Dom

Finance and Machine Learning 🧑🏼‍💻📈

[Quant Science @quantscience_]

A TEAM OF AI RESEARCHERS JUST OPEN-SOURCED THE BLOOMBERG TERMINAL FOR QUANT FINANCE.

A Bloomberg Terminal costs $25,000 per year per seat. Banks pay for thousands of them.

This thing reads every quant paper, every financial blog, every SEC filing, every arXiv preprint, and turns it into a searchable knowledge base. For free.

[Diego Álvarez @diegoalvarezmgl]

Este tema te va a encantar, ya verás. 💡

Como ingeniero de telecomunicaciones, una de las cosas de las que me di cuenta cuando me adentré en el mundo quant es que la acción del precio no es más que una señal (con su forma de onda y su ruido).

A medida que investigaba sobre análisis técnico, todo lo que me encontraba trataba el precio como geometría básica.

Sin embargo, después de mucho buscar descubrí el trabajo de John Ehlers, ingeniero de radares aeroespaciales, que trataba el precio como una señal de telecomunicaciones (¡lo que yo quería!) con mucho ruido y le aplicaba técnicas de procesamiento de la señal (DSP, Digital Signal Processing).

Muchos estaréis acostumbrados a los osciladores clásicos (como el RSI), pues el trabajo de Ehlers (publicado en Rocket Science for Traders) supone una sofisticación enorme frente a ese tipo de indicadores.

Aquí van algunas aportaciones mecánicas para entender qué hacen y por qué funcionan mejor.

1) El problema del lag y cómo lo soluciona el SuperSmoother

Cualquier media móvil (SMA, EMA) tiene un problema físico insalvable, que es que si quieres suavizar la curva para no operar ruido, pagas con lag (llegas tarde).

A Ehlers se le ocurrió traer los filtros de paso bajo (low-pass filters) de la radiofrecuencia y diseñó el SuperSmoother (basado en un filtro Butterworth de 2 polos).

Con ese tipo de filtros lo que se consigue es quitar el ruido de alta frecuencia del mercado, pero pagando con mucho menos retraso temporal del que se paga con las medias móviles clásicas. (Mola, ¿eh?)

2) MESA y el ciclo dominante

El mercado tiene ciclos, pero evidentemente no son un péndulo perfecto, van mutando constantemente.

Ehlers adaptó MESA (Maximum Entropy Spectral Analysis, que son algoritmos que se usan por ejemplo en la prospección sísmica de petróleo) para aislar el "ciclo dominante" del precio en tiempo real.

En lugar de usar un RSI estático de 14 periodos que no significa nada especial, MESA te permite ajustar dinámicamente la ventana temporal de tu indicador a lo que dura el ciclo actual.

3) La Transformada de Hilbert (Fase de onda)

Clásica pregunta: ¿cómo puede saber tu algoritmo si estás en rango o en tendencia?

Ehlers usó la Transformada de Hilbert para extraer el ángulo de fase de la señal del precio. (Ojo con esto).

Lo que le permite al algoritmo identificar matemáticamente el régimen. Si estás en "Cycle mode" (rango), puedes operar reversión a la media.

Si el ángulo cambia a "Trend mode", entonces puedes operar la tendencia o el momentum.

4) La Transformada de Fisher

Como hemos comentado muchas veces, asumir que el precio tiene una distribución normal te revienta (bueno, lo que te revienta son las colas pesadas).

Ehlers introdujo la Transformada de Fisher para forzar matemáticamente que la acción del precio adopte una forma cuasi-gaussiana.

Esto transforma datos asimétricos en osciladores con picos extremos muy afilados, marcando los giros de volatilidad con mucha más precisión.

A pesar de todo esto, la componente no-estacionaria del mercado sigue ahí y aplicar filtros de radiofrecuencia no elimina en absoluto ningun riesgo.

El tema es que si intentas limpiar una serie de precios ruidosa usando un MACD o un RSI sin entender qué es lo que está pasando por debajo, estás atacando un problema complejo de frecuencias usando aritmética básica.

Si te interesa este tema, entre los próximos artículos que voy a publicar habrá uno específico sobre los indicadores de John Ehlers, cómo utilizarlos y cómo implementarlos. ¡Estate atento!

[venus @RitOnchain]

https://t.co/g6Zml7wM9w

[Kotte @Gustafssonkotte]

https://t.co/yioRWhMd6i

[Atlas @crptAtlas]

https://t.co/28aObkbUM3

[venus @RitOnchain]

https://t.co/fWAlZVWmKU

[Rossst.03 @Rossst_03]

https://t.co/FgJC5WmYvy

[Livsun @L1vsun]

https://t.co/rhmq9bwxUw

[正太郎@FX専業トレーダー @shotaro_forex]

FVGをオシレーター化したインジです。

https://t.co/GZqSXL3236

ロジックとしては、例えば上昇のFVGが生じたらオシレーターがプラス値を取り、買いサインが出ます。

以降、上昇のFVGが出る度にオシレーターがの値が上昇します。

オシレーターがプラスの値の時に下落のFVGが出ると、それまでの上昇がリセットされてマイナスの値を取るようになり売りサインが出ます。

続いて下落のFVGが出ると、更にオシレーターの値が下落します。

つまりは、上昇、もしくは下落のFVGが続くほどオシレーターの絶対値が上昇し、逆向きのFVGが出たらリセットされることになります。

オシレーターの絶対値が大きくなるほど、強い一方向のトレンドが生じていることになります。

トレンドの強さを見る際に便利です。

[Roan @RohOnChain]

https://t.co/JRsWSeUfrN

[venus @RitOnchain]

https://t.co/LblqTRhI2V

[Livsun @L1vsun]

https://t.co/tjXWrRAUhv

[CyrilXBT @cyrilXBT]

Build your own AI automated trader. Six open source repos. Zero cost.

Charts: https://t.co/pYtajX55Mj

Exchange access: https://t.co/LvdF0fN7D3

Execution: https://t.co/A6VKrM0oEs

Perpetuals: https://t.co/lTg2u8892x

Live search: https://t.co/NgEMG2PM7P

Agent framework: https://t.co/XbNolHnQ3N
The complete stack. Bookmark this now.

[Nico @nicos_ai]

GOOGLE HA LIBERADO EN SILENCIO UNA IA QUE PREDICE PATRONES

Ventas. Precios de mercado. Tráfico web.
Demanda energética. Volatilidad cripto.

Se llama TimesFM:

→ Entrenada con 100B de datos reales
→ Forecasting zero-shot, sin fine-tuning
→ Corre en local.

100% Gratis y Open Source.

Enlace abajo👇

[delost @thedelost]

a quant at Bridgewater told me something that flipped how i think about backtesting

"a backtest is one path through history. one. we need to see ten thousand before we trust anything"

that tool is Monte Carlo simulation. invented in 1946 by Stanislaw Ulam while working on nuclear weapons at Los Alamos

and most quants don't trust it

this video covers 6 reasons why in 90 seconds

the core problem: Monte Carlo assumes your returns are independent and normally distributed
real markets have fat tails, volatility clustering, and serial correlation
simulate without those and your risk estimates are dangerously optimistic

a standard Monte Carlo says your max drawdown is 15%
add fat tails and it's 35%
add correlation between consecutive losses and it's 48%

same strategy. three completely different risk profiles depending on which assumptions you feed the simulation

this is why quant desks don't run vanilla Monte Carlo
they run it with GARCH volatility, regime-conditional distributions, and bootstrap resampling from actual historical sequences

retail runs a backtest, sees profit, goes live

quant desks run 10,000 simulations, find the 5th percentile outcome, and ask: can i survive this path for 14 months without changing anything?

if the answer is no, they don't trade it. regardless of the median outcome

> Monte Carlo method: 1946, Los Alamos
> used at every major quant desk since the 1980s
> the 6 problems: explained in this video, free, 90 seconds
> most retail traders have never run a single simulation on their own strategy

your backtest is one story the market could have told you

there are 9,999 others. some of them end very differently

full breakdown in the video below

[Quant Beckman @quantbeckman]

Multi-day range compression shows that realized volatility has contracted and price is building pressure inside a narrow structure. The trade waits for that compression to release through a strong high–low range expansion. Instead of predicting direction during the squeeze, it follows the breakout once expansion confirms.

[Livsun @L1vsun]

https://t.co/S6JIPBewLF

[delost @thedelost]

https://t.co/KwHgvzZIXJ

[Roan @RohOnChain]

https://t.co/7pRx7jJ4GC

[Ruuj @RuujSs]

https://t.co/JsXybTHUpJ