¿Por qué el análisis técnico tradicional no funciona en un mercado complejo?

En el campo de las operaciones cuantitativas, a menudo nos encontramos con esta confusión: ¿por qué las estrategias basadas en las medias móviles simples o RSI funcionan mejor en ciertos entornos de mercado, pero fallan con frecuencia en otros? La respuesta reside en la complejidad de las series de tiempo financieras, que no solo tienen una correlación entre sí, sino que también presentan características de fluctuación temporal.

La estrategia que analizaremos hoy, que combina hábilmente el modelo de regresión automática AR(2) y el modelo de diferenciación condicional GARCH(1,1), trata de resolver este problema desde un punto de vista estadístico. No se trata de una simple superposición de indicadores técnicos, sino de una excavación en profundidad de las características esenciales de la secuencia de tiempo financiera.

¿Cómo captura el modelo el efecto memoria del precio?

El núcleo de la estrategia está en la aplicación del modelo de autorregresividad AR[2]: ¿Qué es la autorregresividad? En pocas palabras, es usar el yo pasado para predecir el yo futuro.[3] El modelo de AR[2] supone que la tasa de rendimiento actual puede ser representada linealmente por la tasa de rendimiento de los dos períodos anteriores:

            
            
            
r_t = φ₁ × r_{t-1} + φ₂ × r_{t-2} + ε_t

En el código se resuelven los coeficientes φ1 y φ2 a través de la ecuación de Yule-Walker:

            pinescript
            
            
c0 = calcAutoCovariance(returns, 0, lengthReg) // 滞后0期自协方差
c1 = calcAutoCovariance(returns, 1, lengthReg) // 滞后1期自协方差  
c2 = calcAutoCovariance(returns, 2, lengthReg) // 滞后2期自协方差
phi1 = (c1 * c0 - c2 * c1) / denominator // 第一个自回归系数
phi2 = (c2 * c0 - c1 * c1) / denominator // 第二个自回归系数

La ventaja de este método es que no se basa en el juicio subjetivo, sino que deja que los datos hablen por sí mismos y descubre la regularidad implícita en la secuencia de precios.

¿Por qué el modelo GARCH es mejor para representar el riesgo de mercado?

Los modelos AR no son suficientes, ya que la volatilidad de los mercados financieros no es constante. Todos sabemos que los fenómenos de "concentración de la volatilidad" son grandes fluctuaciones que a menudo son acompañadas de grandes fluctuaciones, y las épocas de calma suelen durar más tiempo.

El modelo GARCH ((1,1) fue diseñado para representar esta característica:

            
            
            
σ²_t = ω + α × ε²_{t-1} + β × σ²_{t-1}

La lógica de implementación en el código refleja esto claramente:

            pinescript
            
            
omega = (1 - adjustedAlpha - adjustedBeta) * longTermVar
garchVariance := omega + adjustedAlpha * math.pow(arResidual[1], 2) + adjustedBeta * garchVariance[1]

La clave aquí es que la diferencia entre las condiciones actuales depende no sólo del residuo cuadrado de la diferencia anterior (impacto a corto plazo) sino también de la diferencia entre las condiciones anteriores (persistencia a largo plazo). El parámetro α controla el impacto de los impactos a corto plazo y β controla la persistencia de la tasa de fluctuación.

¿Cómo la lógica de negociación de la estrategia equilibra el riesgo y la ganancia?

La estrategia construye un intervalo de confianza dinámico con las predicciones de AR y las estimaciones de fluctuaciones de GARCH:

            pinescript
            
            
upperReturnBand = arReturnPredict + stdevFactor * garchStd
lowerReturnBand = arReturnPredict - stdevFactor * garchStd

La lógica de generación de la señal de negociación refleja la idea de la regresión a la media:

• Si el precio se desvía hacia abajo, entonces el precio se desvía hacia abajo.
• Cuando el precio se desvía por la banda superior (shortSignal = rawPrice > upperPriceBand)

El truco de este diseño es que el ancho del intervalo de confianza se ajusta a la dinámica de la volatilidad del mercado. En períodos de alta volatilidad, el intervalo se amplía, reduciendo la frecuencia de negociación; en períodos de baja volatilidad, el intervalo se estrecha, aumentando las oportunidades de negociación.

¿Cuáles son las cuestiones clave a las que hay que prestar atención en la aplicación práctica?

1. Pruebas de estabilidad del modelo
El código incluye importantes comprobaciones de estabilidad:

            pinescript
            
            
if stabilityCheck >= 0.99 or math.abs(phi2) >= 0.99
    scaleFactor = 0.95 / math.max(stabilityCheck, math.abs(phi2) + 0.01)

Esto asegura la estabilidad de los modelos AR y evita resultados dispersivos.

2. Restricción de convergencia de parámetros
El modelo GARCH requiere que α + β < 1 para garantizar la existencia de diferencias a largo plazo:

            pinescript
            
            
if sumParam >= 0.999
    scale = 0.99 / sumParam

3. La necesidad de un mecanismo de filtración
Las estrategias ofrecen opciones de filtración de RSI, lo cual es importante en aplicaciones reales. Los modelos puramente estadísticos pueden ignorar las características tendenciales del mercado, y la inclusión de indicadores técnicos puede proporcionar señales de confirmación adicionales.

Limitaciones de la estrategia y mejoras

A pesar de que esta estrategia es muy elegante en teoría, en la práctica se debe tener en cuenta:

Opciones de frecuencia de datosEl modelo AR-GARCH presenta una gran variación en el rendimiento en diferentes períodos. Los datos de alta frecuencia proporcionan más información, pero también introducen más ruido.

Variabilidad temporal de los parámetrosEn la implementación actual, se supone que los parámetros AR y GARCH son constantes en la ventana de estimación, pero la estructura real del mercado puede cambiar.

Impacto en el costo de las transaccionesLas estrategias de arbitraje estadístico generalmente requieren una mayor frecuencia de transacciones, y las comisiones y los costos de los puntos de deslizamiento no pueden ser ignorados.

Conclusión: El valor de la modelación estadística en las transacciones cuantitativas

Esta estrategia AR-GARCH muestra el poder de la estadística moderna en la modelación financiera. No es una simple combinación de indicadores técnicos, sino una excavación profunda de las características estadísticas de la secuencia de tiempo financiera.

Para los operadores cuantitativos, el valor de entender este tipo de estrategias no solo radica en su aplicación directa, sino también en la capacidad de analizar el mercado con una mentalidad estadística. Hoy en día, en la era de la IA y el aprendizaje automático, estos modelos estadísticos clásicos siguen siendo una piedra angular importante para entender los mercados y construir estrategias.