Posts

how good traders use leverage

¿Cuánto apalancamiento utilizan los traders de éxito?

/0 Comments/in /by

En este post te ofrecemos, en exclusiva, un trabajo de investigación llevado a cabo por el Laboratorio Darwinex en el que te revelamos el impacto cuantitativo a largo plazo de un apalancamiento creciente en el rendimiento de estrategias de trading, así como el umbral máximo de VaR que implicará que, si es sobrepasado, la probabilidad de recuperación de una pérdida sea practicamente nula.

Al terminal su lectura, esperamos que tengas una mejor comprensión del impacto del apalancamiento en tus posibilidades de supervivencia en los mercados financieros, y que estes mejor equipado para decidir qué nivel apalancamiento consideras más óptimo.

NOTA: Antes de proseguir con la lectura de este artículo, y con el fin de facilitarte una correcta comprensión del mismo, te recomendamos encarecidamente la lectura de los siguientes artículos:

¿Qué es el VaR?

¿Qué es el D-Leverage?

¿El trader de éxito nace o se hace? Descarga el eBook.

¿Cuánto apalancamiento utilizan los traders de éxito* para lograr buenos retornos con un riesgo razonable?

Los traders de éxito saben a ciencia cierta que no es necesario operar con apalancamientos estratosféricos para lograr rendimientos anuales que oscilen entre un 20% y un 60%. De hecho, es factible conseguir dichos retornos con un D-Leverage entre 5 y 10 y un Valor en Riesgo “VaR” mensual del 10%, como te mostraremos en este post. Si esto es así, ¿por qué crees que la mayoría de los traders insisten en operar con apalancamientos elevados?

*En nuestro trabajo de investigación consideramos como trader de éxito aquel cuyo D-Score es superior a 65.  ¿Por qué 65? Conseguir una una nota de 65 supone un verdadero reto para cualquier trader e implica una mayor probabilidad de éxito. Para tu información, con el reciente cambio en el cálculo de D-Score, el umbral de éxito se establece actualmente en 68.

Hallazgos interesantes de nuestra investigación

How good traders use leverage

Los DARWIN con un D-Score superior a 65 tuvieron la siguiente distribución de D-Leverage:

  1. Media: 5:1
  2. Mediana: 3:1
  3. Máximo: 35:1

Dentro de estos parámetros, los traders obtuvieron rendimientos que fluctuaron entre -15% hasta superar un 70% anual.

¿Por qué tanta dispersión en el apalancamiento?

La dispersión observada en estos hallazgos se deben tanto el estilo de trading del proveedor del DARWIN como a su apetito al riesgo.

Distintas estrategias de trading pueden emplear diferentes niveles de apalancamiento en función de su forma de operar.

Simplificando al extremo, en nuestro estudio consideramos dos categorías principales de estilos de trading:

  1. Exposición continua al mercado,
  2. Scalping (entrada/salida rápida con una duración promedio de 1 a 3 horas)

Exposición continua al mercado

El DARWIN $ LVS es un claro ejemplo de estrategia de trading de éxito con exposición continua al mercado.

El análisis de los datos revela que David y Enrico, los proveedores del DARWIN $ LVS, mantienen:

  • Un D-leverage entre 2 y 4 aproximadamente,
  • Un VaR en su estrategia de trading subyacente que oscila de 5% a 10%.

Scalping

Las estrategias de scalping se caracterizan por entrar y salir del mercado rápidamente.

Sus trades promedian duraciones que oscilan entre 1 y 3 horas en la mayoría de las ocasiones, permaneciendo fuera del mercado el resto de tiempo.

Los DARWINs $ NTI y $ ERQ son dos ejemplos ilustrativos de estrategias de scalping que demuestran este tipo de comportamiento, empleando rangos de D-Leverage que varían entre 5 y 9.

(Nota: La evolución del D-Leverage del DARWIN se puede consultar en su perfil en la pestaña de “RETORNO / RIESGO”).

Caso práctico extraído del Laboratorio Darwinex

Nuestro modelo de investigación

Para el cálculo de VaR, así como el resto de estadísticas, procedimos a construir una distribución de probabilidad de rendimientos para cada nivel de apalancamiento que queríamos evaluar.

Para obtener los retornos creamos la siguiente estrategia de trading:

Activo operado:

EUR/USD

Dirección:

Aleatoria, ya sea LARGO o CORTO.

Lógica:

Abre 1 trade al día, con una duración exacta de 1 hora, durante 1 mes, con dirección y comienzo del trade aleatorio.

Simulaciones Montecarlo:

100,000

Apalancamiento:

De 1:1 a 400:1

La lógica dicta que, cuanto mayor sea el apalancamiento utilizado, mayor es el riesgo de no poder recuperar la cuenta ante una gran pérdida. Los resultados que te presentamos a continuación lo confirman con datos concretos.

Gráfico 1: Distribución de la densidad de probabilidad de los rendimientos por apalancamiento (haz clic para ampliar)

Probability Distribution of Trading Strategy Returns by Leverage

Distribución de probabilidad de los retornos de estrategias de trading en función del apalancamiento

Observaciones:

A medida que aumenta el nivel de apalancamiento, las siguientes 3 métricas empeoran considerablemente:

  1. VaR mensual (95% de confianza estadística)
  2. Retorno Mediano
  3. Probabilidad de recuperar la pérdida del rendimiento medio – P (recuperación)

Este comportamiento se refleja en el gráfico con el desplazamiento sistemático hacia la izquierda de cada distribución con mayor apalancamiento que el anterior.

Gráfico 2: Evolución del retorno mediano vs. apalancamiento (haz clic para ampliar)

leverage

Observaciones:

Después de un deterioro inicial prácticamente inapreciable, el emporamiento del retorno mediano se acelera a medida que aumenta el apalancamiento.

Gráfico 3: Evolucion del VaR (95% confianza) vs. apalancamiento (haga clic para ampliar)

leverage

Observaciones:

A partir de un nivel de apalancamiento, sobre 200 aproximadamente, el VaR llega a -100%, lo cual confirma nuestras sospechas.

Gráfico 4: Probabilidad de recuperación mediana vs. apalancamiento (haz clic para ampliar)

leverage

Observaciones:

A medida que aumenta el nivel de apalancamiento, la probabilidad de recuperar una pérdida del rendimiento mediano en el mes siguiente disminuye sistemáticamente.

Conclusiones

Los hallazgos de este estudio refuerzan lo que venimos anunciando desde hace tiempo en Darwinex:

  1. Operar más allá de un cierto nivel de VaR hace que sea estadísticamente improbable puedas recuperar una pérdida de rendimiento mediano en el próximo mes.
  2. Tiene más sentido que emplees un VaR estable, de moderado a bajo, y apalancarte haciendo uso del “apalancamiento sano”: capital de inversores.

Benefíciate del análisis exhaustivo, y totalmente gratuito, que realiza Darwinex de tus estrategias de trading, y así  poder tomar medidas preventivas si estas se acercan a un nivel de pérdida estadísticamente irrecuperable.

En un episodio reciente de nuestro podcast Movimiento Trader, Juan Colón, CEO de Darwinex, arrojó algo de luz sobre el comportamiento de nuestros mejores proveedores de DARWINs. Para ello, tuvimos que analizar una infinidad de datos de más de 3000 DARWINs en los últimos 3 meses.

 

 

Hidden Markov Models & Regime Change: S&P500

/0 Comments/in /by

In this post, we will employ a statistical time series approach using Hidden Markov Models (HMM), to firstly obtain visual evidence of regime change in the S&P500.

Detecting significant, unforeseen changes in underlying market conditions (termed “market regimes“) is one of the greatest challenges faced by algorithmic traders today. It is therefore critical that traders account for shifts in these market regimes during trading strategy development.

Why use Hidden Markov Models?

Hidden Markov Models for Detecting Market Regime Change (Source: Wikipedia)

Hidden Markov Models for Detecting Market Regime Change (Source: Wikipedia)

 

Hidden Markov Models infer “hidden states” in data by using observations (in our case, returns) correlated to these states (in our case, bullish, bearish, or unknown).

They are hence a suitable technique for detecting regime change, enabling algorithmic traders to optimize entries/exits and risk management accordingly.

We will make use of the depmixS4 package in R to analyse regime change in the S&P500 Index.

 

Hidden Markov Model - State Space Model (Source: StackExchange)

Hidden Markov Model – State Space Model (Source: StackExchange)

With any state-space modelling effort in quantitative finance, there are usually three main types of problems to address:

  1. Prediction – forecasting future states of the market
  2. Filtering – estimating the present state of the market
  3. Smoothing – estimating the past states of the market

We will be using the Filtering approach.

Additionally, we will assume that since S&P500 returns are continuous, the probability of seeing a particular return R in time t, with market regime M being in state m, where the model used has parameter-set P, is described by a multivariate normal distribution with mean μ and standard deviation σ [1].

Mathematically, this can be expressed as:

\(p(R_t | M_t = m, P) = N(R_t | μ_m, σ_m)\)

As noted earlier, we will utilize the Dependent Mixture Models package in R (depmixS4) for the purposes of:

  1. Fitting a Hidden Markov Model to S&P500 returns data.
  2. Determining posterior probabilities of being in one of three market states (bullish, bearish or unknown), at any given time.

We will then use the plotly R graphing library to plot both the S&P500 returns, and the market states the index was estimated to have been in over time.

You may replicate the following R source code to conduct this analysis on the S&P500.

Step 1: Load required R libraries

library(quantmod)
library(plotly)
library(depmixS4)

Step 2: Get S&P500 data from June 2014 to March 2017

getSymbols("^GSPC", from="2014-06-01", to="2017-03-31")

Step 3: Calculate differenced logarithmic returns using S&P500 EOD Close prices.

sp500_temp = diff(log(Cl(GSPC)))
sp500_returns = as.numeric(sp500_temp)

Step 4: Plot returns from (3) above on plot_ly scatter plot.

plot_ly(x = index(GSPC), y = sp500_returns, type="scatter", mode="lines") %>%

layout(xaxis = list(title="Date/Time (June 2014 to March 2017)"), yaxis = list(title="S&P500 Differenced Logarithmic Returns"))

S&P500 Differenced Logarithmic Returns
(June 2014 to March 2017)

S&P500 Differenced Logarithmic Returns (June 2014 to March 2017)

S&P500 Differenced Logarithmic Returns (June 2014 to March 2017)

Step 5: Fit Hidden Markov Model to S&P500 returns, with three “states”

hidden_markov_model <- depmix(sp500_returns ~ 1, family = gaussian(), nstates = 3, data = data.frame(sp500_returns=sp500_returns))

model_fit <- fit(hidden_markov_model)

Step 6: Calculate posterior probabilities for each of the market states

posterior_probabilities <- posterior(model_fit)

Step 7: Overlay calculated probabilities on S&P500 cumulative returns

sp500_gret = 1 + sp500_returns
sp500_gret <- sp500_gret[-1]
sp500_cret = cumprod(sp500_gret)

plot_ly(name="Unknown", x = index(GSPC), y = posterior_probabilities$S1, type="scatter", mode="lines", line=list(color="grey")) %>%

add_trace(name="Bullish", y = posterior_probabilities$S2, line=list(color="blue")) %>%

add_trace(name="Bearish", y = posterior_probabilities$S3, line=list(color="red")) %>%

add_trace(name="S&P500", y = c(rep(NA,1), sp500_cret-1), line=list(color="black"))

S&P500 Market Regime Probabilities
(June 2014 to March 2017)

S&P500 Hidden Markov Model States (June 2014 to March 2017)

S&P500 Hidden Markov Model States (June 2014 to March 2017)

Interpretation: In any one “market regime”, the corresponding line/curve will “cluster” towards the top of the y-axis (i.e. near a probability of 100%).

For example, during a brief bullish run starting on 01 June 2014, the blue line/curve clustered near y-axis value 1.0. This correlates as you can see, with movement in the S&P500 (black line/curve). The same applies to bearish and “unknown” market states.

An interesting insight one can draw from this graphic, is how the Hidden Markov Model successfully reveals high volatility in the market between June 2014 and March 2015 (constantly changing states between bullish, bearish and unknown).

 

References:
—
[1] Murphy, K.P. (2012) Machine Learning – A Probabilistic Perspective, MIT Press.
https://www.cs.ubc.ca/~murphyk/MLbook/
—

Influences:
—
The honourable Mr. Michael Halls-Moore. QuantStart.com
http://www.quantstart.com/
—

Additional Resource: Learn more about DARWIN Portfolio Risk (VIDEO)
* please activate CC mode to view subtitles.

Do you have what it takes? – Join the Darwinex Trader Movement!

Darwinex - The Open Trader Exchange

Darwinex – The Open Trader Exchange