Buenas tardes, no tengo ni idea del tema, pero me ha entrado mucha curiosidad y buscando me he topado con este señor Rob Carvers y su blog que me ha parecido una mina de oro sobre el tema
Dan muchas ganas de trastear con python y ver como funcionan los modelos
También tiene varios libros publicados:
Aquí sus reposiciones
El libro de Rob Carver así como alguna entrevista que he escuchado suya en algún podcast son interesantes, bastante sentido común y detalles de como funciona un hedge fund desde dentro. No son estrategias novedosas pero sí se ve de manera práctica como llevarlas a cabo y eso siempre se agradece.
Edito: Me refería al de de Smart Portfolios, el de Leveraged Trading no lo conocía.
Me ha parecido interesante este paper sobre factores de Morningstar:
En el fondo GPM Alcyon que gestiono la inversión Fundamental y Momentum cuantatitativa con acciones es mi estrategia principal. En este video de una conferencia hace unas semanas explico el método con detalle con símiles futbolísticos y de la película Moneyball. Lo comparto por si fuese de interés: https://youtu.be/r4Ein1xEOPQ
Felicitarle por el fondo. Quizás las etiquetas son difíciles y solo eso, pero viendo la operativa, que diferencia existe entre su gestión y la de un gestor cualitativo que usa screeners para filtrar compañías?. Entiendo que el uso de factores y ratios que pueda aplicar tienen un gran trabajo detrás, pero la decisión final que hace no le lleva a pensar en el sesgo gestor?. Por otro lado, se ha visto en la situación de descartar compañías por evitar concentración sectorial? No cree que los ratios ya van a evitar eso?.
Saludos y gracias de antemano
Gracias por los comentarios. Si le parece bien ToniOI para no crear comentarios o conversaciones que estén fuera del contenido natural y original de este hilo voy a crear un nuevo hilo con el nombre del fondo que gestiono para contestar tu pregunta y otras preguntas que os puedan ir surgiendo sobre las características de la gestión del fondo GPM Alcyon o de cualquier otro tema relacionado. Saludos.
La inversión cuantitativa no es lo mismo que la inversión en factores, pero creo que este artículo es procedente en el hilo.
La mayoría de las anomalías publicadas luego no son replicables, y buena parte de las que lo son, solo se manifiestan en small caps ilíquidas, por lo que sacar provecho de ellas se convierte en una tarea imposible. La presión por publicar en el mundo académico y la competitividad en los mercados llevan a estas cosas.
Estoy jugando con esto del machine learning y hay algo que no acabo de ver claro. ¿Es mejor tener pocas capas con muchas neuronas por capa o muchas capas con menos neuronas por capa? Según lo leído, a igualdad de neuronas, siempre da mejor resultado tener más capas. Pero resulta que una capa de 14 me da mejores resultados que 2 de 7.
No soy un gurú pero le diría que a más profundidad de la red neuronal, mayor capacidad tendrá de aprender relaciones no lineales complejas entre sus entradas y sus salidas. Es posible que al añadir esta complejidad la red esté sobreajustando (overfitting) los datos y no generalice bien, no sé si ha probado a incluir algo de Dropout durante el entrenamiento para ver si influye algo en sus resultados.
Visualizar la evolución del error del entrenamiento y de la validación suele ser útil para ver cuál puede ser el problema
Depende del tipo de red neuronal que esté utilizando, del algoritmo de aprendizaje, del conjunto de datos a entrenar y de otras variables, puede haber bastantes diferencias. Hasta donde yo sé, no hay una demostración clara ( solo opiniones ) que indique que agregar más capas ( un saludo a los fans del deep learning ) sea mejor. Una manera de ver este tipo de herramientas, es entenderlas como aproximadores universales, que nos permitan representar gran variedad de funciones Universal approximation theorem - Wikipedia.
Por ejemplo en principio, en una red neuronal típica, como el perceptron multicapa, con una capa de input, una capa oculta y una capa de salida podríamos resolver cualquier problema no lineal dándole la suficiente capacidad en nodos, pero que podamos hacerlo teoricamente no significa tampoco que sea lo más eficiente o práctico, hay funciones que pueden ser aproximadas por infinitos nodos en una sola capa pero que solo necesiten 2 o 3 capas con pocos nodos cada una para conseguir lo mismo.
Lo habitual para encontrar la mejor configuración es experimentar con prueba y error, existen reglas en algunos libros sobre sumar los nodos de entrada y salida, dividirlos entre dos, etc pero personalmente creo que no sirven para nada, solo para iniciarse. En resumen, no hay ninguna regla escrita y todo se basa en experiencia, copiar a otros, intuición y “fuerza bruta”, donde incluso se pueden automatizar cambios en la red y probar los resultados, ir más “deep” puede ayudar pero no es algo que se de por hecho.
Gracias a los dos por responder.
Yo, obviamente al estar en un foro como este, lo que hago es machine learning para meterlo en un robot de Forex con el objetivo de ganar dinero 
En efecto, no hay más remedio que ir probando, ese parece ser el consenso en todas las publicaciones que leo. Es que incluso para las funciones de activación te dicen que las pruebes todas y entonces elijas la que mejor te funcione. A mi me ha decepcionado bastante esta estrategia, todo sea dicho. Si no hay guias sobre qué tipo de red usar para un cierto problema y siempre hay que probar todas las combinaciones de algoritmos, pesos, capas, activaciones, etc… pues es muy cansado la verdad. Además de no saber nunca si has elegido la opción adecuada.
No sé yo si toda esta “novedad” se va a volver a quedar en un cajón como ya pasó en los años 50. Gracias de nuevo.
¿Esperaba un teforras rápido mientras tomaba el sol en una playita paradisíaca? 
Jajjaa, tampoco es eso, pero sí tenía la esperanza de encontrar libros que fueran útiles a la hora de resolver un problema específico. Como cualquiera de los de programación clásica.
Que quieres ordenar datos, pues te dicen que hacerlo por burbuja es lo peor, con quicksort lo mejor, y de regalo te explican el resto de algoritmos intermedios. Y así para cada tipo de problema, desde optimizar el corte de los trozos de madera en una serrería hasta el del comercial que ha de montar su ruta.
Pero en esto del machine learning sólo te dicen que lo pruebes todo, que hagas todas las mezclas imaginables, y a lo mejor alguna combinación te sirve :-/ Así que iré probando hasta que me canse y lo más problable es que vuelva a la programación de toda la vida.
un libro que esta bastante bien sobre este tema es: Machine Learning for Asset Managers de Marcos Lopez de Prado, mismo autor del libro que recomendó @AlanTuring más arriba. Matemáticamente es más sencillo y aborda temas más de gestión de carteras.
Les dejo un “screener” con sus condicionales que parece interesante:
“A Stock-Picker’s Guide to William O’Neil’s CAN SLIM System”
IBD-50 index ( FFTY vs SPY ) La cosa iba bien hasta que dejó de ir bien 
veremos en los próximos años.
Ya me he leído el libro y continuado con mis pruebas durante estos meses.
Aunque el libro me ha defraudado bastante, es algo así como si leo un libro que se titula “Cocina vegetariana” y luego dentro trata sobre la química de los fertilizantes para los cereales y legumbres. Que está relacionado, de acuerdo, pero no es lo que espero encontrar por el título.
Sobre las pruebas, he probado tres topologías de red neuronal: una sin capas, otra con una capa, y la última com dos capas. He observado que la que mejor resultado da es la de dos capas, que me acierta el 40% más de operaciones que las otras topologías. Aunque sigue siendo muy inferior al enfoque de “inteligencia natural” a la hora de ganar dinero.
Los algoritmos sin red neuronal aciertan la misma cantidad de operaciones que con red neuronal, me ha resultado curioso que los dos enfoques acierten lo mismo, pero a la hora de ganar dinero veo que la diferencia es notable. Usando inteligencia artificial la ganancia al final es tan sólo la mitad.
@Arvin Totalmente de acuerdo con lo que dices, muchas veces se ofusca en la matemática para explicar conceptos que se podrian explicar en 2 lineas. Tiene otro que se llama: Machine Learning for Asset Managers que esta bien y es más enfocado.
Otro que me gusto bastante y es sencillo es Smart Portfolios de Robert Carver.
Por otro lado en mi experiencia la máquina que pongas da un poco igual, lo que importa son las features que pongas y como realizas el entrenamiento-validación.
Otro libro que esta muy bien es: Efficiently Inefficient: How Smart Money Invests and Market Prices Are Determined de Lasse Heje Pedersen. En la página del autor se pueden encontrar cosillas interesantes: Lasse Heje Pedersen
