Research
Catálogo de Research
Explora la biblioteca completa de Research y Series publicadas por SMQuantum. Si ya sabes lo que buscas, el buscador de Research puede ser más rápido.
- 163 publicaciones
- RESEARCHActualización automática de una base de datos de Investing en AmibrokerCierra la serie sobre bases de datos con Investing. Explica cómo dar al listado de símbolos del S&P500 el formato de columnas que requiere el plugin, cómo importarlo y enviarlo a la base de datos de AmiBroker, y cómo automatizar la actualización, ya que un símbolo solo se actualiza al abrirlo en la ventana activa. Incluye código Python para preparar el archivo csv y código AFL que recorre los símbolos de forma manual o a una hora programada.
- RESEARCHAnálisis de mercado y sistema Pinchos del VIXAnálisis de mercado de fin de mes que revisa las señales dadas por varias estrategias ya publicadas, como el Rally de Acción de Gracias, Revertium500 o el sistema TALAD, y presenta el sistema Pinchos del VIX, desarrollado por Oscar Cagigas. Es una estrategia en timeframe diario sobre el S&P500 que busca giros al alza tras una corrección acompañada de un repunte repentino de la volatilidad implícita. Incluye el código AFL para AmiBroker.
- SERIEARIMALa serie estudia el modelo ARIMA y los procesos autorregresivos como herramienta para valorar si un activo es apto para la reversión a la media. A lo largo de cuatro Research, el lector encuentra el fundamento estadístico, una función en Python para obtener los parámetros y estadísticos del modelo, su traslado a AmiBroker como indicador y una estrategia sobre acciones del S&P500.
- RESEARCHARIMA II: una función en Python para el modeloSegunda entrega de la serie ARIMA. Desarrolla una función en Python, llamada arima(), que recibe un array de datos, el orden de cada componente del modelo y el parámetro que se desea obtener. El Research resume en tablas los parámetros del modelo, sus estadísticos asociados y las métricas globales que la función puede devolver, e incluye el código completo, pensado para llevar esa información a AmiBroker.
- RESEARCHARIMA III: indicadores de ARIMA en AmiBrokerTercera entrega de la serie ARIMA. Muestra cómo llevar a AmiBroker los resultados del modelo calculado en Python a través del plugin AmiPy, almacenándolos en variables estáticas para evitar la carga computacional de recalcularlos. El modelo se aplica al spread entre el precio y su media, normalizado con su Zscore, y se representa como indicador junto a sus bandas de confiabilidad. Incluye el código AFL.
- RESEARCHARIMA VI: estrategia de reversión con el modelo ARIMACuarta entrega de la serie ARIMA. Plantea una estrategia de reversión a la media que solo opera los activos cuyo coeficiente de autorregresión indica un comportamiento estacionario del spread entre el precio y su media. El coeficiente se calcula previamente con un scan semanal sobre las compañías del S&P500 y se combina con el Zscore del spread. Incluye el código AFL y un backtest desde el año 2020 en AmiBroker.
- RESEARCHARIMA y los procesos autorregresivosPrimera entrega de la serie ARIMA. Explica qué es un proceso autorregresivo, cómo se interpreta su coeficiente y por qué el precio en bruto de un activo no suele ser estacionario, mientras que una diferencia de precios sí puede serlo. Presenta después el modelo ARIMA y sus tres componentes, y lo aplica con la librería statsmodels a los retornos logarítmicos del SPY, comentando cómo leer los resultados del ajuste.
- RESEARCHAutomatizar el Sistema GSV IPrimera parte de la automatización del Sistema GSV. Tras repasar las dificultades prácticas de operar la estrategia, el Research aborda el primer paso: generar de forma automática el listado de símbolos candidatos para la sesión siguiente. Para ello amplía el Screener en AmiBroker, lo guarda como proyecto y lo integra en un Batch programado que exporta el resultado a un archivo CSV y envía un aviso por correo electrónico. Incluye el código AFL.
- RESEARCHAutomatizar el Sistema GSV II: generar botonesContinúa la automatización del Sistema GSV con botones en la ventana activa de AmiBroker que ejecutan un código cada vez que se pulsan, por ejemplo para activar o desactivar el modo de automatización o enviar un informe por email o por Telegram. El Research construye procedimientos para dibujar un botón, borrarlo y detectar su pulsación, e incluye el código AFL.
- RESEARCHAutomatizar el Sistema GSV III: importar datos de YFTercera parte de la automatización del Sistema GSV, dedicada a obtener los precios de apertura que la operativa necesita y que la base de datos de Norgate no proporciona en tiempo real. El Research desarrolla en Python dos funciones apoyadas en la librería de Yahoo Finance, una para leer el precio de un activo y otra para saber si el mercado ha abierto, y las integra en AmiBroker. Incluye el código en Python y en AFL.
- RESEARCHAutomatizar el Sistema GSV IVCuarta parte de la automatización del Sistema GSV, centrada en el controlador IBC, que permite operar en Interactive Brokers utilizando el lenguaje AFL. El Research explica el funcionamiento en continuo del controlador, las medidas para evitar órdenes repetidas y la organización del código en etapas que se suceden a lo largo de la sesión. Incluye el código AFL del robot, con botones para iniciar y detener el modo automático.
- RESEARCHAutomatizar el Sistema GSV VQuinta parte de la automatización del Sistema GSV, que plantea una alternativa para leer los precios de apertura: los datos en tiempo real de Interactive Brokers. El Research explica cómo crear en AmiBroker una base de datos con el Plug-in de Interactive Brokers, cómo importar el listado de símbolos desde Norgate y cómo obtener y validar el precio de apertura con Python a través de la API de TWS. Incluye el código AFL y Python.
- RESEARCHAutomatizar una base de datos en AmiBrokerSegunda parte de la serie dedicada a construir una base de datos mediante el plugin de Investing. Utiliza Python para obtener de la Wikipedia la tabla de compañías del S&P500, con sus símbolos, nombres y sectores, y la cruza con el archivo de códigos GICS presente en la carpeta de AmiBroker para asignar a cada compañía su código sectorial. El resultado es un archivo csv actualizado que puede importarse en AmiBroker. Incluye el código Python.
- SERIEBases de Datos con InvestingLa serie explica cómo construir y mantener en AmiBroker una base de datos alimentada por el plugin de Investing, con el S&P500 como ejemplo. Sus cuatro Research recorren el funcionamiento del plugin, la generación de un listado actualizado de símbolos con Python, la obtención automatizada del ID de cada activo y la actualización programada de la base de datos mediante código AFL.
- RESEARCHConstruir un dashboard en AmiBrokerEjemplo paso a paso de un cuadro de mando en AmiBroker, en timeframe semanal, sobre las compañías del S&P 500: calcula la fuerza relativa de Mansfield, un régimen de mercado por compañía y la variación en lo que va de año, y muestra en una ventana las 10 primeras y las 10 últimas del ranking. Incluye el código AFL completo.
- SERIECoppockLa serie estudia el indicador desarrollado por Edwin Coppock y su uso en estrategias de timeframe mensual. En tres Research, el lector encuentra la validación sin optimización de una estrategia ya publicada, su traslado a una cartera de índices de distintas áreas geográficas y un sistema rotacional sobre acciones del S&P500 en el que el indicador actúa como filtro de mercado.
- RESEARCHCoppock Multi-índiceSegundo Research de la serie Coppock. Traslada la estrategia basada en el indicador de la guía de Coppock, antes aplicada al S&P500, a una cartera de índices americanos, europeos y asiáticos. Plantea si la descorrelación entre áreas geográficas reduce el riesgo frente a operar un solo índice. Mantiene los mismos parámetros, sin optimización ni selección de índices por resultados, e incluye el código AFL y el backtest en AmiBroker.
- SERIECPM / REVERCAP / MAX-CPMLa serie gira en torno al Capital Proporcional Medio (CPM), un indicador de volumen relativo que busca detectar la entrada de capital de las manos fuertes. Sus tres Research presentan el indicador y lo aplican después como filtro en dos estrategias de enfoque opuesto: una de reversión a la media en timeframe semanal y otra tendencial sobre rupturas de máximos anuales.
- SERIECruce DoradoLa serie estudia una estrategia de régimen de mercado basada en el Cruce Dorado y el Cruce de la Muerte de las medias del S&P500, a partir de una propuesta de Javier Alfayate. Sus dos Research alternan la inversión entre el índice y el oro (GLD) y añaden después una gestión del capital por escalado, con código AFL para AmiBroker y las estadísticas del backtest.
- RESEARCHCálculo de arrays de directrices de Python a AmiBroker 64 bitsTercer informe de la serie sobre directrices. Una vez importados los pivots desde Python, pasa a calcular las posibles directrices alcistas y bajistas y a almacenarlas en arrays que AmiBroker pueda representar y utilizar. Plantea qué condiciones debe cumplir una recta para considerarse directriz, con un margen de sensibilidad ligado a la volatilidad, y cuándo queda anulada. Incluye el código Python de cálculo y el código AFL que lo importa.
- RESEARCHCálculo de funciones de máximos y mínimos en PythonSegundo informe de la serie sobre directrices. Tras representarlas de forma geométrica en AmiBroker, plantea calcular los pivots, es decir, los máximos y mínimos locales, con funciones de Python que los devuelven en forma de arrays utilizables en sistemas de trading. Explica cómo localizar extremos locales con la librería SciPy y cómo importar esas funciones en AmiBroker mediante Amipy. Incluye el código Python y el código AFL del indicador.
- RESEARCHCálculo de los indicadores de fuerza sectorial en AmiBrokerPrimer informe de la serie Fuerza Sectorial. Explica qué es la fuerza de un sector y por qué puede servir como filtro en la operativa con acciones, y propone medirla con el concepto de RS Mansfield frente al S&P500: se calcula para las compañías del NYSE y del NASDAQ, se agrupan por sector y se obtiene la media sectorial. Incluye el código AFL para AmiBroker, que almacena los resultados y genera rankings de sectores y de compañías.
- RESEARCHCómo importar datos fundamentales a AmiBroker a partir de PythonInforme y código para importar datos fundamentales a AmiBroker a partir de la librería de Yahoo Finance. Ejemplo con cuadro de texto donde se visualizan valores actualizados de PER, Forward PER, EBITDA, Price to Book, Dividend Yield, ROE, FCF, etc. Requiere la versión 64 bits de AmiBroker.
- SERIEDashboard con Google SheetsLa serie está dedicada a construir en Google Sheets un cuadro de mando para seguir carteras y estrategias con datos importados de Google Finance. Sus dos Research parten del registro automático de la evolución de las posiciones y avanzan hacia la importación de series de precios y el cálculo de medias en la propia hoja, con el fin de rellenar de forma automática un diario de operaciones.
- SERIEDatos de Amplitud / CEFLa serie trabaja con los datos de amplitud de mercado de la web amplitudmercado.com, desarrollada por Alex Salamanca, y los lleva a AmiBroker. Sus seis Research cubren la generación diaria de archivos con Google Sheets, su importación y lectura mediante código AFL y dos estrategias sobre el S&P500 basadas en la línea AD de los bonos CEF.
- RESEARCHDatos fundamentales con MacrotrendsPresenta la web macrotrends.net como fuente gratuita de datos fundamentales históricos de compañías de USA. A diferencia de los valores actuales que se obtienen con la librería de Finviz, el histórico de varios años abre la posibilidad de importar estos datos a AmiBroker y utilizarlos en backtest. El Research recorre el screener de la web, las tablas de cada compañía y sus ratios de valoración.
- SERIEDatos Macro / FREDLa serie estudia cómo incorporar datos macroeconómicos públicos de FRED al trabajo cuantitativo con AmiBroker. A lo largo de ocho Research recorre la descarga de las series con Python, su sincronización con las cotizaciones mediante AmiPy, la construcción de indicadores, el estudio del S&P 500 bajo distintos estados macroeconómicos, un indicador compuesto y una regla sistemática de exposición al mercado.
- RESEARCHDatos Macro IVLos datos económicos se publican con retraso y pueden revisarse después de su primera publicación. Este Research aborda el sesgo de mirar al futuro (look-ahead bias) que aparece cuando un backtest usa, sin darse cuenta, información que en su momento histórico todavía no existía — y por qué hace falta trabajar con datos "Point-in-Time".
- RESEARCHDatos macroeconómicos I: FRED como fuente de datos con PythonPrimer informe de una serie dedicada a incorporar información macroeconómica al trading cuantitativo con AmiBroker. Presenta FRED, la base de datos del Federal Reserve Bank of St. Louis, explica cómo se identifican sus series y cómo se obtiene una API Key, y construye un primer notebook de Python que descarga una serie, la convierte en un DataFrame de pandas y la representa gráficamente. Incluye el código de la función de descarga.
- RESEARCHDatos macroeconómicos II: series de FRED en AmiBroker con AmiPySegunda parte de la serie sobre datos macroeconómicos: lleva a AmiBroker las series descargadas de FRED mediante AmiPy, el plugin que comunica AFL con Python. Aborda el problema de combinar observaciones económicas, a menudo mensuales, con cotizaciones diarias, y muestra cómo representar varias variables en un gráfico y reunirlas en una tabla. Incluye el código Python y AFL y una advertencia sobre la fecha real de publicación de los datos.