dado por dónde Black­Scholes. Sin embargo, la probabilidad de que el subyacente fije el precio de U a U = Precio actual del instrumento subyacente. partir de aquí es mayor de lo que indicaría la distribución lognormal. V = La volatilidad anual del instrumento subyacente. T = Fracción decimal del año transcurrido desde que se puso la opción en. EXP() = La función exponencial. Observe que la desviación estándar es función del tiempo transcurrido en la Paso 7 Ahora puedes comenzar el proceso de encontrar la f óptima. Nuevamente, puede hacer esto mediante iteración, recorriendo todos los valores f posibles entre 0 y 1, mediante interpolación parabólica o mediante cualquier otro algoritmo de búsqueda unidimensional. Al conectar los valores de prueba para f en los HPR (y tendrá un HPR para cada uno de los posibles incrementos de precio entre +3 y ­3 desviaciones operación (es decir, debe saber cuánto tiempo ha transcurrido para saber dónde están estándar en la fecha de vencimiento o fecha de salida obligatoria), puede encontrar su los tres puntos de desviación estándar). media geométrica para un valor de prueba dado de f. La forma de obtener ahora esta media geométrica es multiplicar Machine Translated by Google todas estas HPR juntas y luego elevamos el producto resultante a la potencia de 1 dividido por la suma de las probabilidades: (5.18a) G(f,T) = {∏[U = ­3SD, +3SD]HPR(T, U)}^(1/∑[U = ­3SD,+3SD]P(T,U)) Por lo tanto: (5.18b) G(f,T) = {∏[U = ­3SD,+3SD](l+f*(Z(T,UY)/S1))^P(T,U)}^(1/ ∑[U = ­3SD,+3SD]P(T,U)) dónde G(f, T) = La media geométrica HPR para un valor de prueba dado para f y a tiempo restante hasta el vencimiento de una fecha de salida obligatoria. TWR = La riqueza terminal relativa. X = Por muchas veces que queramos "ampliar" este juego. Es decir, lo que esperaríamos ganar si invirtiéramos f cantidad en estos posibles escenarios X veces. Además, podemos determinar nuestros otros subproductos, como la expectativa matemática geométrica, como la media geométrica menos 1. Si tomamos la mayor pérdida posible (el costo de la opción en sí), dividimos esto por la f óptima, y multiplica el resultado por la expectativa matemática geométrica, el resultado arrojará el comercio promedio geométrico. Como ha visto, cuando se aplica a posiciones de opciones como ésta, la técnica f óptima tiene el subproducto añadido de discernir cuál es la fecha de salida óptima. f = El valor probado para f. S = El precio actual de la opción. Z(T,UY) = El precio teórico de la opción si el subyacente estuviera al precio U ­Y con el tiempo T restante hasta el vencimiento. Esto puede discernirse mediante cualquier modelo de precios que el usuario considere apropiado. P(T,U) = La probabilidad de que el subyacente esté al precio U en el tiempo T restante hasta el vencimiento. Esto puede discernirse mediante cualquier forma de distribución que el usuario considere apropiada. Y = La diferencia entre la expectativa matemática aritmética del subyacente en el momento T, dada por (5.10), y el precio actual. Hemos discutido la posición de opciones en su forma pura, desprovista de cualquier sesgo subyacente que podamos tener en la dirección del precio del subyacente. Para una fecha de salida obligatoria, los puntos de 3 desviaciones estándar por encima y por debajo se calculan a partir del precio actual. Esto supone que no sabemos nada de la dirección futura del subyacente. Según los modelos matemáticos de fijación de precios, no deberíamos poder encontrar expectativas matemáticas aritméticas positivas si mantuviéramos estas opciones hasta su vencimiento. Sin embargo, como hemos visto, mediante el uso de esta técnica es posible encontrar expectativas matemáticas geométricas positivas si ponemos una determinada cantidad y salimos de la posición en una fecha determinada. El valor de f que da como resultado la media geométrica más grande es el valor de f que es óptimo. También podemos optimizar para la fecha de salida obligatoria óptima. En otras palabras, Si tiene un sesgo hacia la dirección del subyacente, eso también puede incorporarse. Supongamos que estamos analizando opciones sobre un instrumento subyacente en particular, digamos que queremos encontrar cuál es la f óptima para una opción determinada para cada que actualmente tiene un precio de 100. Supongamos además que nuestro sesgo, generado día desde ahora hasta el vencimiento. Es decir, ejecutamos este procedimiento una y otra por nuestro análisis de este mercado, sugiere un precio de 105 en la fecha de vencimiento, vez, comenzando con mañana como fecha de salida obligatoria y encontrando la f óptima, que es dentro de 40 días de mercado. . Esperamos que el precio suba 5 puntos en 40 días. luego comenzamos todo el proceso nuevamente con el día siguiente como fecha de salida Si asumimos un avance lineal para este avance, podemos afirmar que el precio debería obligatoria. Seguimos adelantando la fecha de salida obligatoria hasta que la fecha de salida aumentar, en promedio, 0,125 puntos por día de mercado. Por lo tanto, para el día de salida obligatoria sea la fecha de vencimiento. Registramos los fs óptimos y las medias geométricas obligatorio de mañana, calcularemos un valor de U de 100,125. Para la próxima fecha de para cada fecha de salida obligatoria. salida indicada por el hombre, U será 100,25. Finalmente, cuando la fecha de salida Cuando hayamos terminado con todo este procedimiento, podremos encontrar la fecha de obligatoria sea la fecha de vencimiento, U será 105. Si el subyacente es una acción, debe salida fechada por el hombre que dé como resultado la media geométrica más alta. Ahora restar los dividendos de esta U ajustada mediante la ecuación (5.04). El sesgo se aplica al sabemos la fecha en la que debemos estar fuera de la posición de la opción para tener la expectativa matemática más alta (es decir, la proceso al tener un valor diferente para U cada día debido a nuestro pronóstico. Debido a que afectan los resultados de las ecuaciones (5.17a) y (5.17b), estos diferentes valores de U media geométrica más alta). También sabemos cuántos contratos comprar usando el valor f afectarán dramáticamente nuestros cálculos óptimos de f y subproductos. Observe que que corresponde a la media geométrica más alta. Ahora tenemos una técnica matemática debido a que las ecuaciones (5.17a) y (5.17b) se ven afectadas por el nuevo valor de U cada mediante la cual podemos salir a ciegas y comprar una opción y (siempre que estemos fuera día, hay una ecualización automática de los datos. Por lo tanto, las f óptimas que obtenemos de ella antes de la fecha de salida obligatoria que tenga la media geométrica más alta, se basan en datos ecualizados. siempre que sea mayor que 1,0, por supuesto) y comprar el número de contratos indicado por el f óptimo correspondiente a esa media geométrica más alta) tener una expectativa matemática positiva. Además, estas son expectativas matemáticas geométricas positivas. En A medida que trabaje con esta idea y opciones óptimas, notará que cada día los números otras palabras, la media geométrica (menos 1,0) es la expectativa matemática cuando se cambian. Supongamos que usted compra una opción hoy a un precio determinado que tiene reinvierten los rendimientos. (La verdadera expectativa matemática positiva aritmética sería, una fecha de salida determinada. Supongamos que la opción tiene un precio diferente por supuesto, mayor que la geométrica). Una vez que conozca la f óptima para una opción después de mañana. Si vuelve a ejecutar el procedimiento f óptimo en esta nueva opción, determinada, podrá convertirla fácilmente en cuántos contratos comprar basándose en la también puede tener una expectativa matemática positiva y una fecha de salida obligatoria siguiente ecuación: (5.19) K = INT(E/(S/f)) donde diferente. ¿Qué quiere decir esto? La situación es análoga a una carrera de caballos donde todavía puedes hacer apuestas después de que la carrera haya comenzado, hasta que finalice. Las probabilidades cambian continuamente y puedes cobrar tu boleto en cualquier momento, no necesitas esperar hasta que termine la carrera . Digamos que usted apuesta $2 a un caballo antes de que comience K = El número óptimo de contratos de opciones para comprar. f = El valor de la f óptima (0 a 1). S = el precio actual de la opción. la carrera, basándose en una expectativa matemática positiva que tiene para ese caballo, y el caballo corre penúltimo en el primer turno. Haces que el tiempo se detenga (porque puedes hacerlo en situaciones hipotéticas) y ahora miras el tablero. Su billete de 2 dólares para este caballo ahora sólo vale S 1,50. Usted determina nuevamente la expectativa matemática de su E = El patrimonio total de la cuenta. caballo, considerando cuánto de la carrera ya ha terminado, las probabilidades actuales de su INT() = La función entera. caballo y dónde se encuentra actualmente en el campo. Determinas que el precio actual de La respuesta derivada de esta ecuación debe ser "reducida al número entero". Es decir, por ejemplo, si la respuesta es comprar 4,53 contratos, comprarías 4 contratos. Podemos ese billete de $1,50 para tu caballo está subvaluado en un 10%. Por lo tanto, dado que ahora mismo podría cobrar su boleto de 82 que compró antes de la carrera por S 1,50, sufriendo determinar el TWR para el comercio de opciones. Para ello debemos saber cuántas veces una pérdida, y también podría comprar el boleto de $ 1,50 para el caballo ahora mismo con realizaríamos esta misma operación una y otra vez. Es decir, si nuestra media geométrica es una expectativa matemática positiva, no hace nada. La situación actual es que tenemos una 1.001 y queremos encontrar el TWR que corresponde para hacer esta misma jugada una y situación matemática positiva, pero sobre la base de un billete de 1,50 dólares y no de 2 otra vez 100 veces, nuestro TWR sería 1.001^100 = 1.105115698. Por lo tanto, esperaríamos dólares. ganar el 10,3115698% de nuestra participación si hiciéramos que estas mismas opciones se jugaran 100 veces. La fórmula para convertir de una media geométrica a una TWR se dio como la ecuación (4.18): (4.18) TWR = Media geométrica^X donde Esta misma analogía se aplica a nuestro comercio de opciones, que ahora está ligeramente por debajo del nivel esperado pero tiene una expectativa matemática positiva sobre la base del nuevo precio. Debería utilizar la nueva f óptima en el nuevo precio, ajustando su posición actual si es necesario, e ir con la nueva fecha de salida óptima. Al hacerlo, habrá incorporado la información de precios más reciente sobre el instrumento subyacente. A menudo, hacer esto puede tener Machine Translated by Google tome la posición hasta el vencimiento. Hay muchos inevitables contar el patrimonio ($286.10/.0016). Tenga en cuenta que hacerlo tiene una expectativa pérdidas en el camino siguiendo esta técnica de f óptima en opciones. mucho menor que si entramos con 1 contrato por cada 33.549,63 en el patrimonio de la cuenta y salimos al cierre de mañana, 911105. Por qué debería poder encontrar expectativas matemáticas positivas La tasa de cambio entre las dos funciones, la caída de la prima de tiempo y la ventana en opciones que en teoría tienen un precio justo en primer lugar puede parecer en expansión de X desviaciones estándar, pueden crear un como una paradoja o simplemente una charlatanería para ti. Sin embargo, hay una muy válida Expectativa matemática positiva de ser larga en una opción dada. Este razón por la cual esto es así: las ineficiencias son una función de su marco de La expectativa es mayor en el primer instante de la posición y declina a un ritmo decreciente referencia. Comencemos afirmando que los precios teóricos de las opciones devueltos a partir de allí. Por lo tanto, una opción que tiene un precio por los modelos no dan una expectativa matemática (aritmética) positiva ni al comprador ni Se puede encontrar que el vencimiento justo según los modelos tiene un efecto positivo. al vendedor. En otras palabras, los modelos son teóricamente justos. La advertencia que expectativa si se sale temprano en la caída de la prima. falta aquí es "si se mantiene hasta el vencimiento". Es esto Falta una advertencia que permita que una opción tenga un precio justo según los modelos. sin embargo, tendrá una expectativa positiva si no se mantiene hasta el vencimiento. Considere que las opciones decaen a razón de la raíz cuadrada del tiempo. La siguiente tabla analiza nuevamente esta misma opción de compra de 100, solo que esta vez que lo miramos usando ventanas de diferentes tamaños (diferentes cantidades de desviaciones estandar): Número de desviaciones estándar restante hasta el vencimiento. Así, el día con el menor tiempo esperado de caída premium 2 3 5 8 10 siempre será el primer día que estés en la opción. Ahora considere las ecuaciones (5.17a) y AHPR 1,000102 1,000379 1,000409 1,000409 1,000409 GHPR 1,000047 1,00018 (5.17b), el precio correspondiente a un movimiento 1,000195 1,000195 1,000195 f .0781 .0806.043989 Corte 911105 911105 911106 El .0806 .0806 AHPR y el GHPR pertenecen a los HPR aritméticos 911106 911106 de X desviaciones estándar después de transcurrido tanto tiempo. Darse cuenta de cada día la ventana devuelta por estas fórmulas se expande, pero menos y menos. El día de mayor tasa de expansión es el primer día del y geométricos en los valores f óptimos si sale de la operación al cierre de 911105 (el opción. Así, durante el primer día de la opción, la prima de tiempo se reducirá. lo mínimo, y la ventana de X desviaciones estándar expandirá la lo más rápido. Cuanto menos decaiga el tiempo, más probabilidades tendremos de tener una expectativa positiva en una opción larga. Además, cuanto más amplia sea la ventana de X desviaciones estándar, es más probable que tengamos una expectativa positiva, ya que las desventajas se solucionan con una opción, pero las ventajas no. Allá fecha más oportuna para salir, porque tiene el AHPR más alto y GHPR). La f corresponde a la f óptima para 911105. El encabezado El límite se refiere a la última fecha en la que se cumplió una expectativa positiva (es decir, AHPR). y GHPR ambos mayores que 1) existen. El punto interesante a tener en cuenta es que los cuatro valores AHPR, GHPR, f, y Cutoff convergen a puntos dados a medida que aumentamos el número de es un tira y afloja constante entre la ventana de desviaciones estándar X que se hace cada desviaciones estándar hacia el infinito. Más allá de 5 desviaciones estándar, el vez más amplia con cada día que pasa (a un ritmo más lento y Los valores apenas cambian. Más allá de 8 desviaciones estándar, parecen tasa más lenta, aunque) y el tiempo disminuye la prima cada vez más rápido dejar de cambiar. La desventaja de utilizar más desviaciones estándar es que se requiere con cada día que pasa. tiempo adicional de computadora. Esto parece un pequeño precio a pagar, pero como sabemos Lo que pasa es que el primer día se registra la expectativa matemática más positiva, Si adoptas múltiples posiciones simultáneas en este capítulo, notarás que cada pierna adicional de una posición múltiple simultánea aumenta la aunque puede que no lo sea. En otras palabras, el La expectativa matemática (aritmética y geométrica) es mayor después Has estado en la opción 1 día (en realidad es mejor el primer instante). usted pone la opción y decae gradualmente a partir de entonces, pero estamos observando esto a intervalos discretos (al cierre de cada día). A partir de entonces, cada día las tiempo requerido exponencialmente. Para un tramo podemos argumentar que lo ideal es utilizar 8 desviaciones estándar. Sin embargo, para más de una pierna simultáneamente, Es posible que consideremos necesario recortar este número de desviaciones estándar. Además, esta regla de las 8 desviaciones estándar se aplica sólo cuando Supongamos normalidad en los registros de cambios de precios. expectativas disminuyen, pero a un ritmo más lento. La siguiente tabla muestra esta decadencia de la expectativa de una opción a largo plazo. La tabla se deriva de la opción analizada anteriormente en este capítulo. Esta es la opción de compra 100 donde el subyacente está en 100 y vence en 911220. La volatilidad LA ÚNICA OPCIÓN CORTA Todo lo dicho sobre la opción larga única es válido para una sola es del 20% y ahora es 911104. Estamos usando posición de opción corta. La única diferencia es con respecto a la ecuación la fórmula de opciones sobre productos básicos negros (H discernida como en la Ecuación (5.07) (5.14): y R = 5%) y un año de 260,8875 días. Estamos usando 8 desviaciones estándar para calcular (5.14) HPR(T,U) = (1+f*(Z(T,UY)/S­1))^P(T,U) nuestras f óptimas y estamos usando un tick mínimo dónde incremento de .1 (que se explicará en breve). Fecha de AHPR GHPR F salida mar. 1,000409 1,000195 .0806 HPR(T,U) = El HPR para un valor de prueba dado para T y U. f = El valor probado para f. 911105 mié. 1,000001 1 ,000000 .0016 S = El precio actual de la opción. 911106 jue. 911107 <1 <1 0 Z(T,UY) = El precio teórico de la opción si el subyacente estuviera en La columna AHPR es el HPR promedio aritmético (el cálculo de las cuales se analizará más adelante en este capítulo), y GHPR es la media geométrica HPR. La columna f es la f óptima a partir de la cual el AHPR y se derivaron columnas GHPR. La expectativa matemática aritmética, como porcentaje, es simplemente el AHPR menos 1, y la expectativa geométrica La expectativa matemática, como porcentaje, es el GHPR menos 1. Observe que las mayores expectativas matemáticas ocurren el día después de activar la opción (aunque este ejemplo tiene una expectativa matemática positiva, no todas las opciones mostrarán una expectativa matemática positiva). expectativa). A partir de entonces, cada día las propias expectativas decaen. El ritmo de descomposición también es cada vez más lento cada día. Después de 911106 las expectativas matemáticas (HPR­1) se vuelven negativas. Por lo tanto, si quisiéramos operar con esta información, podríamos elegir precio U con el tiempo T restante hasta el vencimiento. P(T,U) = La probabilidad de que el subyacente esté al precio U en el tiempo T restante hasta el vencimiento. Y = La diferencia entre la expectativa matemática aritmética del subyacente en el momento T, dada por (5.10), y el precio actual. Para una única posición de opción corta, esta ecuación ahora se convierte en: (5.20) HPR(T,U) = (1+f*(1­Z(T,UY)/S))^P(T,U) dónde HPR(T,U) = El HPR para un valor de prueba dado para T y U. f = El valor probado para f. S = El precio actual de la opción. para entrar hoy (911104) y salir al cierre mañana (911105). El Z(T,UY) = El precio teórico de la opción si el subyacente El precio justo de la opción es 2.861. Si suponemos que se comercializa a un precio de 100 dólares por estaban al precio U con el tiempo T restante hasta el vencimiento. punto completo, el costo de la opción es 2.861*$100 = $286.10. Dividiendo esto precio por el f óptimo de .0806 nos dice que compremos una opción por cada $3,549.63 en patrimonio. Si quisiéramos mantener la opción hasta el cierre de 911106, el último día que aún tiene expectativa matemática positiva, Tendríamos que iniciar la posición hoy usando el valor f correspondiente al óptimo para una salida 911106 de .0016. Por lo tanto, entraríamos hoy (911104) con 1 contrato por cada $178.812,50 en efectivo. P(T,U) = La probabilidad de que el subyacente esté al precio U en el tiempo T restante hasta el vencimiento. Y = La diferencia entre la expectativa matemática aritmética del subyacente en el momento T, dada por (5.10), y el precio actual. Notarás que la única diferencia entre la ecuación (5.14), la ecuación para una única posición de opción larga, y la ecuación (5.20), la Machine Translated by Google La ecuación para una posición de opción corta única está en la expresión (Z(T,UY)/S­1), que expectativa matemática positiva. Podemos tener esto sólo si tenemos un se convierte en (1­Z(T,UY)/S) para la posición de opción corta única. Aparte de este cambio, sesgo en el subyacente. todo lo demás detallado sobre el single La posición de opción larga se mantiene para la posición de opción corta única. Ahora tenemos una metodología que se puede utilizar para darnos la solución óptima. f (y sus subproductos) para opciones, ya sean largas o cortas, así como negocia el instrumento subyacente (a través de varios métodos diferentes). LA POSICIÓN ÚNICA EN EL INSTRUMENTO SUBYACENTE MENTO Tenga en cuenta que los métodos utilizados en este capítulo para discernir el fs óptimo En el Capítulo 3 detallamos las matemáticas para encontrar la f óptima paramétricamente. y subproductos para cualquiera de las opciones o el instrumento subyacente se basan en no Ahora podemos usar el mismo método que con una única opción larga, necesariamente utilizar un sistema mecánico para ingresar a su sólo nuestro cálculo del HPR se toma de la ecuación (3.30). vientos alisios. Por ejemplo, el método empírico para encontrar f óptima utilizó un (3.30) HPR(U) = (1+(L/(W/(­f))))^P dónde Flujo empírico de pérdidas y ganancias comerciales generado por un sistema mecánico. En En el capítulo 3 aprendimos sobre una técnica paramétrica para encontrar la f óptima. a partir de datos que estaban distribuidos normalmente. Esta misma técnica puede ser HPR(U) = El HPR para una U determinada. L = Las pérdidas y ganancias asociadas. W = Las pérdidas y ganancias asociadas al peor caso en la tabla (esto siempre será Se utiliza para encontrar la f óptima a partir de datos de cualquier distribución, siempre que la La distribución en cuestión tiene una función de densidad acumulativa. En el capítulo 4 aprendimos de un método para encontrar la f óptima paramétricamente para distribuciones que no tienen una función de densidad acumulativa, como la distribución de las pérdidas y un valor negativo). f = El valor probado para f. P = La probabilidad asociada. La variable L, el P&L asociado, se discierne tomando el precio ganancias comerciales (ya sea que se use un sistema mecánico o no) o El enfoque de planificación de escenarios. En este capítulo hemos aprendido sobre un método para encontrar la f óptima cuando no se utiliza un sistema mecánico. Notará que todos los cálculos hasta el momento del subyacente a un precio dado U, menos el precio al que se negocia suponen que, de hecho, está entrando ciegamente en una posición en algún momento y se inició, S, para una posición larga. saliendo en algún momento futuro desconocido. (5.21a) L para una posición larga = US Para una posición corta, las pérdidas y ganancias asociadas se calculan exactamente al revés: (5.21b) L para una posición corta = SU dónde Generalmente el método se muestra donde no hay sesgo en el precio del subyacente ­es decir, el método se muestra desprovisto de cualquier previsión de precios en el subyacente. Sin embargo, hemos visto que podemos incorporar nuestros pronóstico de precios en el proceso simplemente cambiando el valor del subyacente utilizado como entrada en las Ecuaciones (5.17a y 5.17b) cada día como S = El precio actual del instrumento subyacente. el comercio avanza. Incluso un ligero sesgo cambia la función de expectativas. U = El precio del instrumento subyacente para este HPR determinado. dramáticamente. Es muy posible que ahora la fecha óptima de salida no sea el día de mercado También podríamos calcular la f óptima para una sola posición en el instrumento inmediatamente posterior al día de entrada. De hecho, la fecha óptima de salida subyacente utilizando la ecuación (5.14). Al hacerlo debemos darnos cuenta bien puede convertirse en el día de vencimiento. En tal caso, la opción tiene un que el f óptimo devuelto puede ser mayor que 1. Expectativa matemática positiva incluso si se mantiene todo el vencimiento. No sólo es Por ejemplo, considere un instrumento subyacente a un precio de 100. Determinamos que podrían ocurrir los cinco resultados siguientes: Resultado Probabilidad PyG 110,15 105,30 Por ejemplo, la siguiente tabla se deriva una vez más de la opción discutido anteriormente en este capítulo. Esta es la opción de compra 100 donde el 10 100,50 95,25 90,10 la función de expectativas se alteró dramáticamente incluso por un ligero sesgo en la precio del subyacente, también lo son los fs, AHPR y GHPR óptimos. 5 0 ­5 ­10 Tenga en cuenta que, según la ecuación (5.10), nuestra expectativa matemática aritmética sobre el subyacente es 100,5769230 77. Esto significa que la variable Y en (5.14) es igual a .576923077 ya que 100.576923077­100 = .576923077. Si tuviéramos que calcular la f óptima usando la columna P&L y la Con el método de la ecuación (3.30), obtenemos una f de 0,19, o 1 unidad por cada $52,63. en equidad. subyacente está en 100 y vence en 911220. La volatilidad es del 20% y ahora es 911104. Estamos utilizando la fórmula de opción de materia prima negra (H discernido como en la Ecuación (5.07) y R = 5%) y un año de 260,8875 días. Usaremos nuevamente 8 desviaciones estándar para calcular nuestro fs óptimo a partir de (para ser coherente con las tablas anteriores que no muestran sesgo en el subyacente, o sesgo = 0), y estamos utilizando un incremento mínimo de 0,1. Aquí, sin embargo, asumiremos un sesgo de 0,01 puntos (una décima parte de un tick) al alza por día en el precio del subyacente: Fecha de de Y, la expectativa matemática aritmética del menos subyacente GHPR f 1.000357 .1081663 mié. 911106 1.000149 jue. 1.000077 .0377557 911107 1.000003 vie. 911108 1.000003 .0040674 <1 Si en cambio usáramos la ecuación (5.14) en la columna de resultados, donde la variable S es por tanto igual a 100, y no restamos el valor AHPR salida mar. 911105 1.000744 <1 0 Observe cómo simplemente un pequeño sesgo al alza de 0,01 puntos por día cambia la resultados. Nuestra fecha de salida óptima sigue siendo 911105 y nuestra f óptima es su valor actual de U al discernir nuestra variable Z(T, U ­Y), encontramos .1081663, lo que se traduce en 1 contrato por cada $2,645.00 en patrimonio de la cuenta nuestra grasa óptima es aproximadamente 1,9. Esto se traduce nuevamente en 1 unidad por (2.861*100/.1081663). Observe también que se obtiene una expectativa positiva en esta opción cada $52,63 en capital como 100/1,9 = 52,63. Por otro lado, si restamos el valor de Y, la aritmética expectativa matemática sobre el subyacente según la Ecuación (5.10), en el término Z(T, UY) de (5.14) terminamos con una expectativa matemática en el subyacente es igual a su valor actual, y por lo tanto no tenemos hasta el cierre de 911107. Tenía teníamos un sesgo más fuerte que simplemente 0,01 puntos hacia arriba por día, los resultados cambiaría en un grado aún más pronunciado. El último punto que hay que abordar es el coste de las comisiones. En el precio de la opción obtenido con la Ecuación (5.14), la variable una f óptima. Esto es lo que debemos hacer, restar el valor de Y en el Z(T, UY) debe ajustarse hacia abajo para reflejar las comisiones involucradas en la transacción Z(T, UY) de la ecuación (5.14) para que sea consistente con los cálculos de opciones así como (si le cobran comisiones por la entrada con la fórmula de paridad de compra/venta. Si utilizamos el método de la ecuación (3.30) en lugar de la ecuación (5.14), entonces cada valor de U en (5.21a) y (5.21b) debe tener lado también, entonces debes ajustar la variable S en la Ecuación (5.14) hacia arriba por el importe de las comisiones). Hemos cubierto cómo encontrar la f óptima y sus subproductos cuando la expectativa matemática aritmética del subyacente, Y, restada no están utilizando un sistema mecánico. Ahora podemos comenzar a combinar varias de eso. Es decir, debemos restar el valor de Y de cada PyG. Haciendo posiciones. por lo tanto, nuevamente se produce una situación en la que no hay una expectativa matemática positiva y, por lo tanto, no hay ningún valor para f que sea óptimo. Literalmente, esto sólo significa que si salimos a ciegas y tomamos una posición en el instrumento subyacente, no obtendremos un resultado matemático positivo. expectativa (como lo hacemos con algunas opciones) y, por lo tanto, no hay f eso es óptimo en este caso. Podemos tener una f óptima sólo si tenemos una MÚLTIPLES POSICIONES SIMULTÁNEAS CON UN RELACIÓN CAUSAL Al comenzar nuestra discusión sobre múltiples posiciones simultáneas, es Es importante diferenciar entre relaciones causales y correlativas. relaciones. En la relación causal hay una relación fáctica y conectiva. Machine Translated by Google Planificación de la correlación entre dos o más elementos. Es decir, una causa no. Podemos utilizar esta forma generalizada para múltiples posiciones simultáneas con una relación es aquella en la que hay correlación, y la correlación puede ser relación causal: explicado o explicado de alguna manera lógica y conectiva. Esto es (5.22) HPR(T,U) = (1+∑[i = 1,N]Ci(T,U))^P(T,U) en contraste con una relación correlativa donde hay, por supuesto, correlación, pero no hay una explicación causal, conectiva, de la correlación. Como ejemplo de una relación causal, veamos las opciones de venta sobre IBM y opciones de compra sobre IBM. Ciertamente la correlación entre la IBM pone y IBM iguala ­1 (o muy cerca), pero hay más a la relación que simplemente correlación. Sabemos con certeza que cuando Hay presión al alza sobre IBM, pero seguro que habrá presión a la baja sobre las opciones dónde N = El número de piernas en la posición. HPR(T,U) = El HPR para un valor de prueba dado para T y U. Ci(T,U) = El coeficiente del iésimo kg en un valor dado para U, en un tiempo dado T restante hasta el vencimiento: Para un tramo de opción colocado en una posición deudora o larga en el subyacente: de venta (todo lo demás permanece constante, incluida la volatilidad). Este relación lógica y conectiva significa que existe una relación causal entre llamadas de IBM y ventas de IBM. (5.23a) Ci(T, U) = f*(Z(T, UY)/Sl) Para un tramo de opción puesto en una posición de crédito o corta en el subyacente: Cuando hay correlación pero no causa, simplemente decimos que hay una relación correlativa (a diferencia de una relación causal). Generalmente, Las relaciones correlativas no tendrán coeficientes de correlación cuyos valores absolutos estén cerca de 1. Por lo general, el valor absoluto del coeficiente de correlación estará más cerca de 0. Por ejemplo, el maíz y la soja tienden a para moverse en tándem. Aunque sus coeficientes de correlación no son exactamente iguales a 1, todavía existe una relación causal porque ambos mercados son afectado por cosas que afectan los granos. Si miramos las llamadas de IBM y Digital Equipment pone (o llama), no podemos decir que la relación sea completamente una relación causal. Seguramente hay algo de causalidad. relación, ya que ambas acciones subyacentes son miembros del grupo de computadoras, pero sólo porque IBM suba (o baje) no es una decisión absoluta. exigir que los equipos digitales también lo hagan. Como puedes ver, no hay un delgada línea que diferencia las relaciones causales y correlativas. Este "enturbiamiento" de las relaciones causales y de aquellas que simplemente son (5.23b) Ci(T,U) = f*(1­Z(T,UY)/S) dónde f = El valor probado para f. S = El precio actual de la opción o instrumento subyacente. Z(T,UY) = El precio teórico de la opción si el subyacente estaban al precio U con el tiempo T restante hasta el vencimiento. P(T,U) = La probabilidad de que el subyacente esté al precio U en el tiempo T restante hasta el vencimiento. Y = La diferencia entre la expectativa matemática aritmética del subyacente en el momento T, dada por (5.10), y el precio actual. La ecuación (5.22) se puede utilizar si planea poner estos piernas todas a la vez, una por una, y solo necesita iterar para obtener la f óptima y la fecha correlativo dificultará nuestro trabajo. Por el momento, nosotros de salida óptima de toda la posición (eso es lo que significa Sólo nos ocuparemos de las relaciones causales, o de lo que creemos que son causales. por "múltiples posiciones simultáneas"). relaciones. En el capítulo de texto nos ocuparemos de las relaciones correlativas, que también Para cada valor de U tendrás un HPR dado por la ecuación abarcan relaciones causales. Usted debería ser (5.22). Para cada valor de f tendrás una media geométrica, compuesta consciente en este momento de que las técnicas mencionadas en el próximo capítulo sobre de todos los HPR por ecuación (5.18a): Las relaciones correlativas también son aplicables a, o pueden usarse en lugar de, Las técnicas para las relaciones causales están a punto de ser discutidas. Lo opuesto no es verdad. Es decir, es erróneo aplicar las siguientes técnicas sobre relaciones causales a relaciones que son simplemente correlativas. (5.18a) G(f,T) = {∏[U = ­8SD,8SD]HPR(T,U)}^(1/∑[U = ­8SD,8SD] P(T,U)) dónde G(f,T) = La media geométrica HPR para un valor de prueba dado para f y a Una relación causal es aquella en la que el coeficiente de correlación entre los precios de dos artículos es 1 o ­1. Para simplificar las cosas, una relación causal casi siempre consiste en dos artículos comercializables cualesquiera (acciones, materia prima, opción, etc.) que tienen el mismo instrumento subyacente. Este incluye, entre otros , diferenciales de opciones, extensiones, estrangulaciones y tiempo restante hasta el vencimiento de una fecha de salida obligatoria. Aquellos valores off y T (los valores de la f óptima y la fecha de salida obligatoria) que dan como resultado las medias geométricas más altas, son las que debes utilizar en la posición neta de las piernas. Para resumir todo el procedimiento. Queremos encontrar la f óptima combinaciones, así como escrituras cubiertas o cualquier otra posición en la que para cada día, utilizando cada día de mercado desde ahora hasta el vencimiento como el están utilizando el subyacente junto con una o más de sus opciones, fecha de salida obligatoria. Para cada fecha de salida obligatoria usted determinará o una o más opciones sobre el mismo instrumento subyacente, incluso si esos precios discretos entre más y menos X desviaciones estándar (normalmente dejaremos no tenemos una posición en ese instrumento subyacente. que X sea igual a 8) del precio base del instrumento subyacente. El precio base puede ser el En su forma más simple, múltiples posiciones simultáneas que consisten en sólo opciones (sin posición en el subyacente), cuando la posición se coloca en débito, se puede resolver usando la ecuación (5.14). Por resuelto para yo significa que podemos determinar la f óptima para toda la posición y su subproductos (incluida la fecha óptima de salida). Las únicas diferencias son que la variable S ahora representará la red de los tramos de la posición al inicio del comercio. La variable Z(T, UY) ahora representará la neto de los tramos al precio U por el tiempo T restante hasta el vencimiento. Del mismo modo, múltiples posiciones simultáneas que consisten únicamente en opciones (ninguna posición en el subyacente), cuando la posición se coloca a un precio actual del instrumento subyacente o puede modificarse para reflejar un sesgo particular que pueda tener. en cuanto a la dirección de ese mercado. Ahora necesita encontrar el valor entre 0 y 1 para f que resulte en la mayor media geométrica HPR, usando una HPR para cada uno de los precios discretos entre más y menos X. desviaciones estándar del precio base para esa fecha de salida obligatoria. Por lo tanto, para cada fecha de salida obligatoria tendrá una f óptima y una media geométrica correspondiente. La fecha de salida obligatoria que tenga mayor La media geométrica es la fecha de salida óptima para el puesto, y la f correspondiente a esa media geométrica es la f óptima. crédito, se puede resolver usando la ecuación (5.20). Nuevamente debemos modificar El "anidamiento" de la lógica de este procedimiento es el siguiente: las variables S y Z(T, UY) para reflejar la red de los tramos de la posición. Por ejemplo, Para cada fecha de salida obligatoria (día laborable) desde ahora hasta el vencimiento supongamos que buscamos poner una opción larga entre ambas, la compra de una opción Para cada valor de descuento (hasta encontrar el óptimo) Para cada sistema de mercado de venta y una opción de compra sobre el mismo instrumento subyacente. Por cada tic entre + y ­8 std. desarrolladores. Determinar el HPR con el mismo precio de ejercicio y fecha de vencimiento. Supongamos además que el El f óptimo devuelto por esta técnica fue 1 contrato por cada 2.000 dólares. Por último, cabe señalar que en este apartado hemos estado intentando, entre otras cosas, discernir la fecha óptima de salida, que hemos Esto significaría que por cada $2,000 en capital de la cuenta deberíamos comprar considerado como una fecha única para cerrar todos los tramos del 1 a horcajadas; por cada $2,000 en capital de la cuenta deberíamos comprar 1 de los posición. Puede aplicar el mismo procedimiento para determinar el óptimo puts y 1 de los call. El f óptimo devuelto por esta técnica pertenece fecha de salida para cada etapa en la posición. Esto agrava el número de para financiar 1 unidad de toda la posición, sin importar cuán grande sea esa posición. Este cálculos geométricamente, pero se puede lograr. Esto alteraría la lógica para que aparezca hecho será cierto para todas las múltiples técnicas simultáneas. como: discutidos a lo largo de este capítulo. Ahora podemos diseñar una ecuación para múltiples posiciones simultáneas. que implica si una posición en el instrumento subyacente está incluida o Para cada sistema de mercado Para cada fecha de salida obligatoria (día laborable) desde ahora hasta el vencimiento Para cada valor de descuento (hasta encontrar el óptimo) Machine Translated by Google Por cada tic entre +8 y ­8 std. desarrolladores. HPR en particular. Cada una de estas sumas de probabilidad utilizadas como exponentes para cada HPR se suman a su vez de modo que cuando todas las HPR se multiplican Determinar el HPR para obtener la TWR provisional, se puede elevar a la potencia de 1 dividido por la suma Para cada sistema de mercado De este modo hemos cubierto múltiples posiciones simultáneas con una relación causal. Ahora podemos pasar a una situación similar donde la relación es aleatoria. de los exponentes utilizados en los HPR. Y nuevamente, el bucle exterior de la lógica podría repararse para dar cabida a la búsqueda de la fecha de salida óptima para cada etapa de la posición. Por complicada que parezca la ecuación (5.25), todavía no aborda el problema de un MÚLTIPLES POSICIONES SIMULTÁNEAS CON UN RANGO RELACIÓN DOM Debe tener en cuenta que, al igual que con las relaciones causales ya analizadas, las coeficiente de correlación lineal entre los precios de dos componentes cualesquiera que no sea 0. Como puede ver, resolver la mezcla óptima de componentes es toda una tarea. ! En los próximos capítulos verá cómo encontrar las cantidades correctas para cada tramo de una posición múltiple (utilizando acciones, materias primas, opciones o cualquier técnicas mencionadas en el próximo capítulo sobre relaciones correlativas también son otro artículo negociable) independientemente de la relación (causal, aleatoria o correlativa). aplicables o pueden usarse en lugar de las técnicas para relaciones aleatorias que vamos Los datos que necesitará para una determinada posición de opción en el próximo capítulo a analizar. Esto no es cierto al revés. Es decir, es erróneo aplicar las técnicas sobre son (1) el coeficiente de correlación de su HPR diario promedio por contrato con cada una relaciones aleatorias que siguen en este capítulo a relaciones que son correlativas (a de las otras posiciones de la cartera, y (2) su aritmética. HPR promedio y desviación menos que los coeficientes de correlación sean iguales a 0). Una relación aleatoria es estándar en HPR. aquella en la que el coeficiente de correlación entre los precios de dos artículos es 0. Las ecuaciones (5.14) y (5.20) detallan cómo encontrar el HPR para opciones largas y cortas, respectivamente. Luego, la ecuación (5.18) mostró cómo convertir esto en una Existe una relación aleatoria entre dos artículos negociables cualesquiera (acciones, media geométrica. Ahora, también podemos discernir la media aritmética como: futuros, opciones, etc.) cuyos precios son independientes entre sí, donde el coeficiente de correlación entre los dos precios es cero, o se espera que sea cero en sentido asintótico. . Cuando hay un coeficiente de correlación de 0 entre cada combinación de 062 patas en una posición múltiple simultánea, el HPR para la posición neta viene dado como: (5.24) HPR(T,U) = (1+∑[i = 1, N] Ci(T,U))^∏[i = 1,N] Pi(T,U) dónde N = El número de piernas en la posición. HPR(T,U) = El HPR para un valor de prueba dado para T y U. Ci(T,U) = El coeficiente del tramo i a un valor dado para U, en un tiempo dado restante hasta el vencimiento de T: Para un tramo de opción puesto en una posición deudora o larga en el instrumento subyacente: (5.23a) Ci(T,U) = f*(Z(T,UY)/S­1) Para una opción puesta en una posición de crédito o corta en el instrumento subyacente: (5.23b) Ci(T,U) = f*(lZ(T,UY)/S) Para opciones largas, opciones colocadas con cargo: (5.26a) AHPR = {∑[U = ­8SD,+ 8SD]((1+f*(Z(T, UY)/S­1))*P( T,U))}/∑[U1 = ­8SD,+ 8SD]P(TU) Para opciones cortas, opciones puestas a crédito: (5.26b) AHPR = (∑[U = ­8SD,+ 8SD]((1+f*(1­Z(T, UY)/S))*P(T,U))}/ ∑[U = ­8SD,+ 8SD]P(T,U) dónde AHPR = El HPR promedio aritmético. f = La f óptima (0 a 1). S = El precio actual de la opción. Z(T,UY) = El precio teórico de la opción si el subyacente tuviera el precio U y quedara el tiempo T hasta el vencimiento. P(T, U) = La probabilidad de que el subyacente esté al precio U con tiempo T restante hasta el vencimiento. Y = La diferencia entre la expectativa matemática aritmética del subyacente en el momento T, dada por (5.10), y el precio actual. Una vez que tenga la media geométrica HPR y la media aritmética, dónde edad HPR, puede discernir fácilmente la desviación estándar en HPR: (5.27) SD f = El valor probado para f. = (A^2­G^2)^(1/2) donde S = El precio actual de la opción. Z(T,UY) = El precio teórico de la opción si el subyacente tuviera el precio U y quedara el tiempo T hasta el vencimiento. Pi(T,U) = La probabilidad de que el i­ésimo subyacente esté al precio U por tiempo restante hasta la expiración de T. Y = La diferencia entre la expectativa matemática aritmética del subyacente en el momento T, dada por (5.10), y el precio actual. A = La media aritmética HPR. G = El HPR promedio geométrico. SD = Desviación estándar en HPR. En este capítulo hemos aprendido otra manera de calcular el f óptimo. La técnica mostrada fue para operadores que no pertenecen al sistema y utilizó como entrada la distribución de resultados en el instrumento subyacente en una fecha determinada en el Ahora podemos calcular la media geométrica de una relación aleatoria. HPR como: opciones y para múltiples posiciones simultáneas. Sin embargo, uno de los inconvenientes (5.25) C(f,T) = {∏[U1 = ­8SD,+ 8SD]...∏[UN = ­8SD,+8SD]{(1+∑[i = 1,N]Ci(T , U))^∏[i = de esta técnica es que las relaciones entre todas las posiciones deben ser aleatorias o 1,N]Pi(T,U)}}^{1/(∑[U1 = ­8SD,+ 8SD]...∑[UN = ­8SD,+ 8SD]∏[ yo = 1,N]Pi(T,U))} causales. futuro. Como beneficio adicional, este enfoque nos permite encontrar la f óptima en ambas ¿Significa esto que no podemos utilizar las técnicas para encontrar la f óptima, dónde G(f, T) = La media geométrica HPR para un valor de prueba dado para f y un tiempo dado restante hasta el vencimiento de una fecha de salida obligatoria. Una vez más, las f y T que dan como resultado la mayor media geométrica son óptimas. El "anidamiento" de la lógica de este procedimiento es exactamente el mismo que con las relaciones causales: Para cada fecha de salida obligatoria (día laborable) desde ahora hasta el vencimiento. analizadas en capítulos anteriores, en posiciones u opciones simultáneas de múltiples archivos? No, nuevamente, el método que elija es una cuestión de utilidad para usted. Los métodos detallados en este capítulo tienen ciertas desventajas y beneficios (como la capacidad de discernir tiempos de salida óptimos). En el siguiente capítulo, comenzaremos a profundizar en la construcción óptima de cartera, que luego nos permitirá realizar múltiples posiciones simultáneas utilizando las técnicas detalladas anteriormente. Hay muchas direcciones de estudio diferentes a las que podríamos dirigirnos en esta Para cada valor desactivado (hasta que se encuentre el óptimo). función. Sin embargo, el objetivo de este texto es estudiar carteras de diferentes Para cada sistema de mercados, carteras de diferentes sistemas de mercado y diferentes artículos mercado Para cada tick entre +8 y ­8 std. desarrolladores. comercializables. Siendo este el caso, nos alejaremos de la pista de los precios teóricos Determinar el HPR de las opciones y nos dirigiremos hacia la construcción óptima de la cartera. La única diferencia entre el procedimiento para resolver relaciones aleatorias y el de relaciones causales es que el exponente de cada HPR en la relación aleatoria se calcula multiplicando las probabilidades de que todos los tramos estén al precio dado del Machine Translated by Google desviación del rendimiento tomando la raíz cuadrada de la varianza. Al hacerlo, transformamos nuestra tabla a: Capítulo 6 ­ Relaciones correlativas y la derivación de la frontera eficiente Ahora hemos cubierto cómo encontrar las cantidades óptimas para comercializar. Inversión Retorno esperado como Estándar esperado De­an HPR vía de Retorno 1.095 Toxico .316227766 1.13 .5 1.21 .632455532 0 Incubeast Corp. futuros, acciones y opciones, negociándolos solos o en conjunto Cuenta de con otro artículo, cuando existe una relación aleatoria o causal entre los precios de los artículos. Ahorros LA Garb 1.085 El horizonte temporal involucrado es irrelevante siempre que sea consistente para Es decir, hemos definido el conjunto óptimo cuando el coeficiente de correlación lineal entre dos todos los componentes bajo consideración. Es decir, cuando hablamos de lo esperado elementos cualesquiera de la cartera es igual a 1, ~1 o 0. Sin embargo, las relaciones entre retorno, no importa si nos referimos al próximo año, trimestre, 5 años, dos elementos cualesquiera en una cartera, ya sea que observemos la correlación de o día, siempre que los rendimientos esperados y las desviaciones estándar para todos precios (en un medio de negociación no mecánico) o cambios en el capital (en un Todos los componentes considerados tienen el mismo período de tiempo. (Eso sistema mecánico), rara vez se encuentran en valores tan convenientes de la línea lineal es decir, deben ser para el próximo año, o deben ser todos para el próximo día, etc.) El rendimiento esperado es sinónimo de ganancias potenciales, coeficiente de correlación. mientras que la varianza (o desviación estándar) en esos rendimientos esperados es sinónimo En el último capítulo analizamos el comercio de estos artículos desde el de riesgo potencial . Tenga en cuenta que el modelo es bidimensional. En punto de vista de alguien que no utiliza un sistema de comercio mecánico. Debido a que no se empleó un sistema de comercio mecánico, estábamos buscando En otras palabras, podemos decir que el modelo se puede representar en la parte superior. en la relación correlativa de los precios de los artículos. cuadrante derecho del plano cartesiano (consulte la Figura 6­1) colocando el retorno esperado a lo largo de un eje (generalmente el eje vertical o Y) y el retorno esperado Este capítulo proporciona un método para determinar la frontera eficiente de carteras de varianza o desviación estándar de los rendimientos a lo largo del otro eje (generalmente sistemas de mercado cuando el coeficiente de correlación lineal entre dos componentes el eje horizontal o X). Hay otros aspectos del riesgo potencial, como cualesquiera de la cartera bajo consideración es como riesgo potencial de (probabilidad de) una pérdida catastrófica, que la teoría EV cualquier valor entre ­1 y 1 inclusive. Esta es la técnica empleada por los profesionales para no se diferencia de la varianza de los rendimientos con respecto a la definición del riesgo determinar las carteras óptimas de acciones. potencial. Si bien esto puede ser cierto, no lo abordaremos En el próximo capítulo lo adaptaremos para su uso con cualquier instrumento comercializable. mento. concepto más adelante en este capítulo también es discutir la teoría EV en su sentido clásico . Sin embargo, el propio Markowitz estuvo a punto de afirmar que una cartera En este capítulo se hace una suposición importante con respecto a estos derivada de la teoría EV es óptima sólo si la utilidad, la "satisfacción" técnicas. El supuesto es que las distribuciones generadoras (las del inversor es una función del rendimiento esperado y la variación en el rendimiento esperado. distribución de rendimientos) tienen varianza finita. Estas técnicas son efectivas sólo en la medida en que los datos de entrada utilizados tengan una varianza finita. 1 solo devolución. Markowitz indicó que la utilidad del inversor bien puede abarcar momentos de la distribución superiores a los dos primeros (que son lo que aborda la teoría EV), como la asimetría y la curtosis de las expectativas DEFINICIÓN DEL PROBLEMA devoluciones. Por el momento estamos abandonando toda la idea de f óptima; va a Ponte al día con nosotros más tarde. Es más fácil entender la derivación paramétrica de la frontera eficiente si partimos del supuesto de que estamos 1.3 discutir una cartera de acciones. Estas acciones están en una cuenta de efectivo y se pagan en su totalidad. Es decir, no están al margen. Traje de Los Ángeles En tal circunstancia, derivamos la frontera eficiente de las carteras. Es decir, para determinadas acciones queremos encontrar aquellas con la menor 1.2 nivel de riesgo esperado para un nivel dado de ganancia esperada, los niveles dados esta teoría básica de Markowitz (aparte de la referencia general a ella como Teoría moderna de la cartera) a menudo se conoce como teoría EV (Teoría esperada Incubeast Ahorros cuenta siendo determinado por la aversión al riesgo del inversor particular. Por eso, 1.1 toxico retorno­Varianza de retorno). Tenga en cuenta que los insumos se basan en rendimientos. Es decir, los insumos para derivar la frontera eficiente son los rendimientos que esperaríamos de una acción determinada y la varianza que esperaríamos de esos rendimientos. Generalmente, el rendimiento de las acciones se puede definir como el 1 ­0,1 0 0.1 0,2 0.3 0,4 0,5 0,6 0,7 dividendos esperados durante un período de tiempo determinado más la apreciación del capital (o menos la depreciación) durante ese período de tiempo, expresados como ganancia (o pérdida) porcentual. Figura 6­1 El cuadrante superior derecho del plano cartesiano. El riesgo potencial sigue siendo algo mucho más amplio y nebuloso que Considere cuatro inversiones potenciales, tres de las cuales son acciones y cómo hemos intentado definirlo. Ya sea que el riesgo potencial sea simplemente varianza en uno una cuenta de ahorros que paga el 8,5% anual. Observe que estamos definiendo una muestra artificial, o esté representado en un hipercubo multidimensional, o incorpore la duración de un período de tenencia, el período en el que medimos los rendimientos y su momentos adicionales de la distribución, intentamos determinar variaciones, como 1 año en este ejemplo: Definir el riesgo potencial para dar cuenta de nuestra incapacidad para señalar realmente el dedo. Inversión en eso. Dicho esto, seguiremos definiendo el riesgo potencial como la variación en los toxico Rentabilidad esperada Variación esperada de la rentabilidad 9,5% 10% Incubeast Corp. 13% 25% pensando que el riesgo se define simplemente como tal. El riesgo es mucho más amplio y su Cuenta de 21 % 40 % La definición es mucho más difícil de alcanzar. ahorros LA Garb 6,5% 0% Podemos expresar los rendimientos esperados como HPR sumándoles 1. Además, podemos expresar la varianza esperada del rendimiento como estándar esperado. rendimientos esperados. Sin embargo, no debemos engañarnos pensando Entonces, el primer paso que debe dar un inversor que desee emplear la teoría de los vehículos eléctricos hacer es cuantificar sus creencias sobre los rendimientos esperados y variación en los rendimientos de los valores considerados durante un cierto horizonte temporal (período de tenencia) especificado por el inversor. A estos parámetros se puede llegar empíricamente. Es decir, el inversor puede examinar la 1 Para obtener más información sobre esto, consulte Fama, Eugene F., "Portfolio Analysis in a Stable Paretian Market", Management Science 11, págs. 404­419, 1965. Fama ha demostrado técnicas para encontrar la frontera eficiente paramétricamente para distribuciones estables valores que poseen el mismo exponente característico, A, cuando los rendimientos de los Todos los componentes dependen de un único índice de mercado subyacente. Los encabezados deben tenga en cuenta que se han realizado otros trabajos para determinar la frontera eficiente cuando hay una varianza infinita en los rendimientos de los componentes de la cartera. historia pasada de los valores considerados y calcular los rendimientos y sus variaciones durante los períodos de tenencia especificados. De nuevo el Los rendimientos a plazo significan no sólo los dividendos del valor subyacente, pero también cualquier ganancia en el valor del título. Esto luego se especifica como porcentaje. La varianza es la varianza estadística de los rendimientos porcentuales. Un usuario de este enfoque a menudo realizaría una regresión lineal Estas técnicas no se tratan aquí más que para referir a los lectores interesados a sobre los rendimientos pasados para determinar el rendimiento (el rendimiento esperado) en el artículos pertinentes. Para obtener más información sobre la distribución paretiana estable, consulte el Apéndice B. próximo período de tenencia. La porción de varianza de la entrada se determinaría entonces Para una discusión sobre la varianza infinita, consulte La distribución de Student" en el Apéndice. B. calculando la varianza de cada punto de datos pasado a partir de lo que Machine Translated by Google ­.0237 .25 IL .01 .079 s 0 0 se habría pronosticado para ese punto de datos pasado (y no a partir de la línea de regresión calculada para predecir el próximo rendimiento esperado). En vez de Al reunir estas cifras empíricamente, el inversor también puede simplemente estimar mate lo que él o ella cree que serán los rendimientos y variaciones futuros en .079 0 .4 000 Ahora hemos recopilado la información paramétrica básica y esos retornos. Quizás la mejor manera de llegar a estos parámetros sea utilizar podemos empezar a plantear formalmente el problema básico. Primero, la suma de los Una combinación de los dos. El inversor debe recopilar la información. los pesos de los valores que componen la cartera deben ser iguales a 1, Empíricamente, entonces, si es necesario, intercalar sus creencias sobre el futuro. ya que esto se hace en una cuenta de efectivo y cada valor se paga en lleno: de esos rendimientos esperados y sus variaciones. Los siguientes parámetros que el inversor debe reunir para utilizar este (6.04) ∑[i = 1,N]Xi = 1 La técnica son los coeficientes de correlación lineal de los rendimientos. De nuevo, dónde Se puede llegar a estas cifras empíricamente, mediante estimación o mediante una combinación de ambas. N = El número de valores que componen la cartera. Para determinar los coeficientes de correlación, es importante utilizar puntos de datos del mismo período de tiempo que se utilizó para determinar los rendimientos esperados y la variación en los rendimientos. En otras palabras, si utiliza datos anuales para determinar los rendimientos esperados y la variación en los rendimientos (en un Xi = La ponderación porcentual del iésimo valor. Es importante señalar que en la ecuación (6.04) cada Xi debe ser no negativo. Es decir, cada Xi debe ser cero o positivo. La siguiente ecuación que define lo que intentamos hacer se refiere al rendimiento anualmente), entonces debe utilizar datos anuales para determinar los coeficientes de esperado de toda la cartera. Esta es la E en la teoría EV. Básicamente lo que dice es que correlación. Si utiliza datos diarios para determinar la expectativa el rendimiento esperado de la cartera es la suma devoluciones y variación en las devoluciones (diariamente), entonces debes usar de los rendimientos de sus componentes multiplicados por sus respectivas ponderaciones: datos diarios para determinar los coeficientes de correlación, (6.05) ∑[i = 1,N]Ui*Xi = E También es muy importante darse cuenta de que estamos determinando los coeficientes de correlación de los rendimientos (ganancias en el precio de las acciones más dividendos), no del precio subyacente de las acciones en cuestión. Considere nuestro ejemplo de cuatro inversiones alternativas: Toxico, In­cubeast Corp., LA Garb y una cuenta de ahorros. Los designamos con los símbolos T, I, L y S respectivamente. A continuación construimos una grilla de coeficientes de correlación lineal de la siguiente manera: I LS T ­.15 .05 0 I .25 0 0 l A partir de los parámetros que ingresa el inversor, podemos calcular la covarianza entre dos valores cualesquiera como: (6.01) COVa,b = Ra,b*Sa*Sb dónde Xi = La ponderación porcentual del iésimo valor. Ui = El rendimiento esperado del iésimo valor. Finalmente, llegamos a la parte V de la teoría EV, la varianza en los rendimientos esperados. Esta es la suma de las varianzas aportadas por cada valor en la cartera más la suma de todas las posibles covarianzas en el portafolio. (6.06a) V = ∑[i = 1,N]∑[j = 1,N] Xi*Xj*COVi,j (6.06b) V = ∑[i = 1,N]∑[j = 1,N]Xi*Xj*Ri,j*Si*Sj (6.06c) V = (∑[i = 1,N]Xi^2*Si ^ 2)+2*∑[i = 1,N]∑[j = i+1,N]Xi*Xj*COVi,j i+1,N]Xi*Xj*Ri,j*Si*Sj Ra,b = El coeficiente de correlación lineal entre a y b. dónde Sa = La desviación estándar de la seguridad ath. V = La varianza en los rendimientos esperados de la cartera. Sb = La desviación estándar del bésimo valor. N = El número de valores que componen la cartera. Las desviaciones estándar, Sa y Sb, se obtienen tomando el cuadrado Xi = La ponderación porcentual del iésimo valor. raíz de las variaciones en los rendimientos esperados de los valores a y b. Volviendo a nuestro ejemplo, podemos determinar la covarianza entre Toxico (T) e Incubeast (I) como: COVT,I = ­.15*.10^(1/2)*.25^(1/2) = ­.15*.316227766*.5 = ­.02371708245 Por lo tanto, dada una covarianza y las desviaciones estándar que la componen, Podemos calcular el coeficiente de correlación lineal como: (6.02) Ra,b = COVa,b/(Sa*Sb) dónde Si = La desviación estándar de los rendimientos esperados del iésimo valor. COVi,j = La covarianza de los rendimientos esperados entre el iésimo valor y el jésimo de seguridad. Ri,j = El coeficiente de correlación lineal de los rendimientos esperados entre la i­ésima seguridad y la j­ésima seguridad. Las cuatro formas de la ecuación (6.06) son equivalentes. la respuesta final a la ecuación (6.06) siempre se expresa como un número positivo. Ahora podemos considerar que nuestro objetivo es encontrar esos valores de Xi, que cuando se suma igual a 1, da como resultado el valor más bajo de V para un COVa,b = La covarianza entre el valor ath y el bth. valor dado de E. Cuando se enfrenta a un problema como tratar de Ra,b = El coeficiente de correlación lineal entre a y b. maximizar (o minimizar) una función, H(X,Y), sujeta a otra condición o restricción, como Sa = La desviación estándar de la seguridad ath. Sb = La desviación estándar del bésimo valor. Observe que la covarianza de un valor consigo mismo es la varianza, dado que el coeficiente de correlación lineal de un valor consigo mismo es 1: (6.03) COVX,X = 1*SX*SX = 1*SX^2 = SX^2 = VX dónde G(X,Y), un enfoque es utilizar el método de Lagrange. Para hacer esto, debemos formar la función lagrangiana, F(X,Y,L): (6.07) F(X,Y,L) = H(X,Y)+L*G(X,Y) Observe la forma de la ecuación (6.07). Afirma que la nueva función que han creado, F(X,Y,L), es igual al multiplicador lagrangiano, La slack variable cuyo valor aún no está determinado, multiplicado por la restricción COVX,X = La covarianza de un valor consigo mismo. función G(X,Y). Este resultado se suma a la función original H(X,Y), SX = La desviación estándar de un valor. cuyo extremo buscamos encontrar. VX = La varianza de un valor. Ahora podemos crear una tabla de covarianzas para nuestro ejemplo de cuatro alternativas de inversión: t 2 E = El rendimiento esperado de la cartera. N = El número de valores que componen la cartera. (6.06d) V = (∑[i = 1,N]Xi^2*Si^2)+2*∑[i = 1,N]∑[j = COVa,b = La covarianza entre el valor ath y el bth. T .1 dónde I LS ­.0237 .01 0 Nuevamente, estimar la varianza puede resultar bastante complicado. Una manera más fácil es estimar el desviación absoluta media, luego multiplíquela por 1,25 para llegar a la desviación estándar. Ahora, al multiplicar esta desviación estándar por sí misma y elevarla al cuadrado, se obtiene la varianza estimada. Ahora, la solución simultánea de las tres ecuaciones producirá aquellos puntos (X1,Y1) de extremo relativo: FX(X,Y,L) = 0 FY(X,Y,L) = 0 FL(X,Y,L) = 0 Por ejemplo, supongamos que buscamos maximizar el producto de dos números, dado que su suma es 20. Dejaremos que las variables X e Y sean las dos números. Por lo tanto, H(X,Y) = X*Y es la función a maximizar Machine Translated by Google dada la función restrictiva G(X,Y) = X+Y­20 = 0. Debemos formar la función lagrangiana: δT/δX4 = X1*COV4,1+X2*COV4,2+X3*COV4,3+X4*COV4,4+.5 *L1*U4+ .5*L2 = 0 F(X,Y,L) = X*Y+L*(X+Y­20) FX(X,Y,L) = Y+L FY(X,Y,L) = X+L Y ya tenemos δT/δL1 como ecuación (6.09) y δT/δL2 como ecuación (6.10). FL(X,Y,L) = X+Y­20 Ahora igualamos FX(X,Y,L) y FY(X,Y,L) a cero y resolvemos cada uno para L: Por tanto, el problema de minimizar V para una E dada se puede expresar en el caso de N componentes como N+2 ecuaciones que involucran N+2 incógnitas. Y+L = 0 Para el caso de cuatro componentes, la forma generalizada es: Y = ­L X1*U1 +X2*U2 +X3*U3 +X4*U4 =E X1 +X2 +X3 +X4 X1*COV1,1 +X2*COV1,2 y X+L = 0 X = ­L Ahora estableciendo FL(X,Y,L) = 0 obtenemos X+Y­20 = 0. Por último, re­ coloque X e Y por sus expresiones equivalentes en términos de L: E = El rendimiento esperado de la cartera. (­L)+(­L)­20 = 0 Xi = La ponderación porcentual del iésimo valor. 2*­L = 20 Ui = El rendimiento esperado del iésimo valor. L = ­10 COVA,B = La covarianza entre los valores A y B. Como Y es igual a ­L, podemos afirmar que Y es igual a 10, y lo mismo ocurre con L1 = El primer multiplicador lagrangiano. X. El producto máximo es 10*10 = 100. L2 = El segundo multiplicador lagrangiano. Aquí se ha demostrado el método de los multiplicadores lagrangianos. para dos variables y una función de restricción. El método también puede ser Se aplica cuando hay más de dos variables y más de una función de restricción. Por ejemplo, la siguiente es la forma para encontrar el extremo cuando hay tres variables y dos funciones de restricción: (6.08) F(X,Y,Z,L1,L2) = H(X,Y,Z)+L1*G1(X,Y,Z)+L2*G2(X,Y,Z) En este caso, tendría que encontrar la solución simultánea para cinco ecuaciones con cinco incógnitas para resolver los puntos de extremo relativo. Cubriremos cómo hacerlo un poco más adelante. Podemos reformular el problema aquí como uno en el que debemos minimizar V, la varianza de toda la cartera, sujeta a las dos restricciones que: (6.09) (∑[i = 1,N]Xi*Ui)­E = 0 Esta es la forma generalizada y se utiliza esta forma básica para cualquier número de componentes. Por ejemplo, si estuviéramos trabajando con el caso de tres componentes (es decir, N = 3), la forma generalizada sería: =E =1 X1*U1 +X2*U2 +X3*U3 X1 +X2 +X3 X1*COV1,1 +X2*COV1,2 +X3*COV1,3 +.5*L1*U1 +.5*L2 =0 X1*COV2,1 +X2*COV2,2 +X3*COV2,3 +,5*L1*U2 +,5*L2 =0 X1*COV3,l +X2*COV3,2 +X3*COV3,3 +,5*L1*U3 +,5*L2 =0 Debe decidir un nivel de rendimiento esperado (E) para resolver, y su solución será esa combinación de ponderaciones que produzca esa E con la menor varianza. Una vez que haya decidido por E, ahora tener todas las variables de entrada necesarias para construir la matriz de coeficientes. y (6.10) (∑[i = 1,N]Xi) ­1 = 0 =1 +X3*COV1,3 +X4*COV1,4 +.5*L1*U1 +.5*L2 =0 X1*COV2,1 +X2*COV2,2 +X3*COV2,3 +X4*COV2,4 +,5*L1*U2 +,5*L2 =0 X1*COV3,1 +X2*COV3,2 +X3*COV3,3 +X4*COV3,4 +,5*L1*U3 +,5*L2 =0 X1*COV4,1 +X2*COV4,2 +X3*COV4,3 +X4*COV4,4 +,5*L1*U4 +,5*L2 =0 dónde La E en el lado derecho de la primera ecuación es la E que tienes decidiste que quieres resolver (es decir, lo has dado tú). la primera linea donde N = El número de valores que componen la cartera. mi = simplemente establece que la suma de todos los rendimientos esperados multiplicada por su El rendimiento esperado de la cartera. Xi = La ponderación porcentual de las ponderaciones deben ser iguales a la E dada. La segunda línea simplemente establece que la i seguridad. Ui = El rendimiento esperado del iésimo valor. la suma de los pesos debe ser igual a 1. Aquí se muestra la matriz para un La minimización de una función multivariable restringida se puede manejar caso de tres valores, pero puedes usar la forma general al resolver para N introduciendo estos multiplicadores lagrangianos y derivando parcialmente con valores. Sin embargo, estas dos primeras líneas son siempre las mismas. El siguiente respecto a cada variable. Por lo tanto, expresamos nuestro problema. Luego, N líneas siguen la forma prescrita. en términos de una función lagrangiana, a la que llamamos T. Sea: (6.11) T = V+ L1*((∑[i = 1,N]Xi*Ui) ­E)+L2*((∑[i = 1,N]Xi)­1) dónde V = La varianza en los rendimientos esperados de la cartera, de Ecuación (6.06). N = El número de valores que componen la cartera. Ahora, utilizando nuestros rendimientos esperados y covarianzas (de la tabla de covarianzas que construimos anteriormente), reemplazamos los coeficientes en la forma generalizada. Creamos así una matriz que representa los coeficientes de la forma generalizada. En nuestro caso de cuatro componentes (N = 4), tenemos por lo tanto 6 filas (N+2): X1 X2 X3 X4 .21 .095 .13 .085 1 1 .01 0 1 .079 0 .4 0 1 ­.0237 .095 .1 ­.0237 .25 .13 .01 .079 0 0 E = El rendimiento esperado de la cartera. Xi = La ponderación porcentual del iésimo valor. Ui = El rendimiento esperado del iésimo valor. L1 = El primer multiplicador lagrangiano. L2 = El segundo multiplicador lagrangiano. La cartera de varianza mínima (riesgo) se encuentra igualando a cero las derivadas parciales de primer orden de T con respecto a todas las variables. Supongamos nuevamente que estamos analizando cuatro posibles inversiones. alternativas: Toxico, Incubeast Corp., LA Garb y una cuenta de ahorros. Si tomamos la derivada parcial de primer orden de T con respecto a X1 tenemos obtener: (6.12) δT/δX1 = 2*X1*COV1,1+2*X2*COV1,2+2*X3*COV1,2+2*X4*COV­ 1,4+L1*U1+L2 Igualando esta ecuación a cero y dividiendo ambos lados por 2 rendimientos: X1*COV1,1+X2*COV1,2+X3*COV1,3+X4*COV1,4+.5*L1*U1+.5*L2 = 0 Asimismo: δT/δX2 = X1*COV2,1+X2 +COV2,2+X3*COV2,3+X4*COV­ 2,4+.5*L1*U2+.5*L2 = 0 δT/δX3 = X1*COV3,1+X2*COV3,2+X3*COV3,3+X4*COV­ 3,4+.5*L1*U3+.5*L2 = 0 L2 .21 0 0 .085 Respuesta L2 =E =1 1 =0 1 =0 1 =0 1 =0 Tenga en cuenta que los rendimientos esperados no se expresan en la matriz como HPR, más bien se expresan en su estado decimal "bruto". Observe que también tenemos 6 columnas de coeficientes. Sumando la parte de respuesta de cada ecuación a la derecha y separándola de la los coeficientes con a crean lo que se conoce como una matriz aumentada, que se construye fusionando la matriz de coeficientes y la respuesta columna, que también se conoce como vector del lado derecho. Observe que los coeficientes en la matriz corresponden a nuestra general­ forma adaptada del problema: X1*U1 +X2*U2 +X3*U3 =E X1 +X2 +X3 X1*COV1,1 +X4*U4 +X4 +X2*COV1,2 +X3*COV1,1 +X4*COV1,4 +,5*L1*U1 +,5*L2 =0 X1*COV2,1 +X2*COV2,2 +X3*COV2,3 +X4*COV2,4 +,5*L1*U2 +,5*L2 =0 X1*COV3,1 +X2*COV3,2 +X3*COV3,3 +X4*COV3,4 +,5*L1*U3 +,5*L2 =0 X1*COV4,1 +X2*COV4,2 +X3*COV4,3 +X4*COV4,4 +,5*L1*U4 +,5*L2 =0 La matriz es simplemente una representación de estas ecuaciones. Resolver para la matriz, debes decidir un nivel para E que deseas resolver para. Una vez resuelta la matriz, las respuestas resultantes serán las óptimas. =1 Machine Translated by Google ponderaciones necesarias para minimizar la variación en la cartera en su conjunto para nuestro nivel especificado de E. X1. Del mismo modo, la segunda fila del vector del lado derecho contiene el responde para X2, ya que el 1 de la segunda fila corresponde a X2. Usando operaciones de fila Supongamos que deseamos resolver para E=.14, lo que representa un valor esperado podemos hacer transformaciones elementales a nuestra matriz original hasta obtener la matriz retorno del 14%. Insertando .14 en la matriz para E y poniendo ceros para identidad. De la matriz identidad, las variables L1 y L2 en las dos primeras filas para completar la matriz dan podemos discernir las respuestas, los pesos X1, ..., XN, para los componentes en una cartera. Estas ponderaciones producirán la cartera con la varianza mínima, V, para un nivel nosotros una matriz de: X1 X2 .095 .13 X3 X4 L1 .21 .085 0 1 1 0 .01 0 .095 .079 0 .13 1 1 ­.0237 .1 ­.0237 .25 .01 .079 .4 0 .21 0 0 0 0 .085 Respuesta L2 0 = 0,14 0 =1 1 =0 1 =0 1 =0 1 =0 dado de rendimiento esperado, E.3 Se pueden realizar tres tipos de operaciones de fila: 1. Se pueden intercambiar dos filas cualesquiera. 2. Cualquier fila puede multiplicarse por cualquier constante distinta de cero. 3. Cualquier fila puede multiplicarse por cualquier constante distinta de cero y sumarse a las entradas correspondientes de cualquier otra fila. Resolviendo la matriz resolveremos las N+2 incógnitas en el N+2 Usando estas tres operaciones, buscamos transformar los coeficientes ecuaciones. matriz a una matriz de identidad, lo cual hacemos de una manera muy prescrita. SOLUCIONES DE SISTEMAS LINEALES UTILIZANDO FILAS EQUIVA­ continuación, realizamos la primera transformación elemental mediante MATRICES DE CUARESMA invocando la regla 2 de operaciones de fila. Aquí tomamos el valor en la primera fila, El primer paso, por supuesto, es simplemente comenzar creando la matriz aumentada. A Un polinomio es una expresión algebraica que es la suma de uno o más términos. Un polinomio con un solo término se llama monomio; con dos términos un binomio; con tres términos un trinomio. Polinomios con más de tres términos se llaman simplemente polinomios. La expresión 4*A^3+A^2+A+2 es un polinomio que tiene cuatro términos. Los términos son separados por un signo más (+). primera columna, que es .095, y queremos convertirla al número 1. Para hacerlo, multiplicamos cada valor de la primera fila por la constante 1/.095. Dado que cualquier número multiplicado por 1 dividido por ese número da 1, hemos obtenido un 1 en la primera fila, primera columna. También hemos multiplicado cada entrada en la primera fila mediante esta constante, 1/.095, como se especifica en la regla 2 de operaciones de fila. Por lo tanto, hemos obtenido el número de transformación elemental 1. Los polinomios vienen en diferentes grados. El grado de un polinomio es el valor del grado más alto de cualquiera de los términos. El grado de un término es la suma de los exponentes de las variables contenidas en el término. Nuestro ejemplo es un polinomio de tercer grado ya que se plantea el término 4*A^3 elevado a 3, y esa es una potencia mayor que cualquiera de los otros términos en el polinomio se elevan a. Si este término dice 4*A^3*B^2*C, tenemos tendría un polinomio de sexto grado ya que la suma de los exponentes de las variables (3+2+1) son iguales a 6. Un polinomio de primer grado también se llama ecuación lineal y grafica como una línea recta. Un polinomio de segundo grado se llama cuadrático y se representa como una parábola. Tercer, cuarto y quinto grado Los polinomios también se llaman cúbicos, cuárticos y quínticos, respectivamente. Nuestro siguiente paso es invocar la regla 3 de operaciones de fila para todas las filas excepto en el que acabamos de usar la regla 2. Aquí, para cada fila, tomamos el valor de esa fila correspondiente a la columna en la que acabamos de invocar la regla 2. En transformación elemental número 2, para la fila 2, usaremos el valor de 1, ya que ese es el valor de la fila 2, columna 1, y acabamos de realizar la regla 2 en la columna 1. Ahora hacemos que este valor sea negativo (o positivo si ya es negativo). Como nuestro valor es 1, lo convertimos en ­1. ahora multiplicamos por la entrada correspondiente (es decir, la misma columna) de la fila en la que acabamos de realizar la regla 2. Como acabamos de realizar la regla 2 en la fila 1, multiplicaremos este ­1 por el valor de la fila 1, columna 1, que es 1, obteniendo así ­1. Ahora volvemos a agregar este valor al valor de la celda en la que estamos trabajando. encendido, que es 1, y obtiene 0. Más allá de eso, no hay nombres especiales para los polinomios de grado superior. Las gráficas de polinomios mayores de segundo grado son bastante impredecibles. Los polinomios pueden tener cualquier número de términos y pueden ser de cualquier grado. Afortunadamente, trabajaremos sólo con ecuaciones lineales, polinomios de primer grado aquí. Cuando tenemos más de una ecuación lineal que debe resolverse simultáneamente podemos usar lo que se llama el método del equivalente por filas. matrices. Esta técnica también se conoce como Gauss ­Jordan. procedimiento o el método de eliminación gaussiano. Para realizar la técnica, primero creamos la matriz aumentada de Ahora, en la fila 2, columna 2, tomamos el valor de esa fila correspondiente a la columna en la que acabamos de invocar la regla 2. Nuevamente usaremos el valor de 1, ya que ese es el valor de la fila 2, columna 1, y acabamos de realizar regla 2 en la columna 1. Nuevamente hacemos que este valor sea negativo (o positivo si ya es negativo). Como nuestro valor es 1, lo convertimos en ­1. Ahora multiplica por la entrada correspondiente (es decir, la misma columna) de la fila en la que acabamos de realizar la regla 2. Como acabamos de realizar la regla 2 en la fila 1, multiplicaremos este ­1 por el valor de la fila 1, columna 2, que es 1,3684, obteniendo así ­1,3684. Nuevamente, agregamos este valor nuevamente al valor de la celda. estamos trabajando, fila 2, columna 2, que es 1, obteniendo 1+(­1.3684) el problema combinando la matriz de coeficientes con la derecha = ­.3684. Procedemos de la misma manera para el valor de cada celda en la fila 2, incluido el valor vector lateral como lo hemos hecho. A continuación, queremos utilizar lo que se denominan del vector del lado derecho de la fila 2. Luego hacemos lo transformaciones elementales para obtener lo que se conoce como matriz identidad. Una lo mismo para todas las demás filas hasta la columna que nos interesa, columna transformación elemental es un método de procesar una matriz para 1 aquí, es todo ceros. Observe que no necesitamos invocar la regla 3 de operaciones de fila obtener una matriz diferente pero equivalente. Las transformaciones elementales son para la última fila, ya que ya tiene un valor de cero para la columna 1. Esto se logra mediante lo que se llama operaciones de fila. (Cubriremos la fila operaciones en un momento.) Una matriz identidad es una matriz de coeficientes cuadrados donde todos los elementos son ceros excepto una línea diagonal de unos que comienza en la parte superior. Cuando hayamos terminado, habremos obtenido la transformación elemental número 2. Ahora la primera columna ya es la de la identidad. matriz. Ahora procedemos con este patrón, y en la transformación elemental 3 invocamos la regla 2 de operaciones de fila para convertir el valor en el esquina izquierda. Para una matriz de coeficientes de seis por seis como la que estamos usando en segunda fila, segunda columna a un 1. En número de transformación elemental En nuestro ejemplo, la matriz identidad aparecería como: 4, invocamos la regla 3 de operaciones de fila para convertir el resto de las filas 100000 010000 001000 000100 000010 000001 Este tipo de matriz, donde el número de filas es igual al número de columnas, se llama matriz cuadrada. Afortunadamente, debido a la forma generalizada de nuestro problema de minimizar V para un E dado, siempre estamos tratando con una matriz de coeficientes cuadrados. a ceros para la columna correspondiente a la columna que acabamos de invocar regla 2 de operaciones de fila en adelante. Procedemos de la misma manera, convirtiendo los valores a lo largo de las diagonales a unos por fila de operaciones regla 2, luego convertir los valores restantes en esa columna a ceros por fila operaciones regla 3 hasta que hayamos obtenido la matriz de identidad de la izquierda. El vector del lado derecho será entonces nuestro. Conjunto de soluciones. X1 X2 X3 X4 Matriz aumentada inicial Una vez que se obtiene una matriz identidad mediante operaciones por filas, puede .095 .13 .21 .085 L1 L2 Explicación de la respuesta 0 0 .14 considerarse equivalente a la matriz de coeficientes iniciales. Luego, las respuestas se leen en el vector del lado derecho. Es decir, en la primera fila de la matriz identidad, el 1 corresponde a la variable X1, por lo que el La respuesta en el vector del lado de la mano de pelea para la primera fila es la respuesta para 3 Es decir, estas ponderaciones producirán la cartera con un V mínimo para un determinado E sólo en la medida en que nuestras entradas de E y V para cada componente y el lineal coeficiente de correlación de cada posible par de componentes son precisos y la varianza en los rendimientos es infinita. Machine Translated by Google X1 X2 X3 1 1 .1 X4 1 ­.023 .01 ­.023 .25 L1 L2 0 0 .095 1 .01 .079 .4 0 0 L1 X1 X2 X3 X4 L2 Transformación elemental 1 número 11 0 1 0 49826 0,68283 0 0 0 0 0100 0 0 1,7682 0,32622 1 .085 1 0 00 0 0 ­1,035 0,26795 0 ­5,715 ­0,2769 0 0 Transformación elemental número 1 0000 1.3684 2.2105 .8947 0,095 1 1,47368 fila1*(1/.095) 1 0.1 ­.023 .01 0 ­.023 .25 0,13 1 0,21 .079 0 .01 .079 .4 0 0 0 0 1 0,085 1 11 11 1 0 0 10 1 0000 0 0 1 0 0 0,12391 fila1+(­4,98265*fila6) 0 0100 0 0,12787 fila2+(­1,76821*fila6) 0 00 0 0,38407 fila3+(1,0352*fila6) 01 1.47368 ­1.210 .1052 0 ­.160 ­.211 0 0 ­.4736 fila2+(­1*fila1) ­.089 0 .2824 .1313 .0212 0 .095 1 ­.1473 fila3+(­.1*fila1) 10 0000 .0653 .3778 ­.008 0 0 .13 1 .21 .03492 fila4+(.0237*fila1) 0100 10 1 .085 1 ­.0147 fila5+(­.01*fila1) 0 0000 0 1.47368 01 0 1,28571 fila2*(1/­.36842) ­.1473 0 ­.160 ­.211 ­.089 0 .2824 .095 1 .1313 .0212 0 .0653 .3778 .13 1 .21 .03492 ­.008 0 0 1 .085 1 ­.0147 0 0 0 01 0 0000 0000 ­.2857 fila1+(­ 1.368421*fila2) 1.28571 0100 0,38407 =X3 0 0 1 0 0.36424 =X4 ­1.3197 =­2.6394=L1 /.5 00 00 0 1 0,11217/ =.22434=L2 .5 significado. En este caso, dados los datos de entrada de los rendimientos esperados y la varianza esperada de los rendimientos para todos los componentes considerados, y dados los coeficientes de correlación lineal de cada posible par de componentes, .05904 fila3+(.16054*fila2) para un rendimiento esperado del 14%, este conjunto de soluciones es óptimo. Óptimo, como ­.3282 Сгрока4+(­ .282431*fila2) utilizado aquí, significa que este conjunto de soluciones producirá la varianza más baja para .1632 .0097 0 .21 1 ­.0987 fila5+(­.065315*fila2) 0 debe interpretar los resultados. .085 1 un rendimiento del 14%. En un momento determinaremos la varianza, pero primero Los primeros cuatro valores, los valores de X1 a X4, nos dicen el ponderaciones (los porcentajes de fondos invertibles) que deben asignarse a estas inversiones para lograr este portafolio óptimo con un 14% esperado 0 0 1.28571 devolver. Por lo tanto, deberíamos invertir 12.391% en Toxico, 12.787% en In­cubeast, 1 .3002 3.1602 .18658 fila3*(1/.31643) ­.796 .1019 .13 1 ­.3282 38.407% en LA Garb y 36.424% en la cuenta de ahorro. Si .1632 .0097 0 .21 1 ­.0987 Estamos considerando invertir $50,000 por esta combinación de cartera: 0 0 .085 1 0 1.1196 Porcentaje de acciones (*50,000 = ) Dólares para invertir Toxico .12391 $6,195.50 Incubeast .12787 $6,393.50 $19,203.50 LA Garb ­.427 ­0,986 ­1,38 0,67265 fila2+(­3,28571*fila3) .3002 3.1602 .18658 .36424 $18,212.00 1 ­.238 .3691 3.5174 ­.1795 fila4+(.7966*fila3) 0 .0795 0 Así, para Incubeast, invertiríamos $6.393,50. Ahora supongamos que Incubeast se vende a 20 dólares la acción. Lo óptimo sería comprar 319.675 acciones 00 .1609 .4839 ­.1291 fila5+(­.16328*fila3) 0 .085 1 0000 Transformación elemental número 7 1.6862 7.2233 0.14075 .3080 0 0000 00 0 .13 1 Transformación elemental número 6 1 0 .3080 .6862 7.2233 .14075 fila1+(2.2857*fila3) 00 0.12787 =X2 0 .095 1 ­.285 0 0 ­.427 0 0 0 0 0 0 001 0,12391 =X1 0 .3164 ­.135 0 0000 0 0 ­.796 .1019 Transformación elemental número 5 1 0 ­2.285 1.2857 0 1 3.2857 0­.2857 0 001 0 Matriz obtenida Una vez obtenida la matriz identidad, podemos interpretar su Transformación elemental número 4 1 0 0 ­2,285 1,2857 0 ­1,3197 fila5+(­5,83123*fila6) 0.11217 INTERPRETACIÓN DE LOS RESULTADOS 0 3.2857 ­.285 1 10 Transformación elemental número 3 1 0 1.3684 2.2105 .8947 0,36424 fila4+(5,7158*fila6) 0 0 0 0 00000000 0 0,11217 fila6*(1/.50434) 0 0 3.2857 ­.285 5,8312 ­0,6655 10 Transformación elemental número 12 100000001000 0 Transformación elemental número 2 0 1 1.3684 2.2105 .8947 0 ­.368 0 Explicación de la respuesta .13 1 .21 10 .079 0 0 0 Explicación de la respuesta 1.1196 (6393,5/20). Sin embargo, en el mundo real no podemos salir corriendo a comprar acciones fraccionarias, por lo que diríamos que lo óptimo sería comprar 319 o 320 acciones. Ahora, el lote extraño, las 19 o 20 acciones que quedan después de que ­.986 ­1.38 .67265 Si compramos los primeros 300, tendríamos que pagarlos. Los lotes impares suelen estar ­.427 .3002 3.1602 .18658 00 1 .0795 ­1,545 ­14,72 .75192 fila4*(1/­.23881) .1609 .4839 ­.1291 0 0 .085 1 0 1 .38407 Ahorros marcados con una pequeña fracción de punto, por lo que tendríamos que pagar más por esas 19 o 20 acciones, lo que a su vez afectaría el rendimiento esperado de nuestras participaciones en Incubeast, lo que a su vez afectar el óptimo Transformación elemental número 8 1 0 0 1.1624 11.760 ­.0908 fila1+(­.30806*fila4) combinación de cartera A menudo es mejor comprar el lote redondo; 001 este. Mientras que podemos identificar cuál es la cartera óptima hasta el 0 0 .7443 6.1080 ­.1692 fila2+(­ 0 ­.360 ­3.139 .50819 fila3+(.42772*fila4) ­1.545 ­14.72 .75192 0 1 00 00 .2839 1.6557 ­.1889 fila5+(­.079551*fila4) 0 .085 1 1.119669*fila4) 0000 0000 1 Transformación elemental número 9 0 ­.0909 0 1 1.1624 11.761 001 0 0000 00 00 caso, 300 acciones. Como puede ver, se cuela más basura en la mecánica de fracción de una acción, la implementación en la vida real requiere nuevamente que permitir la pendiente. Además, cuanto mayor sea el capital que esté empleando, más La implementación del enfoque en la vida real se parecerá mucho a la óptimo teórico. Supongamos que, en lugar de invertir 50.000 dólares, estabas administrando un fondo de 5 millones de dólares. Estarías buscando invertir 0 .7445 6.1098 ­.1693 12,787% en Incubeast (si sólo estuviéramos considerando estas cuatro alternativas de 0 ­.361 ­3.140 .50823 inversión)? y por tanto estaría invirtiendo 5.000.000*.12787 ­1.545 ­14.72 .75192 = $639,350. Por lo tanto, a 20 dólares la acción, comprarías 639.350/20 = 1 00 10 0 0 1 5.8307 ­.6655 fila5*(1/.28396) 0 0,085 1 31.967,8 acciones. Nuevamente, si lo restringieras al lote redondo, compraría 31.900 acciones, desviándose del número óptimo de acciones Transformación elemental número 10 1 0 0 0 4,9831 0,68280 fila1+(­1,16248*fila5) en aproximadamente un 0,2%. Comparemos esto con el caso "en el que tienes 50.000 0010 desviándose del óptimo en aproximadamente un 6,5%. 0 0000 0 00 0 0 1,7685 0,32620 fila2+(­.74455*fila5) 0 0 ­1,035 0,26796 fila3+(.3610*fila5) 00 0 1 ­5,715 ­0,2769 fila4+(1,5458fila5) 1 0 5.8312 ­0.6655 0 0 1 0 0,5043 0,05657 fila6+(­.085*fila5) dólares para invertir y comprar 300 acciones frente al óptimo de 319,675. Ahí lo tienes". Los multiplicadores lagrangianos tienen una interpretación interesante. A Para empezar, los lagrangianos que estamos usando aquí deben dividirse por 0,5 después de obtener la matriz de identidad antes de que podamos interpretarlos. Esto es Machine Translated by Google de acuerdo con la forma generalizada de nuestro problema. La variable L1 X2 aumentada X1 X3 L1 Matriz es igual a ­δV/δE. Esto significa que L1 representa la varianza marginal en inicial rendimientos esperados. En el caso de nuestro ejemplo, donde L1 = ­2,6394, tenemos .095 .21 0 Respuesta L2 .13 0 .18 1 puede afirmar que V está cambiando a una tasa de ­L1, o ­(­2.6394), o 2.6394 1 unidades por cada unidad en E instantáneamente en E = .14. Para interpretar la variable L2 es necesario replantear primero el problema. En lugar de tener ∑Xi = 1, diremos que ∑Xi = M, donde M es igual a la cantidad en dólares de los fondos a invertir. Entonces L2 = δV/δM. En En otras palabras, L2 representa el riesgo marginal de aumento o disminución. inversión. Volviendo ahora a cuál es la varianza de toda la cartera, podemos Utilice la ecuación (6.06) para discernir la varianza. Aunque podríamos usar cualquier 1.1 1 0,01 0.095 010 0,079 .13 10 .21 10 ­.023 .25 .079 0,4 ­.023 .01 Mediante el uso de operaciones de fila... se obtiene la matriz identidad: 1 0 0 0 0 0,1283688 =X1 0 1 0 0 0 0.1904699 =X2 0 0 1 0 0 0,6811613 =X3 0 0 0 1 0 ­2.38/.5=­4.76 =L1 0 0 0 0 1 0.210944/.5=.4219 =L2 variación de la ecuación (6.06a) a (6.06d), aquí usaremos la variación a: que recuerdes qué filas corresponden a qué variables, especialmente (6.06a) V = ∑[i = 1,N]∑[j = 1,N] Xi*Xj*COVi,j cuando tienes más de una fila y columna para extraer. Nuevamente, usando un Al reemplazar los valores y realizar la ecuación (6.06a), se obtiene: Xi Xj COVi,j 0,12391* 0,12391* 0,1 0.0015353688 0,12391* 0,12787* ­0,0237 =­0,0003755116 Cuando debes sacar una fila y columna como esta, es importante Para ilustrar un ejemplo, supongamos que queremos resolver para E = .1965. La primera La matriz de identidad a la que lleguemos mostrará valores negativos para la ponderación. de Tóxico, X1, y la cuenta de ahorro, X4. Por tanto, volvemos a nuestra matriz aumentada inicial: 0,12391* 0,38407* 0,01 0.0004759011 X1 X2 0,12391* 0,36424* 0 0 Matriz aumentada inicial X3 X4 L1 L2 Respuesta Pertenece a 0,12787* 0,12391* ­0,0237 =­0,0003755116 .095 .13 .21 .085 0 1 1 1 0 1 0 0,12787* 0,12787* 0,25 0,0040876842 Incubeasta 1 0 0,12787* 0,38407* 0,079 0,0038797714 .1 ­.023 .01 0 .095 1 0 Traje de LA 0,12787* 0,36424* 0 =0 ­.023 .25 .079 0 .13 1 0 Ahorro 0,38407* 0,12391* 0,01 =0.0004759011 .01 0 .21 .079 1 0 L1 .4 0 0 0 0 .085 1 0 L2 0,38407* 0,12787* 0,079 =0,0038797714 Ahora sacamos la fila 3 y la columna 1, las que pertenecen a Toxi­co, y también 0,38407* 0,38407* 0,4 =0,059003906 sacamos la fila 6 y la columna 4, las que pertenecen al ahorro. cuenta: 0,38407* 0,36424* 0 =0 0,36424* 0,12391* 0 =0 0,36424* 0,12787* 0 =0 X2 X3 X4 L1 L2 La respuesta pertenece a 0,36424* 0,38407* 0 =0 0,36424* 0,36424* 0 =0 .0725872809 Por lo tanto, vemos que con el valor de E = 0,14, el valor más bajo de V es obtenido en V = .0725872809. Iniciar matriz aumentada .13 .21 .085 0 0 .1965 Incubeasta 1 1 1 0 0 1 .25 .079 0 .13 1 0 comenzamos con la matriz aumentada, que es exactamente la misma que en el último ejemplo de E = .14, solo la celda superior derecha, que es la primera celda en el vector del lado derecho se cambia para reflejar esta nueva E de .18: X1 X2 X3 X4 L1 Matriz aumentada Respuesta L2 .079 .4 0 .21 1 0 L2 Entonces estaremos trabajando con la siguiente matriz: X2 X3 X4 L1 L2 La respuesta pertenece a Iniciar matriz aumentada .13 .21 .085 0 0 .1965 Incubeasta 1 1 1001 .25 .079 0 .13 1 0 .079 .4 0 .21 inicial 10 .095 .13 .21 .085 0 0 .18 1 0 0 11 Traje de Los Ángeles L1 Ahora supongamos que decidimos ingresar un valor de E = 0,18. Nuevamente 1 .1965 Tóxico Traje de Los Ángeles L1 L2 Mediante el uso de operaciones de fila... se obtiene la matriz identidad: 1 .1 ­.023 0.01 0 ­.023 .25 .095 1 0 1 0 0 0 .169 Incubeast .079 0 .01 .079 .4 0 0 0 0 .13 1 0 0 1 0 0 .831 0 0 1 0 Traje de Los Ángeles .21 1 0 ­2.97/.5=­5.94 L1 .085 1 0 0 0 0 1 .2779695/.5=.555939 L2 0 Otro método que podemos usar para resolver la matriz es usar el inverso de la Mediante el uso de operaciones de fila... se obtiene la matriz identidad: 1 0 0 0 0 0 0,21401=X1 matriz de coeficientes. Una matriz inversa es una matriz que, cuando 0 1 0 0 0 0 0.22106=X2 multiplicado por la matriz original, produce la matriz identidad. Esta técnica se explicará 0 0 1 0 0 0 0,66334=X3 sin discutir los detalles de la multiplicación de matrices. 0 0 0 1 0 0 ­.0981=X4 0 0 0 0 1 0 ­1.3197/.5=­2.639=L1 0 0 0 0 0 1 0.11217/.5=.22434=L2 Luego procedemos a resolver la matriz exactamente como antes, sólo que esto vez que obtenemos una respuesta negativa en la cuarta celda de la derecha En álgebra matricial, una matriz a menudo se denota con una capita en negrita] carta. Por ejemplo, podemos denotar nuestra matriz de coeficientes como C. El inverso de una matriz se denota como un superíndice ­1. La matriz inversa a C entonces es C­1 . vector lateral. Es decir, deberíamos asignarle una proporción negativa, una desinversión del 9,81% en la cuenta de ahorro. Para tener en cuenta esto, cada vez que obtenemos una respuesta negativa para cualquiera de los Xi, lo que significa que si alguna de las primeras N filas del lado derecho vector es menor o igual a cero: debemos extraer esa fila+2 y esa columna de la matriz aumentada inicial y resolver para obtener la nueva matriz aumentada. Si cualquiera de las 2 últimas filas del vector del lado derecho son menores o iguales a cero, no necesitamos hacer esto. Estas dos últimas entradas en el vector del lado derecho siempre pertenecen a los lagrangianos, no No importa cuántos o pocos componentes haya en total en la matriz. A los lagrangianos se les permite ser negativos. Dado que la variable que regresa con la respuesta negativa corresponde a la ponderación del cuarto componente, sacamos la cuarta columna Para utilizar este método, primero debemos discernir la matriz inversa para nuestra matriz de coeficientes. Para hacer esto, en lugar de comenzar aumentando la vector del lado derecho en la matriz de coeficientes, aumentamos la propia matriz de identidad en la matriz de coeficientes. Para nuestro ejemplo de 4 acciones: Iniciar matriz aumentada X1 X2 X3 X4 L1 0,095 0,13 0,21 0,085 0 1 1 0 1 1 0.1 ­0,023 0,01 0 Matriz de identidad L2 0100000 0010000 0,095 1 0 0 1 0 0 0 ­0,023 0,25 0,079 0 0,01 0,13 1 0 0 0 1 0 0 0,079 0,4 0 0 0 0,21 1 0 0 0 0 1 0 0 0 0,085 1 0 0 0 0 0 1 Ahora procedemos a usar operaciones de fila para transformar los coeficientes. y la sexta fila de la matriz aumentada inicial. Luego usamos fila matriz a una matriz identidad. En el proceso, desde cada operación de fila operaciones para realizar transformaciones elementales hasta obtener, nuevamente, la realizado a la izquierda también se realiza a la derecha, habremos transformado la matriz matriz de identidad: identidad del lado derecho en la matriz inversa Machine Translated by Google Cr, de la matriz de coeficientes C. En nuestro ejemplo, el resultado de la fila corto en ambas acciones, el coeficiente de correlación lineal entre ellas permanece sin operaciones producen: cambios, como lo haría si estuviera buscando ir largo en ambas acciones. cepo. C C ­1 1 0 0 0 0 0 2,2527 ­0,1915 10,1049 0,9127 ­1,1370 ­9,8806 Hasta ahora hemos tratado de obtener la cartera óptima y su varianza V, cuando 0 1 0 0 0 0 2,3248 ­0,1976 0,9127 4,1654 ­1,5726 ­3,5056 conocemos el rendimiento esperado, E, que buscamos. Podemos 0 0 1 0 0 0 6,9829 ­0,5935 ­1,1370 ­1,5726 0,6571 2,0524 También resuelva para E cuando conocemos V. La forma más sencilla de hacerlo es mediante 0 0 0 1 0 0 ­11,5603 1,9826 ­9,8806 ­3,5056 2,0524 11,3337 iteración utilizando las técnicas analizadas hasta ahora en este capítulo. 0 0 0 0 1 0 ­23,9957 2,0396 2,2526 2,3248 6,9829 ­11,5603 Hay mucho más sobre el álgebra matricial de lo que se presenta en este 0 0 0 0 0 1 2,0396 ­0,1734 ­0,1915 ­0,1976 ­0,5935 1,9826 Ahora podemos tomar la matriz inversa, Ci, y multiplicarla por nuestra vector del lado derecho original. Recuerde que nuestro vector del lado derecho es: mi ecuaciones lineales. A menudo encontrarás referencias a técnicas. como la regla de Cramer, el método simplex o el cuadro simplex. Éstas son técnicas similares a las descritas en este capítulo, aunque más complicadas. Hay S una multitud de aplicaciones en los negocios y la ciencia para el álgebra matricial, y el tema 0 es considerablemente complicado. Sólo hemos grabado la superficie, lo suficiente para lo 0 que necesitamos. 0 cumplir. Para una discusión más detallada sobre álgebra matricial y 0 sus aplicaciones en los negocios y la ciencia, se remite al lector a Conjuntos, Siempre que multiplicamos una matriz por un vector columnar (como este) multiplicamos todos los elementos de la primera columna de la matriz por el primer elemento del vector, todos los elementos de la segunda columna de la matriz por el segundo elemento del vector, y así sucesivamente. Si nuestro vector fuera una fila vector, multiplicaríamos todos los elementos de la primera fila de la matriz por el primer elemento del vector, todos los elementos de la segunda fila de la matriz por el segundo elemento del vector, y así sucesivamente. Dado que nuestro vector es columnar, y dado que los últimos cuatro elementos son ceros, sólo necesitamos multiplicar la primera columna de la matriz inversa por E (el rendimiento esperado para la cartera) y la segunda columna de la matriz inversa por S, la suma de las pesas. Esto produce el siguiente conjunto de ecuaciones, que podemos Introduzca los valores para E y S y obtenga las ponderaciones óptimas. En nuestro Por ejemplo, esto produce: E*2.2527+S*­0.1915 = Peso óptimo para el primer stock E*2.3248+S*­0.1976 = Peso óptimo para el segundo stock E*6.9829+S*­0.5935 = Peso óptimo para el tercer stock E*­11.5603+S*1.9826 = Peso óptimo para el cuarto stock E*­23.9957+S*2.0396 = .5 del primer lagrangiano E*2.0396+S*­0.1734 = .5 del segundo Lagrangiano Por lo tanto, para resolver un rendimiento esperado del 14% (E = 0,14) con la suma de los pesos iguales a 1: .14*2.2527+1*­0.1915 = .315378­.1915 = .1239 Tóxico .14*2.3248+1*­0.1976 = .325472­.1976 = .1279 Incubeast .14*6.9829+1*­0.5935 = .977606­.5935 = .3841 Traje de Los Ángeles .14*­11.5603+1*1.9826 = ­1.618442+1.9826 = .3641 Ahorro .14*­23.9957+1*2.0396 = ­3.359398+2.0396 = ­1.319798*2 = ­2.6395 L1 .14*2.0396+1 *­0.1734 = .285544­.1734 = .1121144*2 = .2243L2 Una vez que haya obtenido la inversa de la matriz de coeficientes, tendrá Puede resolver rápidamente cualquier valor de E siempre que sus respuestas, las ponderaciones óptimas, sean todas positivas. Si no, nuevamente debes crear la matriz de coeficientes sin ese ítem, y obtener una nueva matriz inversa. Hasta ahora hemos analizado la inversión en acciones desde el lado largo. Sólo ¿Cómo podemos considerar candidatos de venta corta en nuestro análisis? Para empezar, usted buscaría vender en corto una acción si espera que baje. Recordemos que el término "devoluciones" significa no sólo los dividendos del valor subyacente, pero cualquier ganancia en el valor del la seguridad también. Esta cifra se especifica luego como porcentaje. De este modo, Para determinar los rendimientos de una posición corta, tendría que estimar qué porcentaje de ganancia esperaría obtener en la posición decreciente. acciones, y de eso luego necesitarías restar el dividendo (sin importar cuántos dividendos tengan fecha ex­fecha durante el período de tenencia que esté calculando su E y V) como porcentaje. 4 Por último, cualquier correlación lineal coeficientes de ción de los cuales es miembro la acción que desea vender en corto debe multiplicarse por ­1. Por lo tanto, dado que el coeficiente de correlación lineal entre Toxico e Incubeast es ­.15, si estuviera buscando acortar Toxico, multiplicarías esto por ­1. En tal caso usarías ­0,15*­1 = 0,15 como coeficiente de correlación lineal. Si miras linealmente para vender ambas acciones en corto, el coeficiente de correlación lineal entre los dos serían ­.15*­1*­1 = ­.15. En otras palabras, si estás buscando 4 capítulo. Existen otras técnicas de álgebra matricial para resolver sistemas de En este capítulo suponemos que todas las transacciones se realizan en una cuenta de efectivo. Por lo tanto, aunque es necesario realizar una posición corta en una cuenta de margen y no en una cuenta de efectivo, no calcularemos el interés sobre el margen. Matrices y programación lineal, por Robert L. Childness. El siguiente capítulo cubre la utilización de las técnicas detalladas en este capítulo para cualquier instrumento negociable, así como acciones, al tiempo que incorpora f óptima, así como un sistema mecánico. Machine Translated by Google cartera, sólo que con distintos grados de apalancamiento. Esta distinción entre la decisión de inversión y la decisión de financiación se conoce como Capítulo 7 ­ La geometría de las carteras el teorema de la separación.1 Ahora hemos visto cómo encontrar los fs óptimos para un sistema de mercado dado Suponemos ahora que la escala vertical, la E en la teoría EV, representa el HPR desde varios puntos de vista diferentes. Además, hemos visto promedio aritmético (AHPR) para las carteras y la escala horizontal, o V, representa la cómo derivar la frontera eficiente. En este capítulo le mostramos cómo desviación estándar en los HPR. Para Combine las dos nociones de f óptima y frontera eficiente para obtener una cartera Dada la tasa libre de riesgo, podemos determinar dónde se encuentra esta cartera de punto tangente. verdaderamente eficiente para la cual se maximiza el crecimiento geométrico. Además, en nuestra frontera eficiente es, como las coordenadas (AHPR, V) que maximizan profundizaremos en un estudio analítico de la geometría de la construcción de carteras. las siguientes funciones son: (7.01a) Cartera tangente = MAX{(AHPR­(1+RFR))/SD} dónde LAS LÍNEAS DEL MERCADO DE CAPITALES (CMLS) MAX{} = El valor máximo. En el último capítulo vimos cómo determinar la frontera eficiente AHPR = El HPR promedio aritmético. Esta es la coordenada E de un paramétricamente. Podemos mejorar el rendimiento de cualquier cartera dada en la frontera eficiente. cartera combinando un determinado porcentaje de la cartera con efectivo. SD = Desviación estándar en HPR. Esta es la coordenada V de un La figura 7­1 muestra esta relación gráficamente. cartera dada en la frontera eficiente. AHPR RFR = La tasa libre de riesgo. Línea LMC 1.06 En la ecuación (7.0la), la fórmula dentro de las llaves ({ }) se conoce como el índice de Sharpe, una medida de los rendimientos ajustados al riesgo. Expresado literalmente, el índice de Sharpe para una cartera es una medida de la relación entre el exceso de rendimiento esperado y la desviación estándar. La cartera con el 1.04 El índice de Sharpe más alto, por lo tanto, es la cartera donde se encuentra la línea CML. Frontera eficiente B tangente a la frontera eficiente para una RFR determinada. La proporción de Sharpe, cuando se multiplica por la raíz cuadrada del número de períodos sobre los cuales se obtuvo, es igual al estadístico t. A partir del estadístico t A 1.02 resultante es posible obtener un nivel de confianza de que el AHPR excede el RFR por más que solo el azar, suponiendo finitos variación en los rendimientos. La siguiente tabla muestra cómo utilizar la ecuación (7.0la) y demostrar todo el proceso 1 0 0,02 0,04 0,06 Desviación estándar 0,08 0.1 Figura 7­1 Mejora de la rentabilidad con el activo libre de riesgo. En la figura 7­1, el punto A representa el rendimiento del activo libre de riesgo. Normalmente, este sería el rendimiento de las letras del Tesoro a 91 días. desde el riesgo, la desviación estándar de los rendimientos, se considera inexistente, punto A está en cero en el eje horizontal. El punto B representa la cartera tangente. Es la única cartera que yace sobre la frontera eficiente que sería tocada por una línea trazada desde la tasa de rendimiento libre de riesgo en el eje vertical y cero en el horizontal eje. Cualquier punto a lo largo del segmento AB estará compuesto por la cartera en el punto B y el activo libre de riesgo. En el punto B, todos los activos estarían en la cartera, y en el punto A todos los activos estarían en el activo libre de riesgo. Cualquier punto entre los puntos A y B representa tener un parte de los activos tanto en la cartera como en el activo libre de riesgo. Aviso que cualquier cartera a lo largo del segmento AB domina cualquier cartera en el frontera eficiente al mismo nivel de riesgo, ya que al estar en el segmento de línea analizado hasta ahora. Las dos primeras columnas representan las coordenadas de diferentes carteras en la frontera eficiente. El Las coordenadas se dan en formato (AHPR, SD), que corresponde al Ejes Y y X de la Figura 7­1. La tercera columna es la respuesta obtenida para Ecuación (7.01a) suponiendo una tasa libre de riesgo del 1,5% (lo que equivale a un AHPR de 1.015. Suponemos que las HPR aquí son HPR trimestrales, por lo que una Una tasa libre de riesgo del 1,5% para el trimestre equivale aproximadamente a una tasa libre de riesgo del 6% para el año). Por lo tanto, para calcular (7.0la) para el tercer conjunto de coordenadas (60013.1.002): (AHPR­(1+RFR))/SD = (1.002­(1+.015))/.00013 = (1.002­ 1.015)/.00013 = ­.013/.00013 = ­100 El proceso se completa para cada punto a lo largo de la frontera eficiente. La ecuación (7.01a) alcanza su punto máximo en .502265, que está en las coordenadas (.02986, 1.03). Estas coordenadas son el punto donde está la línea CML. tangente a la frontera eficiente, correspondiente al punto B en la Figura 7­1. Este punto tangente es una determinada cartera a lo largo de la frontera eficiente. El La relación de Sharpe es la pendiente de la CML, siendo la pendiente más pronunciada la recta tangente a la frontera eficiente. AB tiene un mayor rendimiento por el mismo riesgo. Así, un inversor que quisiera Frontera eficiente una cartera menos riesgosa que la cartera B estaría mejor si colocara una parte AHPR SD de sus fondos invertibles en la cartera B y una parte en la cartera libre de riesgo línea de leucemia mieloide crónica Ec. (7.01a) Porcentaje AHPR RFR=.015 1,00000 0,00000 0 0,00% 1,00100 0,00003 1.0150 ­421,902 0,11% 1,00200 0,00013 ­100,000 1.0150 0,44% 1,00300 0,00030 ­40,1812 1,00% 1.0151 1,00400 0,00053 ­20,7184 1,78% l.00500 1.0152 llamada línea del mercado de capitales (CML). A la derecha del punto B, el CML 0,00063 ­12,0543 2,78% 1,00600 0,00119 1.0153 ­7,53397 4,00% 1,00700 0,00163 ­4,92014 1.0154 La línea representa carteras en las que el inversor ha salido y pedido prestado. 5,45% 0,00600 0,00212 ­3,29611 7,11% 1.0156 más dinero para invertir más en la cartera B. Observe que un inversor que 1,00900 0,00269 ­2,23228 9,00% 1,01000 1.0158 quería una cartera con un rendimiento mayor que la cartera B sería mejor 0,00332 ­1,50679 11,11% 1,01100 0,00402 1.0161 hacer esto, ya que domina la línea CML a la derecha del punto B (tiene ­0,99622 13,45% 1,01200 0,00476 ­0,62783 1.0164 rendimiento mayor que) aquellas carteras en la frontera eficiente con el 16,00% 1,01300 0,00561 ­0,35663 18,78% 1.0167 mismo nivel de riesgo. 1,01400 0,00650 ­0,15375 21,78% 25,00% 1.0170 1,01600 0,00649 0,11771 8 28,45% 1,01700 1.0174 0,00959 0,208552 32,12% 1,01800 0,01075 1.0178 0,279036 36,01% 1,01900 0,01198 0,333916 1.0183 0,91500 0,00747 0 1.0188 activo, en lugar de poseer el 100% de una cartera en la frontera eficiente en un punto menos riesgoso que la cartera B. La línea que emana del punto A, la tasa libre de riesgo en el eje vertical y cero en el eje horizontal, y que emana hacia la derecha, tangente a un punto de la frontera eficiente, es Normalmente, el punto B será una cartera muy bien diversificada. La mayoría de los portafolios en lo alto y a la derecha y en lo bajo y a la izquierda en la frontera eficiente tienen muy pocos componentes. Aquellos que se encuentran en el medio de la frontera eficiente, donde el punto tangente a la tasa libre de riesgo es, generalmente 40,12% 1.0193 están muy bien diversificados. 1.0198 Tradicionalmente se ha asumido que todos los inversores racionales querrán 1.0204 obtener el mayor rendimiento por un riesgo determinado y asumir el menor riesgo por un 1.0210 retorno dado. Por lo tanto, todos los inversores querrían estar en algún lugar del Línea LMC. En otras palabras, todos los inversores querrían poseer el mismo 1 Véase Tobin, James, "Preferencia de liquidez como comportamiento hacia el riesgo", Revisión de Estudios Económicos 25, págs. 65­85, febrero de 1958. Machine Translated by Google Línea eficiente Frontier CML LA FRONTERA GEOMÉTRICA EFICIENTE AHPR SD Ec. (7.01a) Porcentaje AHPR El problema con la Figura 7­1 es que muestra la media aritmética 1,02000 0,01327 0,376698 44,45% 1,0217 1,02100 0,01463 0,410012 49,01% 1,02200 1.0224 HPR. Cuando reinvertimos las ganancias en el programa debemos 0,01606 0,435850 53,79% 1,02300 0,01755 1.0231 Mire el HPR promedio geométrico para el eje vertical de la eficiencia. 0,455741 58,79% 1,02400 0,01911 0,470073 1.0236 frontera. Esto cambia las cosas considerablemente. La fórmula para convertir un 64,01% 1,02500 0,02074 0,482174 69,46% 1.0246 El punto en la frontera eficiente de un HPR aritmético a uno geométrico es: 1,02600 0,02243 0,490377 75,12% 1,02700 1.0254 (7.05) GHPR = (AHPR^2­V)^(1/2) 0,02419 0,496064 81,01% 1,02800 0,02602 1.0263 0,49 9702 87,12% 1,02900 0,02791 0,501667 1.0272 93,46% 1,03000 0,02986 0,502265( 1.0281 GHPR = HPR promedio geométrico. 1.0290 AHPR = El HPR promedio aritmético. 100,02% 1.0300 cima) 1,03100 0,03189 0,501742 106,79% 1,03200 1.0310 0,03398 0,500303 113,80% 1,03300 0,03614 1.0321 0,498114 121,02% 1,03400 0,03836 0,4953 1.0332 13 128,46% 1,03500 0,04065 0,492014 1.0343 dónde V = La coordenada de varianza. (Esto es igual a la desviación estándar coordenada de ción al cuadrado.) 136,13% 1,0354 AHPR 1,03600 0,04301 0,488313 144,02% 1,0366 1,03700 0,04543 0,484287 152,13% 1,0376 1,03800 0,04792 0,480004 160,47% 1,0391 1,03900 0,05047 0,475517 169,03% 1,0404 1,04000 0,05309 0,470873 177,81% 1,0417 1,04100 0,05578 0,466111 186,81% 1,0430 1,04200 0,05853 0,461264 196,03% 1,0444 1,04300 0,06136 0,456357 205,48% 1,0456 1,04400 0,06424 0,451416 215,14% 1,0473 GHPR 1,04500 0,06720 0,446458 225,04% 1,0466 1,04600 0,07022 0,441499 235,15% 1,0503 1,04700 0,07330 0,436554 245,48% 1,0516 1,04800 0,07645 0,431634 256,04% 1,0534 Figura 7­2 La frontera eficiente con/sin reinversión 1,04900 0,07967 0,426747 266,82% 1,0550 1,05000 0,08296 0,421902 277,82% 1,0567 La siguiente columna, "porcentaje", representa qué porcentaje de sus activos deben invertirse en la cartera tangente si se encuentra en el Línea CML para esa coordenada de desviación estándar. En otras palabras, para el La última entrada en la tabla, estar en la línea CML en el nivel de desviación estándar de En la Figura 7­2 se puede ver la frontera eficiente correspondiente a la HPR media aritmética así como la correspondiente a la media geométrica HPR promedio. Puedes ver lo que sucede con la frontera eficiente cuando se trata de reinversión. Al graficar su línea GHPR, puede ver qué cartera es la óptima geométrica (el punto más .08296, corresponde a tener el 277,82% de sus activos en la tangente. alto de la línea GHPR). tu también podrías cartera (es decir, estar totalmente invertido y pedir prestado otros $1,7782 para determine esta cartera convirtiendo los AHPR y Vs de cada cartera a lo largo de la frontera cada dólar ya invertido para invertir más). Este valor porcentual es eficiente de AHPR en GHPR por ecuación (7.05). calculado a partir de la desviación estándar de la cartera tangente como: y vea cuál tuvo el GHPR más alto. Nuevamente, ese sería el óptimo geométrico. Sin embargo, (7.02) P = SX/ST dónde SX = La coordenada de desviación estándar para un punto particular en la Línea LMC. ST = La coordenada de desviación estándar de la cartera tangente. P = El porcentaje de sus activos que deben invertirse en la cartera tan­gent para estar en la línea CML para un SX determinado. Por lo tanto, la línea CML en la coordenada de desviación estándar .08296, la última entrada en la tabla, se divide por la coordenada de desviación estándar de la cartera tangente, 0,02986, con un rendimiento de 2,7782, o 277,82%. La última columna de la tabla, la línea CML AHPR, es la AHPR de la línea CML en la coordenada de desviación estándar dada. esto esta calculado como: (7.03) ACML = (AT*P)+((1+RFR)*(1­P)) dadas las AHPR y las V de las carteras que se encuentran a lo largo de la frontera eficiente de AHPR, podemos discernir fácilmente cuáles portafolio sería óptimo geométrico: el que resuelve lo siguiente igualdad: (7.06a) AHPR­1­V = 0 dónde AHPR = El promedio aritmético de los HPR. Esta es la coordenada E de un cartera dada en la frontera eficiente. V = La varianza en HPR. Ésta es la coordenada V de una cartera determinada en la frontera eficiente. Esto es igual a la desviación estándar. al cuadrado. La ecuación (7.06a) también se puede escribir como cualquiera de las siguientes tres formas: (7.06b) AHPR­1 = V (7.06c) AHPR­V = 1 dónde ACML = El AHPR de la línea CML en una coordenada de riesgo determinada, o un porcentaje correspondiente calculado a partir de (7.02). AT = AHPR en el punto tangente, calculado a partir de (7.01a). P = El porcentaje en la cartera tangente, calculado a partir de (7.02) RFR = La tasa libre de riesgo. En ocasiones, es posible que desee conocer la desviación estándar de un cierto punto en la línea CML para un AHPR determinado. Esta relación lineal se puede obtener como: (7.04) DE = P*ST (7.06d) AHPR = V+1 Aquí corresponde hacer una breve nota sobre el portafolio óptimo geométrico. La variación en una cartera generalmente está directa y positivamente correlacionada con reducción en el sentido de que una mayor variación generalmente es indicativa de una cartera con mayor reducción. Dado que la cartera geométrica óptima es que cartera para la cual E y V son iguales (con E = AHPR­1), entonces podemos Supongamos que la cartera geométrica óptima experimentará altas caídas. En De hecho, cuanto mayor sea el GHPR de la cartera geométrica óptima, es decir, el Cuanto más gane la cartera, mayor será su reducción en términos de retrocesos de acciones, ya que el GHPR está directamente correlacionado positivamente con la AHPR. Aquí nuevamente hay una paradoja. Queremos estar en el geométrico. dónde SD = Desviación estándar en un punto dado de la línea CML correspondiente a un determinado porcentaje, P, correspondiente a un determinado AHPR. P = El porcentaje en la cartera tangente, calculado a partir de (7.02). ST = La coordenada de desviación estándar de la cartera tangente. cartera óptima. Sin embargo, cuanto mayor sea la media geométrica de una cartera, mayor Mayores serán las reducciones en términos de porcentajes de retroceso del capital en general. Por lo tanto, cuando realizamos el ejercicio de diversificación, debemos verlo como un ejercicio para obtener la máxima geometría. media en lugar de la reducción más baja, ya que los dos tienden a atraer Machine Translated by Google direcciones del sitio! La cartera geométrica óptima es aquella en la que una línea trazada desde (0,0), con pendiente 1, cruza la frontera eficiente AHPR. La pregunta lógica es: "¿Cuántas operaciones deben transcurrir hasta que la TWR geométrica supere la aritmética?" Recuerde la ecuación (2.09a), que nos indica el número La figura 7­2 muestra las fronteras eficientes sobre la base de un solo comercio. Es decir, son filas de lo que se puede esperar de una sola operación. Podemos convertir de operaciones necesarias para alcanzar un objetivo específico: (2.09a) N = ln(Objetivo)/ln(Media geométrica) donde el HPR promedio geométrico a un TWR mediante la ecuación: (7.07) GTWR = GHPR^N N = El número esperado de operaciones para alcanzar un objetivo específico. dónde Objetivo = El objetivo en términos de un múltiplo de nuestra apuesta inicial, un TWR. GTWR = El eje vertical correspondiente a un GHPR determinado después de N operaciones. GHPR = HPR promedio geométrico. ln() = La función del logaritmo natural. Dejamos que el AHPR en el mismo V que nuestra cartera geométrica óptima sea nuestro objetivo y utilizamos la media geométrica de nuestra cartera geométrica óptima N = El número de operaciones que deseamos observar. en el denominador de (2.09a). Ahora podemos discernir cuántas operaciones se requieren Por lo tanto, después de 50 operaciones, un GHPR de 1,0154 sería un GTWR de para que nuestra cartera geométrica óptima coincida con una operación en la cartera 1,0154 A 50 = 2,15. En otras palabras, después de 50 operaciones esperaríamos que aritmética correspondiente. Así: N = ln(l.031)/ln( 1.01542) = nuestra participación hubiera crecido en un múltiplo de 2,15. .035294/.0153023 = 1.995075 También podemos proyectar la frontera eficiente de las HPR promedio aritméticas en ATWR como: (7.08) ATWR = Por lo tanto, esperaríamos que 1,995075, o aproximadamente 2, operaciones para que el GHPR óptimo sea tan alto como el AHPR correspondiente (el mismo V) después de una operación. 1+N*(AHPR­1) donde El problema es que el ATWR debe reflejar el hecho de que han transcurrido dos ATWR = El eje vertical correspondiente a un AHPR determinado después de N operaciones. intercambios. En otras palabras, a medida que el GTWR se acerca al ATWR, el ATWR también se mueve hacia arriba, aunque a un ritmo constante (en comparación con el GTWR, que se está acelerando). Podemos relacionar este problema con las ecuaciones AHPR = El HPR promedio aritmético. (7.07) y (7.08), las TWR geométricas y aritméticas respectivamente, y expresarlo N = El número de operaciones que deseamos observar. matemáticamente: (7.09) GHPR^N => 1+N*(AHPR­1) Por lo tanto, después de 50 operaciones, un HPR promedio aritmético de 1,03 habría hecho 1+50*(1,03­1) = 1+50*0,03 = 1+1,5 = 2,5 veces nuestra apuesta inicial. Tenga en cuenta que esto muestra lo que sucede cuando no reinvertimos nuestras ganancias en el programa de operaciones. La ecuación (7.08) es la TWR que se puede esperar cuando se opera con contratos constantes. Como sabemos que cuando N = 1, G será menor que A, podemos reformular la pregunta como "¿En cuántos N será G igual a A?" Matemáticamente esto es: (7.10a) GHPR^N = 1+N*(AHPR­1) ATWR que se puede escribir como: (7.10b) 1+N*(AHPR­1)­GHPR ^N = 0 o (7.10c) 1+N*AHPR­N­GHPR^N = 0 o (7.10d) N = (GHPR^N­1)/(AHPR ­1) El N que resuelve (7.10a) a (7.10d) es el N que se requiere para que la HPR geométrica sea igual a la aritmética. Las tres ecuaciones son equivalentes. La solución debe llegarse por iteración. Tomando nuestra cartera geométrica óptima de un GHPR de GTWR 1.01542 y un AHPR correspondiente de 1.031, si tuviéramos que resolver cualquiera de las ecuaciones (7.10a) a (7.10d), encontraríamos la solución a estas ecuaciones en N = 83.49894 . Es decir, en 83,49894 operaciones transcurridas, la TWR geométrica superará a la TWR aritmética para aquellas TWR correspondientes a una coordenada de varianza de la cartera geométrica óptima. Figura 7­3 La frontera eficiente con/sin reinversión Así como la Figura 7­2 muestra los TWR, tanto aritméticos como geométricos, para una operación, la Figura 7­3 los muestra para algunas operaciones posteriores. Observe que la línea GTWR se acerca a la línea ATWR. En algún momento para N, la TWR AHPR geométrica superará a la TWR aritmética. La Figura 7­4 muestra los TWR aritméticos y geométricos después de que hayan transcurrido más operaciones. Observe que lo geométrico ha superado a la aritmética. Si siguiéramos con más y más operaciones, el TWR geométrico seguiría superando a la aritmética. Finalmente, la TWR geométrica se mi vuelve infinitamente mayor que la aritmética. ATWR GHPR Dakota del Sur Figura 7­5 AHPR, GHPR y sus líneas CML. Así como la AHPR tiene una línea CML, también la tiene la GHPR. La Figura 7­5 muestra tanto el AHPR como el GHPR con una línea CML para ambos calculados a partir GTWR de la misma tasa libre de riesgo. La CML para el GHPR se calcula a partir de la CML para el AHPR por la siguiente ecuación: (7.11) CMLG = (CMLA^2­VT*P)^(1/2) donde Figura 7­4 La frontera eficiente con/sin reinversión. Machine Translated by Google CMLG = La coordenada E (vertical) de la línea CML al GHPR para una coordenada V dada correspondiente a P. CMLA = La coordenada E (vertical) de la línea CML al AHPR para una coordenada V dada correspondiente a P. P = El porcentaje en la cartera tangente, calculado a partir de (7.02). N = El número de valores que componen la cartera. Xi = La ponderación porcentual del iésimo valor. La ecuación también se puede escribir como: (∑[i = 1,N]Xi) = l Al permitir que el lado izquierdo de esta ecuación sea mayor que 1, obtenemos VT = La coordenada de varianza del portafolio tangente. puede encontrar la cartera óptima sin restricciones. La forma más fácil de hacer esto. Debe saber que, para cualquier tasa libre de riesgo determinada, la cartera tangente es agregar otro sistema de mercado, llamado efectivo sin intereses (NIC), y la cartera geométrica óptima no son necesariamente (y normalmente no son) las mismas. en la matriz aumentada inicial. Este sistema de mercado, NIC, tendrá La única vez que estas carteras serán las mismas un HPR diario promedio aritmético de 1,0 y una desviación estándar poblacional (así como es cuando se satisface la siguiente ecuación: varianza y covarianzas) en esos HPR diarios de 0. Lo que esto significa es que cada día el HPR para NIC será 1,0. Los coeficientes de (7.12) RFR = GHPROPT­1 correlación del NIC con cualquier otro sistema de mercado son siempre 0. dónde RFR = La tasa libre de riesgo. GHPROPT = El HPR promedio geométrico del óptimo geométrico portafolio. Esta es la coordenada E de la cartera en la frontera eficiente. Ahora establecemos la suma de la restricción de pesos en algún valor arbitrario. número alto, mayor que I. Un buen valor inicial es 3 veces el número de los sistemas de mercado (sin NIC) que está utilizando. ya que tenemos 4 sistemas de mercado (sin contar los NIC) deberíamos establecer esta suma de restricción de pesos a 4*3 = 12. Tenga en cuenta que en realidad no estamos levantando la Sólo cuando el GHPR de la cartera geométrica óptima menos 1 es restricción de que la suma de los pesos esté por debajo de algún número, estamos igual a la tasa libre de riesgo será la cartera geométrica óptima y la simplemente estableciendo esta restricción en un valor arbitrariamente alto. La diferencia la cartera tangente a la línea CML sea la misma. Si RFR > GHPROPT­1, entre este valor arbitrariamente alto y el resultado real de la suma de los pesos será el peso entonces la cartera geométrica óptima estará a la izquierda de (tendrá menos varianza que) asignado a NIC. la cartera tangente. Si RFR < GHPROPT­1, entonces la cartera tangente estará a la izquierda de (tendrá menos varianza que) la cartera geométrica óptima. Sin embargo, en Sin embargo, realmente no vamos a invertir en NIC. Es simplemente una entrada nula que estamos bombeando a través de la matriz para llegar a los pesos ilimitados de nuestros todos los casos, la cartera tangente, por supuesto, sistemas de mercado. Ahora, tomemos los parámetros. Por supuesto, nunca tenga un GHPR más alto que el portafolio geométrico óptimo. de nuestros cuatro sistemas de mercado del Capítulo 6 y agregue NIC también: Tenga en cuenta también que el punto de tangencia de la CML al GHPR y Inversión Rendimiento esperado como HPR para el CML al AHPR está en la misma coordenada SD. podríamos usar Estándar esperado Ecuación (7.01a) para encontrar la cartera tangente de la recta GHPR sustituyendo el Toxico 1.095 Incubeast Desviación de retorno .316227766 AHPR en (7.01a) por GHPR. La ecuación resultante es: Corp. 1.13 LA Garb 1.21 Cuenta de Ahorros 1.085 .5 .632455532 NIC 1.00 Las covarianzas entre los sistemas de 00 (7.01b) Cartera tangente = MAX{(GHPR­(1+RFR))/SD} dónde MAX() = El valor máximo. mercado, con NIC incluido, son GHPR = Los HPR promedio geométricos. Esta es la coordenada E de un cartera dada en la frontera eficiente. SD = Desviación estándar en HPR. Esta es la coordenada SD de una cartera determinada en la frontera eficiente. RFR = La tasa libre de riesgo. como sigue: TI LSN t .1 ­.0237 .01 0 ­.0237 I .25 .079 0 .079 .4 0 0 0 L .01 S 0 00 0 N0 0 CARTERAS SIN RESTRICCIONES Ahora veremos cómo mejorar los rendimientos más allá de la línea GCML mediante levantando la suma de la restricción de pesos. Volvamos a las carteras geométricas 0 0 0 0 0 Por lo tanto, cuando incluimos NIC, ahora estamos tratando con 5 sistemas de mercado; por lo tanto, la forma generalizada de la matriz aumentada inicial es: óptimas. Si buscamos el portafolio geométrico óptimo entre nuestros X1*U1+ X2*U2+ X3 *U3+ X4*U4+ X5*U5 = E cuatro sistemas de mercado (Toxico, Incubeast, LA Garb y una cuenta de ahorros) lo X1+ X2+ X3+ X4+ X5 = S encontramos en E igual a 0,1688965 y V igual a 0,1688965, lo que se ajusta a las ecuaciones (7.06a) a (7.06d). La media geométrica de por lo tanto, dicha cartera sería 1,094268 y la composición de la cartera sería: toxico 18,89891% Incubeast 19,50386% Traje de Los Ángeles 58,58387% Cuenta de ahorros Al .03014% utilizar las ecuaciones (7.06a) a (7.06d), debe iterar hasta la solución. Es decir, prueba un valor de prueba para E (a medio camino entre el valor más alto y los AHPR más bajos, ­1 es un buen punto de partida) y resuelve la matriz para esa E. Si su varianza es mayor que E, significa que el valor probado de E era demasiado alto y deberías bajarlo para el próximo intento. Por el contrario, si su X1*COV1,1+X2*COV1,2+X3*COV1,3+X4*COV1,4+X5*COV1,5+.5*L1*U1+. 5*L2 = 0 X1*COV2,1+X2*COV2,2+X3*COV2,3+X4*COV2,4+X5*COV2,5+.5*L1*U2+. 5*L2 = 0 X1*COV3,1+X2*COV3,2+X3*COV3,3+X4*COV3,4+X5*COV3,5+.5*L1*U3+. 5*L2 = 0 X1*COV4,1+X2*COV4,2+X3*COV4,3+X4*COV4,4+X5*COV4,5+.5*L1*U4+. 5*L2 = 0 X1*COV5,1+X2*COV5,2+X3*COV5,3+X4*COV5,4+X5*COV5,5+.5*L1*U5+. 5*L2 = 0 dónde E = El rendimiento esperado de la cartera. varianza es menor que E, debe aumentar E para el siguiente S = La suma de la restricción de pesos. aprobar. La varianza de la cartera se determina utilizando una de las ecuaciones (6.06a) a COVA,B = La covarianza entre los valores A y B. (6.06d). Continúas repitiendo el proceso hasta Xi = La ponderación porcentual del iésimo valor. Cualquiera de las ecuaciones (7.06a) a (7.06d) que elija utilizar, es resuelto. Entonces habrás llegado a tu cartera geométrica óptima. (Tenga en cuenta que todas las carteras analizadas hasta ahora, ya sea en la AHPR frontera eficiente o la frontera eficiente de GHPR, se determinan restringiendo la suma de los porcentajes, las ponderaciones, al 100% o 1,00). Recuerde la ecuación (6.10), la ecuación utilizada en la ecuación aumentada inicial. Ui = El rendimiento esperado del iésimo valor. L1 = El primer multiplicador lagrangiano. L2 = El segundo multiplicador lagrangiano. Por lo tanto, una vez que hemos incluido NIC, nuestra matriz aumentada inicial aparece de la siguiente manera: matriz para encontrar las ponderaciones óptimas en una cartera. Esta ecuación dicta X1 X2 X3 X4 X5 L1 L2 Respuesta que la suma de los pesos sea igual a 1: .095 .13 .21 .085 0 1 1 1 0 12 1 .1 ­.0237 .01 0 0 .095 1 0 (6.10) (∑[i = 1,N]Xi) ­1 = 0 dónde mi Machine Translated by Google ­.0237 .25 .079 0 .01 .079 .4 0 0 0 0 0 0 0 0 0 0.13 1 0 0.21 1 0 0 .085 1 0 00 10 Tenga en cuenta que la columna de respuestas de la segunda fila, la suma de las restricción de pesos, es 12, como lo determinamos multiplicando el número de sistemas de mercado (sin incluir NIC) en 3. Cuando utilice NIC, es importante que la incluya como por último, el enésimo sistema de mercado de N sistemas de mercado, en la matriz aumentada inicial. Ahora, el objetivo es obtener la matriz identidad usando operaciones con renglones para producir transformaciones elementales, como se detalló en el Capítulo muchos corazones. En lugar de determinar el rendimiento esperado y la variación en el rendimiento esperado del precio actual del componente, el rendimiento esperado el rendimiento y la varianza de los rendimientos deben determinarse a partir del f óptimo, en dólares, para el componente. En otras palabras, como entrada debes usar la media aritmética HPR y la varianza de las HPR. Aquí el Los HPR utilizados no deben ser de operaciones, sino de una duración de tiempo fija, como por ejemplo días, semanas, meses, trimestres o años, como hicimos en el Capítulo 1 con Ecuación (1.15). (1.15) HPR diario = (A/B)+1 dónde A = Dólares ganados o perdidos ese día. 6. Ahora puede crear una frontera eficiente AHPR sin restricciones y una B = Dólares finitos óptimos. frontera eficiente GHPR sin restricciones. La eficiencia AHPR sin restricciones No necesariamente necesitamos usar días. Podemos utilizar cualquier duración de tiempo que deseemos. La frontera actual representa el uso del apalancamiento pero no la reinversión. La frontera eficiente de GHPR representa el uso del apalancamiento y la reinversión de las ganancias. Idealmente, queremos encontrar el portafolio óptimo geométrico sin restricciones. Este es el portafolio que resultará en el mayor crecimiento geométrico para nosotros. Podemos usar las ecuaciones (7.06a) a (7.06d) para resolver cuál de las carteras a lo largo de la frontera eficiente es geométrica siempre y cuando sea el mismo período de tiempo para todos los componentes de la cartera (y se utilice el mismo período de tiempo para determinar la correlación coeficientes entre estos HPR de los diferentes componentes). decir el Un sistema de mercado con una f óptima de 2.000 dólares generó 100 dólares en un día determinado. Entonces el HPR para ese sistema de mercado para ese día es 1,05. Si está calculando su f óptima basándose en datos ecualizados, debe óptimo. Al hacerlo, encontramos que no importa qué valor intentemos resolver E Utilice la ecuación (2.12) para obtener sus HPR diarios: para (el valor en la columna de respuesta de la primera fila), obtenemos el mismo (2.12) HPR diario = D$/f$+1 cartera compuesta únicamente por la cuenta de ahorros apalancada para darnos cualquier valor para E que queramos. Esto da como resultado darnos nuestra respuesta; nosotros obtenga la V más baja (en este caso cero) para cualquier E dada. Lo que debemos hacer entonces es sacar la cuenta de ahorro de la matriz. y empezar de nuevo. Esta vez intentaremos resolver sólo cuatro sistemas de mercado (Toxico, Incubeast, LA Garb y NIC) y estableceremos la suma de los pondera la restricción a 9. Siempre que tenga un componente en la matriz con varianza cero y un AHPR mayor que 1, terminarás con el cartera óptima ya que ese componente se apalanca para cumplir con el E requerido. Ahora, resolviendo la matriz, encontramos las ecuaciones (7.06a) a (7.06d) dónde D$ = La ganancia o pérdida de dólares en 1 unidad del día anterior. Esto es igual a (Cierre de esta noche­Cierre de anoche)*Dólares por punto f$ = Los dólares finitos óptimos actuales, calculados a partir de Ecuación (2.11). Aquí, sin embargo, la variable de precio actual es la última La noche está cerca. En otras palabras, una vez que haya determinado los dólares finales óptimos para 1 unidad de un componente, luego toma los cambios de capital diarios en un 1­ unidades y convertirlas a HPR según la ecuación (1.15) o, si no satisfecho en E es igual a .2457. Dado que esta es la cartera geométrica óptima, Al utilizar datos ecualizados, se puede utilizar la ecuación (2.12). Cuando se combinan sistemas V también es igual a .2457. La media geométrica resultante es 1,142833. El de mercado en una cartera, todos los sistemas de mercado deben ser lo mismo en términos de si sus datos, y por lo tanto sus fs óptimos y cartera es: toxico 102,5982% Incubeast 49,00558% Traje de Los Ángeles 40,24979% tarjeta de red 708,14643% "Espera", dices. "¿Cómo se puede invertir más del 100% en determinados componentes?" Volveremos a esto en un momento. Si NIC no es uno de los componentes de la cartera geométrica óptima, entonces debe hacer que la suma de las restricciones de ponderación, S, sea mayor. subproductos, ha sido igualado o no. Luego tomamos el promedio aritmético de los HPR. Restando 1 del promedio aritmético nos dará el rendimiento esperado de uso para ese componente. Tomando la variación del diario (semanal, mensual, etc.) Los HPR proporcionarán la entrada de varianza en la matriz. Por último, determinamos los coeficientes de correlación entre las HPR diarias para cada par de sistemas de mercado considerados. Ahora aquí está el punto crítico. Carteras cuyos parámetros (rendimientos esperados, varianza en los rendimientos esperados y coeficientes de correlación de los rendimientos Debe seguir elevándolo hasta que NIC se convierta en uno de los componentes de la cartera esperados) se seleccionan en función del precio actual. óptima geométrica. Recuerde que si solo hay del componente no producirán carteras verdaderamente óptimas. Para discernir el dos componentes de una cartera, si el coeficiente de correlación entre cartera verdaderamente óptima, debe derivar los parámetros de entrada en función de ellos es ­1, y si ambos tienen una expectativa matemática positiva, obtendrás intercambiando 1 unidad a la f óptima para cada componente. Usted no puede ser estar obligado a financiar un número infinito de contratos. Esto es así porque más en el pico de la curva f óptima que la f óptima misma: a la base una cartera así nunca tendría un día de pérdidas. Ahora bien, cuanto menores sean los los parámetros sobre el precio de mercado actual del componente es coeficientes de correlación entre los componentes de la cartera, mayor base sus parámetros de manera arbitraria y, como consecuencia, no necesariamente de manera mayor será el porcentaje requerido a invertir en esos componentes. La diferencia entre los óptima. porcentajes invertidos y la suma. Ahora volvamos a la pregunta de cómo invertir más de de la restricción de pesos, S, debe ser cumplimentada por NIC. Si la NIC no aparece 100% en un determinado componente. Una de las premisas básicas de este libro es en las asignaciones porcentuales para la cartera geométrica óptima, que peso y cantidad no son lo mismo. La ponderación que usted significa que la cartera se encuentra con una restricción en S y por lo tanto es derivar de resolver una cartera geométrica óptima debe reflejarse no el óptimo geométrico sin restricciones. ya que no vas a estar nuevamente a las f óptimas de los componentes de la cartera. la manera de hacer invertir realmente en NIC, no importa qué tan alto sea el porcentaje esto es dividir las f óptimas para cada componente por su correspondiente comandos, siempre y cuando esté listado como parte del portafolio óptimo geométrico. peso. Supongamos que tenemos las siguientes f óptimas (en dólares): CÓMO SE ADAPTA OPTIMAL F A LAS CARTERAS ÓPTIMAS En el capítulo 6 vimos que debemos determinar un rendimiento esperado (como un porcentaje) y una variación esperada en los rendimientos para cada componente en un portafolio. Generalmente, los rendimientos esperados (y las variaciones) se determinan a partir del precio actual de la acción. Un porcentaje óptimo A continuación se determina (ponderación) para cada componente. La equidad de la La cuenta se multiplica luego por la ponderación de los componentes para determinar la toxico $2,500 Incubeast $4,750 Traje de Los Ángeles $5,000 (Tenga en cuenta que, si está igualando sus datos y, por lo tanto, obteniendo una f óptimo igualado y sus subproductos, entonces su fs óptimo en dólares será cambian cada día según el precio de cierre del día anterior y la ecuación [2.11].) Ahora dividimos estas f por sus respectivas ponderaciones: toxico $2.500/1,025982 = $2.436,69 por el precio actual por acción para determinar cuánto Incubeast $4,750/.4900558 = $9,692.77 muchas acciones para tener. Así es en general como son las estrategias de cartera. Traje de Los Ángeles $5,000/.4024979 = $12,422.43 número de dólares para asignar a ese componente, y esta asignación de dólares luego se divide practicado actualmente. Pero no es óptimo. Aquí yace uno de los temas de este libro. Machine Translated by Google Por lo tanto, al negociar con estos nuevos valores f "ajustados", estaremos en la cartera óptima geométrica. En otras palabras, supongamos que Toxico representa un tivo. La preponderancia de los días ligeramente negativos en ambos sistemas de mercado da lugar erróneamente a una alta correlación positiva. determinado sistema de mercado. Al negociar 1 contrato en este mercado sistema por cada $2.436,69 de capital (y haciendo lo mismo con los demás sistemas de mercado en sus nuevos valores f ajustados) estaremos en la cartera geométrica óptima sin restricciones. Asimismo, si Toxico es una acción, y Consideramos 100 acciones como "1 contrato", negociaremos 100 acciones de Toxico. por cada l$2.436,69 del patrimonio de la cuenta. Por el momento, ignore completamente el margen. Más adelante en el próximo capítulo abordaremos el potencial problema de los requisitos de margen. "Espera un momento", protestas. "Si se toma una cartera óptima y cámbielo usando f óptima, debe demostrar que sigue siendo óptima. Pero si se tratan los nuevos valores como una cartera diferente, deben caer en algún otro lugar de la coordenada de retorno, no necesariamente en la frontera eficiente. En otras palabras, si sigues reevaluando f, no puedes mantenerte óptimo, ¿puede?" No vamos a cambiar los valores de f. Es decir, nuestros valores f (el número de unidades puestas por tantos dólares en capital) siguen siendo las mismas. Somos simplemente realizando un atajo a través de los cálculos, lo que hace que sea Parece como si estuviéramos "ajustando" nuestros valores f. Derivamos nuestro óptimo carteras basadas en los rendimientos esperados y la varianza en los rendimientos de negociar 1 unidad de cada uno de los componentes, así como en los coeficientes de correlación. De esta manera derivamos ponderaciones óptimas (porcentajes óptimos de la cuenta con la que negociar cada componente). Por lo tanto, si un sistema de mercado tuviera una f óptima de $2000, y en una ponderación óptima de la cartera de 0,5, tendríamos negociar el 50% de nuestra cuenta en el nivel f óptimo completo de $2,000 para esto sistema de mercado. Esto es exactamente lo mismo si dijéramos que negociaremos al 100%. de nuestra cuenta en el f óptimo dividido por la ponderación óptima ($2000/.5) de $4000. En otras palabras, vamos a negociar el f óptimo UMBRAL A LA GEOMÉTRICA PARA PORTAFOLIOS Ahora abordemos el problema de incorporar el umbral al geométrico con la combinación de cartera óptima dada. Este problema es fácilmente Se maneja simplemente dividiendo el umbral geométrico de cada componente por su ponderación en la cartera óptima. Esto se hace exactamente de la misma manera que los fs óptimos de los componentes se dividen por sus ponderaciones respectivas para obtener un nuevo valor representativo del mix óptimo de cartera. Por ejemplo, supongamos que el umbral geométrico de Toxico es 5.100 dólares. Dividir esto por su ponderación en la combinación óptima de cartera de 1,025982 nos da un nuevo umbral ajustado para el geométrico de: Umbral = $5100/1,025982 = $4970,85 Dado que la ponderación de Toxico es mayor que 1, tanto su f óptima y su umbral a lo geométrico se reducirá, pues están divididos por esta ponderación. En este caso, si no podemos intercambiar la unidad fraccionaria con Toxico, y si comercializamos solo 1 unidad de Toxico, cambiaremos a 2 unidades solo cuando nuestro patrimonio llegue a $4,970.85. Recuerde que nuestro nuevo valor f ajustado en la combinación óptima de cartera para Toxico es $2,436.69 ($2,500/1.025982). Dado que el doble de esta cantidad es igual $4.873,38, normalmente pasaríamos a negociar dos contratos en ese punto. Sin embargo, nuestro umbral hacia lo geométrico, siendo mayor que el doble la asignación f en dólares, nos dice que no hay ningún beneficio en cambiar a negociando 2 unidades antes de que nuestro capital alcance el umbral del geométrico de $4970.85. Nuevamente, si está igualando sus datos y, por lo tanto, obteniendo una de $2,000 por unidad sobre el 50% de nuestro capital, que a su vez es exactamente el f óptimo igualado y sus subproductos, incluido el umbral geométrico, entonces su fs óptimo en lo mismo que decir que vamos a negociar la f ajustada de $4,000 al 100% dólares y sus umbrales geométricos cambiarán cada día, según el precio de cierre del día de nuestro patrimonio. anterior. Los AHPR y SD que ingresa en la matriz se determinan a partir de los valores óptimos de f en dólares. Si haces esto con acciones, puede calcular sus valores para AHPR, SD y f óptima en una acción I o en una Base de 100 acciones (o cualquier otra base que desee). Tu dictas el tamaño de uno unidad. En una situación no apalancada, como una cartera de acciones que no están y Ecuación (2.11). COMPLETANDO EL BUCLE Una cosa que notará fácilmente sobre las carteras sin restricciones (carteras para las cuales la suma de los pesos es mayor que 1 y NIC aparece como un sistema de mercado en la cartera) es que la cartera es exactamente la misma sobre margen, ponderación y cantidad son sinónimos. Sin embargo, en una situación apalancada para cualquier nivel dado de E; la única diferencia es el grado de apalancamiento. Esto no es situación, como una cartera de sistemas de mercado de futuros, ponderación y cierto para las carteras que se encuentran a lo largo de la línea eficiente. las cantidades son realmente diferentes. Ahora puede ver la idea introducida por primera vez en frontera(s) cuando la suma de las ponderaciones está restringida). En otras palabras, Fórmulas de gestión de cartera: que las cantidades óptimas las proporciones de las ponderaciones de los diferentes sistemas de mercado entre sí son lo que buscamos saber, y que esto es una función de ponderaciones óptimas. son siempre los mismos para cualquier punto a lo largo de las fronteras eficientes no restringidas (AHPR o GHPR). Cuando calculamos los coeficientes de correlación de las HPR de dos En los sistemas de mercado, ambos con una expectativa matemática aritmética positiva, Por ejemplo, se pueden calcular los ratios de las diferentes ponderaciones entre los diferentes sistemas de mercado en la cartera geométrica óptima. La proporción de Toxico a encontramos una ligera tendencia hacia la correlación positiva. Esto se debe a que las curvas Incubeast es 102,5982% dividida por de capital (la suma acumulada de capital diario 49,00558%, lo que equivale a 2,0936. De este modo podemos determinar las proporciones de cambios) ambos tienden a elevarse hacia arriba y hacia la derecha. Esto puede resultar molesto para todos los componentes de esta cartera entre sí: algunas personas. Una solución es determinar una línea de regresión de mínimos cuadrados. a cada curva de capital (antes de la igualación, si se emplea) y luego tomar la diferencia en cada punto en el tiempo en la curva de acciones y su regresión línea. A continuación, convierta esta curva de acciones, ahora sin tendencia, a una curva diaria simple. cambios en el capital (no acumulativos, es decir, el cambio diario en el valor sin tendencia) Tóxico/Incubeast = 2.0936 Toxico/LA Garb = 2.5490 Incubeast/LA Garb = 1.2175 Ahora podemos volver a la cartera sin restricciones y resolver para curva de acciones). Si está igualando los datos, entonces debería hacerlo en este diferentes valores para E. Lo que sigue son las ponderaciones para los componentes de las punto en la secuencia de los acontecimientos. Por último, calcula tus correlaciones en carteras no restringidas que tienen las varianzas más bajas para estos datos procesados. los valores dados de E. Notarás que las proporciones de las ponderaciones de Esta técnica es válida siempre que utilice las correlaciones de cambios diarios en las acciones y no en los precios. Si utiliza precios, puede hacerse más daño que bien. Muy a menudo los precios y las acciones cambian diariamente. están vinculados, como ejemplo sería un cruce de media móvil a largo plazo sistema. Esta técnica de eliminación de tendencia siempre debe utilizarse con precaución. También, Siempre se debe calcular el AHPR diario y la desviación estándar en HPR. fuera de datos sin tendencia. Un último problema que ocurre cuando eliminas la tendencia de tus datos. con sistemas que comercian con poca frecuencia. Imagine dos sistemas de negociación intradía que dan una operación por semana, ambas en días diferentes. El coeficiente de correlación entre ellos puede ser sólo ligeramente positivo. Sin embargo, cuando eliminamos la tendencia de sus datos, obtenemos una correlación positiva muy alta. esto por error Esto sucede porque sus líneas de regresión aumentan un poco cada día. todavía en la mayoría de los días el cambio de capital es cero. Por lo tanto, la diferencia es negativa. los componentes son exactamente iguales: E = .1 E = .3 Toxico .4175733 1.252726 Incubeast .1 994545 .5983566 LA Garb .1638171 .49145 Por lo tanto, podemos afirmar que las fronteras eficientes no restringidas son la misma cartera con diferentes niveles de apalancamiento. Esta cartera, la que se apalanca hacia arriba y hacia abajo con E cuando se levanta la restricción de la suma de los pesos, es la cartera que tiene un valor de cero para el segundo Multiplicador lagrangiano cuando la suma de los pesos es igual a 1. Por lo tanto, podemos determinar fácilmente cuál será nuestra cartera óptima geométrica sin restricciones. Primero, encontramos la cartera que tiene un valor de cero para el segundo multiplicador lagrangiano cuando la suma de los los pesos están restringidos a 1,00. Una forma de encontrar esto es mediante la iteración. La cartera resultante será aquella cartera que se apalanca (o hacia abajo) para satisfacer cualquier E dada en la cartera sin restricciones. ese valor Machine Translated by Google para E que satisfaga cualquiera de las ecuaciones (7.06a) a (7.06d) será los pesos están restringidos a 1,00 y no incluimos NIC, es exactamente el mismo que el el valor de E que produce la cartera óptima geométrica sin restricciones. ratio de Sharpe para nuestra geometría no restringida. cartera óptima. Otra ecuación que podemos usar para resolver qué cartera a lo largo Restar 1 de nuestros AHPR nos da el rendimiento promedio aritmético de la cartera. la frontera eficiente AHPR sin restricciones es geométricamente óptima es usar Al hacerlo notamos que para obtener el mismo el primer multiplicador lagrangiano que resulta en la determinación de una cartera Para el rendimiento de la cartera tangente restringida como para la cartera óptima a lo largo de cualquier punto particular de la frontera eficiente AHPR sin restricciones. geométrica no restringida, debemos multiplicar la primera por 1,9195. Recuerde del Capítulo 6 que uno de los subproductos al determinar la .245694/.128 = 1.9195 La composición de una cartera por el método de matrices equivalentes por filas es el primer multiplicador lagrangiano. El primer multiplicador lagrangiano representa la tasa instantánea de cambio en la varianza con respecto al rendimiento esperado, con el signo invertido. Un primer multiplicador lagrangiano igual a ­2 significa que en ese momento la varianza estaba cambiando a esa tasa (­2) opuesta a la retorno esperado, signo invertido. Esto daría como resultado una cartera que óptimo geométrico. Ahora si multiplicamos cada uno de los pesos de la tangente restringida cartera, la cartera que obtenemos es prácticamente idéntica a la cartera óptima geométrica sin restricciones: Peso del componente * 1,9195 = Peso Toxico .5344908 1.025955 Incubeast .2552975 .4900436 LA Garb .2102117 .4035013 Se llegó al factor 1,9195 dividiendo el rendimiento de la cartera óptima geométrica no (7.06e) L1 = ­2 dónde L1 = El primer multiplicador lagrangiano de una cartera determinada a lo largo del frontera eficiente AHPR sin restricciones.2 Ahora se vuelve interesante a medida que unimos estos conceptos. La cartera que se apalanca hacia arriba y hacia abajo en las fronteras eficientes sin restricciones (aritmética o geométrica) es la cartera tangente a la línea CML que emana de un RFR de 0 cuando la suma de las ponderaciones se limita a restringida por el rendimiento de la cartera restringida. cartera tangente. Sin embargo, normalmente querremos encontrar la cartera óptima geométrica sin restricciones conociendo sólo la cartera tan­gente restringida. Aquí es donde entra en juego la q óptima.3 Si asumimos una RFR de 0, podemos determinar el q óptimo en nuestra cartera tangente restringida como: (7.13) q = (E­RFR)/V = (. 128­0)7.066683 = 1.919529715 Algunas notas sobre el RFR. Para empezar, siempre debemos asumir 1,00 y no se emplea NIC. Por lo tanto, también podemos encontrar el óptimo geométrico no restringido. cartera encontrando primero la cartera tangente a un RFR igual a 0 donde la suma de los pesos está restringida a 1,00, entonces aprovechar esto cartera hasta el punto donde es el óptimo geométrico. Pero ¿cómo puede determinamos cuánto apalancar esta cartera restringida para que sea ¿El equivalente de la cartera óptima geométrica sin restricciones? Recuerde que la cartera tangente se encuentra tomando la cartera a lo largo de la frontera eficiente restringida (aritmética o geométrica) que tiene el ratio de Sharpe más alto, que es la ecuación (7.01). Ahora hacemos palanca en esto cartera y multiplicamos los pesos de cada uno de sus componentes por un variable denominada q, que puede aproximarse mediante: (7.13) q = (E­RFR)/V dónde un RFR de 0 cuando se trata de contratos de futuros. Ya que somos En realidad, no pedir prestado ni prestar fondos para apalancar nuestra cartera o hacia abajo, hay efectivamente una RFR de 0. Sin embargo, con las acciones la historia es diferente. El RFR que utilice debe determinarse con este hecho en mente. Es muy posible que el apalancamiento que emplee no requiera que usted utilice un RFR distinto de 0. A menudo utilizará AHPR y variaciones para carteras que se determinaron utilizando HPR diarias de los componentes. En esos casos, deberás ajustar el RFR de una tasa anual a una diaria. esto es bastante fácil de lograr. Primero, debe estar seguro de que esta tasa anual es lo que se llama tasa de interés mutua efectiva. Las tasas de interés generalmente se expresan como porcentajes anuales, pero frecuentemente estos porcentajes anuales son lo que se conoce como tasa de interés anual nominal. Cuando El interés se capitaliza semestralmente, trimestralmente, mensualmente, etc., el E = El rendimiento esperado (aritmético) de la cartera tangente. El interés ganado durante un año es mayor que si se capitalizara anualmente (el RFR = La tasa libre de riesgo a la que suponemos que puede pedir prestado o la tasa nominal se basa en una capitalización anual). Cuando el interés se compone con préstamo. más frecuencia que anualmente, una tasa de interés anual efectiva puede determinarse a partir del tipo de interés nominal. Es el tipo de interés efectivo V = La varianza en la cartera tangente. anual el que nos preocupa y el que utilizaremos en nuestros cálculos. Para convertir el La ecuación (7.13) en realidad es una aproximación muy cercana a la situación real. tipo nominal a tipo efectivo podemos utilizar: óptimo q. (7.14) E = (1+R/M)^M­1 Un ejemplo puede ayudar a ilustrar el papel del q óptimo. Recordemos que nuestro dónde La cartera óptima geométrica sin restricciones es la siguiente: E = La tasa de interés anual efectiva. Peso del componente Toxico 1.025955 Incubeast R = El tipo de interés nominal anual. .4900436 LA Garb M = El número de períodos de capitalización por año. .4024874 Descubrimos que esta cartera tiene un AHPR de 1,245694 y una varianza de .2456941. A lo largo del resto de esta discusión asumiremos En aras de la simplicidad, un RFR de 0. (Por cierto, la relación de Sharpe de este cartera, (AHPR­(1+RFR))/SD, es .49568.) Supongamos que la tasa de interés nominal anual es del 9% y supongamos que que se capitaliza mensualmente. Por lo tanto, la correspondiente efectiva La tasa de interés anual es: (7.14) E = (1+.09/12)^12­1 = (1+.0075)^12­1 = 1.0075^12­1 = 1.093806898­1 = .093806898 Ahora, si introdujéramos los mismos rendimientos, varianzas y coeficientes de correlación de estos componentes en la matriz y resolviéramos qué cartera era tangente a un RFR de 0 cuando la suma de las ponderaciones está restringido a 1,00 y no incluimos NIC, obtendríamos el siguiente portafolio: Peso del componente Toxico .5344908 Incubeast Por lo tanto, nuestra tasa de interés efectiva anual es de poco más del 9,38%. Ahora bien, si calculamos nuestros HPR en función de los días laborables, podemos afirmar que hay 365,2425/7*5 = 260,8875 días laborables, en promedio, en un año. Dividir 0,093806898 por 260,8875 nos da una RFR diaria de .0003595683887. Si determinamos que en realidad estamos pagando intereses para apalancar nuestro .2552975 LA Garb cartera hacia arriba, y queremos determinar a partir de la tangente restringida .2102117 Para determinar cuál es el portafolio óptimo geométrico sin restricciones, simplemente Esta cartera en particular tiene un AHPR de 1,128, una variación de .066683 y un índice de Sharpe de .49568. Es interesante notar que el ingresamos el valor del RFR en el índice de Sharpe, ecuación (7.01). y el q óptimo, ecuación (7.13). Ahora para cerrar el círculo. Suponga que determina que el RFR para Ratio de Sharpe de la cartera tangente, una cartera para la cual la suma de su cartera no es 0 y desea encontrar la cartera geométrica óptima sin tener que encontrar 2 Así, podemos afirmar que la cartera geométrica óptima es aquella cartera que, cuando la suma de los pesos está restringida a 1, tiene un segundo multiplicador lagrangiano igual a 0, y cuando no está restringido tiene un primer multiplicador lagrangiano de ­2. Dicha cartera también tendrá un segundo multiplicador lagrangiano igual a 0 cuando sin restricciones. primero la cartera restringida tangente a su RFR aplicable. ¿Puedes ir directamente a la matriz, establecer la suma? 3 Latane, Henry y Donald Tuttle, "Criteria for Portfolio Building", revista de Finance 22, septiembre de 1967, págs. 362363. Machine Translated by Google de las ponderaciones a un número arbitrariamente alto, incluir NIC y encontrar la cartera óptima geométrica sin restricciones cuando el RFR es mayor que 0? Sí, esto se logra fácilmente restando el RFR de los rendimientos esperados de cada uno de los componentes, pero no del NIC (es decir, el rendimiento esperado para el NIC permanece en 0, o un HPR promedio aritmético de 1,00). Ahora, al resolver la matriz se obtendrá la cartera óptima geométrica sin restricciones cuando el RFR sea mayor que 0. Dado que la frontera eficiente sin restricciones es la misma cartera con diferentes niveles de apalancamiento, no se puede colocar una línea CML en la frontera eficiente sin restricciones. Sólo puede colocar líneas CML en las fronteras eficientes de AHPR o GHPR si están restringidas (es decir, si la suma de los pesos es igual a 1). No es lógico colocar líneas CML en las fronteras eficientes sin restricciones de AHPR o GHPR. Hemos visto numerosas formas de llegar al portafolio geométrico óptimo. Para empezar, podemos encontrarlo empíricamente, como se detalló en Fórmulas de gestión de carteras y se resumió en el Capítulo 1 de este texto. Hemos visto cómo encontrarlo de forma paramétrica en este capítulo, firme desde varios ángulos diferentes, para cualquier valor de la tasa libre de riesgo. Ahora que sabemos cómo encontrar el portafolio geométrico óptimo debemos aprender a usarlo en la vida real. La cartera geométrica óptima nos dará el mayor crecimiento geométrico posible. En el próximo capítulo analizaremos técnicas para utilizar esta cartera dentro de determinadas restricciones de riesgo. Machine Translated by Google negociar 20 contratos. Si estuvieras usando la estrategia de la mitad recta f; tú Capítulo 8 ­ Gestión de riesgos Ahora sabemos cómo encontrar las carteras óptimas mediante numerosos métodos terminaría con el mismo número de contratos el primer día. A la mitad f, negociaría 1 contrato por cada $5,000 en capital de la cuenta ($2,500/.5), y usaría el capital total de la cuenta de $100,000 para calcular cuántos contratos diferentes. Además, ahora tenemos un conocimiento profundo de negociar. Por lo tanto, bajo la estrategia de la mitad f, la geometría de las carteras y la relación de cantidades óptimas También negociarías 20 contratos ese día. y ponderaciones óptimas. Ahora podemos ver que la mejor manera de operar con cualquier Sin embargo, tan pronto como cambia el patrimonio en las cuentas, el número La cartera de cualquier instrumento subyacente está en el nivel geométrico óptimo. Hacerlo de contratos también intercambiará cambios. Asume ahora que haces sobre la base de la reinversión de los rendimientos maximizará el ratio. $5,000 al día siguiente, elevando así el valor total de la cuenta a de ganancia esperada a riesgo esperado En este capítulo analizamos cómo utilizar estos óptimos geométricos. carteras dentro de las restricciones de riesgo que especificamos. Así, cualquiera que sea $105.000. Con la estrategia de la mitad f, ahora estará negociando 21 contratos. Sin embargo, con la técnica de división de acciones, debes restar el monto inactivo ahora constante de $ 50,000 de su patrimonio total de vehículos que estamos intercambiando, podemos alinearnos en cualquier lugar que deseemos $105.000. Esto deja una porción de capital activo de $55,000, de la cual en el espectro de riesgo. De esta manera obtendremos la tasa máxima de calculará el tamaño de su contrato en el nivel f óptimo de 1 contrato para Crecimiento geométrico para un nivel de riesgo dado. cada $2,500 en capital. Por lo tanto, con la técnica del split­equity, usted Ahora buscará negociar 22 contratos. ASIGNACIÓN DE ACTIVOS Debe tener en cuenta que la cartera óptima obtenida por este La técnica paramétrica siempre será casi, si no exactamente, la misma que la el portafolio que se obtendría usando una técnica empírica como el que se detalla en el primer capítulo o en Fórmulas de gestión de cartera. Como tal, podemos esperar enormes caídas en toda la cartera en términos de retroceso de acciones. Nuestra única protección contra esto es diluir un poco la cartera. Lo que esto equivale es a combinar la cartera óptima geométrica con el activo libre de riesgo de alguna manera. A esto lo llamamos asignación de activos. El grado de riesgo y seguridad de cualquier inversión no es función de la inversión en sí, sino más bien de la asignación de activos. Incluso las carteras de acciones de primera línea, si se negocian a su precio sin restricciones, Los niveles geométricos óptimos de cartera mostrarán enormes caídas. Sin embargo, estas acciones de primera línea deben negociarse a estos niveles para maximizar ganancia geométrica potencial en relación con la dispersión (riesgo) y también prevén alcanzar una meta en el menor tiempo posible. Cuando se ve desde tal perspectiva, negociar acciones de primera línea es tan riesgoso como panceta de cerdo, y la carne de cerdo Los vientres no son menos conservadores que las acciones de primera línea. Lo mismo puede ser dicho de una cartera de sistemas de comercio de productos básicos y una cartera de cautiverio. El objetivo ahora es alcanzar el nivel deseado de potencial geométrico. ganancia por dispersión (riesgo) combinando el activo libre de riesgo con cualquier es lo que estamos negociando, ya sea una cartera de acciones, bonos o sistemas de comercio de materias primas de primera línea. Cuando negocia una cartera a una fracción f sin restricciones, está en la frontera eficiente de GHPR sin restricciones, pero a la izquierda del punto óptimo geométrico: el punto que satisface cualquiera de las ecuaciones (7.06a) hasta (7.06e). Por lo tanto, tiene menos ganancia potencial en relación con la dispersión que si estuviera en el punto geométrico óptimo. Esto es una forma de combinar una cartera con el activo libre de riesgo. Otra forma de practicar la asignación de activos es dividiendo su capital en dos subcuentas, una subcuenta activa y una subcuenta inactiva. Estas no son dos cuentas separadas, más bien son una forma de dividir una sola cuenta en teoría. La técnica funciona de la siguiente manera. Primero, debes decidir sobre un nivel fraccionario inicial. Supongamos que, inicialmente, desea emular una cuenta en el nivel medio f. tu inicial El nivel fraccionario es .5 (el nivel fraccionario inicial debe ser mayor que cero). y menos de 1). Esto significa que dividirás tu cuenta, con la mitad del el capital de su cuenta va a la subcuenta inactiva y la mitad va a en la subcuenta activa. Suponga que está comenzando con $100,000 cuenta. Inicialmente, $50,000 están en la subcuenta inactiva y $50,000 están en en la subcuenta activa. Es el capital de la subcuenta activa lo que se utiliza para determinar cuántos contratos negociar. Estas subcuentas no son reales; son una construcción hipotética que estás creando para administre su dinero de manera más efectiva. Siempre usas el óptimo completo. fs con esta técnica. Cualquier cambio en el patrimonio se refleja en el activo porción de la cuenta. Por lo tanto, cada día debes mirar el patrimonio total de la cuenta (patrimonio cerrado más patrimonio abierto, marcando las Posiciones abiertas). al mercado), y restar el importe inactivo (que permanecerá constante día a día). La diferencia es su patrimonio activo, y está en esta diferencia que usted calculará cuántos contratos negociar en el niveles f completos. Supongamos ahora que la f óptima para el sistema de mercado A es 'hacer Negocie 1 contrato por cada $2,500 en el capital de la cuenta. entras en el primer día con $50,000 en capital activo y, por lo tanto, buscará El procedimiento funciona de la misma manera en el lado negativo del capital. curva, con la técnica de división de acciones eliminando contratos a un ritmo más rápido tasa que la estrategia f fraccionaria. Suponga que pierde $5,000 en el primer día de operaciones, lo que sitúa el capital total de la cuenta en 95.000 dólares. Con el estrategia f fraccionaria, ahora buscaría negociar 19 contratos ($95.000/$5.000). Sin embargo, con la técnica de división de acciones ahora te queda $45,000 de capital activo y, por lo tanto, buscarás operar con 18 contratos ($45,000/$2,500). Observe que con la técnica del capital dividido, la fracción exacta de f óptima que estamos usando cambia con los cambios del capital. especificamos la fracción por la que queremos empezar. En nuestro ejemplo utilizamos una fracción inicial de 0,5. Cuando el patrimonio aumenta, esta fracción del f óptimo también aumenta, acercándose a 1 como límite a medida que se acerca el patrimonio de la cuenta. infinidad. En el lado negativo, esta fracción se aproxima a 0 como límite en el nivel en el que el patrimonio total de la cuenta es igual a la porción inactiva. El hecho de que el seguro de cartera esté integrado en la técnica de división de acciones es un beneficio tremendo y se discutirá detalladamente más adelante en este capítulo. Debido a que la técnica de capital dividido tiene una fracción para f que se mueve, nos referimos a ella como una estrategia dinámica fraccional ѓ, a diferencia de la estrategia directa. Estrategia f fraccionaria (f fraccionaria estática ). La estrategia estática fraccional f lo coloca en algún lugar de la línea CML a la izquierda de la cartera óptima si está utilizando una cartera restringida. A lo largo de la vida de la cuenta, independientemente de los cambios en el patrimonio, el La cuenta permanecerá en ese punto de la línea CML. Si está utilizando una cartera sin restricciones (como debería hacerlo correctamente), estará en la frontera eficiente sin restricciones (ya que no hay líneas CML con carteras sin restricciones) en algún punto a la izquierda de la cartera óptima. Como Si el capital de la cuenta cambia, usted permanece en el mismo punto de la frontera eficiente sin restricciones. Con la técnica dinámica fraccional f, comienzas en estos mismos puntos para las carteras restringidas y no restringidas. Sin embargo, como el El capital de la cuenta aumenta, la cartera se mueve hacia arriba y hacia la derecha, y a medida que el capital disminuye, la cartera se mueve hacia abajo y hacia la izquierda. Los límites están en el pico de la curva a la derecha donde la fracción de f es igual 1, y a la izquierda en el punto donde la fracción es igual a 0. Con el método f estático de asignación de activos, la dispersión permanece constante, ya que la fracción de fusionado óptimo es constante. Desafortunadamente, esto no es cierto con la técnica f fraccionaria dinámica. Aquí, a medida que aumenta el patrimonio de la cuenta, también lo hace la dispersión como fracción de f óptima aumentos utilizados. El límite superior de esta dispersión es la dispersión a plena f cuando el patrimonio de la cuenta se acerca al infinito. En el lado negativo, la dispersión disminuye rápidamente a medida que la fracción de f óptima utilizada se acerca a cero. a medida que el patrimonio total de la cuenta se acerca al patrimonio de la subcuenta inactiva. Aquí, el límite inferior de la dispersión es cero. Usar la técnica dinámica fraccional f es análogo a negociar con un cuenta completa en los niveles f óptimos, donde el tamaño inicial de la cuenta es la porción de capital activo. Entonces vemos que hay dos formas de diluir. una cuenta hacia abajo de la cartera óptima geométrica completa, dos formas de ejercer la asignación de activos. Podemos operar con una fraccionaria estática o una dinámica. fraccionario f. El fraccionario dinámico también tendrá varianza dinámica, una ligeramente negativo, pero también prevé seguros de cartera (más sobre esto más tarde). Aunque las dos técnicas están relacionadas, también puedes ver que difieren. ¿Cuál es el mejor? Supongamos que tenemos un sistema en el que el HPR aritmético diario promedio es 1,0265. La desviación estándar en estos HPR diarios es 0,1211, por lo que la media geométrica es 1,019. Ahora, miramos el Machine Translated by Google números para una f fraccionaria estática de .2 y una f fraccionaria estática de .1 usando las TWR = .8+(1.01933^322.6902)*.2 ecuaciones (2.06) a (2.08): (2.06) FAHPR = .8+482.0659576*.2 = (AHPR­1)*FRAC+1 (2.07) FSD = SD*FRAC = 97.21319 (2.08 ) FGHPR = (FAHPR^2­ Esto representa ganar más del 9,600 % en el tiempo que le tomó a la estática generar el 100 %. FSD^2)^1/2 dónde Ahora podemos modificar la ecuación (2.09a) para acomodar las estrategias f estáticas FRAC = La fracción de f óptima que estamos resolviendo AHPR = El HPR promedio aritmético en la f óptima, SD = La desviación estándar en HPR en la f óptima. y dinámicas fraccionarias para determinar la longitud esperada requerida para lograr un objetivo específico como TWR. Para empezar, para el fraccional estático f, podemos crear la ecuación (2.09b): (2.09b) N = ln(Objetivo)/ln(A) donde FAHPR = El HPR promedio aritmético en el fraccionario f. FSD = La desviación estándar en HPR en la f fraccionaria, FGHPR = La HPR promedio geométrica en la f fraccionaria. Los resultados entonces son: Completo f .2 f .1 f AHPR 1.0265 1.0053 1.00265 SD .1211 N = El número esperado de operaciones para alcanzar un objetivo específico. Objetivo = El objetivo en términos de un múltiplo de nuestra apuesta inicial, un TWR. A = La media geométrica ajustada. Esta es la media geométrica, ejecutada a través de la ecuación (2.08 para determinar la media geométrica para un fraccional estático f dado. .02422 .01211 GHPR 1.01933 1.005 1.002577 Ahora recuerde la ecuación (2.09a), el tiempo esperado para alcanzar una meta ln() = La función del logaritmo natural. Para una f fraccionaria dinámica, tenemos la ecuación (2.09c): (2.09c) N = ln(((Objetivo­1)/ACTV)+l)/ln(Media geométrica) específica: (2.09a) N = ln(Meta)/1n(Media geométrica) donde dónde N = El número esperado de operaciones para alcanzar un objetivo específico. N = El número esperado de operaciones para alcanzar un objetivo específico. Objetivo = El objetivo en términos de un múltiplo de nuestra apuesta inicial, un TWR. Carbón = El objetivo en términos de un múltiplo de nuestra apuesta inicial, un TWR. ln() ACTV = El porcentaje de capital activo. = La función del logaritmo natural. Ahora, comparamos la negociación con la estrategia f fraccionaria estática ­2, con una Media geométrica = Esta es simplemente la media geométrica bruta, no se realiza ningún ajuste como en (2.09b). ln() = La función del logaritmo natural. media geométrica de 1,005, con la estrategia f fraccionaria dinámica .2 (20% como capital activo inicial) con una media geométrica diaria de 1,01933. El tiempo (número de días desde que las medias geométricas son diarias) requerido para duplicar el fraccionario estático f está dado por la ecuación (2.09a) como: ln(2)/ln( 1.005) = 138.9751 Para duplicar el fraccionario dinámico f se requiere establecer el gol al 6. Esto se debe a que si inicialmente tiene el 20% del capital en el trabajo y comienza con una cuenta de $100,000, inicialmente tendrá $20,000 en el trabajo. El objetivo es hacer que el capital activo sea igual a $120,000. Dado que el capital inactivo permanece en $80 000, tendrá Para ilustrar el uso de (2.09c), supongamos que queremos determinar cuánto tiempo le tomará a una cuenta duplicarse (es decir, TWR = 2) con .1 patrimonio activo y una media geométrica de 1.01933: (2.09) N = ln( ((Objetivo­1)/ACTV)+l)/ln(Media Geométrica)­ln(((2­ 1)/.l)+l)/ln(1.01933) = ln((1/.1)+1 )/ln(1,01933) = ln( 10+l)/ln( 1,01933) = ln(11)/ ln( 1,01933) un total de $200 000 en su cuenta. Por lo tanto, para hacer que una cuenta de $20 000 crezca a $120 000 significa que necesita lograr un TWR de 6. Por lo tanto, el objetivo es 6 para duplicar una f fraccionaria dinámica de 0,2: 1n(6)/ln(1,01933) = 93,58634 = 2,397895273/.01914554872 = 125,2455758 Por lo tanto, si nuestra media geométrica se determina diariamente, podemos esperar duplicarla en aproximadamente un 125% de días. Si nuestra media geométrica se determina Observe que tomó 93 días para la f fraccionaria dinámica versus 138 días para la f fraccionaria estática. Ahora mira la fracción .1. El número de días esperados para el pedido. operación por operación, podemos esperar duplicarnos en aproximadamente el 125% de las operaciones. Siempre que se trate de un N lo suficientemente grande como para que (2.09c) sea menor que (2.09b), entonces se estará beneficiando del comercio dinámico con f fraccional. para que la técnica estática se duplique es: ln(2)/ln( 1.002577) = 269.3404 Compare esto con duplicar una f fraccionaria dinámica que inicialmente está establecida en .1 activa. Necesita lograr un TWR de 11, por lo que el número de días necesarios para la estrategia f fraccional dinámica comparativa es: ln(11)/ln( 1,01933) = 125,2458 TWR En última instancia, la dinámica hace infinitamente más que la estrategia f fraccional dinámica estática para el mismo nivel inicial de riesgo. Duplicar el patrimonio de la cuenta al nivel 0,1 de f fraccional lleva 269 días para nuestro ejemplo estático, en comparación con 125 días para el dinámico. Cuanto menor sea la fracción de f, más rápido la dinámica superará a la técnica estática. Ahora eche un vistazo a triplicar el f fraccionario de 0,2. El número de días que la técnica estático estática espera triplicar es: ln(3)/ln( 1.005) = 220.2704 Esto se compara con su contraparte dinámica, que requiere: ln(11)/ln( Hora ­­> 1,01933) = 125,2458 días Para obtener un beneficio del 400% (es decir, una meta o TWR de 5) se requiere de la técnica estática .2: ln(5)/ln( 1,005) = 322,6902 días Que se compara con su contraparte dinámica: ln(21)/ ln( 1,01933) = 159,0201 días La técnica dinámica toma casi la mitad de tiempo que la estática para enseñar la meta del 400% en este ejemplo. Sin embargo, si nos fijamos en el tiempo de 322,6902 días donde la técnica estática se duplicó, la técnica dinámica estaría en una TWR de: Figura 8­1 Fraccionado estático versus dinámico f. La Figura 8­1 demuestra la relación entre el comercio con una estrategia f fraccional estática versus dinámica a lo largo del tiempo. Cuanto más tiempo transcurre, mayor será la diferencia entre la estrategia f fraccionaria estática y la f fraccionaria dinámica. Asintóticamente, la estrategia dinámica fraccional f proporciona una riqueza infinitamente mayor que su contraparte estática. A largo plazo, es mejor practicar la asignación de activos mediante una técnica dinámica fraccional f. Es decir, se determina un nivel inicial, un porcentaje, para destinar como patrimonio activo. El resto es patrimonio inactivo. Los cambios diarios en el capital se reflejan únicamente en la parte activa. Machine Translated by Google El monto en dólares inactivos permanece constante. Por lo tanto, cada día usted resta el Este enfoque también hace una distinción entre una reducción de sangre y una monto constante en dólares inactivos del capital total de su cuenta. Esta diferencia es la reducción de cola dietética. Por ejemplo, si un operador decide que un retroceso de capital porción activa, y es en esta porción activa donde usted calculará las cantidades para del 25% es lo máximo que inicialmente le gustaría esperar, inicialmente debe dividir la intercambiar en función de los niveles f óptimos. cuenta en un 75% inactivo y un 2,5% activo. Supongamos que el operador comienza con una cuenta de $100,000. Por lo tanto, inicialmente $25 000 están activos y $75 000 están Con el tiempo, si las cosas le van bien, su porción activa eclipsará a su porción inactiva y tendrá el mismo problema de variación excesiva y reducción potencial que inactivos. Ahora supongamos que la cuenta llega a $200,000. El comerciante todavía tiene $75,000 habría tenido inicialmente en el nivel f óptimo completo. Ahora discutiremos cuatro maneras inactivos, pero ahora la porción activa es de hasta $125,000. Dado que él o ella está de tratar este "problema". No existen líneas finas que delineen estos cuatro métodos y es negociando el monto total f en estos $125,000, es muy posible perder una buena parte, si posible combinar métodos para satisfacer sus necesidades específicas. no toda esta cantidad, al entrar en una reducción históricamente típica en este punto. Tal reducción representaría un retroceso de capital superior al 25%, aunque la cantidad del capital inicial inicial que se perdería sería del 25% si el valor total de la cuenta cayera a REASIGNACIÓN: CUATRO MÉTODOS Primero, unas palabras sobre el activo libre de riesgo. A lo largo de este capítulo, el activo libre de riesgo se ha tratado como si fuera simplemente efectivo o equivalentes casi de efectivo, como letras del Tesoro o fondos del mercado monetario (suponiendo que no hay riesgo en ninguno de ellos). El activo libre de riesgo también puede ser cualquier activo que el inversor crea que no tiene riesgo, o un riesgo tan insignificante que sea inexistente. Esto puede incluir bonos los 75.000 dólares inactivos. Por lo tanto, una cuenta que comienza con un porcentaje más bajo de capital activo podrá reasignarse antes que una cuenta que opere en los mismos sistemas de mercado y comience con un porcentaje más alto de capital activo. Por lo tanto, la cuenta que comienza con un porcentaje más bajo de capital activo no sólo tiene una reducción potencial menor en el margen inicial, sino que también, dado que el operador puede reasignar antes, es menos probable que entre en proporciones incómodas gubernamentales y corporativos a largo plazo. Pueden ser bonos con cupón o ceros. Los de capital activo e inactivo (asumiendo un aumento de capital) que si comenzara con un tenedores pueden incluso emitir opciones de compra sobre estos activos libres de riesgo para mejorar aún más sus rendimientos. porcentaje de capital activo inicial más alto. Muchos programas comerciales emplean bonos cupón cero como activos libres de riesgo. Por cada dólar invertido en dicho programa, se compra en la cuenta un dólar de Como operador, también se enfrenta a la cuestión de cuándo reasignar, ya sea que esté utilizando el método crudo de utilidad para el inversor o uno de los métodos más sofisticados que se describirán a continuación. Debe decidir de antemano en qué punto bonos de cupón cero con valor nominal. Un bono así, si venciera en, digamos, cinco años, de su capital, tanto al alza como a la baja, desea reasignar. Por ejemplo, puede decidir seguramente costaría menos de un dólar. La diferencia entre el valor nominal en dólares del bono y su costo real es el rendimiento que generará el bono durante su vida restante. que si obtiene un retorno del 100% de su inversión inicial, sería un buen momento para Esta diferencia luego se aplica al programa comercial. Si el programa pierde todo este negativo vas a reasignar. Por lo general, este punto es el punto en el que no queda capital dinero, los bonos aún vencerán a su valor nominal total. En el momento del vencimiento activo o el capital activo restante no permite ni siquiera 1 contrato en ninguno de los del bono, el inversionista recibe entonces un monto igual a su inversión inicial, aunque no sistemas de mercado que está utilizando. reasignarla. Del mismo modo, también deberías decidir de antemano en qué punto habría visto ningún retorno sobre esa inversión inicial durante el plazo que el dinero estuvo en el programa (5 años en el caso de este ejemplo). Por supuesto, esto se basa en que Debe decidir, preferiblemente por adelantado, si continuará operando si se alcanza este los administradores del programa no pierdan una cantidad superior a la diferencia entre el límite de desventaja y, de ser así, qué porcentaje reasignar al capital activo para valor nominal del bono y su costo de mercado. comenzar de nuevo. Además, puede decidir reasignar con respecto al tiempo, particularmente para cuentas administradas profesionalmente. Por ejemplo, puede decidir reasignar cada Este mismo principio puede ser aplicado por cualquier comerciante. Además, no es trimestre. Esto podría incorporarse con los límites patrimoniales de la realubicación. necesario utilizar bonos de cupón cero. Se puede utilizar cualquier tipo de vehículo Puede decidir que si la parte activa se elimina por completo, dejará de operar por generador de intereses. La cuestión es que el activo libre de riesgo no tiene por qué ser completo hasta que termine el trimestre. Al comienzo del siguiente trimestre, la cuenta se simplemente efectivo "muerto". Puede ser un programa de inversión real, diseñado para reasigna con un X% como capital activo y un 100­X% como capital inactivo. proporcionar un rendimiento real, y este rendimiento se puede lograr para compensar pérdidas potenciales en el programa. La consideración principal es que el activo libre de riesgo se considere libre de riesgo (es decir, tratado como si la seguridad del principal fuera la principal preocupación). Ahora sigamos con nuestra discusión sobre la asignación entre el activo libre de riesgo, la parte "inactiva" de la cuenta y la parte comercial activa. La primera forma, y quizás la más burda, de determinar cuál será inicialmente la división porcentual activo/inactivo y cuándo reasignar nuevamente a este porcentaje es el método de utilidad del inversor. Esto también puede denominarse método instintivo. En este caso, suponemos que las caídas que se observarán equivaldrán a un retroceso completo del capital activo. Por lo tanto, si estamos dispuestos a ver una reducción del 50%, inicialmente asignamos el 50% al capital activo. Del mismo modo, si queremos ver una reducción del 10 %, inicialmente dividimos la cuenta en 10 % activo y 90 % inactivo. Básicamente, con el método de utilidad del inversor, usted intenta asignar al capital activo un porcentaje tan alto como esté dispuesto a arriesgarse a perder. Ahora, es posible que la parte activa se borre por completo, momento en el cual al operador ya no le queda ninguna parte activa de su cuenta para continuar operando. En ese momento, será necesario que el operador decida si continúa operando y, de ser así, qué porcentaje de los fondos restantes en la cuenta (la subcuenta inactiva) asignará como No es beneficioso reasignar con demasiada frecuencia. Idealmente, nunca reasignarás. Idealmente, dejará que la fracción de f óptima que está utilizando se acerque a 1 a medida que crezca el capital de su cuenta. En realidad, sin embargo, lo más probable es que usted reasigne en algún momento. Es de esperar que no realice reasignaciones con tanta frecuencia que se convierta en un problema. Considere el caso de la reasignación después de cada operación o cada día. Tal es el caso del comercio estático fraccional f. Recuerde nuevamente la ecuación (2.09a), el tiempo necesario para alcanzar una meta específica. Volvamos a nuestro sistema, que operamos con una porción activa de 0,2 y una media geométrica de 1,01933. Compararemos esto con el comercio a la fracción estática de 0,2 f, donde la media geométrica resultante es 1,005. Si comenzamos con una cuenta de $100 000 y queremos reasignar un capital total de $110 000, el número de días (ya que nuestras medias geométricas aquí son por día) requerido por el fraccionario estático .2 f es: ln(1,1)/ln (1,005) = 19,10956 Esto se compara con usar $20 000 del capital total de $100 000 en el monto total f y tratar de llevar la cuenta total a $110 000. Esto representaría una meta de 1,5 veces los 20.000 dólares: ln(1,5)/ln(1,01933) = 21,17807 nuevo capital activo. Este nuevo capital activo también se puede perder, por lo que es importante que el operador tenga en cuenta al comienzo de este programa que el capital En objetivos más bajos, la estrategia f fraccionaria estática crece más rápido que su activo inicial no es la cantidad máxima que se puede perder. Además, en cualquier correspondiente contraparte f fraccionaria dinámica. A medida que pasa el tiempo, lo operación en la que existe una responsabilidad ilimitada en una posición determinada dinámico supera a lo estático, hasta que eventualmente la dinámica está infinitamente (como una operación de futuros), toda la cuenta está en riesgo, ¡e incluso los activos del más adelante. La Figura 8­1 muestra gráficamente esta relación entre los fs fraccionales operador fuera de la cuenta están en riesgo! El lector no debe engañarse pensando que estáticos y dinámicos. es inmune a una serie de días límite bloqueados o a una enorme brecha inicial que podría llevar a toda la cuenta a una posición deficitaria, independientemente de cuál sea la parte de capital "activa" de la cuenta. es. Si reasigna con demasiada frecuencia solo se está disparando en el pie, ya que la técnica sería inferior a su contraparte estática fraccional f. Por lo tanto, dado que a largo plazo es mejor utilizar el enfoque dinámico fraccional f para la asignación de activos, También es mejor reasignar fondos entre las subcuentas activas e inactivas como poco frecuente. Machine Translated by Google con la mayor frecuencia posible. Lo ideal es hacer esta división entre patrimonio activo e suficiente para satisfacer la ecuación (8.01) es un valor para N que podemos usar y estar inactivo sólo una vez, al inicio del programa. seguros de que nos estamos beneficiando de la f fraccionaria dinámica: Generalmente, la fracción dinámica f superará a su contraparte estática más rápido cuanto menor sea la porción del capital activo inicial. En otras palabras, una cartera con un capital activo inicial de 0,1 superará a su contraparte estática más rápido que una cartera con una asignación de capital activo inicial de 0,2 superará a su contraparte estática. En una asignación de capital activa inicial del 100% (1,0), la dinámica nunca supera la fracción estática f (más bien crecen al mismo ritmo). También afecta la tasa a la cual la fracción (8.01) FG^N <= G^N*FRAC+1­FRAC dónde FG = La media geométrica para la f fraccionaria, encontrada mediante la Ecuación (2.08). N = El número de períodos, con G y FG calculados sobre la base de 1 período. dinámica f supera a su contraparte estática la media geométrica de la cartera misma. Cuanto mayor sea la media geométrica, más pronto la dinámica superará a la estática. Con G = La media geométrica en el nivel f óptimo. una media geométrica de 1,0, la dinámica nunca supera a su contraparte estática. FRAC = El porcentaje de capital activo. Si utilizamos un porcentaje de capital activo del 20% (es decir, FRAC = 0,2), entonces FG debe calcularse sobre la base de 0,2 f. Por lo tanto, para el caso en el que nuestra Un segundo método para determinar los montos iniciales de capital activo y la reubicación es el método de planificación de escenarios. Bajo este método el monto media geométrica en f óptima total es 1,01933 y 0,2 f (FG) es 1,005, queremos un valor para N que satisfaga lo siguiente: 1,005^N <= 1,01933^N*.2+ 1­.2 asignado inicialmente se determina matemáticamente en función de los diferentes escenarios, sus resultados y sus probabilidades de ocurrencia, para el desempeño de la cuenta. Este ejercicio también se puede realizar a intervalos regulares. La técnica implica el método de planificación de escenarios que se detalla en el Capítulo 4. Calculamos nuestra media geométrica para f(G) óptima y, por lo tanto, también nuestra media geométrica para la f fraccionaria (FG) diariamente, y queremos ver si 1 trimestre es tiempo suficiente. Dado que hay alrededor de 63 días de negociación por trimestre, queremos ver si un N de 63 es tiempo suficiente para beneficiarnos de la f fraccionaria Como ejemplo, supongamos que está considerando tres escenarios posibles para el próximo trimestre: Escenario Probabilidad Resultado Reducción 50% ­100% Sin ganancia 25% 0% Buen avance 25% +300% La columna de resultados pertenece a los resultados del patrimonio activo de la cuenta. Por lo tanto, aquí hay un 50% de posibilidades de una pérdida del 100% del capital activo, un 25% de posibilidades de que el capital activo permanezca sin cambios y un 25% de posibilidades de una ganancia del 360% del capital activo. En realidad, debería considerar más de tres escenarios, pero para simplificar, aquí sólo se utilizan tres. Usted ingresa los tres escenarios diferentes, sus probabilidades de ocurrencia y sus resultados en unidades, donde cada unidad representa un punto porcentual. Los resultados se determinan en función de lo que sucede en cada escenario si estuviera operando con la cantidad f óptima completa. Al ingresar estos tres escenarios se obtiene una f óptima de 0,11. No confunda esta f óptima con la f óptima de los componentes de la cartera que está negociando. Ellos son diferentes. La f óptima aquí se refiere a la f óptima del ejercicio de planificación de escenarios que acaba de realizar, que también le indicó la cantidad óptima para asignar como capital activo para sus parámetros dados. Por lo tanto, dados estos tres escenarios, lo mejor en un sentido asintótico es asignar el 11% al patrimonio activo y el 89% restante al dinámica. Por lo tanto, verificamos la Ecuación (8.01) en un valor de 63 para N: 1.005^63 <= 1.01933^63*.2+1­.2 1.369184237 <= 3.340663933*.2+1­.2 1.369184237 <= .6681327866+1­.2 1,369184237 <= 1,6681327866­.2 1,369184237 <= 1,4681327866 La ecuación se cumple, ya que el lado izquierdo es menor o igual que el lado derecho. Por lo tanto, podemos reasignar trimestralmente según los valores dados aquí y beneficiarnos del uso de f fraccional dinámica. ¿Y dónde se pone este capital ahora retirado? Vaya, vuelve directamente a la cuenta como capital inactivo. En cada período, calculará el valor total de su cuenta y transferirá esa cantidad del capital activo al inactivo. Por tanto, hay reasignación. Por ejemplo, supongamos nuevamente una cuenta de $100 000 donde $20 000 se consideran el monto activo. Supongamos que su participación promedia trimestralmente y que el porcentaje trimestral que extrae es del 2%. Ahora supongamos que al comienzo del siguiente trimestre la cuenta todavía tiene un capital total de $100 000, de los cuales $20 000 son capital activo. Ahora retira el 2 % del capital total de la cuenta de $100 000 y transfiere esa cantidad del capital activo al inactivo. Por lo tanto, usted transfiere $2,000 del capital activo al inactivo, y su cuenta de $100,000 ahora tiene $18,000 de capital activo y $82,000 inactivos. patrimonio inactivo. Al comienzo del siguiente trimestre, vuelve a realizar este ejercicio y determina sus nuevas asignaciones en ese momento. Dado que la cantidad de fondos que tiene que reasignar para un trimestre determinado es función de cómo los ha asignado para el trimestre anterior, es mejor que utilice esta cantidad f óptima, ya que le proporcionará el mayor crecimiento geométrico. a la larga. (Nuevamente, eso siempre que su información (los escenarios, sus probabilidades y los resultados correspondientes) sea precisa). Esperamos que el programa supere al alza los retiros porcentuales periódicos. Supongamos que en nuestro último ejemplo, nuestra cuenta de $100 000 pasa a $110 000 al final del trimestre. Ahora, cuando vamos a reasignar el 2%, $2200, debitamos nuestro monto de capital activo de $30 000 y acreditamos nuestro monto inactivo de $80 000. Por lo tanto, tenemos $27,800 de patrimonio activo y $82,200 inactivos. Dado que nuestro patrimonio activo después de la reasignación sigue siendo mayor que al comienzo del Este método de planificación de escenarios de asignación de activos también es útil si intenta incorporar la opinión de más de un asesor. En nuestro ejemplo, en lugar de considerar tres escenarios posibles para el próximo trimestre, es posible que desee incorporar las opiniones de tres asesores diferentes. La columna de probabilidad corresponde a cuánta fe tienes en cada asesor diferente. Así, en nuestro ejemplo, el primer escenario, un 50% de probabilidad de una pérdida del 100% del capital activo, corresponde a un asesor muy bajista cuya opinión merece el doble de peso que la de los otros dos asesores. período anterior, podemos decir que el programa ha superado la reasignación. Por otro lado, si el programa pierde dinero, o si no llega a ninguna parte (en cuyo caso usted está arriesgando dinero repetidamente, pero no logra ningún progreso hacia arriba en su capital), esta técnica eventualmente terminará con todo el capital de la cuenta. como patrimonio inactivo. En ese momento, automáticamente habrá dejado de operar con un programa perdedor. Naturalmente, ahora deben surgir dos preguntas. La primera es: "¿Cuál debe ser esta reducción porcentual periódica tal que si el patrimonio de la cuenta se estancara después Recuerde el método del promedio de acciones para retirarse de un programa, que se examinó en el capítulo 2. Podemos incorporar este concepto aquí como un método de reasignación. Al hacerlo, estaremos creando una técnica que sistemáticamente saca beneficios de un programa de manera ventajosa y también nos saca a nosotros de un programa perdedor. El programa exige retirar un porcentaje periódico del capital total de la cuenta (capital activo + capital inactivo). Por lo tanto, cada mes, trimestre o cualquier período de tiempo que esté utilizando, retirará el X% de su capital. Sin embargo, recuerde que desea tener suficiente tiempo en cada período para asegurarse de que se está beneficiando, al menos en cierta medida, de la f fraccionaria dinámica. Cualquier valor de N que sea alto de N deducciones periódicas del patrimonio activo, el programa terminaría automáticamente (es decir, el patrimonio activo es igual a 0)?" La solución viene dada por la ecuación (8.02): (8.02) P = 1­INACTIVO^(1/N) dónde P = El porcentaje periódico del patrimonio total de la cuenta que debe transferirse del patrimonio activo al inactivo. INACTIVO = El porcentaje inactivo del patrimonio de la cuenta. N = El número de períodos en los que queremos que termine el programa si el patrimonio se estanca. Machine Translated by Google Por lo tanto, si tuviéramos que realizar transferencias trimestrales de capital del activo al inactivos, y estábamos usando una asignación inicial del 80% como capital inactivo, y queríamos que el programa terminara en 2,5 años (10 trimestres, es decir, N = 10), el porcentaje trimestral la manera matemáticamente óptima, es decir, en el valor óptimo completo de f para un nivel de riesgo inicial (nuestro patrimonio activo inicial). El establecimiento de una cuenta de depósito a la vista de reserva permite la sería: cuenta para negociarse de la manera matemáticamente óptima (óptimo dinámico 0, mientras PAG = 1­.8^(1/10) = que también permite el método de reasignación de promedio de acciones 1­.8^.1 para trabajar (es decir, el efectivo se transfiere a la cuenta de depósito a la vista de reserva) = 1­.9779327685 y permite un resultado estable en dólares del depósito a la vista de reserva = .0220672315 Por lo tanto, deberíamos retirar el 2,20672315% del capital total cada uno. trimestre y transferirlo del capital activo al inactivo. La segunda pregunta que surge es: "Si estamos extrayendo un cierto porcentaje dado, ¿cuál debe ser el número de períodos para que el patrimonio activo sea igual a 0?" En otras palabras, si sabemos que queremos retirarnos P% cada período (nuevamente asumimos que los períodos aquí son trimestres) y cuenta, satisfaciendo así las necesidades del comerciante. Por lo tanto, si un operador necesita $X por día para cubrir sus necesidades, ya sean gastos de manutención o de otro tipo, estos pueden ser satisfecho sin sabotear las matemáticas de la cuenta al establecer y administrar una cuenta de depósito a la vista de reserva, y compartir promediar fondos periódicamente desde el programa de negociación hasta este cuenta de reserva. Luego, el comerciante realiza retiros regulares de una cantidad constante cantidad en dólares de esta cuenta de reserva. Por supuesto, los retiros regulares de dólares deben ser por un monto menor Si el patrimonio de la cuenta se estanca, ¿durante cuántos períodos, N, debemos que la cantidad más pequeña transferida desde la cuenta comercial a la realizar estas transferencias de capital hasta que el capital activo sea igual a 0. La solución cuenta de reserva. Por ejemplo, si estamos viendo una cuenta de $500,000, viene dada por la ecuación (8.03): Estamos retirando 1% por mes y comenzamos con 20% de capital activo inicial, entonces (8.03) N = ln(INACTIVO)/ln(lP) sabemos que nuestro retiro más pequeño del mercado dónde P = El porcentaje periódico del patrimonio total de la cuenta que será transferidos del patrimonio activo al inactivo. INACTIVO = El porcentaje inactivo del capital de la cuenta. N = El número de periodos que tardará el programa en finalizar si el patrimonio se estanca. Nuevamente, supongamos que el capital inactivo inicial se asigna en un 80%. y que estás sacando un 2,20672315% trimestral. Por lo tanto, la cuenta será 0,01*500.000*(1­.2) = 0.01*500.000*0.8 = $4.000. Por lo tanto, nuestro constante retiro de dólares de la cuenta de reserva debería ser por un monto no mayor a $4,000. La cuenta de reserva también puede ser la subcuenta inactiva. Antes de pasar a la cuarta técnica de asignación de activos, hay una cierta Es necesario aclarar la confusión. Con el comercio fraccional fijo óptimo, usted Puedes ver que agregas más y más contratos cuando tu capital aumenta, y viceversa cuando disminuye. Esta técnica hace el mayor crecimiento geométrico de su patrimonio en el largo plazo. El número de períodos, trimestres en este caso, necesarios hasta que finalice el programa si el patrimonio se estanca es: norte = ln(.8)/ln(l­.0220672315) = ln(.8)/ln(.9779327685) = ­.223143/­ .0223143 = 10 Para los valores indicados, el programa necesitaría 10 períodos. para terminar. El promedio de acciones nos sacará de una cartera con el tiempo a un precio superior al ¿POR QUÉ REASIGNAR? La reasignación parece hacer justo lo contrario de lo que queremos hacer en que la reasignación se recorta después de un aumento en el capital o agrega más capital a la parte activa después de un período en el que el patrimonio se haya agotado. La reasignación es un compromiso entre el ideal teórico y la implementación en la vida real. Estas técnicas nos permiten aprovechar al máximo esta promedio, del mismo modo que el promedio en dólares nos sacará de una cartera a lo largo del tiempo. compromiso. tiempo a un costo inferior al promedio. Consideremos ahora que la mayoría de la gente hace sólo lo Lo ideal sería que nunca lo reasignaras. Cuando tu pequeño y humilde lo contrario de esto, por lo tanto, están entrando y saliendo de una cartera en Si una cuenta de 10.000 dólares creciera a 10 millones de dólares, nunca pasaría por una Precios peores que el promedio. Cuando alguien abre una cuenta para operar, reasignación. Lo ideal sería aguantar la reducción que hizo que su cuenta volviera a bajar a arrojan todo el capital comercial y simplemente comienzan a operar. Cuando ellos $50,000 desde la marca de $10 millones antes de que se disparara. Si desea agregar fondos, casi siempre los agregará de una sola vez. a 20 millones de dólares. Idealmente, si su capital activo se redujera a 1 bloques de efectivo, incapaces de realizar depósitos iguales en dólares a lo largo del tiempo. dólar, aún podría negociar un contrato fraccionado (¿un "microcontrato"?). En un mundo ideal, Un comerciante que intenta vivir de las ganancias comerciales generalmente se retirará. todas estas cosas serían posibles. En suficiente dinero de la cuenta periódicamente para cubrir su sustento vida real, vas a reasignar en algún momento al alza o al alza. gastos, independientemente del porcentaje de su cuenta que esto constituya. Abajo. Dado que vas a hacer esto, también podrías hacerlo en Esto es exactamente lo que no debería hacer. Supongamos que el comerciante vive una manera sistemática y beneficiosa. los gastos son constantes de un mes a otro, por lo que está retirando una cantidad constante en dólares. Al hacer esto, está logrando exactamente Al reasignar o comprometer, se "restablecen" las cosas a un estado estaría si estuviera iniciando el programa de nuevo, sólo que en Lo opuesto al promedio de acciones en el sentido de que retirará un porcentaje mayor de sus un nivel de patrimonio diferente. Luego dejas que el resultado de la negociación dicte fondos cuando el saldo de la cuenta sea menor, y un porcentaje menor de sus fondos. hacia dónde flota la fracción utilizada mediante el uso de una aleta fraccionaria dinámica porcentaje cuando el saldo de la cuenta es mayor. En resumen, él está lentamente entre reasignaciones. Las cosas se pueden apalancar terriblemente rápido, incluso salir de la cartera (o de una parte de ella) con el tiempo a un precio inferior al promedio. cuando comienza con una asignación de capital activa de sólo el 20%. Recuerde, está utilizando la f óptima completa en este 20%, y si su programa funciona modestamente bien, en poco Más bien, el comerciante debería retirar un porcentaje constante (del total tiempo estará operando en cantidades sustanciales en relación con el capital total de la cuenta. capital de la cuenta, activo más inactivo) cada mes. Los fondos retirados se puede depositar en una cuenta intermedia, una simple cuenta de depósito a la vista. Luego, de esta cuenta de depósito a la vista, el comerciante puede retirar una cantidad constante SEGURO DE CARTERA – LA CUARTA TÉCNICA DE REASIGNACIÓN en dólares cada mes para cubrir sus gastos de manutención. si el comerciante si omitiéramos esta cuenta intermedia y retiraramos un dólar constante cantidad directamente de la cuenta comercial, causaría las ideas de el promedio de acciones y el promedio en dólares van en su contra. Recuerde del Capítulo 2 la observación de que cuando opera a los niveles óptimos de f que puede esperar estar en el peor de los casos 35 al 55% del período de tiempo que está considerando. Generalmente, esto no se sienta bien con la mayoría de los comerciantes. La mayoría de los traders quieren o necesitan una curva de capital mucho más suave, ya sea para satisfacer las necesidades de sus gastos de subsistencia o por otras razones más emocionales. ¿A qué comerciante no le gustaría ganar dinero estable? ¿X$ por día por el trading? Este principio del 35 al 55% es cierto sobre una base f óptima completa y, por lo tanto, también es cierto sobre una base f fraccional dinámica. pero no es cierto sobre una base estática fraccionaria f. Dado que la dinámica es asintóticamente mejor que su contraparte estática fraccional f, podemos esperar esto Principio del 35 al 55% que se nos aplicará si vamos a operar con nuestra cuenta Supongamos por un momento que está administrando un fondo de acciones. Figura 8­ 2 muestra una estrategia típica de seguro de cartera (también conocida como dinámica cobertura). El mínimo en este ejemplo es el valor actual de la cartera de 100 (dólares por acción). La cartera típica sigue el mercado de valores 1 para 1. Esto está representado por la línea continua. La cartera asegurada se representa aquí con la línea de puntos. Tenga en cuenta que la línea de puntos está debajo de la línea continua cuando la cartera está en o por encima de su valor inicial (100). Este La diferencia representa el costo del seguro de cartera. De lo contrario, como la cartera cae en valor, el seguro de cartera proporciona un piso en el valor de la cartera a un valor mínimo deseado (en este caso el valor actual valor de 100) menos el costo de realizar la estrategia. En pocas palabras, el seguro de cartera es similar a comprar una opción de venta sobre el portafolio. Supongamos que el fondo que está administrando consta de solo 1 Machine Translated by Google acción, que actualmente tiene un precio de 100. Comprar una opción de venta sobre Operacionalmente, los administradores de fondos de acciones han utilizado esta acción, con un precio de ejercicio de 100, a un costo de 10, replicaría la línea de métodos no invasivos de cobertura dinámica. Esta técnica implica no tener que negociar puntos en la Figura 8­2. Lo peor que le podría pasar ahora a su cartera de 1 acción y la cartera de efectivo. Más bien, la cartera en su conjunto se ajusta a lo que debería ser una opción de venta sobre ella es que podría ejercer la opción de venta, lo que vende el delta actual según lo dictado por el modelo mediante el uso de futuros y, a veces, sus acciones a 100, y perdería el valor de la opción de venta, 10. opciones de venta. Uno de los beneficios de utilizar futuros son los bajos costos de Por lo tanto, lo peor que puede valer esta cartera es 90, sin importar cuán abajo llegue transacción. Vender futuros en corto contra la cartera equivale a vender parte de la la acción subyacente. cartera y ponerla en efectivo. A medida que la cartera cae, se venden más futuros y, a En pocas palabras, el seguro de cartera es similar a comprar una opción de venta sobre la cartera. Supongamos que el fondo que está administrando consta de solo una medida que sube, se cubren estas posiciones cortas. La pérdida de la cartera a medida que sube y se cubren las posiciones cortas de futuros acción, cuyo precio actual es de 100. Comprar una opción de venta sobre esta acción, es lo que explica el costo del seguro de la cartera, el costo de las opciones de venta con un precio de ejercicio de 100, a un costo de 10, replicaría la línea de puntos en la replicadas. Sin embargo, la cobertura dinámica tiene la ventaja de permitirnos estimar Figura 8. ­2. Lo peor que le podría pasar ahora a su cartera de 1 acción y una opción de cerca este costo desde el principio. Para los administradores que intentan implementar de venta sobre ella es que podría ejercer la opción de venta, lo que vende sus acciones dicha estrategia, permite que la cartera permanezca intacta mientras se realizan los a 100, y perdería el valor de la opción de venta, 10. cambios apropiados en la asignación de activos a través de operaciones de futuros y/u Por lo tanto, lo peor que puede valer esta cartera es 90, sin importar cuán abajo llegue opciones. Esta técnica no invasiva de utilizar futuros y/u opciones permite separar la la acción subyacente. Por el lado positivo, su cartera asegurada sufre un poco porque el asignación de activos y la gestión activa de la cartera. valor de la cartera siempre se reduce por el costo de la opción de venta. Para implementar un seguro de cartera, debe ajustar continuamente la cartera al delta apropiado. Esto significa que, digamos cada día, debe ingresar en el modelo de 160 Valor total de la cartera valoración de opciones el valor actual de la cartera, el momento de vencimiento, los niveles de tasas de interés y la volatilidad de la cartera para determinar el delta de la opción de venta que está tratando de replicar. Sumar este delta (que es un número entre 140 0 y ­1) a 1 le dará el delta de la llamada correspondiente. Este es el índice de cobertura, el porcentaje que usted debe invertir en el fondo. Debe asegurarse de mantenerse lo 120 más cerca posible de este índice de cobertura. 100 Supongamos que su ratio de cobertura en este momento es 0,46. Digamos que el 80 tamaño del fondo que gestiona equivale a 50 contratos de futuros del S&P. Dado que Cartera asegurada 60 40 solo desea invertir el 46%, desea desinvertir el 54%. El cincuenta y cuatro por ciento de 50 contratos son 27 contratos. Por lo tanto, al nivel actual de precios del fondo, en este Cartera no asegurada momento, para la tasa de interés y los niveles de volatilidad dados, el fondo debería estar corto en 27 contratos S&P junto con su posición larga en acciones en efectivo. Debido a que es necesario volver a calcular el delta de forma continua y monitorear 20 constantemente los ajustes de la cartera, la estrategia se denomina estrategia de cobertura dinámica. 0 60 70 80 90 100 110 120 130 140 Valor subyacente de la cartera Figura 8­2 Seguro de cartera. Claramente, observando la Figura 8­2 y considerando la ecuación fundamental para la negociación, la TWR estimada de la Ecuación (1.19c), se puede ver intuitivamente que una cartera asegurada es superior a una cartera no asegurada en un sentido asintótico. En otras palabras, si eres tan inteligente como tu error más tonto, has puesto un límite a ese error más tonto mediante el seguro de cartera. Un problema con el uso de futuros en la estrategia es que el mercado de futuros no sigue exactamente al mercado de efectivo. Además, es posible que la cartera contra la que vende futuros no siga exactamente el índice de efectivo con el que se negocia el mercado de futuros. Estos errores de seguimiento pueden aumentar los gastos de un programa de seguro de cartera. Además, cuando la opción que se está replicando está muy cerca de su vencimiento y el valor de la cartera está cerca del precio de ejercicio, la gamma de la opción replicada aumenta astronómicamente. Gamma es la tasa de cambio instantánea del delta o índice de cobertura. En otras palabras, gamma es el delta del delta. Si el delta cambia muy rápidamente (es decir, si la opción replicada tiene una gamma alta), el seguro de cartera se vuelve cada vez más complicado de realizar. Ahora considere que estar largo en una opción de compra le dará el mismo perfil que estar largo en el subyacente y en largo en una opción de venta con el mismo precio Existen numerosas formas de solucionar este problema, algunas de las cuales son muy de ejercicio y fecha de vencimiento que la opción de compra. Aquí, cuando hablamos sofisticadas. Uno de los más simples implica no sólo intentar igualar el delta de la opción del mismo perfil, nos referimos a una posición equivalente en términos de características replicada, sino también utilizar futuros y opciones juntos para igualar tanto el delta como de riesgo/recompensa a diferentes valores del subyacente. Por lo tanto, la línea de la gamma de la opción replicada. puntos en la Figura 8­2 también puede representar una cartera compuesta por Nuevamente, esta gamma alta generalmente se convierte en un problema sólo cuando simplemente estar en posición larga en la opción de compra 100 al vencimiento. Así es como funciona la cobertura dinámica para brindar seguro de cartera. Suponga que compra 100 acciones de una sola acción para su fondo, a un precio de 100 dólares por acción. Ahora replica la opción de compra utilizando esta acción el vencimiento se acerca y el valor de la cartera y el precio de ejercicio de la opción replicada están muy cerca. Existe una relación muy interesante entre f óptima y el seguro de cartera. Cuando ingresa a una posición, puede afirmar que el f por ciento de sus fondos está invertido. subyacente. Para ello, determine un piso inicial para las acciones. El piso que elige es, Por ejemplo, considere un juego de apuestas en el que su f óptima es 0,5, su mayor digamos, 100. También determina una fecha de vencimiento para la opción hipotética pérdida es ­1 y su saldo es de 10.000 dólares. En tal caso, apostaría $1 por cada $2 de que va a crear. Digamos que la fecha de vencimiento que elija es la fecha en la que su apuesta, ya que ­1, la mayor pérdida, dividida por ­0,5, la f óptima negativa, es 2. finaliza este trimestre. Dividir $10,000 entre 2 produce $5,000. Por lo tanto, apostaría $5.000 en la siguiente Ahora calcula el delta para esta opción de compra de 100 con la fecha de apuesta, que es el f por ciento, 50%, de su presupuesto. Si hubiera multiplicado nuestros vencimiento elegida. Puede usar la ecuación (5.05) para encontrar el delta de una fondos de $10 000 por f, 0,5, habría llegado al mismo resultado de $5 000. Por lo tanto, opción de compra sobre una acción (puede usar el delta para cualquier modelo de ha apostado el f por ciento de nuestros fondos. opción que esté usando; aquí estamos usando el modelo de opciones sobre acciones de Black­Scholes). Supongamos que el delta es 0,5. Esto significa que debe invertir el Del mismo modo, si su mayor pérdida fuera de $250 y todo lo demás siguiera 50% en la acción determinada. Por lo tanto, tendría sólo 50 acciones en lugar de las 100 igual, estaría haciendo 1 apuesta por cada $500 en su saldo (ya que ­$250/­.5 = $500). que tendría si no estuviera practicando un seguro de cartera. A medida que aumenta el valor de las acciones, también aumentará el delta y, del mismo modo, el número de Dividir $10,000 entre $500 significa que harías 20 apuestas. Dado que lo máximo que puede perder en cualquier apuesta es $250, ha arriesgado el f por ciento, el 50% de acciones que posee. El límite alcista es un delta en 1, donde estaría invertido al 100%. nuestra apuesta, al arriesgar $5,000 ($250*20). Por tanto, podemos afirmar que f es En nuestro ejemplo, con un delta de 1 tendrías 100 acciones. A medida que el precio de igual al porcentaje de nuestros fondos en riesgo, o f es igual al índice de cobertura. Dado las acciones disminuye, también lo hace el delta y también el tamaño de su posición en que f solo se aplica a la parte activa de nuestra cartera en una estrategia f fraccionaria la acción. El límite a la baja está en un delta de 0 (donde el delta de venta es ­1), en dinámica, el índice de cobertura de la cartera es: cuyo punto no tendría ninguna posición en la acción. Machine Translated by Google (8.04a) H = f*A/E dónde H = El ratio de cobertura de la cartera. f = La f óptima (0 a 1). en patrimonio activo es igual al delta de la opción de compra dividido por f determinado en la Ecuación (8.05). Sin embargo, notarás que si D es mayor que f, entonces sugiere que asigne más del 100% del patrimonio de una cuenta como activo. Como esto no es posible, existe un límite superior del 100% del capital de la cuenta que puede usarse como capital activo. Puede A = La porción activa de los fondos en una cuenta. utilizar la ecuación (5.05) para encontrar el delta de una opción de compra en un E = El patrimonio total de la cuenta. acciones, o la ecuación (5.08) para encontrar el delta de una opción de compra sobre un futuro. La ecuación (8.04a) nos da el índice de cobertura para una cartera que se negocia con una estrategia dinámica fraccional f. El seguro de cartera también está en juego El problema de implementar el seguro de cartera como técnica de reasignación, como se detalla aquí, es que la reasignación se produce constantemente. Esto resta valor al en una estrategia f fraccionaria estática, sólo el cociente A/E es igual a 1, y el hecho de que una estrategia f fraccionaria dinámica El valor de f, el f óptimo, se multiplica por cualquier valor que estemos usando. dominará asintóticamente una estrategia f fraccionaria estática. Como resultado, por la fracción de descuento. Por lo tanto, en una estrategia estática fraccional f el índice de cobertura tratando de dirigir el desempeño a través del seguro de cartera como una dinámica es: La estrategia de reasignación fraccionada probablemente no sea tan buena idea. Sin (8.04b) H = f*FRAC embargo, cada vez que utiliza f fraccional dinámica, está empleando cartera seguro. dónde H = El ratio de cobertura de la cartera. Ahora cubrimos un ejemplo de seguro de cartera. Recuerde nuestra cartera geométrica óptima de Toxico, Incubeast y LA Garb. Encontramos f = La f óptima (0 a 1). la cartera geométrica óptima existe en V = .2457. Ahora debemos convertir esta variación FRAC = La fracción de f óptima que estás usando. de la cartera en el dato de volatilidad para el precio de la opción. Dado que normalmente hay más de un sistema de mercado funcionando en un modelo. Recuerde que esta entrada se describe como la desviación estándar anualizada. cuenta, debemos dar cuenta de esto. Cuando este es el caso, la variable fin La ecuación (8.07) nos permite convertir entre la varianza de la cartera y la estimación de La ecuación (8.04a) o (8.04b) debe calcularse como: volatilidad de una opción sobre la cartera: (8.05) f = ∑[i = 1,N]fi*Wi (8.07) OV = (V^.5)*ACTV*AÑODÍAS^.5 dónde dónde f = La f (0 a 1) que se ingresará en la ecuación (8.04a) o (8.04b). OV = El dato de volatilidad de una opción en la cartera. N = El número total de sistemas de mercado en la cartera. V = La varianza de la cartera. Wi = La ponderación del iésimo componente de la cartera (del ACTV = La porción de capital activa actual de la cuenta. matriz de identidad). fi = El factor f (0 a 1) del iésimo componente de la cartera. Podemos afirmar que al negociar una cuenta sobre una base f fraccionaria dinámica estamos realizando un seguro de cartera. Aquí, el suelo es igual a la patrimonio inactivo inicial más el costo de realizar el seguro. Sin embargo, a menudo es más sencillo referirse al piso de una estrategia f fraccionaria dinámica simplemente como el patrimonio inactivo inicial de una cuenta. Podemos afirmar que la ecuación (8.04a) o (8.04b) es igual al delta de la YEARDAYS = El número de días de mercado en un año. Si asumimos un año de 251 días de mercado y un porcentaje de capital activo del 100% (1,00) en aras de la simplicidad: OV = (.2457^.5)*1*251^.5 = .4956813493*15.84297952 = 7.853069464 ¡Esto corresponde a una volatilidad superior al 785%! Recuerde, este es el volatilidad anualizada de la cartera que se negocia en el nivel f óptimo con el 100% de la cuenta designada como patrimonio activo. Como resultado, nosotros opción de compra de los términos utilizados en el seguro de cartera. Además, encontramos que vamos a obtener lecturas de volatilidad muy altas. Ya que vamos a este delta cambia en gran medida la forma en que cambia una opción de compra que está demostrar el seguro de cartera como técnica de reasignación, debemos utilizar 1,00 como valor de ACTV. muy fuera de dinero y muy lejos de su vencimiento. Así, utilizando una constante cantidad en dólares inactiva, negociando una cuenta en un f fraccionario dinámico estrategia equivale a poseer una opción de venta sobre la cartera que sea profunda dentro del dinero y muy lejano en el tiempo. De manera equivalente, podemos afirmar que Operar con una estrategia f fraccionaria dinámica es lo mismo que poseer una opción de compra en la cartera que no vence en mucho tiempo y es muy lejos del dinero, en lugar de la cartera en sí. Esta cualidad, esta relación con el seguro de cartera, es cierto para cualquier f fraccional dinámica estrategia, ya sea que estemos utilizando el promedio de acciones, la planificación de escenarios o la utilidad para los inversores. También es posible utilizar el seguro de cartera como técnica de reasignación para "dirigir" en cierta medida el desempeño. Esta dirección puede ser análoga. La ecuación (5.05) nos dará la delta de una opción de compra particular como: (5.05) Llamada Delta = N(H) El término H en (5.05) viene dado por (5.03) como: (5.03) H = ln(U/(E*EXP(­R*T)))/(V*T^(1/2))+(V*T^(l/2))/2 U = El precio del instrumento subyacente. E = El precio de ejercicio de la opción. T = Fracción decimal del año al vencimiento. V = La volatilidad anual en porcentaje. R = La tasa libre de riesgo. intentar dirigir un camión cisterna con el remo de un bote de remos, pero ésta es una ln() = La función del logaritmo natural. técnica de reasignación válida. El método consiste en configurar parámetros para el programa. N() = La función de densidad normal acumulativa, como se indica en la ecuación inicialmente. Primero debe determinar un valor mínimo. Una vez elegido esto, debe decidir la fecha de vencimiento, el nivel de volatilidad y otros parámetros de entrada para el modelo de opción particular que desea utilizar. Estas entradas le darán las opciones delta en cualquier momento dado. Una vez conocido el delta, puedes determinar cuál es tu patrimonio activo. debiera ser. Dado que el delta de la cuenta, la variable H en la ecuación (8.04a), debe ser igual al delta de la opción de compra que se replica, D, tenemos Puede reemplazar H en la ecuación (8.04a) con D: D = f*A/E Por lo tanto: (8.06) D/f = A/E si D < f (en caso contrario A/E = 1) dónde (3.21). Tenga en cuenta que aquí estamos utilizando el modelo de fijación de precios de opciones sobre acciones. Nosotros Ahora use nuestra respuesta para OV como entrada de volatilidad, V, en la ecuación (5.03). Si asumimos que la tasa libre de riesgo, R, es del 6% y la fracción decimal de el año que queda hasta el vencimiento, T, es .25, la ecuación (5.03) produce: H = ln(100/(100*EXP(­ .06*.25)))/(7.853069464*.25^.5)+(7.853069464*.25^.5)/ 2 = ln(100/ (100*EXP(­.015)))/(7.853069464* .5)+(7.853069464*.5)/2 = ln(100/(100*.9851119396))/ (7.853069464*.5)+(7.853069464*.5)/2 = ln( 100/98.51119396) ∕ 3.926534732 + 3.926534732/2 = ln( 1.015113065) ∕ 3.926534732+1.963267366 = .015 13.926534732+1.963267366 D = El índice de cobertura de la opción de compra que se replica. f = La f (0 a 1) de la Ecuación (8.05). A = La porción activa de los fondos en una cuenta. E = El patrimonio total de la cuenta. Dado que A/E es igual al porcentaje de capital activo, podemos afirmar que el porcentaje del total de fondos de capital de la cuenta que deberíamos tener = .00382+1.963267366 = 1,967087528 Esta respuesta representa la porción H de (5.05). ahora debemos correr esto a través de la Ecuación (3.21) como la variable Z para obtener la llamada real delta: Machine Translated by Google (3.21) N(Z) = 1­N'(Z)*((1.330274429*Y^5)­ Si está utilizando una estrategia f fraccionaria estática o dinámica, se encontrará con una (1,821255978*Y^4)+(1,781477937*Y^3)­ llamada de margen si la fracción es demasiado alta. (.356563782*Y^2)+(.31938153*Y)) dónde Y = 1/(1+.2316419*ABS(Z)) N'(Z) = .398942*EXP(­(Z^2/2)) De este modo: Y = 1/ (1+.2316419*ABS(1.967087528)) = 1/(1+ Cuando se negocia una cartera de sistemas de mercado, el problema de una La llamada de margen se vuelve aún más probable. Con una cartera sin restricciones, la suma de los pesos suele ser considerablemente mayor que 1. Cuando comerciar sólo con 1 sistema de mercado, el peso es, de facto, 1. Si la suma de los pesos de un sistema de mercado con el que está operando es, digamos, 3, entonces la probabilidad de una llamada de margen es 3 veces mayor que si estuviera operando solo 1 mercado. .4556598925) = 1/1.4556598925 = .6869736574 Ahora resolviendo el término N'( 1.967087528) N'(1.967087528) = .398942*EXP(­(1.967087528 ^ 2/2)) Lo que se necesita es una manera de conciliar cómo crear una cartera óptima dentro de los límites de los requisitos de margen de los componentes. en la cartera. Esto se puede encontrar muy fácilmente. La manera de lograr esto es para encontrar qué fracción de descuento puedes usar como límite superior. Este límite superior, U, viene dado por la ecuación (8.08) como: (8.08) U = ∑[i = 1,N]fi$/((∑[i = 1,N] margeni$)*N) = .398942*EXP(­(3.869433343/2)) dónde = .398942*EXP(­1.934716672) = .398942*.1444651941 = .05763323346 U = La fracción positiva de Ј En esta fracción particular, estás negociar la cartera óptima de la manera más agresiva posible sin incurrir en una llamada de margen inicial. Ahora, reemplazando los valores de Y y N' (1.967087528) en (3.21) para fi$ = Los fs óptimos en dólares para el iésimo sistema de mercado. Obtenga el delta de llamada real dado por la ecuación (5.05): margini$ = El requisito de margen inicial del iésimo sistema de mercado. N(Z) = 1­.05763323346*((1.330274429*.6869736574^5)­ N = El número total de sistemas de mercado en la cartera. (1.821255978*.6869736574^4)+(1.781477937*.6869736574^3)­ (.356563782*.6869736574^2)+(.31938153*.6869736574)) = Si U es mayor que 1, entonces use 1 como respuesta para U. Por ejemplo, supongamos que tenemos una cartera con los tres sistemas de mercado de la siguiente manera, 1­.05763323346*((1.330274429*.1530031)­ con las siguientes fs óptimas en dólares para los tres sistemas de mercado y (1.821255978*.2227205)+(1.781477937*.3242054)­ los siguientes requisitos de margen inicial. (Nota: los f$ son los óptimos (.356563782*.4719328)+(.31938153*.6869736)) = fs en dólares para cada sistema de mercado del portafolio. Esto representa el 1­.05763323346*(.2035361115­.405631042+­5775647672­ f$ óptimo individual del sistema de mercado dividido por su ponderación en el .168274144+.2194066794) = portafolio): 1­.05763323346*.4266023721 Margen inicial Sistema de mercado f$ A $2 500 $2 000 $2 = 1­.02458647411 = .9754135259 Por lo tanto, tenemos un delta de 0,9754135259 en nuestra hipotética opción de compra B 000 $2 000 $3 000 C $2 000 $7 500 $6 sumas para una cartera que cotiza a un precio del 100%, con un precio de ejercicio de 100%, con 0,25 años restantes hasta el vencimiento, una tasa libre de riesgo del 6% y una volatilidad de esta cartera del 785,3069464%. Ahora recuerde que la suma de los pesos de este óptimo geométrico numerador, que es $7,500, y dividir por la suma del margen inicial requisitos, $6,000, multiplicado por el número de mercados, N, que es 3: U = $7,500/($6,000*3) = 7500/18,000 = .4167 cartera compuesta por Toxico, Incubeast y LA Garb, según ecuación (8,05), es 1,9185357. Por lo tanto, según la ecuación (8.06), reasignaríamos a 50.84156244% (.9754135259/1.9185357) patrimonio activo si estuviéramos usando Seguro de cartera para reasignar. "¿Cuál es el costo de este seguro?" Eso depende de la volatilidad que realmente se Por lo tanto, podemos determinar que, como límite alcista, nuestra fracción de descuento no puede exceder el 41,67% en este caso (es decir, si empleamos una estrategia f fraccionaria dinámica). Por lo tanto, debemos reasignar cuando nuestro patrimonio activo dividido por nuestro patrimonio total en la cuenta sea igual o superior .4167. observará durante la vida de la opción replicada. Por ejemplo, si el capital de la cuenta no fluctuara en absoluto durante el vida de la opción replicada (volatilidad igual a 0), la opción replicada, el seguro, no nos costaría nada. Este es un gran beneficio para la cartera. seguro versus compra directa de una opción de venta (suponiendo que hubiera una disponible en nuestra cartera). Pagamos el precio teórico real de la opción. para la volatilidad realmente encontrada, no la volatilidad percibida por el mercado antes del hecho, como sería el caso al comprar realmente la opción de venta. Además, comprar realmente la opción de venta (nuevamente asumiendo había uno disponible) implica un diferencial entre oferta y demanda que se evita replicando la opción. Sin embargo, si todavía estás empleando una estrategia f fraccionaria estática (a pesar de mis protestas), entonces lo más alto que debes establecer para esa fracción es .4167. Esto lo ubicará en la frontera eficiente geométrica sin restricciones, a la izquierda de la cartera óptima, pero lo más a la derecha posible. sin encontrar una llamada de margen. Para ver esto, supongamos que tenemos una cuenta de $100.000. Establecemos nuestros valores f fraccionarios en una fracción óptima de 0,4167. Por lo tanto para cada mercado sistema: 1.4167 = Nuevo f$ Sistema de mercado f$ A $2,500 $6,000 B C LA RESTRICCIÓN DEL MARGEN He aquí un problema que surge continuamente cuando tomamos cualquiera de 000 Ahora, según la ecuación (8.08), usamos la suma de la columna f$ en la $2,000 $4,600 $3,000 $7,200 Para una cuenta de $100,000, negociaremos 16 contratos del sistema de mercado A (100.000/6.000), 20 contratos del sistema de mercado B (100.000/4.800), las técnicas de comercio fraccionario fijo fuera de su contexto teórico y y 13 contratos del sistema de mercado C (100.000/7.200). La resultante aplicarlo en el mundo real. Hemos visto que cada vez que se agrega un sistema de mercado El requisito de margen para dicha cartera es: adicional a la cartera, siempre que el coeficiente de correlación lineal de los cambios diarios 16*$2000 = $32000 20*2000 = 40000 13*2000 = 26000 de las acciones entre ese sistema de mercado y otro sistema de mercado en la cartera sea menor que +1, el la cartera está mejorada. Es decir, la media geométrica de las HPR diarias aumenta. Por lo tanto, es lógico que quieras tener tantos sistemas de mercado como sea posible en una cartera. Naturalmente, en algún momento las consideraciones sobre los márgenes se convierten en un problema. Incluso si está operando sólo con 1 sistema de mercado, las consideraciones de margen muchas veces puede ser un problema. Consideremos que los dólares finitos óptimos son muy a menudo diez veces menores que los requisitos de margen iniciales para un mercado determinado. Ahora, dependiendo de qué fracción de f estés usando en este momento, si Requisito de margen inicial $96,000 Observe que al usar esta fórmula (8.08) se obtiene la fracción más alta para f (sin incurrir en una llamada de margen inicial) que le brinde los mismos índices de los diferentes sistemas de mercado entre sí. Por tanto, la ecuación (8.08) devuelve la cartera óptima sin restricciones en su estado menos diluido sin incurrir en una llamada de margen inicial. Observe en el ejemplo citado anteriormente que si está operando con una estrategia f fraccionaria, el valor devuelto por la ecuación (8.08) es la fracción máxima para f que puede alcanzar sin incurrir en un margen inicial. llamar. Consideremos nuevamente una cuenta de $100.000. Supongamos que en algún momento, cuando Machine Translated by Google Abriste esta cuenta y tenía $70,000. Supongamos además que de eso kets para los sistemas en este momento. Por ejemplo, algunos operadores pueden preferir $ 70 000 iniciales, asignó $ 58 330 como capital inactivo. Por lo tanto, inicialmente comenzó con monitorear la volatilidad en todos los mercados de futuros y operar solo un porcentaje de aproximadamente 83:17 entre inactivos y aquellos mercados cuya volatilidad excede una determinada cantidad. A veces y equidad activa. Ha negociado la parte activa al máximo óptimo estarán en muchos mercados, a veces no estarán en ninguno. Más, valores f. Ahora su cuenta asciende a $100,000. Todavía te quedan $58,330 Los mercados en los que se encuentran cambian constantemente. Esta composición cambiante como patrimonio inactivo, por lo tanto su patrimonio activo es $41,670, que es parece ser un problema particular para los administradores de fondos de acciones. .4167 de su patrimonio total. Esta debería ser ahora la fracción máxima ¿Cómo podemos gestionar algo así y seguir teniendo la cartera óptima? puede utilizar la relación máxima entre capital activo y total, sin incurrir en una llamada de margen. La solución es realmente bastante sencilla. Cada vez que se agrega o Recuerde que está operando en los niveles f completos. Por lo tanto, negociará 16 contratos del eliminado del portafolio, el nuevo óptimo geométrico sin restricciones sistema de mercado A (41.670/2.500), 20 La cartera se calcula como se detalla en este capítulo. Cualquier ajuste a las posiciones existentes contratos del sistema de mercado B (41.670/2.000), y 13 contratos de mercado en términos de la cantidad que debería estar disponible a la luz de la sistema C (41.670/3.000). El requisito de margen resultante para tal También se debe crear un sistema de mercado recién agregado o eliminado. cartera es: 16*$2,000 = $32,000 20*2,000 = 40,000 13* 2,000 = 26,000 En pocas palabras, está bien tener una cartera en constante cambio en términos de componentes. El objetivo del gestor de una cartera de este tipo, Requisito de margen inicial $96,000 Sin embargo, es hacer que la cartera sea siempre la geométrica sin restricciones. Nuevamente podemos ver que esto lo está empujando tanto como sea posible sin óptimo de los componentes involucrados y mantener el patrimonio inactivo incurrir en una llamada de margen, ya que tenemos $100,000 de capital total en la cuenta. cantidad constante. Al hacerlo, se puede gestionar una composición de cartera en constante cambio de una manera asintóticamente óptima. Recuerde del Capítulo 2 el hecho de que agregar más y más mercado Existe un problema potencial con este tipo de negociación desde el punto de vista de la Los sistemas dan como resultado medias geométricas cada vez más altas para la cartera. cartera. Un ejemplo puede ayudar a ilustrar. Imaginemos dos mercados altamente correlacionados, como un todo. Sin embargo, existe una contrapartida en el sentido de que cada sistema de mercado añade como el oro y la plata. Ahora imagina que tu sistema marginalmente menos beneficio para la media geométrica, pero marginalmente más opera con tan poca frecuencia que nunca ha tenido una posición en ambos detrimento en forma de pérdida de eficiencia debido a operaciones simultáneas en lugar de mercados el mismo día. Cuando se determinan los coeficientes de correlación de los cambios resultados secuenciales. Por lo tanto, usted no desea negociar un infinito diarios del capital, es muy posible que la correlación número de sistemas de mercado. Es más, carteras teóricamente óptimas El coeficiente que mostrarás entre el oro y la plata es 0. Sin embargo, si en encontrarse con el problema de las restricciones de margen en aplicaciones de la vida real. En otra En el futuro, usted opera en ambos mercados simultáneamente, puede esperar que tengan una En otras palabras, es mejor que opere con 3 sistemas de mercado al máximo nivel óptimo. alta correlación positiva. niveles que comerciar 300 sistemas de mercado a niveles dramáticamente reducidos como Para resolver este problema, resulta útil editar los coeficientes de correlación teniendo en como resultado de la ecuación (8.08). Por lo general, encontrará que el número óptimo de cuenta este tipo de situación. En resumen, no tengas miedo. sistemas de mercado para negociar, especialmente cuando tiene muchas órdenes que realizar y para editar los coeficientes de correlación hacia arriba. Sin embargo, tenga cuidado al moverse la posibilidad de cometer errores, es sólo un puñado. ellos más bajos. Supongamos que muestra el coeficiente de correlación entre Si uno o más sistemas de mercado en la cartera tienen ponderaciones óptimas mayores que 1, surge un problema potencial. Por ejemplo, supongamos un Los bonos y la soja son 0, pero usted cree que debería ser más bajo, digamos ­0,25. Tú Realmente no debería ajustar los coeficientes de correlación más bajos, ya que los coeficientes sistema de mercado con una f óptima de 0,8 y una pérdida máxima de 4.000 dólares. de correlación más bajos tienden a hacer que aumente el tamaño de la posición. En resumen, si Por lo tanto, f$ es $5,000. Supongamos la ponderación óptima para esto. vas a equivocarte en los coeficientes de correlación, equivocate moviéndolos componente de la cartera es 1,25. Por lo tanto, intercambiará una unidad de hacia arriba en lugar de hacia abajo. Moverlos hacia arriba tenderá a moverse este componente por cada $4000 ($5000/1,25) en el capital de la cuenta. Como la cartera a la izquierda del pico de la curva f de la cartera, mientras que mover los coeficientes Como puede ver, tan pronto como el componente experimente su mayor pérdida, todo el capital de correlación hacia abajo tenderá a moverlo a la derecha de activo de la cuenta desaparecerá (a menos que las ganancias sean suficientes). la curva f de la cartera. en los otros sistemas de mercado para rescatar algo de capital activo). Este problema tiende a surgir en sistemas que comercian con poca frecuencia. Por ejemplo, recuerde que si pudiéramos tener dos sistemas de mercado con una correlación A menudo la gente intenta filtrar las operaciones de manera que estén en un mercado particular durante ciertos momentos y fuera en otros en un intento de reducción inferior. Si la técnica de filtrado funciona, si reduce la reducción negativa perfecta y una expectativa positiva, lo óptimo sería sobre una base de una unidad, entonces la f que es óptima para las operaciones filtradas será tener en un número infinito de contratos. Cuando uno de los componentes ser mayor (y f$ menor) que para toda la serie de operaciones antes del filtrado. Si el comerciante perdido, el otro ganaría una cantidad igual o mayor. Así, haríamos aplica la f óptima sobre toda la serie prefiltrada para Siempre tendrás una ganancia neta en cada jugada. Sin embargo, estos sistemas de mercado En la serie postfiltrada, se encontrará en una fracción f de la serie postfiltrada y, por lo tanto, no siempre están teniendo una obra simultánea. La situación que se está discutiendo es podrá obtener una cartera geométrica óptima. Por otro lado, si el operador aplica la f óptima en la análoga a esta situación hipotética cuando uno de estos componentes serie postfiltrada, puede obtener la cartera geométrica óptima, pero está no está activo en una determinada jugada. Ahora sólo hay un sistema de mercado activo en una jugada determinada, y ese sistema de mercado tiene un número infinito de Volvamos al problema de las grandes reducciones inminentes en f óptima. de contratos. Una pérdida es catastrófica. Parece haber derrotado el propósito de su filtro. La solución es dividir 1 por la ponderación más alta de cualquiera de los Esto ilustra la falacia de los filtros de un sistema de gestión del dinero. componentes de la cartera y utilizar la respuesta como límite superior del patrimonio activo si la punto de vista. Los filtros podrían funcionar (reducir la reducción por unidad) respuesta es menor que la respuesta a la ecuación (8.08). Este sólo porque hacen que el comerciante se encuentre en una fracción del f óptimo. garantiza que si en el futuro se produce una pérdida de la misma magnitud ¿Por qué filtrar? Podríamos afirmar que nos beneficiamos al filtrar si nuestro como la pérdida más grande sobre la cual se derivó f, no borrará la cuenta. Por ejemplo, respuesta a la ecuación fundamental del comercio en operaciones postfiltradas en supongamos que la ponderación más alta de cualquier componente en el óptimo prefiltrado f es mayor que la respuesta a la fundamental nuestra cartera es 1,25. Entonces si la ecuación (8.08) no nos da una respuesta ecuación de negociación en operaciones prefiltradas en el óptimo prefiltrado f. Es Si es inferior a 0,8 (1/1,25), utilizaremos 0,8 como límite superior de nuestro porcentaje de capital Es importante tener en cuenta al hacer dicha comparación que el posfiltrado activo. las operaciones son menos numerosas (tienen un N más bajo) que las operaciones prefiltradas. Es poco probable que esto sea un problema si comienza con un capital activo bajo. porcentaje. Sin embargo, un operador más agresivo puede encontrarse con este problema. Una solución alternativa es establecer restricciones adicionales en la matriz de cartera (como restricciones sobre la ponderación máxima para cada sistema de mercado que se establece en 1, así como restricciones relacionadas con el margen). Estas restricciones adicionales de programación lineal pueden ser ligeramente beneficiosas para el operador agresivo, pero las soluciones matriciales pueden estar involucradas. Se remite nuevamente a los lectores interesados a Childress. MERCADOS ROTATIVOS Muchos comerciantes utilizan sistemas o técnicas que les permiten monitorear muchos mercados todo el tiempo, filtrando lo que consideran el mejor mercado. PARA RESUMIR Hemos visto que operar sobre una base fraccionaria fija genera el máximo dinero en sentido asintótico. Maximiza la relación entre ganancia potencial y pérdida potencial. Una vez que tengamos un valor f óptimo podemos convertir nuestro valor diario cambios de capital en una base de 1 unidad a un HPR, podemos determinar el HPR promedio aritmético y la desviación estándar en esos HPR, y podemos calcular el coeficiente de correlación de las HPR entre dos sistemas de mercado cualesquiera. Luego podemos utilizar estos parámetros como datos de entrada para determinar las ponderaciones óptimas para una cartera óptima. (Ya que estamos usando vehículos apalancados, peso y cantidad no son sinónimos, ya que sería si no hubiera apalancamiento involucrado.) Estas ponderaciones entonces son Machine Translated by Google reflejado nuevamente en los valores f, la cantidad con la que deberíamos financiar cada contrato, su respectiva ponderación; el resultado es el apalancamiento óptimo para cada componente de ya que los valores f se dividen por sus respectivas ponderaciones. Este la cartera. Ahora podemos diluir esta cartera uniéndola con el activo libre de riesgo. Podemos nos da nuevos valores f, que resultan en el mayor crecimiento geométrico diluir la cartera hasta el punto con respecto a las intercorrelaciones de los otros sistemas de mercado y donde realmente no hay ninguna influencia involucrada. Es decir, estamos aprovechando sus ponderaciones. la porción de capital activo de la cartera, pero la porción de capital activo es El mayor crecimiento geométrico se obtiene utilizando ese conjunto de ponderaciones cuya suma no está restringida y cuyo promedio aritmético en realidad tomando prestado su propio dinero, sin intereses, del capital inactivo parte. El resultado es una cartera y un método para agregar y recortar posiciones a medida que HPR menos su desviación estándar en HPR al cuadrado (su varianza) es igual cambia el capital de la cuenta. 1 [Ecuación (7.06c)]. En lugar de diluirse (lo que sólo te pone resulta en el mayor crecimiento geométrico. Como tal método maximiza la más a la izquierda en la frontera eficiente no restringida), como es el caso de una crecimiento geométrico potencial a la pérdida potencial y permite que la pérdida máxima estrategia estática fraccional f, esta cartera se comercializa en su totalidad con solo una aceptable se especifique esencialmente desde el principio, también puede fracción de los fondos en la cuenta. Esta técnica se denomina estrategia f fraccionaria dinámica . Se puede argumentar que es un medio superior para gestionar una cartera de acciones. Los fondos restantes, el capital inactivo, quedan al margen de la actividad que se desarrolla en estos fondos activos. Dado que esta parte activa se negocia a niveles óptimos, las fluctuaciones en este capital activo serán rápidas. Como resultado, en algún momento El actual procedimiento generalmente aceptado para determinar la frontera eficiente no arrojará realmente la frontera eficiente, y mucho menos la cartera que es óptima geométrica (la cartera óptima geométrica siempre se encuentra en la frontera eficiente). Esto sólo puede derivarse incorporando la f óptima. Además, el procedimiento las ventajas o desventajas de las fluctuaciones bursátiles, o en algún momento generalmente aceptado produce una tiempo, probablemente lo encontrará necesario, aunque sólo sea desde un punto de vista emocional. cartera que se negocia sobre una base estática en lugar de sobre una base dinámica, siendo punto de vista, reasignar fondos entre la parte activa y la parte inactiva. este último asintóticamente infinitamente más poderoso. Se han explicado cuatro métodos para hacerlo, aunque otros, posiblemente mejor, pueden existir métodos: UN COMENTARIO DE CIERRE 1. Utilidad para el Inversor. 2. Planificación de escenarios. 3. Promedio de acciones. 4. Seguro de Cartera. El cuarto método, seguro de cartera o cobertura dinámica, es inherente a cualquier estrategia dinámica fraccional f, pero también puede utilizarse como un método de reasignación. Hemos visto además que tomar la cartera óptima geométrica sin restricciones y aplicarla en tiempo real probablemente encontrará un problema en términos de los requisitos de margen inicial. Este problema puede aliviarse determinando un límite superior para el ratio de capital Este es un momento muy emocionante para estar en este campo. Han surgido nuevos conceptos. estado surgiendo casi continuamente desde mediados de los años cincuenta. Hemos sido testigos de una avalancha de grandes ideas de la comunidad académica basadas en el modelo EV. Entre las ideas presentadas ha estado la ES modelo. Con el modelo ES la medida del riesgo es la semivarianza en lugar de de varianza. La semivarianza se define como la variación bajo algún objetivo. obtener el nivel de rendimiento, que podría ser el rendimiento esperado, el rendimiento cero o cualquier otro nivel fijo de rentabilidad. Cuando este nivel objetivo de rendimiento es igual el rendimiento esperado y la distribución de los rendimientos son simétricos (sin asimetría), la frontera eficiente ES es la misma que la eficiente EV frontera. activo. al patrimonio total de la cuenta. 1 Se han presentado otros modelos de cartera utilizando otras medidas. por el riesgo que por la variación en los rendimientos. Otros modelos de cartera han sido presentado utilizando momentos de la distribución de rendimientos más allá del primer APLICACIÓN A LA NEGOCIACIÓN DE VALORES Las técnicas que se han descrito en este libro se aplican no sólo a los comerciantes de futuros, sino a los comerciantes de cualquier mercado. Incluso alguien que comercia con un cartera de acciones de primera línea no es inmune a los principios y las consecuencias discutidas en este libro. Ha visto que dicha cartera de acciones de primera línea tiene un nivel óptimo de apalancamiento donde la relación dos momentos. De particular interés a este respecto han sido los enfoques de dominancia estocástica, que abarcan toda la distribución de rendimientos y, por lo tanto, pueden considerarse el caso límite del análisis de cartera multidimensional a medida que el número de momentos incorporados se aproxima al infinito.2 Este enfoque puede ser particularmente útil cuando el la varianza en los rendimientos es infinita o indefinida. Una vez más, no soy un supuesto académico. Esto no es un alarde ni una Se maximiza la relación entre ganancias potenciales y pérdidas potenciales en el capital. en tal nivel, las reducciones que se esperan también son bastante severas y, por lo tanto, disculpa. No soy más académico que ventrílocuo o televisivo. la cartera debería diluirse, preferiblemente mediante una estrategia dinámica fraccionaria f. luchador. Los académicos quieren un modelo para explicar cómo funcionan los mercados. Como No soy académico, no me importa cómo funcionan. Por ejemplo, muchas personas Todo el procedimiento se puede realizar exactamente como si el stock que se comercializaba era un sistema de mercado de productos básicos. Por ejemplo, supongamos Toxico cotizaba a 40 dólares por acción. El costo de 100 acciones de Toxico. Serían $4.000. Este bloque de 100 acciones de Toxico puede tratarse como 1 contrato del sistema de mercado Toxico. Por lo tanto, si estuviéramos operando en un cuenta de efectivo, podríamos reemplazar la variable margeni$ en la ecuación (8.08) con el valor de 100 acciones de Toxico ($4,000 en este ejemplo). En lo Al hacerlo, podemos determinar el límite superior de la fracción de f para usar tal que nunca tengamos que realizar siquiera el trámite en una cuenta de margen. En la comunidad académica sostienen que la hipótesis del mercado eficiente es defectuoso porque no existe un inversor racional. Ellos discuten que las personas no se comportan racionalmente y, por lo tanto, los modelos de cartera convencionales, como la teoría EV (y sus ramificaciones) y la teoría del activo de capital. modelo de fijación de precios, son modelos pobres de cómo operan los mercados. Mientras yo estar de acuerdo en que la gente ciertamente no se comporta racionalmente, eso no significa que no deberíamos comportarnos racionalmente o que no podemos beneficiarnos comportándonos racionalmente. Cuando la varianza de los rendimientos es finita, ciertamente podemos beneficiarnos al estar en la frontera eficiente. En los últimos años se ha debatido mucho sobre la utilidad de Cuando haga este tipo de ejercicio, recuerde que está replicando una situación de apalancamiento, pero en realidad no hay ningún endeudamiento o préstamo. Por lo tanto, debes utilizar un RFR modelos de cartera actuales a la luz del hecho de que la distribución de la de 0 en cualquier cálculo. los registros de cambios de precios parecen ser paretianos estables con varianza infinita (o (como el índice de Sharpe) que requieren una RFR. Por otro lado, si realizamos el trámite en una cuenta de margen, y si los niveles de margen iniciales son, digamos, 50%, entonces usaríamos un valor de $2 000 para la variable margen de Toxico en (8.08). Tradicionalmente, los administradores de fondos de acciones han utilizado carteras donde el La suma de los pesos se limita a 1. Luego optan por esa cartera. indefinida). Sin embargo, muchos estudios demuestran que los mercados en los últimos años años hemos visto un movimiento hacia la normalidad (por lo tanto, varianza finita) y independencia que asumen los modelos de cartera criticados. 1 Markowitz, Harry, Selección de cartera: diversificación eficiente de las inversiones. 2 Véase Quirk, J, P. y R. Saposnik, "Admisibility and Measurable Utility Functions", Review of Economic Studies, 29(79):140­146, febrero de 1962. Véase también La composición de la cartera resultante se expresa en Reilly, Frank K, Análisis de inversiones y gestión de carteras. Hinsdale, Illinois: cada componente de la cartera. Al eliminar esta restricción de suma de pesos y optar por una única cartera que sea geométricamente óptima, obtenemos el apalancamiento óptimo. Pelo­ Nueva York: John Wiley, 1959. composición que proporciona la varianza más baja para un nivel dado de rendimiento aritmético. forma de las ponderaciones, o porcentajes de la cuenta comercial, que se aplicarán a 3 La prensa Dryden, 1979. 3 Véase Helms, Billy P. y Terrence F. Martell, "An Examination of the Distribution of Commodity Price Changes", serie de documentos de trabajo. Nueva York: Colombia Centro Universitario para el Estudio de los Mercados de Futuros, CFSM­76, abril de 1984. También véase Hudson, Michael A., Raymond M. Leuthold y Cboroton F. Sarassorro, portafolio. Aquí los pesos y cantidades son completamente diferentes. Nosotros "Cambios en los precios de futuros de productos básicos: distribución, eficiencia del mercado y fijación de precios Ahora divida la cantidad óptima para financiar una unidad de cada componente entre Commodity Options", Serie de documentos de trabajo, Nueva York: Universidad de Columbia Centro para el Estudio de los Mercados de Futuros, CFSM­127, junio de 1986. Machine Translated by Google Por otra parte, los modelos de cartera utilizan la distribución de rendimientos como insumo, no la distribución de los registros de cambios de precios. Mientras que la distribución de rendimientos es una distribución transformada de los logaritmos de los cambios de precios (transformados mediante técnicas tales como acortar las pérdidas y dejar que las ganancias ejecutar), no son necesariamente la misma distribución, y la distribución de rendimientos puede no ser miembro del paretiano estable (razón por la cual modelamos la distribución de las pérdidas y ganancias comerciales en el Capítulo 4 con nuestro ajuste distribución). Además, existen productos derivados como opciones. que tienen semivarianza finita (si son largas) o varianza finita en conjunto. Para Por ejemplo, un diferencial de opción vertical colocado con un débito garantiza una variación finita en los rendimientos. No me estoy defendiendo de los ataques a los modelos de cartera actuales. Más bien, estoy haciendo de abogado del diablo. La cartera actual Los eventos esperados,1 los Ei, no son APÉNDICE A ­ El números enteros. Prueba de chi­cuadrado Ahora trabajamos con un ejemplo del Existe una serie de pruebas estadísticas estadístico chi­cuadrado. diseñadas para determinar para los datos correspondientes a la Figura si dos muestras provienen del 3­16. Estos son los 232 oficios, misma población. Esencialmente, nosotros convertido a unidades estándar, quiero saber si dos distribuciones colocado en 10 contenedores de ­2 a +2 son diferentes. Quizás lo más sigma, y graficado versus qué los datos serían si estuvieran distribuidos muy conocida de estas pruebas es la normalmente. Tenga en cuenta que nosotros debe utilizar la corrección de Yates: prueba de chi­cuadrado, ideada por Karl Pearson alrededor de 1900. Es quizás la Se pueden emplear modelos siempre que seamos conscientes de sus deficiencias. más popular de todas las pruebas estadísticas utilizadas para determinar Bin# Observado Esperado ((ABS(OE)­.5)^ 1 7,435423 4,738029 Sin duda necesitamos mejores modelos de cartera. No es mi argumento que si dos distribuciones son diferentes. 2 17 3 25 13.98273 .4531787 4 27 5 38 22.45426 .1863813 6 61 7 37 30.79172 .3518931 8 12 9 4 36.05795 .05767105 10 2 36.078 16.56843 Los modelos de cartera actuales son adecuados. Más bien, es mi opinión que la entrada a los modelos de cartera, actuales y futuros para cualquier Los modelos de cartera que utilizamos deben basarse en negociar una unidad al nivel óptimo, o lo que creemos que será el nivel óptimo para ese artículo en el futuro. el futuro, como si estuviéramos comercializando sólo ese artículo. Por ejemplo, si nosotros están empleando la teoría EV, el modelo de Markowitz, los insumos son el rendimiento esperado, la varianza en los rendimientos y la correlación de los rendimientos con otros. sistemas de mercado. Estos insumos deben determinarse a partir del comercio de una unidad. en cada sistema de mercado en el nivel f óptimo. Modelos de cartera distintos de EV puede requerir diferentes parámetros de entrada. Estos parámetros deben ser discernido basándose en el comercio de una unidad de los sistemas de mercado en sus niveles óptimos de f. Los modelos de cartera son sólo una faceta de la gestión del dinero, pero son una faceta en la que seguramente el debate se prolongará durante bastante tiempo. Este libro No podría ser definitivo en ese sentido, ya que aún están por llegar modelos más nuevos y mejores. ser formulado. Lo más probable es que nunca tengamos un modelo en el que todos estemos de acuerdo considerarlo adecuado. Esto debería contribuir a una vida sana y estimulante. ambiente. El estadístico chi­cuadrado, X 2 , es calculado como: (A.01) X2 =>[i = 1,N](Oi­Ei)^2/Ei 30,7917 1,058229 dónde 22.45426 4.41285 13.98273 6.430941 N = El número total de contenedores. 7.435423 3.275994 Oi = El número de eventos X2=37.5336 observado en el i­ésimo contenedor. Ei = El número de eventos esperados en el i­ésimo contenedor. Un valor grande para el estadístico chi­ cuadrado indica que es Podemos convertir un chi­cuadrado estadística como 37,5336 a un nivel de significancia. En el sentido que nosotros estamos usando aquí, un nivel de significancia es un número entre 0, que improbable que las dos distribuciones representa que las dos distribuciones son iguales (es decir, las dos muestras son diferentes, y 1, lo que significa que no provienen de la misma población). Asimismo, cuanto menor sea el valor del estadístico chi­cuadrado, más probable es que los dos las distribuciones son las mismas (es decir, la Se tomaron dos muestras de misma población). Tenga en cuenta que los valores observados, los de Oi, siempre serán números enteros. Sin embargo, los valores esperados, el Ei's, pueden ser números no enteros. Ecuación (A.01) proporciona el estadístico &i­cuadrado cuando tanto el valor esperado como el los valores observados son números enteros. Cuando los valores esperados, el Se permite que los Ei sean números no enteros, debemos usar un número diferente. ecuación, conocida como corrección de Yates, para encontrar el chi­cuadrado estadística: (A.02) X2 = ∑[i = 1,N] (ABS(Oi­ Ei)­.5)^2/Ei las dos distribuciones son iguales. Nunca podremos estar 100% seguros que dos distribuciones son iguales (o diferentes), pero podemos determinar qué tan parecidos o diferentes son dos las distribuciones alcanzan un cierto nivel de significancia. Hay dos maneras en que podemos encontrar el Nivel significativo. Esta primera y Con diferencia, la forma más sencilla es utilizar tablas. La segunda manera de convertir una estadística de chi­cuadrado a una nivel de significancia es realizar haz los cálculos tú mismo (que es como Las tablas fueron elaboradas en el primer lugar). Sin embargo, las matemáticas requiere el uso de incompletos funciones gamma, que, como era mencionado en la Introducción, no serán tratados en este texto. Se remite a los lectores interesados a la Bibliografía, en particular de Recetas Numéricas. Sin embargo, la mayoría dónde lectores que quieran saber N = El número total de contenedores. cómo calcular una significancia Oi = El número de eventos nivel de un chi­cuadrado dado observado en el i­ésimo contenedor. Ei = El número de eventos esperados en el i­ésimo contenedor. ABS()­El valor absoluto función. Si comparamos el número de eventos observados en un contenedor con lo que la Distribución Normal dicta que debería estar en ese contenedor, estadística querría saber esto porque las mesas son bastante incómodas para utilizar desde el punto de vista de la programación. Por lo tanto, lo que sigue es un fragmento de lenguaje BASIC código para convertir de una estadística de chi­cuadrado dada a una significancia nivel. 1000 % DE NOBINAS DE ENTRADA REM, EL NÚMERO DE CONTENEDORES Y debe emplear la corrección de Yates. Esto se debe a que el número de 1 Como se detalla en el Capítulo 3, esto está determinado por la Distribución Normal por ecuación (3.21) para cada límite del contenedor, tomando el valor absoluto de las diferencias y multiplicando por número total de eventos. Machine Translated by Google CHISQ, EL CHI­CUADRADO El capítulo 3 no se distribuye normalmente. Lo que sigue es un pequeño APÉNDICE B ­ paramétricamente a otros campos donde hay tales entornos. Por este motivo 1010 LA SALIDA REM ES CONF, EL NIVEL DE CONFIANZA tabla para convertir entre valores de chi­ Otras distribuciones se ha incluido este apéndice. PARA UN % DE NOBINS DADO Y significancia. Más ESTADÍSTICA cuadrado y grados de libertad a niveles de comunes CHISQ Se pueden encontrar tablas elaboradas en 1020 IMPRESIÓN "CHI CUADRADO muchos de los libros de estadística Este apéndice cubre muchos de las otras distribuciones comunes ESTADÍSTICA EN"NOBINS%­ mencionados en la Bibliografía: aparte de la Normal. Este texto 3"GRADOS DE LIBERTAD VALORES DE X2 ha mostrado cómo encontrar la f óptima y ES"CHISQ 1030 REM AQUÍ CONTINUAMOS Grados de Libertad LA DISTRIBUCIÓN UNIFORME CIÓN La distribución uniforme, a veces referido como el Nivel significativo sus subproductos en cualquier distribución. hemos visto en VERTAR DE UN DADO .20 .10 .05 .01 Capítulo 3 cómo encontrar el óptimo forma, ocurre cuando todos los elementos en un CHISQR A UN SIGNIFICADO 1,6 2,7 3,8 6,6 Distribución rectangular desde su NIVEL, CONF. 1040 XI = 0:X2 = 0:X3# = 0:X4 1 3,2 4,6 6,0 9,2 f y sus subproductos en la distribución Normal. Podemos usar el población tiene igual frecuencia. 2 4,6 6,3 7,8 11,3 al 9. Si tuviéramos que hacerlo al azar = 0:X5 = 0:X6 = 0:CONF = 0 34 6,0 7,8 9,5 13,3 La misma técnica para encontrar la f óptima 1050 SI CHISQ < 31 O (NOBINS%­3) > 2 ENTONCES X6 = (NOBINS%­3)/2­1 :X1 = 1 MÁS CONF = 1 :IR A 1110 1060 PARA X2 = 1 A ((NOBINAS%­3)/2­.5):X1 = XI*X6:X6 = X6­1: SIGUIENTE 1070 SI (NOBINS%­3) MOD 2 <> 0 ENTONCES X1 = X 7,3 9,2 11,1 15,1 5 13,4 16,0 18,3 23,2 10 20 25,0 28,4 31,4 37,6 Debes tener en cuenta que el La prueba de chi­cuadrado puede hacer mucho más que el que aquí se presenta. Por ejemplo, puedes utilizar el chi­cuadrado. prueba en una tabla de contingencia 2 x 2 (en realidad, en cualquier tabla de 1*1.77245374942627# contingencia N x M). Si estás interesado 1080 X7 = 1:X4 = 1:X3# = Para obtener más información sobre la ((CHISQ/2)*((NOBINS%­ prueba de chi­cuadrado en dicha tabla, consulte uno de los libros de estadística. 3)/2))*2/(EXP(CHISQ/2) * XI*(NOBINS%­3)):X5 = NOBINAS% ­3+2 mencionado en la Bibliografía. Finalmente, está el problema. 1090 X4 = X4*CHISQ/X5:X7 = X7+X4:X5 = X5+2:SI X4> 0 de la arbitrariedad con la que hemos ENTONCES 1090 número y su alcance. Recordar 1100 CONF = 1­X3#*X7 elegido nuestros contenedores tanto en 1110 IMPRESIÓN "PARA UN NIVEL que agrupar datos implica una cierta pérdida de información sobre ese DE SIGNIFICACIÓN DE datos, pero en general el perfil de ";USANDO".#########";CONF la distribución sigue siendo relativamente Ya sea que determines tu lo mismo. Si elegimos trabajar niveles de significancia a través de una tabla o con sólo 3 contenedores, o si elegimos calcúlalos tú mismo, lo harás para trabajar con 30, probablemente Necesita dos parámetros para determinar obtener resultados algo diferentes. Él un nivel de significancia. El primero de A menudo es un ejercicio útil para tirar a la basura. estos parámetros es, por supuesto, el tus datos en varios diferentes estadística de chi­cuadrado en sí. El formas al realizar estadísticas segundo es el número de grados de pruebas que se basan en datos agrupados. En libertad Generalmente, el número de en cualquier otra distribución. seleccione uno de estos dígitos, cada uno donde la densidad acumulada Se conoce la función. posible selección tiene un igual No importa si la distribución es continua o discreta. Cuando la distribución es discreta, los puntos de datos equidistantes son simplemente los puntos discretos a lo largo la propia curva de densidad acumulada. Cuando la distribución es continua, debemos idear estos puntos de datos igualmente espaciados como nosotros X<= B más N'(X) = 0 número finito. Cuando las colas van a determinar los parámetros límite (es decir, extremo derecho estamos A = El límite más a la izquierda de la intervalo AB. va a operar en la distribución). Cuanto más La densidad acumulada de El uniforme viene dado por: nos alejamos, más (B.02) N(X) = 0 para X<A más más precisos nuestros resultados. Si el N(X) = (XA)/(BA) para A <= la distribución está limitada en sus colas X<= B en caso contrario N(X) = 1 para X>B dónde en algún punto finito ya, entonces estos puntos se convierten en el límite parámetros. B = El límite más a la derecha de la intervalo AB. Finalmente, en el Capítulo 4 A = El límite más a la izquierda de la intervalo AB. 1 solo nuestra distribución ajustable) cuando no conocemos el función de densidad acumulativa, entonces 0,8 podemos encontrar la f óptima y es debe utilizar la media aritmética y que el número de elementos desviación estándar de la muestra en cada uno de los contenedores esperados, el Para construir la curva Normal, tenemos Ei's, tenga al menos cinco años. Cuando hay por lo tanto debe restar 3 grados un contenedor con menos de cinco esperados de libertad. Por tanto, tenemos 7 grados elementos en él, teóricamente el Se debe reducir el número de contenedores. proceso particular, ¿para qué sirve la hasta que todos los contenedores tengan al menos función de densidad acumulativa? subproductos para cualquier proceso independientemente de su distribución. El 0,6 La parte más difícil es determinar qué la distribución en cuestión es para un 0,4 ese proceso, y que parámetro estadística de chi­cuadrado de 37,5336 en cinco elementos esperados en ellos. 7 grados de libertad son A menudo, cuando sólo los más bajos .000002419, dado que este nivel de significancia está mucho más cerca de y/o el contenedor más alto tiene menos de 5 cero que uno, podemos asumir con seguridad que nuestras 232 operaciones de puede realizar haciendo El libro es el concepto más amplio de toma estos grupos "todos menos que" y de decisiones en entornos. "todos mayores que" respectivamente. caracterizado por consecuencias elementos esperados en él, el ajuste se B = El límite más a la derecha de la intervalo AB. qué tan lejos del extremo izquierdo y del área bajo cualquier curva (no necesariamente El nivel de significancia de un dónde más y menos infinito debemos número de parámetros de población de libertad. (B.01) N'(X) = 1/(BA) para A<= y menos infinito o están acotadas a algún óptima y sus subproductos para el de libertad para ser válido, es necesario La Distribución Uniforme es una distribución continua . El Además, no importa si las colas de la distribución van hacia más arbitraria de cómo eligió sus contenedores. diez contenedores en nuestro ejemplo y nosotros números aleatorios. en el Capítulo 3. no se debe únicamente a la naturaleza En un sentido puramente estadístico, en Se llama Distribución Uniforme Estándar y se utiliza ampliamente para generar función de densidad de probabilidad, aprendí una técnica para encontrar la f Ordene por nuestro número de grados. modelar eventos verdaderamente aleatorios. A tipo particular de distribución uniforme donde A = 0 y B = 1 es N'(X), se describe como: Al hacerlo, puede estar bastante seguro de que los resultados obtenidos fueron estadísticas de muestra. Puesto que hay posibilidad de ocurrencia. Por lo tanto, la La distribución uniforme se utiliza para hizo con la Distribución Normal grados de libertad es igual a número de contenedores menos 1 menos el que deben estimarse para el Un buen ejemplo son los 10 dígitos 0. Los valores son los mejores para nuestra aplicación. Uno de los muchos corazones de este 0,2 0 0 1 2 3 geométricas. La f óptima es el regulador Figura B­1 Densidad de probabilidad funciones para la Distribución Uniforme del crecimiento en tales entornos, y los (A = 2, B = 7). subproductos de la f óptima nos dicen mucho sobre la tasa de crecimiento de un entorno determinado. Puede intentar postularse las herramientas para encontrar el f óptimo 4 5 Machine Translated by Google 1 (B.08a) ¡X! = X*(Xl)*(X­2)*...*1 1 que también se puede escribir como: P = La probabilidad de un éxito (B.08b) ¡X! = ∏[J = 0,X­1]XJ 0,8 0,8 proceso en una sola prueba. Q = 1­P. Además, por convención: A medida que N se hace grande, el Binomio tiende a la Distribución Normal, (B.08c) 0! = 1 0,6 La función de densidad acumulada del Binomio es: 0,6 siendo la Normal la forma limitante del binomio. (B.09) N(X) = ∑[J = 0,X] 0,4 Generalmente, si N*P y N*Q son (N!/(J!*(NJ)!))*(P^J)*(Q^(N ­J)) 0,4 ambos mayores que 5, podrías usar dónde el Normal en lugar del Binomi­ N = El número de ensayos. 0,2 al como una aproximación. La distribución binomial es X = El número de éxitos. 0,2 A menudo se utiliza para validar estadísticamente. P = La probabilidad de éxito en una un sistema de juego. Un ejemplo sola prueba. 0 0 1 2 3 4 Figura B­2 Funciones de probabilidad 5 0 6 7 acumulada para la Distribución Uniforme Figura B­3 Densidad de probabilidad funciones para la Distribución de Bernoulli (A = 2, B = 7). (P = 0,5). Las figuras B­1 y B­2 ilustran la densidad de probabilidad y la respectivamente de la Distribución (B.03) Media = (A+B)/2 (B.04) ilustrará. Supongamos que tenemos un 1 sistema de juego que ha ganado 51% del tiempo. Queremos determinar 1 cuál sería el porcentaje ganador si se desempeña en el futuro a un nivel de 3 desviaciones 0,8 1 estándar peor. Así, la variable de interés aquí, X, es igual a .51, probabilidad acumulada (es decir, cdf) Uniforme. Otras cualidades de la Distribución Uniforme son: Q = 1­P. 8 0 9 10 0,6 la probabilidad de una operación ganadora. La variable de interés no necesita 0,4 ganar. Puede ser la probabilidad de 0,8 ser siempre para la probabilidad de un un evento en uno de dos grupos 0,6 mutuamente excluyentes. Podemos Varianza = (BA)^2/12 dónde B = El límite más a la derecha de la intervalo AB. EL DISTRITO BERNOULI BUCIÓN Otra distribución simple y común es la Distribución Bernoulli. esta es la distribucion cuando la variable aleatoria puede sólo tiene dos valores posibles. 0 0,2 0 0 Figura B­4 Funciones de probabilidad (P = 0,5). Las figuras B­3 y B­4 ilustran colas, defectuosas y no defectuosas artículos, éxito o fracaso, éxito o respectivamente de la Distribución de Bernoulli. que la Distribución Bernoulli es una distribución discreta (a diferencia de LA DISTRIBUCIÓN BINOMIAL a ser una distribución continua). La CIÓN La distribución binomial de surge naturalmente al tomar muestras de una Distribución Bernoulli. el primer evento que ocurre. La variación en el Bernoulli es: La función de densidad de probabilidad, (B.05) Varianza = P*Q dónde (B.06) Q = P­1 2 (N = 5, P = .5). en N lanzamientos de moneda, etc.) es: en uno de dos grupos mutuamente excluyentes. Z = El número seleccionado de 0,8 desviaciones estandar. norte = el total número de eventos en la muestra. Supongamos que nuestra muestra estaba compuesta 0,6 de 100 obras. De este modo: L = .51­3*((.51*(1­.51))/(100­ 1))^.5 0,4 = .51­3*((.51*.49)/99)^.5 = .51­3*(.2499/99)^.5 = 0,2 .51­3*.0025242424^ .5 = .51­3*.05024183938 0 = .51­.1507255181 0 1 Figura B­6 Funciones de probabilidad acumulada para la distribución binomial (N = 5, P = 0,5). Las figuras B­5 y B­6 ilustran dónde P = La probabilidad de éxito en una Cabe señalar aquí que el signo de exclamación después de una variable denota la función factorial: = .3592744819 345 Basado en nuestra historia de 100 jugadas que generaron una ganancia del 51% tasa, podemos afirmar que sería tome un evento 3­sigma para la población jugar un número infinito de veces la densidad de probabilidad y la en el futuro) tener menos de probabilidad acumulativa (es decir, cdf) 35,92744819 por ciento de ganadores. respectivamente de la Distribución Binomial. sola prueba. Q = 1­P. 2 de obras de teatro (el futuro si *(NX)!))*(P^X)*(Q^(NX)) X = El número de éxitos. 5 que representa la probabilidad de estar (B.07) N'(X) = (N!/(X! N = El número de ensayos. 4 P = La variable de interés 1 1 N'(X), del Binomial (la probabilidad de X éxitos en N ensayos o X defectos en N artículos o X cabezales 3 donde L = El límite inferior para P estar en Z desviaciones estándar. acumulada para la distribución de Bernoulli probabilidad acumulada (es decir, cdf) por un parámetro, P, que es la probabilidad 1 0 Figura B­5 Densidad de probabilidad funciones para la Distribución Binomial la densidad de probabilidad y la distribución está completamente descrita ecuación en la prueba: (B.12) L = PZ*((P*(1­P))/(N­1))^.5 Ejemplos de esto son las cabezas y señorita, etcétera. Por eso decimos ahora realice lo primero necesario 0,2 0,4 A = El límite más a la izquierda de la intervalo AB. (B.11) Varianza = N*P*Q donde N = El número de ensayos. El Binomial también es una distribución discreta. Otras propiedades de la Distribución Binomial ¿Qué clase de confianza? nivel que esto representa? Eso es un función de N, el número total de juega en la muestra. Podemos determinar el nivel de confianza de son: logrando 35 o 36 victorias en 100 (B.10) Media = N*P lanzamientos por la Ecuación (B.09). Sin embargo, (B.09) es torpe para trabajar. con N se hace grande debido a todos Machine Translated by Google de las funciones factoriales en itable a una confianza dada (B.09). Afortunadamente, la normalidad ¿nivel?" distribución, Ecuación (3.21) para Como el pago es 1:1, el Se pueden utilizar probabilidades de una cola. El sistema debe ganar más del 50%. como una aproximación muy cercana a del tiempo para ser considerado rentable. las probabilidades binomiales. En el Digamos que queremos lo dado En el caso de nuestro ejemplo, usando la nivel de confianza para volver a ser ecuación (3.21), 3 desviaciones estándar se traduce en un 99,865% de confianza. 99,865, o 3 desviaciones estándar (aunque estamos usando 3 estándar Por lo tanto, si tuviéramos que jugar desviaciones en esta discusión, este sistema de juego durante un número no están restringidos a esa cantidad; infinito de veces, podríamos estar podemos usar cualquier número de 99,865% seguro de que el porcentaje desviaciones estándar que queramos). de victorias sería mayor o ¿Cuántas pruebas debemos ahora igual a 35,92744819%. testigo para tener 99,865% de confianza Esta técnica también puede ser utilizado para la validación estadística de sistemas comerciales. Sin embargo, esto Q = La probabilidad de falla que al menos el 51% de los ensayos Tomó hasta que apareció un 5, trazando estos resultados producirían la función de Distribución Geométrica formulada en para un ensayo determinado. 1 (B.13). EL HIPERGEOMÉTRICO 0,8 DISTRIBUCIÓN Otro tipo de distribución discreta 0,6 relacionada con la anterior distribuciones se denomina distribución hipergeométrica. Recordar que en la Distribución Binomial 0,4 se supone que cada sorteo en sucesión de la población tiene las mismas probabilidades. Eso 0,2 es decir, supongamos que tenemos una baraja de 52 ser ganadores? tarjetas. 26 de estas cartas son negras Si .51­X = .5, entonces X = .01, El método sólo es válido cuando el Por lo tanto, los factores correctos de Las siguientes suposiciones son ciertas. Ecuación (B.12), Z*((P*(1­ y 26 son rojos. Si sacamos una carta 0 123 4 Primero, los N eventos (operaciones) son todos P))/(N­1))^.5, debe ser igual a .01. independientes y seleccionados al azar. Dado que Z = 3 en este caso, y .01/3 Figura B­7 Densidad de probabilidad funciones para la Distribución Geométrica Esto se puede verificar fácilmente para = .0033, entonces: (P = .6). cualquier sistema de comercio. En segundo lugar, el N. Todos los eventos (negocios) se pueden clasificar en dos mutuamente excluyentes. grupos (victorias y pérdidas, intercambios mayor o menor que el comercio medio, etc.). Esta suposición, también puede quedar satisfecho fácilmente. El El tercer supuesto es que la probabilidad de que un evento sea clasificado ((P*(1­P))/(N­1))^.5 = .0033 Continuar: (.51*.49)/(N­1) = .00001111 excluyentes es constante desde .2499/(N­1) un evento al siguiente. Esto no es = .00001111 .2499/.00001111 necesariamente cierto en el comercio, y el = N­1 .2499/.00001111+1 el grado en que esta suposición es Falso, sea como sea, la técnica todavía puede tener valor para comerciantes. No sólo se puede utilizar para determinar el nivel de confianza de una cierto método es rentable, La técnica también se puede utilizar para determinar el nivel de confianza para un determinado indicador de mercado. Por = norte22.491+1 = norte asume. Ahora para el próximo sorteo, 1 Todavía hay una probabilidad de 0,5 (26/52) de que la siguiente carta sea negra (o rojo). 0,8 La Distribución Hipergeométrica asume casi lo mismo cosa, excepto que no hay reemplazo 0,6 después del muestreo. Supongamos que nosotros saca la primera carta y es roja, y no lo reemplazamos nuevamente en 0,4 la cubierta. Ahora bien, la probabilidad de el próximo sorteo que sea rojo se reduce al 25/51 o .4901960784. En el 0,2 Distribución hipergeométrica norte = 22.492 hay dependencia, en el sentido de que Por lo tanto, necesitamos ser testigos de una las probabilidades del próximo evento son 0 Tasa de victorias del 51% en 22,492 pruebas para 123 estar 99,865% seguros de que lo haremos vea al menos un 51% de victorias. LA DISTRIBUCIÓN GEOMÉTRICA Al igual que la binomial, la distribución ejemplo, si tiene un indicador geométrica, también una distribución discreta, ocurre como resultado de N 4 Figura B­8 Funciones de probabilidad un evento es independiente del acumulativa (es decir, cdf) respectivamente N(X) de los hipergeométricos son los mismos que para el Binomi­al, (B.07) y de la distribución geométrica. Otras (B.09) respectivamente, propiedades de la excepto que con la Hipergeométrica la Los geométricos son: variable P, la probabilidad de éxito en un Bernoulli independiente. grupos: pronósticos correctos y pronósticos incorrectos. Tu puedes ahora Mide el número de intentos antes del primer (B.15) Media = 1/P (B.16) Varianza = Q/ éxito (o fracaso). P^2 expresar la confiabilidad de su indicador con cierta confianza La función de densidad de probabilidad, Esta técnica también puede ser son necesarios para que un sistema sea rentable para una confianza determinada nivel. Por ejemplo, supongamos que dónde P = La probabilidad de éxito de una prueba determinada. Q = La probabilidad de falla tener un sistema de juego que gane para un ensayo determinado. 51% del tiempo en un juego que paga 1 a 1. Queremos saber En otras palabras, N'(X) aquí Mide el número de intentos hasta el primer cuantas pruebas debemos observar éxito. Por lo tanto, la función de densidad estar seguro de una confianza dada acumulada para Geo­metric es: sentido asintótico. (B.14) N(X) = ∑[J = 1,X] Q^(J­1)*P Así podemos reformular el problema. como, "Si el sistema gana el 51% de la tiempo, ¿cuántas pruebas debo presenciar y hacer que muestre una ganancia del 51%? tasa, saber que será rentable. dónde P = La probabilidad de éxito de una prueba determinada. solo ensayo, cambia de un ensayo a otro. Es interesante notar la relación entre dónde P = La probabilidad de éxito de una prueba determinada. Q = La probabilidad de falla para un ensayo determinado. Supongamos que estamos discutiendo las Distribuciones Hipergeométrica y Binomial. A medida que N se hace mayor, la diferencias entre los calculados Las probabilidades de la Hipergeométrica y la Binomial se acercan lanzando un solo dado. Si estamos el uno al otro. Así podemos afirmar hablando de tener el resultado de que cuando N se acerca al infinito, la 5, cuantas veces tendremos Enfoques hipergeométricos Binomio como límite. tirar la suerte, en promedio, a lograr este resultado? El significado de la Distribución Geométrica dice nosotros esto. Si conocemos la probabilidad nivel en el que el sistema será rentable en Las funciones básicas N'(X) y Las figuras B­7 y B­8 ilustran la densidad de probabilidad y la probabilidad ensayos. La distribución geométrica solía discernir cuántas pruebas la Distribución Binomial, donde resultado(s) del evento(s) anterior(es). El cierre del día siguiente, entonces (B.13) N'(X) = Q ^ (X­ 1)*P dependiendo7 del resultado(s) de 8 los 6 10 9 eventos anteriores. Contraste esto con Distribución (p = 0,6). tener dos mutuamente excluyentes N'(X), es: 5 acumulada para el modelo Geométrico BUCIÓN que pronosticará la dirección de nivel. Este "muestreo con reemplazo" es lo que la Distribución Binomial Al elevar ambos lados al cuadrado nos queda: ((.51*(l­.51))/(N­1)) = .00001111 10 en la baraja para el próximo sorteo. de este modo: ((.51*(1­.51))/(N­1))^.5 = .0033 9 luego volvemos a colocar la tarjeta. Sabemos que P es igual a .51, en uno de los dos grupos mutuamente La técnica se vuelve inexacta si7es negro o 8 rojo, 5 y registre 6 de sacar un 5 es 1/6 (.1667) entonces la media es 1/.1667 = 6. Por lo tanto, esperaría, en promedio, tirar Si desea utilizar las probabilidades binomiales como una aproximación de la hipergeométrica, como Si el binomio es mucho más fácil de calcular, ¿qué tamaño debe tener la población? ¿ser? No es fácil afirmar con ningún un dado seis veces para obtener un 5. certeza, ya que la exactitud deseada del Si siguiéramos repitiendo este proceso resultado determinará y registró cuántos lanzamientos si la aproximación es exitosa Machine Translated by Google exitoso o no. Generalmente, sin embargo, N'(3) = (4^3*EXP(­4))/3! una población con un tamaño de muestra de 100 = (64*EXP(­4))/(3*2) = a 1 suele ser suficiente para permitir aproximando el Hipergeométrico con el Binomio. EXP() = El exponencial función. 1 (64*.01831564)/6 LA DISPONENCIAL EXPONENCIAL 0,8 = 1,17220096/6 TRIBUCIÓN = .1953668267 Relacionada con la distribución de LA DISTRIBUCIÓN DE POISSON CIÓN La distribución de Poisson es Otra distribución discreta importante. Esta distribución se utiliza para distribuciones de llegada del modelo y otros eventos aparentemente aleatorios que ocurren repetidamente pero al azar. Estos eventos pueden ocurrir en puntos en el tiempo o en puntos a lo largo de una alambre o línea (una dimensión), a lo largo de un plano (dos dimensiones), o en cualquier construcción N­dimensional. La Figura B­9 muestra la llegada de eventos (las X) a lo largo de una Entonces podemos decir que hay aproximadamente un 19,5% de posibilidades de recibir 3 llamadas 0,6 Poisson hay una distribución continua con una amplia utilidad llamada Distribución el siguiente minuto. Tenga en cuenta que esto es Exponencial, a veces también denominada no acumulativo, es decir, esto no es la probabilidad de recibir 3 llamadas 0,4 Distribución Exponencial Negativa. 0,2 tiempos entre llegadas en sistemas de o menos, es la probabilidad de recibiendo exactamente 3 llamadas. Si nosotros quería saber la probabilidad de Esta distribución se utiliza para modelar colas, tiempos de servicio en equipos, recibir 3 llamadas o menos lo haríamos y fracasos repentinos e inesperados he tenido que utilizar la fórmula N(3) 0 [que se da en (B.20)]. Otras propiedades de la Distribución Pois­son son: 1 tales como fallas en los equipos debido a 3 4fabricación, defectos bombillas. de 5 6 2 quemándose, el tiempo que lleva Figura B­11 Funciones de probabilidad para que una partícula radiactiva se desintegre, acumulada para el modelo de Poisson (B.18) Media = L (B.10) Varianza =L etcétera. (Existe una relación muy Distribución (L = 0,5). dónde línea, o en el tiempo. 0 interesante entre la Distribuciones exponencial y de Poisson. La llegada de llamadas a un 1 L = El parámetro de la distribución. El sistema de colas sigue un patrón de Poisson. La distribución de Poisson fue desarrollado originalmente para modelar llamadas telefónicas entrantes a un En la distribución de Poisson, tanto la media como la varianza La distribución entre llegadas (la tiempo entre las llegadas) es exponencial tablero de conmutadores. Otras situaciones igual al parámetro L. Por lo tanto, típicas que pueden ser modeladas por el Poisson son la ruptura de un en nuestro caso de ejemplo podemos decir que la media es 4 llamadas y la pieza de equipo, la finalización de un La varianza es de 4 llamadas (o la desviación estándar es de 2 llamadas). trabajo de reparación mediante un reparador en activo, un error de La función de densidad de dónde 0,2 en una cinta o cadena larga, y así en. como una J invertida, y cuando L es 0 binomial. De hecho, el Poisson es la forma limitante de es que la Binomial es el Binomio cuando N se acerca al infinito No es apropiado para eventos que pueden ocurrir más de una vez dentro de un B­10 a B­13 muestran la distribución de plazo dado. Un ejemplo de este tipo podría Pois­son con el parámetro probabilidad P, o ocurre. y P se acerca a 0. Figuras La función de densidad de (B.17) N'(X) = (L^X*EXP(­ L = El parámetro de la distribución. EXP() = El exponencial función. Tenga en cuenta que X debe tomar dis­ Valores de Creta. Supongamos que las llamadas a un centralita en promedio cuatro llamadas por 4 Distribución. A debe ser mayor que 0. 5 6 7 8 9 10 EXP() = El exponencial función. La integral de (B.21), N(X), Poisson (L = 4,5). la función de densidad acumulada para la distribución exponencial es dado como: (B.22) N(X) = 1­EXP(­A*X) dónde 0,8 A = La entrada paramétrica única, 0,8 igual a 1/L en el Poisson 0,6 Distribución. A debe ser mayor que 0. 0,6 EXP() = El exponencial función. 0,4 Las figuras B­14 y B­15 muestran 0,4 las funciones del exponencial 0,2 Distribución. Tenga en cuenta que una vez que Conozca A, la distribución está 0,2 completamente determinada. 0 L))/X! dónde 3 1 probabilidad de Poisson, N'(X), viene dada por: 2 1 hecho de que más de un accidente puede ocurrir en este período de tiempo. 01 Figura B­12 Densidad de probabilidad funciones para la Distribución de valores de .5 y 4.5. no, con probabilidad Q (es decir, 1­P). Sin embargo, en la Distribución de Poisson también podemos tener en cuenta la A = La entrada paramétrica única, igual a 1/L en el Poisson grande, la distribución no es diferente a la las distribuciones de Poisson y Binomial Estaríamos trabajando con dos casos distintos: O ocurre un accidente, con La distribución se da como: 0,4 (B.21) N'(X) = A*EXP(­A*X) pequeño, la distribución tiene forma 6 meses. En el binomio nosotros probabilidad N'(X) para el exponencial Cuando este parámetro, L, es bacterias en una placa de Petri, un defecto ser la probabilidad de que accidente automovilístico durante el próximo con el parámetro 1/L.) 0,6 raíz cuadrada de la varianza, 4). mecanografía, el crecimiento de una colonia de La principal diferencia entre Distribución, con tasa de llegada L. 0,8 0 0 1 2 Figura B­10 Densidad de probabilidad funciones para la Distribución de 01 2 3 4 Funciones5de probabilidad 6 3 Figura B­13 acumulada para el modelo de Poisson Distribución (L = 4,5). Poisson (L = .5). La función de densidad acumulada de Poisson, N(X), está dada por: (B.20) N(X) = ∑[J = 0,X] (L^J*EXP(­L))/J! minuto (L = 4). La probabilidad de dónde tres llamadas (X = 3) que llegan al siguiente minuto son: L = El parámetro de la distribución. 4 5 67 8 9 10 Machine Translated by Google 1 determinar qué tan parecidos o diferentes LA DISTRIBUCIÓN DEL ESTUDIANTE dos distribuciones diferentes son. BUCIÓN Supongamos que K es un estándar variable aleatoria normal (es decir, 0,8 tiene media 0 y varianza 1). Si nosotros Student, es otra distribución importante digamos que K es igual a la raíz cuadrada utilizada en las pruebas de hipótesis que de J (J = K^2), entonces sabemos que K será un aleatorio continuo 0,6 está relacionada con la Distribución Normal. Cuando variable. Sin embargo, sabemos que K no será menor que cero, por lo que es 0,4 La función de densidad diferirá de 0 1 2 nos da la densidad función de K: precisión. En cambio, debes Utilice la distribución del estudiante. (B.27) N'(K) = (K ^ ((V/2)­ Esta es una distribución simétrica. 3(V/2)*GAM(V/2)) 4 6 dónde Figura B­14 Densidad de probabilidad K = La variable chi­cuadrado funciones para la Distribución Exponencial X (A = 1). con una entrada paramétrica, nuevamente 5 2. V = El número de grados 1 de libertad, que es el único parámetro de entrada. EXP() = El exponencial 0,8 función. GAM() = El estándar función gamma. Algunas notas sobre la gamma. función están en orden. Esta función tiene 0,6 0,4 2 Figura B­15 Funciones de probabilidad Aviso en la ecuación (B.25) 46 3 5 que el único parámetro de entrada es V, el número de grados de libertad. variable al cuadrado (K^2), tomamos M variables aleatorias independientes (B.23) Media = 1/A (B.24) Varianza = 1/A^2 JM = K1^2+K2^2 ... KM^2 variables aleatorias independientes. El menos uno (N­1). (media de 0 y varianza de La forma de esta distribución. Se parece mucho al Normal excepto que las colas son más gruesas y el pico de la distribución es más bajo. Como el número de grados de la libertad se acerca al infinito, esto distribución se aproxima a la Normal en el sentido de que las colas bajan y el al cuadrado y tomar su suma: Ahora se dice que JM tiene la Distribución Chi­Cuadrado con M La distribución se llama Cauchy. Es interesante que si hay de un grado de libertad, entonces Distribución Chi­Cuadrado. Cuando hay un grado de libertad, la distribución es muy asimétrica y se parece a la distribución exponencial (con A = 1). En dos grados de libertad el La distribución comienza a parecerse a una línea recta que va hacia abajo y hacia la derecha, con sólo una ligera concavidad. A tres grados de libertad, una convexidad comienza a tomar EL DISTRITO CHI­SQUARE BUCIÓN forma y comenzamos a tener una distribución de forma unimodal. como el Una distribución que se utiliza ex­ número de grados de libertad aumenta, la tensamente en las pruebas de bondad de función de densidad gradualmente se ajuste es la Distribución Chi­Cuadrado vuelve más y más (pronunciada ki cuadrado, de simétrico. A medida que el número de la letra griega X (chi) y por lo tanto a menudo representado como la X 2 Student con N­1 grados. de libertad si: grados de libertad se vuelve muy grande, la Distribución Chi­Cuadrado T = N^(1/2)*((XU)/S) S = Una desviación estándar de muestra, La función de densidad de a cero, ya que la distribución es N'(X), viene dado como: simétrico con respecto a cero. La varianza de la distribución de Student. (B.28) N'(X) = es infinito si hay menos de GAM(V/2)))*((1+((X^2)/V))^(­ tres grados de libertad. (V+1)/2)) El concepto de varianza infinita es realmente bastante simple. Supongamos que medimos la varianza en registrar ese valor. Ahora medimos la en el intervalo(s) anterior(es). podemos decir que el La variable T seguirá la distribución t de probabilidad para la Distribución de Student, forma de un objeto particular. que es posible que no se hayan realizado llamadas igual a Z/(J/V), se distribuye según la Distribución del Estudiante. También la media existe y es igual Precios de cierre diarios para una acción en particular durante el último mes. Nosotros determinado no se ve afectada por el hecho Ahora podemos decir que la variable T, U = La media poblacional. grados de libertad lo que determina la esta propiedad establece que la probabilidad con V grados de libertad. Nosotros N = El tamaño de una muestra. mayor que 0. de una llamada en un intervalo de tiempo 1). El segundo de ellos, que llame a J, tiene distribución Chi­Cuadrado se dice que no existe. si hay mas Distribución de Poisson, y debe ser términos de una centralita telefónica, El primero de ellos, Z, es estándar normal solo un grado de libertad, entonces la media de esta distribución es grados de libertad. Es el número de como la "propiedad del olvido". En Supongamos que tenemos dos libertad suelen ser iguales el número de elementos en una muestra X = Una media muestral. La distribución exponencial son: Otra cualidad interesante V = Los grados de libertad. dónde Supongamos que en lugar de simplemente acerca de la Distribución Exponencial es que tiene lo que se conoce dónde en su forma más pequeña. En este punto, el tomando un aleatorio independiente paramétrica, igual a 1/L en el (B.27) Media = 0 para V>1 están en su punto más grueso y en la cima Exponencial (A = 1). Nuevamente A es la única entrada los grados de libertad. Los grados de (B.26) Varianza = V/ (V­2) para V>2 es un grado de libertad, las colas acumulada para la Distribución La media y la varianza de la Si hay tres o más grados de libertad, entonces la varianza es finita y es igual a: 5. JUEGO(0) = 1 ¡GAM(N) = (N­1)! 1 de Student). 6. GAM( 1/2) = El cuadrado tanto, si N es un número entero, 0 a veces se modela mediante la distribución El pico aumenta para parecerse al Distribución normal. Cuando ahí 7. GAM(N) = (N­1)*GAM(N­1); por lo 0 danos un valor simétrico respecto a 0. La distribución de estos valores. las siguientes propiedades: raíz de pi, o 1.772453851 0,2 si C0 es el cierre de hoy y C1 el cierre de ayer, entonces ln (C0/C1) muestras de una población con una La distribución ya no se puede utilizar con 1)*EXP(­V/2))/(2 ^ 0 estás trabajando con menos de 30 distribución casi normal, la normal lo normal. La Distribución Chi­Cuadrado 0,2 La distribución del estudiante, a veces llamada distribución t o t de el registro de cambios de precios. (Eso es, variación en el cierre diario. (GAM((V+1)/2)/(((V*P)^(1/2))* dónde P = pi, o 3,1415926536. V = Los grados de libertad. GAM() = La función gam­ma estándar. Las matemáticas de la Distribución precios de esa acción para el próximo de Student están relacionadas con año y registrar ese valor. Generalmente, la función beta incompleta. será mayor que nuestro primer valor, simplemente del mes pasado Ya que no vamos a hundirnos en funciones de matemáticas diferencia. Ahora volvamos a física como la incompleta los últimos 5 años y medir la variación en los precios de cierre diarios. función beta, dejaremos el Distribución de estudiantes en este Una vez más, la variación ha aumentado punto. Antes de hacerlo, sin embargo, más grande. Cuanto más retrocedemos todavía necesitas saber cómo calcular las (es decir, cuantos más datos incorporamos a nuestra medición de la varianza), mayor con la Distribución del Estudiante para probabilidades asociadas se vuelve la varianza. Por lo tanto, la un número dado de unidades estándar varianza aumenta sin límite a medida que el tamaño Puede utilizar tablas publicadas para de la muestra aumenta. Esto es varianza infinita. La distribución reacio a las mesas como yo, tú puedes (puntuación Z) y grados de libertad. encuentre estos valores. Sin embargo, si eres tan del registro de cambios diarios de precios simplemente use el siguiente fragmento de código BÁSICO para discernir el probabilidades. Notarás que como la variable grados de libertad, distribución). El Apéndice A muestra cómo comienza a parecerse a lo normal parece tener una variación infinita, y por lo tanto la Distribución de Student realizar la prueba de chi­cuadrado para Distribución según el teorema del límite central. se utiliza a veces para modelar Machine Translated by Google U = La variable del establo DEGFDM, se acerca al infinito, resultados de cada ensayo. La función los valores devueltos, las probabilidades, de densidad de probabilidad, N'(X), es distribución. convergen a la Normal como dado como: dado por la ecuación (3.22): (B.30) N'(X) = (N!/(∏[i = 1,M] A = El parámetro de curtosis de la distribución. 1000 REM 2 COLA PROBABILI­ Ni!))*∏[i = 1,M] Pi^Ni VÍNCULOS ASOCIADOS CON LA dónde DISTRIBUCIÓN T DEL ESTUDIANTE N = El número total de tri­ 1010 PUNTUACIÓN Z ENTRADA REM también. Y DEGFDM, SALIDAS CF 1020 ST = ABS(PUNTUACIÓN Z):R8 = ATN(ST/SQR(DEGFDM)):RC8 = COS(R8):X8 = 1:R28 = RC8*RC8:RS8 = PECADO(R8) 1030 SI DEGFDM MOD 2 = 0 Ni = El número de veces que B = El parámetro de asimetría de la distribución. D = El parámetro de ubicación de la distribución. V = Esto también se llama Las funciones de densidad acumulativa para el Paretiano estable son No se sabe que exista en forma cerrada. Por esta razón, la evaluación de la Los parámetros de esta distribución son complejo, y el trabajo con esta distribución se hace más difícil. Él Es interesante notar que los parámetros paretianos estables A, B, C, y D corresponden al cuarto, Se produce el juicio. parámetro de escala, i = La unidad Pi = La probabilidad de que el resultado número i sea el resultado imaginaria, ­1^(1/2) de la distribución respectivamente. Z = 1 ­i*B* Esto le da al paretiano estable la tercer, segundo y primer momento de cualquier ensayo. la sumatoria (U/ASS(U))*bronceado(A*3.141592653 poder para modelar muchos tipos de ENTONCES 1080 de todos los Pi es igual a 1. 6/2) cuando A >< 1 y distribuciones de la vida real, en particular, 1040 SI DEGFDM = 1 ENTONCES Y8 M = El número de posibles resultados de cada ensayo. 1+i*B*(U∕ASS(U))*2/3.1415926 aquellas en las que las colas de las = R8:IR A 1070 1050 Y8 = RC8:PARA Z8 = 3 A (DEGFDM­2) PASO 2:X8 = X8*R28*(Z8­1)/Z8:Y8 = Y8+X8*RC8:SIGUIENTE 1060 Y8 = R8+RS8*Y8 Por ejemplo, considere un solo dado 536*log(ABS(U)) cuando A = 1. ABS() = El valor absoluto donde hay 6 posibles función. tan() = La tangente resultados en cualquier tirada dada (M = función. ln() = La función logarítmica natural. 6). ¿Cuál es la probabilidad de Los límites de los parámetros. saca un 1 una vez, un 2 dos veces y un 3 tres veces de cada 10 rollos de una feria de la ecuación (B.31) son: (B.32) ¿morir? Las probabilidades de sacar un 0<A<= 2 (B.33) ­1 <= B <= 1 1080 Y8 = 1 :PARA Z8 = 2 A 1, 2 o 3 son cada uno 1/6. Nosotros debe considerar una cuarta alternativa (B.34) 0<=V (DEGFDM­2) PASO 2:X8 = X8* R28 mantener la suma de las probabilidades distribución­A, B, D y V­permitir * (Z8­1)/Z8:Y8 = Y8+X8:SIGUIENTE 1090 CF = Y8*RS8 igual a 1, y esa es la la distribución asumirá un gran probabilidad de no sacar un 1, 2 o muchas formas diferentes. 1070 CF = Y8*.6366197723657157#:GOT0 1100 1100 IMPRIMIR CF A continuación llegamos a otra distribución, relacionada con la Distribución Chi­Cuadrado, que también tiene Usos importantes en estadística. La F Distribución, a veces referida a como Distribución de Snedecor o La F de Snedecor es útil en la prueba de hipótesis. Sean A y B variables aleatorias chi­cuadrado independientes con grados de libertad de 3, que es 3/6. Por lo tanto, P1 = P2 = P3 = 1/6 y P4 = 3/6. Además, N1 = 1, N2 = 2, N3 = 3 y N4 = 10 • podemos decir que A representa la variable curtosis de la (B.30) se puede resolver como: distribución. A también se le llama norte'(X) = Exponente característico de la distribución. (10!/(1!*2!*3!*4!))*(1/6)^1*(1/6) Cuando A es igual a 2, la ^2*(1/6)^3*(3/6) 4 la distribución es Normal, y cuando = A es igual a 1 la distribución es (3628800/(1*2*6*24))*.1667*.02 78*.00463*.0625 = (3628800/288)*.000001341 F = (A/M)/(B/N) = .0168966 Distribución F con M y N grados de = 12600*.000001341 Tenga en cuenta que esta es la libertad. La función de densidad, dos veces y un 3 tres veces, no el es como: densidad acumulada. Este es un tipo de distribución que utiliza más de (B.29) N'(X) = una variable aleatoria, por lo que no se (GAM((M+N)/2)*((M/N)^(M/2)) puede extraer su densidad acumulada )/(GAM(M/2)*GAM(N/2)*((1+M tan bien y claramente en dos dimensiones /N)^((M+N)/2))) como podrías con el otras distribuciones discutidas así M = El número de grados de libertad del primer parámetro. N = El número de grados de libertad del segundo paráme­ ter. GAM() = La función gam­ma estándar. EL DISPOSITIVO MULTINOMIAL TRIBUCIÓN La Distribución Multinomial está lejos. No trabajaremos con otras distribuciones que tienen más más de una variable aleatoria, pero Debemos ser conscientes de que tales distribuciones y sus funciones sí existen. la probabilidad en las colas aumenta a medida que A disminuye. Cuando A es menor que 2, la varianza es infinita. A es mayor que 1. La variable B es el índice de DISTRIBUCIÓN La Distribución Paretiana estable es en realidad una clase completa de distribuciones, a veces referidas A diferencia del Binomio, que N'(U) viene dado como: La función de densidad de probabilidad. (B.31) ln(N'(U)) = i*D*UV*abs(U)^A*Z dónde con varianza infinita (es decir, cuando A es menor que 2). Por estas razones, la paretiana estable es una distribución extremadamente poderosa. con aplicaciones en economía y las ciencias sociales, donde Las distribuciones de datos a menudo tienen esas características (colas más gruesas y varianza infinita) que el establo Direcciones paretianas. Esta característica de varianza infinita hace que el límite central Teorema no aplicable a datos que se distribuye según la distribución paretiana estable cuando A es menor que 2. Este es un punto muy importante hecho si planeas usar el teorema del límite central. Una de las principales características del paretiano estable es que es invariante bajo suma. Este significa que la suma de variables estables independientes con exponente característico A será estable, con aproximadamente el mismo exponente característico. Así nosotros tener la Central Generalizada Teorema del límite, que es esencialmente el teorema del límite central, excepto que la forma limitante de la distribución es la paretiana estable en oblicuidad. Cuando B es igual a cero, lugar de la normal, y la distribución es perfectamente simétrica. El teorema se aplica incluso cuando El grado de asimetría los datos tienen varianza infinita (es decir, es mayor cuanto mayor sea el valor absoluto A < 2), que es cuando la Central valor de B. Observe que cuando A es igual a 2, W(U,A) es igual a 0, por lo tanto B no tiene ningún efecto sobre la distribución. ción. En este caso, cuando A es igual 2, no importa cuál sea B, todavía tener la simetría perfecta Distribución normal. La escala una función de A, en el sentido de que V = EL PARETIANO ESTABLE como distribuciones "Pareto­Levy". para un evento, el Multinomial supone que hay M diferentes menos de 2, las colas de la distribución son más altas que con el Distribución normal. El total parámetro, V, a veces se escribe como relacionada con la Binomial, y asimismo es una distribución discreta. asume dos posibles resultados Cauchy. Para valores de A que son probabilidad de sacar exactamente un 1 una vez, unLa 2 media de la distribución existe sólo si N'(X), de la Distribución F se da dónde La variable A mide la altura de las colas de la distribución. Así, 3­2­1 = 4. Por lo tanto, Ecuación M y N respectivamente. Ahora el variable aleatoria: Se puede decir que tiene la Los cuatro parámetros del la distribución es más gruesa que ellos estaría en la Normal, o esas C^A, por lo tanto C = V^(1/A). El teorema del límite no se aplica. Por ejemplo, las alturas de las personas tienen una varianza finita. Así nosotros podría modelar las alturas de las personas con la Distribución Normal. El distribución de los ingresos de las personas, sin embargo, no tiene finito varianza y por lo tanto se modela por la distribución paretiana estable en lugar de la Distribución Normal. Cuando A es igual a 2, V es la mitad la varianza. Cuando A es igual a 1, la distribución de Cauchy, V es igual al semiintercuartil rango. D es el parámetro de locución. Cuando A es igual a 2, la la media aritmética es insesgada estimador de D; cuando A es igual a 1, la mediana es. Es debido a este teorema del límite central generalizado que la distribución paretiana estable es muchos creen que es representativo de la distribución del precio. cambios.1 1 No confundas al paretiano estable Distribución con nuestra distribución ajustable discutida en el Capítulo 4. La Machine Translated by Google Hay muchas más distribuciones de se considera una Distribución en probabilidad que podríamos (­infinito, infinito), y el todavía cubre (Binomio Negativo Distribución, Distribución Gamma, misceláneo. También debería Distribución Beta, etc.); Tenga en cuenta que no todas las distribuciones Multinomial como multivariado sin embargo, se vuelven cada vez más encajar perfectamente en uno de estos diez oscuros a medida que continuamos de aquí. Las distribuciones que hacemos categorías, ya que algunas distribuciones grandes, las principales distribuciones de en realidad pueden considerarse subclases de otras. Por ejemplo, el La distribución de Student está probabilidad comunes. catalogada como Distribución en (­in­ hemos cubierto hasta ahora son, por y Se han hecho esfuerzos para catalogar las muchas distribuciones de infinito, infinito), pero la Normal puede considerarse una subclase de probabilidad conocidas. Sin lugar a dudas, Uno de los mejores esfuerzos en este el de Estudiante, y el Normal es sentido ha sido realizado por Karl Como puedes ver, realmente no hay dada su propia categoría por completo. Pearson, pero quizás el trabajo más cualquier forma "limpia" de categorizar completo realizado sobre la catalogación las distribuciones. Sin embargo, el índice de las muchas distribuciones de de Haight es bastante completo. Lectores probabilidad conocidas haya sido interesados en aprender más sobre presentado por Frank Haight.2 El trabajo de Haight los diferentes tipos de distribuciones El "índice" cubre casi todos los debería consultar a Haight como punto distribuciones conocidas en las que La formación fue publicada antes de Enero de 1958. Haight enumera la mayoría de las funciones matemáticas asociadas con la mayoría de las distribuciones. Más importante, referencias. a libros y artículos se dan de manera que un usuario del índice puede encontrar qué publicaciones consultar cuestión más profunda sobre la distribución particular de intereses. El índice de Haight clasifica las distribuciones en diez tipos básicos: 1. normales 2. Tipo III 3. Binomio 4. Discreto 5. Distribuciones en (A, B) 6. Distribuciones en (0, infinito) 7. Distribuciones en (­infinito, infinidad) 8. Varios univariados 9. Varios bivariados 10. Varios multivariados De las distribuciones que tenemos cubiertos en este Apéndice, el Chi­cuadrado y exponencial (Exponenciales Negativos) son categorizados por Haight como Tipo III. El binomio, el geométrico y el Los Bernoulli se clasifican como binomiales. El Poisson y el Hipergeométrico se clasifican como Discretos. El rectangular está bajo Distribuciones en (A, B), la F Distribución así como el Pareto están bajo Distribuciones en (0, infinito), la Distribución del Estudiante La paretiana estable es una distribución real. porque modela un fenómeno de probabilidad. Nuestra distribución ajustable no es. Más bien, modela otras distribuciones de probabilidad (dimensionales Z), como el paretiano estable. 2 Haight, FA, "Índice de distribuciones de estadísticas matemáticas", Revista de Investigación del Nacional Oficina de Normas­B. Matemáticas y Física Matemática 65 B No. 1, págs. 23­60, enero­marzo de 1961. de partida. Machine Translated by Google Una vez que haya calculado el número esperado de recuentos para el APÉNDICE C ­ Más información sobre la dependencia: tres categorías de longitud de fase (1, 2 y 3+), puede realizar la prueba de chi­cuadrado. Los puntos de inflexión y las pruebas de duración de fase grados de libertad aquí para determinar los niveles de significancia, como Existen pruebas estadísticas de dependencia distintas a las mencionadas en las Fórmulas de gestión de cartera y reiteradas en el Capítulo 1. La prueba de los puntos de inflexión es una prueba de dependencia completamente diferente. Al pasar por el flujo de operaciones, se cuenta un punto de inflexión si una operación es por un valor de PyG mayor que el de la operación anterior y posterior. Una operación también puede considerarse un punto de inflexión si es por un menor Según Kendall y sus colegas,1 deberías usar 2,5 Las longitudes de las fases no son independientes. Recuerda que la fase La prueba de duración no le informa sobre la dependencia (como engendrar algo así, etc.), sino si hay o no dependencia o aleatoriedad. Por último, esta discusión sobre la dependencia aborda la conversión de un coeficiente de correlación en un límite de confianza. La técnica emplea lo que es conocida como transformación Z de Fisher, que convierte/un coeficiente de correlación, r, en Valor de pérdidas y ganancias que tanto la operación anterior como la operación posterior. Darse cuenta de una variable distribuida normalmente: Estamos utilizando las operaciones individuales, no la curva de acciones (la curva acumulada). (C.04) F = .5*ln((1+r)/(lr)) dónde valores de las operaciones). El número de puntos de inflexión se suma para el todo el flujo de operaciones. Tenga en cuenta que debemos comenzar con la segunda operación. F = La variable transformada, ahora distribuida normalmente. y terminar con el penúltimo intercambio, ya que necesitamos un intercambio en ambos lados de r = El coeficiente de correlación de la muestra. el comercio que estamos considerando como un punto de inflexión. ln() = La función del logaritmo natural. Considere ahora tres valores (1, 2, 3) en una serie aleatoria, donde Cada uno de los seis ordenamientos posibles es igualmente probable: 1, 2, 3 2, 3,1 1, 3, 2 3, 1,2 2, 1,3 3, 2, 1 De estos seis, cuatro supondrán un punto de inflexión. Así, para un azar flujo de operaciones, el número esperado de puntos de inflexión viene dado por: (C.01) Número esperado de puntos de inflexión = 2/3*(N­2) donde N = El número total de operaciones. Podemos derivar la varianza en el número de puntos de inflexión de una serie aleatoria como: (C.02) Varianza = (16*N­29)/90 La desviación estándar es la raíz cuadrada de la varianza. Tomando el diferencia entre el número real de puntos de inflexión contados en el flujo de operaciones y el número esperado y luego dividir la diferencia por la desviación estándar nos dará una puntuación Z, que luego se expresa como un límite de confianza. El límite de confianza se discierne a partir de La distribución de estas variables transformadas tendrá una varianza de: (C.05) V = 1/(N­3) dónde V = La varianza de las variables transformadas. N = El número de elementos de la muestra. La media de la distribución de estas variables transformadas se determina mediante la ecuación (C.04), sólo que en lugar de ser el coeficiente de correlación de la muestra, r es el coeficiente de correlación de la población. Por lo tanto, dado que nuestra población tiene un coeficiente de correlación de 0 (que supongamos, ya que estamos probando la desviación de la aleatoriedad), entonces la ecuación (C.04) nos da un valor de 0 para la media de la población. Ahora podemos determinar cuántas desviaciones estándar tiene el valor ajustado. variable es de la media dividiendo la variable ajustada por la Ecuación (3.22) para probabilidades normales de dos colas. Así, si nuestra corriente de raíz cuadrada de la varianza, Ecuación (C.05). El resultado es la puntuación Z. las operaciones están muy lejos (muchas desviaciones estándar del número esperado), es asociado con un coeficiente de correlación y un tamaño de muestra determinados. Por poco probable que nuestro flujo de operaciones sea aleatorio; más bien, la dependencia está ejemplo, supongamos que tenemos un coeficiente de correlación de 0,25 y esto se distingue presente. Si la dependencia parece tener un límite de confianza alto en 100 operaciones. Por lo tanto, podemos encontrar nuestra puntuación Z como ecuación (al menos 95%) con la prueba de puntos de inflexión, puede determinar a partir de la inspección (C.04) dividido por la raíz cuadrada de la Ecuación (C.05), o: si lo similar engendra lo similar (si hay menos puntos de inflexión reales (C.06) Z = (.5*ln((1+r)/(1­r)))/(l/(N­3))^.5 Lo cual, para de lo esperado) o si lo similar engendra lo diferente (si hay más puntos de inflexión de lo esperado). Otra prueba de dependencia es la prueba de duración de fase. Esta es una prueba estadística similar a la prueba de puntos de inflexión. En lugar de contar los Número de puntos de inflexión entre (pero sin incluir) el comercio 1 y el último. nuestro ejemplo es: Z = (.5*ln((l+.25)/(l­.25)))/(l/(100­3))^.5 = (.5*ln(1.25/.75))/( l/97)^.5 = (.5*ln(1.6667))/.010309^.5 = operación, la prueba de duración de la fase analiza cuántas operaciones han transcurrido (.5*.51085)/.1015346165 = entre puntos de inflexión. Una "fase" es el número de operaciones que transcurren entre un .25541275/.1015346165 punto de inflexión máximo y un punto de inflexión mínimo, o un punto de inflexión = 2,515523856 bajo y un punto de inflexión alto. No importa lo que ocurra primero, el punto de inflexión alto o punto de inflexión bajo. Así, si el comercio número 4 es un punto de inflexión (alto o bajo) y el comercio número 5 es un punto de inflexión (alto o bajo). o bajo, siempre y cuando sea lo contrario de lo que fue el último punto de inflexión), entonces la longitud de la fase es 1, ya que la diferencia entre 5 y 4 es 1. Ahora podemos traducir esto a un límite de confianza usando la ecuación (3.22) para un límite de confianza de cola electrónica de distribución normal. Para nuestro ejemplo, esto equivale a un límite de confianza superior al 98,8%. Si tuvieramos Si tuviéramos 30 operaciones o menos, habríamos tenido que discernir nuestro límite de confianza. utilizando la Distribución de Student con N­1 grados de libertad. Con la prueba de longitud de fase se suma el número de fases de longitud 1, 2 y 3 o más. Por tanto, tendrás 3 categorías: 1, 2, y 3+. Por lo tanto, las longitudes de fase de 4 o 5, etc., se suman todas bajo la grupo de 3+. No importa si una fase pasa desde un punto de inflexión alto a un punto de inflexión bajo o de un punto de inflexión bajo a un punto de inflexión alto punto; lo único que importa es de cuántas operaciones se compone la fase. Para calcular la duración de la fase, simplemente tome el número comercial de la última fase (qué número es en la secuencia del 1 al N, donde N es el número total de operaciones) y restar el número de operaciones de la operación anterior fase. Para cada una de las tres categorías tendrás el número total de fases completas que ocurrieron entre (pero sin incluir) la primera y los últimos intercambios. Cada una de estas tres categorías también tiene un número esperado de operaciones. para esa categoría. El número esperado de operaciones de longitud de fase D es: (C.03) E(D) = 2*(ND­2)*(D^2*3*D+1)/(D+3)! dónde D = La duración de la fase. E(D) = El número esperado de recuentos. N = El número total de operaciones. 1 Kendall, MG, A. Stuart y JK Ord. La teoría avanzada de la estadística, vol. III. Nueva York: Hafner Publishing, 1983.