La mejor estrategia de negociación de acciones de Quant Fund Manager con un rendimiento del 491%

• Ivan Scherman logró una rentabilidad del 491% en el Campeonato Mundial de Comercio de Futuros de 2023.
• Es un administrador de fondos cuantitativos que utiliza cientos de modelos para ejecutar operaciones en múltiples activos.
• Enfatiza el análisis técnico basado en evidencia y la gestión de riesgos para minimizar el error humano.

Ivan Scherman es un técnico de mercado certificado y administrador de fondos de cobertura de Buenos Aires, Argentina.

Opera en los mercados al contado, de futuros y de opciones en todo acciones, índices, materias primas y divisas – básicamente, cualquier cosa a la que se pueda acceder a través de la Bolsa de Valores de Nueva York, la Bolsa Mercantil de Chicago y otras bolsas importantes de Estados Unidos.

Y es bueno en lo que hace: en el Campeonato Mundial de Comercio de Futuros de 2023, Scherman terminó primero con un retorno del 491,4%, según los registros de la competencia.

La cuestión es esta: si bien ejercer tales logros suena atractivo, no puede hacerlo como ser humano.

Scherman es un fondo cuantitativo administrador que puede utilizar cientos de modelos para ayudar a ejecutar operaciones. Su trabajo consiste en realizar pruebas retrospectivas de los modelos y luego ponerlos en funcionamiento mientras monitorea su progreso. La máquina le permite diversificarse en el verdadero sentido, comerciando con múltiples activos, desde el S&P 500 al café e incluso a la soja.

Su viaje comercial no comenzó como un experto cuantitativo ni siquiera como comerciante. En 1996, era estudiante de derecho en la Universidad de Buenos Aires cuando comenzó a intrigarse por los mercados después de tomar un curso sobre negociación y titulización. Su interés lo llevó a cursar un diplomado en Trading en el Instituto Argentino para Mercados Financieros.

Cuanto más aprendía, más gradualmente hacía pequeños negocios como actividad secundaria durante sus primeros años como abogado de marcas.

“Al principio pensé que sabía cómo operar, pero no era así. Era un mercado alcista. Estaba operando en el mercado argentino”, dijo Scherman. “Así que, independientemente de lo que operé, obtuve ganancias. Cuando las cosas empezaron a ponerse difíciles en el mercado argentino, rompí mi cuenta”.

Fue una experiencia que lo impulsó a querer adaptar un enfoque que omitiera el error humano, a menudo resultante de reacciones emocionales.

Creando su habilidad

Le tomó alrededor de cuatro años no poder convertirse en un operador decente, pero eso no significaba que fuera un buen administrador de fondos. Cuando dejó la abogacía para convertirse en comerciante profesional, sus deficiencias fueron amortiguadas por el departamento de riesgos de su empresa, lo que le impidió asumir grandes pérdidas en sus operaciones. Pero aun así asumió pérdidas en su cuenta personal porque no había aprendido a gestionar el riesgo de forma independiente.

Un libro que leyó, “Análisis técnico basado en evidencia”, de David Aronson, le enseñó cómo aplicar un metodo cientifico diseñar o probar una hipótesis comercial. Una de esas lecciones fue que la estrategia de un operador debe probarse en todas las condiciones del mercado, incluidos los mercados alcistas, bajistas y planos con volatilidad alta a baja. Esto se debe a que un comerciante no puede predecir el próximo régimen de mercado y debe demostrar que su tesis puede sobrevivir a los cambios. Cuanto mayor sea la muestra histórica, mejor estará el comerciante.

A través de más pruebas y errores, aprendió lecciones adicionales sobre gestión de riesgos. Los dos principales eran que no debería poner todos sus esfuerzos en un solo intercambio y debía tratar cada intento como si pudiera ser una gran pérdida. En cambio, debería apuntar a pequeñas ganancias en diferentes posiciones e incluir un stop loss basado en datos históricos para cada tesis.

En sus backtests, busca comportamientos repetitivos para identificar puntos de parada de pérdidas y mide su rango para determinar cómo fallaron y la profundidad de las pérdidas que produjeron históricamente. El stop loss se establecerá de forma diferente para cada tesis. Por ejemplo, si un determinado patrón a menudo cae un 2% antes de convertirse en ganador, establecerá un rango más amplio desde el principio para que la operación no se detenga. El resultado es que el stop loss variará para cada patrón en función de su comportamiento histórico.

Finalmente, limita el riesgo general manteniendo cada posición pequeña, entre el 2% y el 3% de su cartera total.

“Necesito tener el capital para recuperarme de esa pérdida”, dijo Scherman. “Hay ciertos números que tengo en mente y que son muy importantes para mí. Por ejemplo, si pierdes el 10%, necesitarás el 11% para recuperar esa pérdida. Si pierdes el 20%, vas a necesitar el 11% para recuperar esa pérdida. necesitar alrededor del 33% para recuperarse de esa pérdida. Si pierde el 50%, necesitará ganar el 100% para recuperar esa pérdida”.

Si bien utiliza modelos para probar sus teorías, un operador podría replicar este proceso revisando los gráficos comerciales de cada activo y patrón con el que opera para determinar los rangos con los que un patrón puede retroceder. Aún así, cada stop loss debe adaptarse a la capacidad y tolerancia al riesgo personal del operador.

Una operación simple del libro de herramientas de un administrador cuantitativo

Si bien gran parte de lo que hace Scherman no puede ser replicado por un humano, se pueden extraer algunos consejos y patrones de sus modelos.

Principalmente, un comerciante debe aprender a adoptar un enfoque técnico basado en evidencia y construido sobre patrones históricos en lugar de opiniones subjetivas. En el trading algorítmico no existe interpretación del comportamiento de los patrones. En cambio, cada regla, como por ejemplo qué es una tendencia alcista, será cuantificada y comprendida por la computadora. Entonces, lo que puede ser entendido por una computadora, puede ser entendido por un humano, señaló.

En cuanto a una estrategia sacada del libro de jugadas de sus modelos, si bien no es un patrón que él usa, una simple que un humano puede replicar es operar con el S&P 500 usando promedios de días móviles.

Aquí se deben cumplir dos condiciones:

Primero, el promedio móvil de 200 días del día es mayor que el del día anterior.

En segundo lugar, el S&P 500 tiene tres días consecutivos de cierres más bajos que cada día anterior. Esta caída, siguiendo la primera tendencia anterior, indica que hay un retroceso temporal en una fuerte tendencia alcista.

Scherman señaló que considerando los movimientos del mercado en oscilaciones, en algún momento cerrará por encima del promedio móvil de cinco días.

“Cuando cierra por encima de la media móvil de cinco días, produce beneficios en el 72% de las muestras analizadas durante 100 años”.

El siguiente gráfico muestra ganancias que hipotéticamente podrían acumularse sobre la cantidad de operaciones en las que se produjo este patrón desde 1960 basándose en la compra de una unidad del SPX, según modelos de operaciones patentados probados por Emerge Funds Investments hasta septiembre de 2024.

Scherman señaló que la forma más cercana de replicar la producción del índice es con un ETF importante que lo rastree, como el ETF SPDR S&P 500 (SPY). Si bien puede haber ligeras variaciones debido a fricciones, incluidas las diferencias en el precio de ejecución en una operación real, la tasa de ganancia seguirá siendo la misma.

El siguiente cuadro muestra cómo puede aparecer el patrón en un gráfico y los puntos hipotéticos de entrada y salida. En la opción uno, la operación se realiza automáticamente antes del cierre del mercado en el tercer día del cierre consecutivo más bajo y se vende al cierre del día en que está por encima del promedio móvil de cinco días. La opción dos en el gráfico es una segunda forma de ingresar a la operación comprando en la siguiente apertura después del tercer cierre a la baja consecutivo y saliendo en la siguiente apertura el día después de que cierre por encima del promedio móvil de cinco.

Sin embargo, el modelo muestra que la opción uno tiene mejores resultados de desempeño.