Voy a desglosar cómo usar la regresión lineal para ganar en todas tus operaciones, construir una señal alfa real y compartir el código ganador exacto.
Vamos directo al grano.
Guarda esto
- Soy Roan, desarrollador backend especializado en diseño de sistemas, ejecución estilo HFT y sistemas de trading cuantitativo. Mi trabajo se enfoca en cómo se comportan realmente los mercados de predicción bajo carga. Si tienes sugerencias, colaboraciones o quieres asociarte, mis DMs están abiertos.
Todo cuant tiene una versión de esta historia.
Pasas una semana en un modelo. El backtest se ve perfecto, la curva de equity apunta hacia arriba y crees que por fin lo encontraste. Lo pones en vivo. Dos semanas después está perdiendo dinero y no tienes idea de por qué.
He visto que este ciclo termina con más carreras de cuants que cualquier caída del mercado. El modelo nunca fue real. Era ruido disfrazado de señal. Y la habilidad más valiosa en todo este campo es aprender a diferenciarlos antes de arriesgar un solo dólar.
Esa habilidad comienza con la herramienta más subestimada en las finanzas cuantitativas.
Regresión lineal.
Sé cómo suena. La regresión lineal es algo que todos creen haber aprendido en una tarde y de lo que ya pasaron. Pero esto es lo que me llevó años y pérdidas reales entender. La gente que maneja miles de millones en las mejores firmas no usa monstruos exóticos de deep learning para la mayoría de sus señales principales. Usan regresión lineal, entendida mucho más profundamente de lo que la mayoría llega, aplicada con una disciplina que la mayoría nunca construye.
Mira la operación de trading más exitosa de la historia.
Jim Simons construyó Renaissance Technologies sobre esta base exacta. Su Medallion Fund promedió aproximadamente un 66 por ciento de rendimientos anuales brutos entre 1988 y 2018, el mejor registro jamás documentado. Y según su propio equipo, el fondo acertó solo en aproximadamente el 50.75 por ciento de sus operaciones. A través de millones de operaciones, ese margen increíblemente delgado se convirtió en más de 100 mil millones de dólares. No estaban prediciendo el futuro. Estaban extrayendo una señal pequeña, real y repetible de un océano de ruido, que es exactamente para lo que está hecha la regresión.
AQR, que ahora gestiona alrededor de 179 mil millones de dólares, construyó su imperio sobre modelos factoriales basados en regresión.
PDT Partners ejecutó arbitraje estadístico durante años sin un solo año de pérdidas.
Esta es la versión de la regresión lineal que nadie te enseñó.
Al final de este artículo entenderás qué es realmente la regresión lineal, qué significa realmente el alfa, cómo construir una señal uni y multifactorial desde cero con código real, cómo leer un resultado de regresión como un investigador institucional, las pruebas exactas que separan una señal real de una coincidencia, y por qué incluso una señal real eventualmente muere.
Nota: Este artículo es deliberadamente largo y cada parte se construye sobre la anterior. Si hablas en serio sobre construir señales que sobrevivan en mercados reales, léelo completo. Si quieres un indicador mágico, esto no es para ti.
Parte 1: Qué es realmente la regresión lineal
La regresión lineal encuentra la única línea recta que se sitúa más cerca de todos los puntos de datos a la vez.
Olvídate de las finanzas por un segundo.
La regresión lineal es simplemente la matemática de dibujar la mejor línea recta a través de una nube de puntos.
Imagina graficar el tamaño de una casa contra su precio. Las casas más grandes cuestan más, así que los puntos se elevan. La regresión lineal encuentra la única línea recta que se sitúa más cerca de todos esos puntos a la vez. Ingresa el tamaño de una casa nueva y obtienes su precio estimado. Esa es toda la idea. Es una máquina que aprende la relación entre una entrada y una salida, y luego la usa para predecir.
Andrew Ng abre su famoso curso de machine learning de Stanford con este mismo ejemplo del precio de las casas, porque es el algoritmo de aprendizaje más simple que existe y la base sobre la que se construye todo lo demás.
La línea tiene la fórmula que ya conoces de la escuela:
y = a + b x
Aquí y es lo que predices, x es tu entrada, b es la pendiente (qué tan pronunciadamente sube y cuando sube x), y a es el intercepto (el valor de y cuando x es cero). El método que encuentra la mejor a y b es Mínimos Cuadrados Ordinarios, u OLS (por sus siglas en inglés). De todas las líneas posibles, OLS elige la que hace que la suma de los cuadrados de las distancias entre la línea y los puntos reales sea lo más pequeña posible. Al elevar al cuadrado, tanto los errores por arriba como por abajo cuentan, y los errores grandes se castigan mucho más que los pequeños.
Puedes ver todo esto en unas pocas líneas:
1import numpy as np2import statsmodels.api as sm34x = np.array([1400, 1600, 1700, 1875, 2350, 2450]) # tamaño de la casa5y = np.array([245, 312, 279, 308, 405, 324]) # precio en miles67X = sm.add_constant(x) # añade el término de intercepto 'a'8model = sm.OLS(y, X).fit()9print(model.params) # te da a y b
Ahora llévalo a los mercados. En trading, tu y se convierte en el rendimiento de un activo, y tu x se convierte en un factor que crees que predice ese rendimiento. La pendiente se convierte en tu sensibilidad a ese factor. Y ese humilde intercepto, a, se convierte en el número más importante de las finanzas cuantitativas. Aquí te explico por qué.
Parte 2: Qué es realmente el Alfa
El rendimiento total se divide en beta, la parte que explica el mercado, y alfa, la parte que no puede explicar.
La mayoría de los traders usan la palabra alfa para referirse a ganancias. Eso es incorrecto, y el error es costoso.
Alfa es el rendimiento que genera tu estrategia que no puede explicarse por la exposición a factores de riesgo conocidos. Si ganaste un 20 por ciento en un año pero el mercado también ganó un 20 por ciento, tu alfa es cero. Solo estabas manteniendo beta, el rendimiento que obtienes por asumir riesgo de mercado. Te pagaron por surfear la ola, no por tu habilidad.
Esta distinción es todo el juego, y la regresión es la herramienta que separa ambos. El modelo fundamental. El rendimiento de tu estrategia en el tiempo t, escrito como rₜ, es una línea base más su exposición a un factor Xₜ más ruido:
rₜ = α + β Xₜ + εₜ
Léelo con calma. La β es tu sensibilidad al factor. Si el factor es el mercado, beta indica qué tan fuerte te mueves cuando el mercado se mueve. La εₜ es ruido aleatorio, la parte que ningún factor explica. Y α, el intercepto, es el rendimiento que obtienes en promedio cuando el factor no contribuye en nada.
Ese intercepto es todo el premio. Si después de eliminar todos los factores de riesgo conocidos tu estrategia aún muestra un alfa positivo y estadísticamente significativo, encontraste algo real. Si el alfa desaparece en el momento en que contabilizas los factores, nunca tuviste ventaja. Tenías beta disfrazada de genialidad.
Michael Jensen fue el primero en definir la habilidad de esta manera en 1968, cuando analizó si los gestores de fondos mutuos podían realmente superar al mercado. Ejecutó esta misma regresión y se hizo una pregunta: ¿el intercepto es diferente de cero? Casi sesenta años después, así es como todavía se evalúa el rendimiento institucional. Se llama el alfa de Jensen, y es la base de la disciplina.
Así que cuando construyes una señal, tu trabajo nunca es maximizar el rendimiento bruto. Es producir un intercepto positivo que sobreviva una vez que los factores conocidos han sido eliminados. Aférrate a eso. Todo lo demás está al servicio de esto.
Parte 3: Construyendo tu primera señal desde cero
Una señal real mide el alfa solo después de que todos los factores conocidos han sido eliminados.
Construyamos el modelo real más simple y luego hagámoslo de grado institucional. Supongamos que crees que el rendimiento de un activo puede predecirse parcialmente por un factor (el rendimiento previo de un activo relacionado, una medida de momentum, una métrica de valor). La regresión de un solo factor es:
rₜ = α + β Xₜ + εₜ
En Python son solo unas cuantas líneas, y el intercepto es la parte que nunca debes saltarte:
1import statsmodels.api as sm23# X es tu serie de factores, y es el rendimiento del activo que quieres explicar4X = sm.add_constant(X) # ESTA línea crea tu intercepto alfa5model = sm.OLS(y, X).fit()6print(model.summary())
Esa línea add_constant no es una formalidad. Es la línea que crea tu término alfa. Olvídala y fuerzas la línea a pasar por cero, desechando el número más importante de todo el resultado.
Pero el mundo real nunca es un solo factor. Una señal seria considera muchas influencias a la vez. Ese es el modelo multifactorial:
rₜ = α + β₁X₁ₜ + β₂X₂ₜ + ... + βₖXₖₜ + εₜ
Cada beta ahora mide el efecto de su propio factor mientras mantiene todos los demás constantes. Esa frase, "mantener los demás constantes", es el superpoder silencioso de la regresión. Aísla la contribución única de cada factor y elimina la superposición. Cuando regresionas los rendimientos de tu estrategia contra los factores establecidos (mercado, tamaño, valor, momentum), cualquier alfa que quede en ese intercepto es la porción de tu ventaja que ninguno de los factores conocidos puede explicar.
1import statsmodels.api as sm23# factors es un DataFrame, cada columna es un factor, alineado con los rendimientos y4X = sm.add_constant(factors)5model = sm.OLS(y, X).fit()67alpha = model.params['const'] # tu posible ventaja8p_alpha = model.pvalues['const'] # cuánto confiar en ella9print("Alfa:", round(alpha, 5))10print("Valor p del alfa:", round(p_alpha, 4))
Ese intercepto residual es tu señal candidata. Todo a partir de aquí se trata de demostrar si es real.
Este es exactamente el punto donde la mayoría de los tutoriales públicos se detienen, y donde el trabajo institucional realmente comienza. La construcción de factores, la neutralización, los esquemas de ponderación que convierten una señal bruta en un libro de trading. Si quieres ver exactamente cómo una firma como AQR convierte estas regresiones en un portafolio de factores en vivo, ese desglose es donde lo llevo hasta el final.
Parte 4: Leyendo el resultado como un investigador institucional
El profesional no pregunta qué tan grande es el rendimiento. Pregunta qué tan seguro está de que no es un accidente.
Cuando ejecutas ese resumen, la mayoría de la gente mira un número y sigue adelante. Un investigador entrenado lo lee como un informe de diagnóstico. Esto es lo que realmente importa.
El coeficiente y su signo. Cada beta da dirección y fuerza. Antes de confiar en cualquier número, pregúntate si el signo tiene sentido económico. Si tu modelo dice "compra" cuando algo es más caro y no puedes explicar por qué, encontraste una casualidad, no un factor.
El valor p. Este es el corazón de todo. Responde una pregunta: si este factor realmente no tuviera efecto, ¿qué probabilidad hay de que vea una relación tan fuerte por pura casualidad? Un valor p de 0.62 significa un 62 por ciento de probabilidad de que estés viendo suerte aleatoria. Por debajo de 0.05 es el estándar convencional para tomar un resultado en serio. Un cuant que mira un modelo fallido con un valor p de 0.62 no está viendo una señal débil. Está viendo ruido puro.
R cuadrado. La fracción de la variación del rendimiento que explica tu modelo, y aquí está la parte que desconcierta a los principiantes. En la predicción de rendimientos, un R cuadrado alto suele ser una advertencia, no un trofeo. Las señales de rendimiento reales son débiles. Un R cuadrado de 0.01 o 0.02 puede ser extremadamente rentable si es persistente y real. Si ves un 0.9 en una predicción de rendimiento, casi con toda seguridad tienes sesgo de look-ahead o estás regresionando algo contra sí mismo por accidente.
El estadístico t. El coeficiente dividido por su error estándar. Una regla general es que un estadístico t por encima de 2 en valor absoluto corresponde al umbral de 0.05. Los investigadores serios exigen 3 o más en una señal nueva, precisamente porque saben cuántas señales probaron en silencio antes de esta.
Puedes extraer estos valores directamente en lugar de leer toda la tabla:
1print("Estadísticos t:\n", model.tvalues)2print("Valores p:\n", model.pvalues)3print("R cuadrado:", round(model.rsquared, 4))
Interioriza el cambio. El principiante pregunta qué tan grande es el rendimiento. El profesional pregunta qué tan seguro está de que este rendimiento no es un accidente. Ese único cambio en la pregunta es toda la diferencia.
Parte 5: Las pruebas que separan la señal real del ruido, y por qué las señales mueren
Pasa a cada candidato por la misma prueba. Casi nada sobrevive, y ese es el objetivo.
Aquí está la verdad brutal. Si pruebas suficientes señales aleatorias, algunas parecerán rentables por pura casualidad. Prueba 100 señales inútiles con un nivel de 0.05 y aproximadamente 5 pasarán por pura suerte. Este es el problema de las pruebas múltiples y es la razón número uno por la que los backtests mienten. Así es como los equipos serios se defienden contra esto.
Pruebas fuera de muestra (out-of-sample). Nunca juzgues una señal con los datos con los que la construiste. Divide tu historial. Construye con la primera parte, prueba con una parte que el modelo nunca haya visto. Una señal real sobrevive el cruce. Una fantasía ajustada se desmorona en el instante en que se encuentra con datos nuevos. No negociable.
1split = int(len(y) * 0.8)2X_train, X_test = X[:split], X[split:]3y_train, y_test = y[:split], y[split:]45model = sm.OLS(y_train, X_train).fit()6oos_pred = model.predict(X_test) # probar con datos no vistos
Coeficiente de Información. Los investigadores institucionales de factores rara vez viven o mueren por una sola regresión. Calculan el IC, la correlación entre el valor de un factor y el rendimiento futuro real, una y otra vez a lo largo del tiempo. Un factor con un IC medio superior a aproximadamente 0.03 a 0.05 que se mantiene estable en muchos períodos vence a uno con un solo backtest espectacular cada vez. La estabilidad entre regímenes es la verdadera señal reveladora.
Errores estándar de Newey-West. Los datos financieros rompen un supuesto central de OLS porque los rendimientos y la volatilidad se agrupan en el tiempo. Los valores p sin corregir mentirán, generalmente favoreciendo tu señal. Newey-West corrige tus errores estándar para esto. Usarlo marca silenciosamente a alguien que sabe lo que hace.
1# Significancia corregida por Newey-West, el estándar institucional2model = sm.OLS(y, X).fit(cov_type='HAC', cov_kwds={'maxlags': 5})3print(model.summary())
Corrección por pruebas múltiples. Si probaste 50 señales, no puedes juzgar a la ganadora con el estándar normal. La defensa simple es Bonferroni, dividir tu umbral por el número de cosas que probaste. ¿Probaste 50 señales? Exige un valor p por debajo de 0.001, no de 0.05. Es brutal, y ese es el punto. Obliga a ser honesto sobre cuántas veces estuviste pescando.
Pasa a un candidato por validación fuera de muestra, un IC estable, significancia Newey-West y una corrección por pruebas múltiples, y si sigue en pie, tienes algo que la mayoría de los traders minoristas nunca producen en su vida: una señal en la que realmente te has ganado el derecho a confiar.
Pero entiende la verdad final. Incluso una señal real se deteriora. El alfa vive en la ineficiencia del mercado, y en el momento en que una señal se conoce y se negocia, el propio trading aleja la ineficiencia. Investigaciones recientes sobre el hacinamiento de factores muestran que las señales mecánicas y fáciles de copiar, como el momentum simple, se deterioran siguiendo una curva predecible y pronunciada a medida que entra capital, y que este hacinamiento se aceleró drásticamente una vez que la inversión por factores se volvió barata a través de los ETF. Las señales más simples son las más saturadas y mueren más rápido. La ventaja duradera vive en señales que requieren trabajo real para construirse, y en un proceso de investigación que produce otras nuevas más rápido de lo que las viejas se erosionan. Por eso Renaissance nunca dejó de investigar ni un solo día en treinta años.
Tarea: Toma una señal en la que creas actualmente. Ejecútala en el 20 por ciento más reciente de tus datos, fingiendo que nunca los has visto. Si el alfa desaparece, te acabas de ahorrar dinero real. Es la prueba más valiosa que jamás ejecutarás.
Parte 6: Lo que acabas de construir, de principio a fin
Toda señal real se erosiona a medida que se satura. El motor de investigación que las reemplaza es la verdadera ventaja.
Da un paso atrás y mira la máquina completa que ahora tienes, porque las piezas se conectan en un pipeline limpio.
Empiezas con un factor, cualquier cosa que creas que contiene información sobre rendimientos futuros. Regresionas los rendimientos de tu activo sobre ese factor con OLS, incluyendo siempre el intercepto, y ese intercepto es tu alfa candidato. Expandes a una regresión multifactorial para que tu alfa se mida solo después de que los factores de riesgo conocidos (mercado, tamaño, valor, momentum) hayan sido eliminados. Lo que queda en el intercepto es ventaja pura e inexplicada.
Luego lo interrogas. Lees el valor p para preguntarte si podría ser suerte. Verificas el signo para ver si tiene sentido económico. Ignoras el seductor R cuadrado alto y respetas el pequeño y honesto. Validas fuera de muestra con datos que el modelo nunca ha tocado. Calculas el Coeficiente de Información a través de muchos períodos para confirmar que es estable, no una casualidad de una sola vez. Corriges tus errores estándar con Newey-West para que la estructura temporal de los mercados no te engañe. Y aplicas una corrección por pruebas múltiples para que el número de señales que probaste no pueda fabricar un falso ganador.
Lo que sale al otro lado no es una suposición. Es una señal con una ventaja medida, un nivel de confianza conocido, una prueba de que sobrevive en datos no vistos y una contabilidad honesta de qué tan probable es que sea real. Esa es la diferencia entre la persona cuyo modelo muere en dos semanas y la persona que construye algo que perdura.
Y así es como realmente se gana dinero. Una señal con una ventaja pequeña pero genuina y estable, operada a través de muchas oportunidades independientes, se capitaliza. Renaissance acertó apenas un poco más de la mitad de las veces y convirtió eso en la mayor fortuna de la historia del mercado, porque la ventaja era real, era repetible y la dimensionaron correctamente a través de enormes cantidades de apuestas. Ahora estás trabajando con el mismo modelo. Construye la señal, demuestra que es real, dimensiónala de manera sensata y reemplázala en el momento en que su IC comience a desvanecerse.
Ese bucle de reemplazo es toda la carrera. Una señal es una operación. Un proceso de investigación que sigue produciendo señales reales más rápido de lo que se deterioran es una franquicia.
El Resumen
La regresión lineal no es la herramienta aburrida que te saltaste. Dibuja la mejor línea a través de tus datos, define qué es realmente el alfa, construye tu primera señal real, prueba si esa señal es genuina o ruido, y te advierte cuando la señal comienza a morir.
Alfa es el intercepto que sobrevive después de que todos los factores de riesgo conocidos son eliminados. Construyes un candidato con OLS, primero de un solo factor, luego multifactorial. Lees el resultado como un investigador, donde el valor p y la estabilidad importan más que el tamaño del rendimiento. Te defiendes contra la trampa de las pruebas múltiples con validación fuera de muestra, un Coeficiente de Información estable, errores Newey-West y una corrección por cuántas señales probaste. Y aceptas que toda señal real se deteriora, lo que significa que la verdadera ventaja es el motor de investigación, no un modelo individual. El mismo motor que construyó el fondo más grande de la historia.
El cuant que mira un Sharpe de 0.03 y un valor p de 0.62 no es desafortunado. Omitió la disciplina de este artículo. No seas él.
Aquí está la pregunta con la que quiero que te quedes.
Si el alfa real se deteriora en el momento en que se vuelve ampliamente conocido, entonces publicar una señal la destruye, mientras que acaparar una señal significa que igual muere lentamente a medida que otros la descubren de forma independiente.
Entonces, ¿de dónde viene realmente la ventaja duradera? ¿De las señales mismas o de la velocidad del proceso de investigación que las reemplaza?
Tu respuesta revela si piensas como un trader que persigue una gran victoria, o como un cuant que construye una máquina que imprime ventaja durante décadas.
Deja tu respuesta en los comentarios. No hay respuesta incorrecta. Pero las hay muy reveladoras.
