Tipos de Estrategias Cuantitativas

Las 4 Categorías Principales

1. Momentum / Trend Following

Filosofía: “La tendencia es tu amiga”

# Ejemplo simple: Breakout de 20 días
def momentum_strategy(data):
    data['20_day_high'] = data['High'].rolling(20).max()
    data['signal'] = data['Close'] > data['20_day_high'].shift(1)
    return data

Características:

Win rate bajo (35-45%) pero alto reward/risk
Funcionan mejor en mercados trending
Fáciles de programar y backtest
Sufren en mercados laterales

Variantes comunes:

Breakout de rangos
Cruces de medias móviles
Relative strength (RS) vs índice
Gap and Go (para small caps)

2. Mean Reversion

Filosofía: “Lo que sube, baja”

# Ejemplo: Bollinger Bands reversal
def mean_reversion_strategy(data):
    data['SMA'] = data['Close'].rolling(20).mean()
    data['STD'] = data['Close'].rolling(20).std()
    data['Lower_Band'] = data['SMA'] - (2 * data['STD'])
    data['Upper_Band'] = data['SMA'] + (2 * data['STD'])
    
    # Comprar en sobreventa
    data['signal'] = data['Close'] < data['Lower_Band']
    return data

Características:

Win rate alto (60-70%) pero menor reward
Mejor en mercados laterales
Requieren buenos stops
Peligrosas en trends fuertes

Variantes comunes:

RSI oversold/overbought
Bollinger Bands squeeze
Pairs trading
VWAP reversion

3. Arbitraje Estadístico

Filosofía: “Explotar ineficiencias temporales”

# Ejemplo: Pairs trading
def pairs_trading(stock_a, stock_b, window=20):
    # Calcular spread
    ratio = stock_a / stock_b
    mean_ratio = ratio.rolling(window).mean()
    std_ratio = ratio.rolling(window).std()
    
    # Z-score del spread
    z_score = (ratio - mean_ratio) / std_ratio
    
    # Señales
    signals = pd.DataFrame()
    signals['long_a_short_b'] = z_score < -2
    signals['short_a_long_b'] = z_score > 2
    return signals

Características:

Market neutral (no depende de dirección)
Requiere mucho capital
Competencia con HFT
Margins pequeños, alto volumen

Variantes comunes:

ETF arbitrage
Index arbitrage
Cross-exchange crypto arb
Options arbitrage

4. Market Making / Liquidez

Filosofía: “Proveer liquidez y capturar el spread”

# Ejemplo conceptual (simplificado)
def simple_market_making(ticker, spread_target=0.02):
    mid_price = (bid + ask) / 2
    
    # Colocar órdenes a ambos lados
    place_buy_order(price=mid_price - spread_target/2)
    place_sell_order(price=mid_price + spread_target/2)
    
    # Ajustar inventario si se desbalancea
    if inventory > max_inventory:
        adjust_prices_to_reduce_inventory()

Características:

Miles de pequeñas ganancias
Requiere baja latencia
Gestión de inventario crítica
Riesgo en movimientos direccionales

Estrategias Específicas para Small Caps

Gap and Go

def gap_and_go_scanner(universe):
    candidates = []
    
    for ticker in universe:
        gap_pct = (ticker.open - ticker.prev_close) / ticker.prev_close
        
        if (gap_pct > 0.10 and  # Gap >10%
            ticker.float < 50_000_000 and  # Low float
            ticker.premarket_vol > 1_000_000):  # Volume
            
            candidates.append({
                'ticker': ticker.symbol,
                'gap': gap_pct,
                'rvol': ticker.volume / ticker.avg_volume
            })
    
    return sorted(candidates, key=lambda x: x['rvol'], reverse=True)

VWAP Reclaim

def vwap_reclaim_setup(data):
    # Calcular VWAP
    data['VWAP'] = (data['Close'] * data['Volume']).cumsum() / data['Volume'].cumsum()
    
    # Detectar reclaim
    data['below_vwap'] = data['Low'] < data['VWAP']
    data['reclaim'] = (data['below_vwap'].shift(1) & 
                      (data['Close'] > data['VWAP']))
    
    # Confirmar con volumen
    data['volume_spike'] = data['Volume'] > data['Volume'].rolling(20).mean() * 2
    data['signal'] = data['reclaim'] & data['volume_spike']
    
    return data

Parabolic Short

def parabolic_exhaustion(data, lookback=10):
    # Detectar movimiento parabólico
    returns = data['Close'].pct_change()
    cumulative = (1 + returns).cumprod()
    
    # Condiciones de exhaustion
    data['parabolic'] = (
        (cumulative > cumulative.shift(lookback) * 1.5) &  # +50% en 10 días
        (data['RSI'] > 80) &  # RSI extremo
        (data['Volume'] > data['Volume'].rolling(20).mean() * 3)  # Climax volume
    )
    
    return data['parabolic']

Cómo Elegir Tu Estrategia

Según tu personalidad:

Paciente + Analítico → Mean Reversion
Agresivo + Rápido → Momentum
Matemático + Detallista → Arbitraje
Multitasking + Tech → Market Making

Según tu capital:

< $25k: Momentum small caps (PDT rule)
$25k - $100k: Mix momentum + mean reversion
$100k - $500k: Agregar pairs trading
> $500k: Todas las estrategias

Según tu tiempo:

Part-time: Swing momentum
Full-time: Day trading + scalping
Automatizado: Market making + arbitraje

Framework para Evaluar Estrategias

def evaluate_strategy(backtest_results):
    metrics = {
        'win_rate': backtest_results['wins'] / backtest_results['total_trades'],
        'avg_win': backtest_results['gross_profits'] / backtest_results['wins'],
        'avg_loss': backtest_results['gross_losses'] / backtest_results['losses'],
        'profit_factor': backtest_results['gross_profits'] / abs(backtest_results['gross_losses']),
        'sharpe_ratio': calculate_sharpe(backtest_results['returns']),
        'max_drawdown': calculate_max_drawdown(backtest_results['equity_curve']),
        'expectancy': calculate_expectancy(backtest_results)
    }
    
    # Score final
    if (metrics['profit_factor'] > 1.5 and 
        metrics['sharpe_ratio'] > 1.0 and 
        metrics['max_drawdown'] < 0.20):
        return "VIABLE"
    else:
        return "NEEDS WORK"

Mi Mix Personal

# Portfolio de estrategias
STRATEGIES = {
    'morning_momentum': {
        'allocation': 0.40,
        'timeframe': '9:30-10:30',
        'instruments': ['small_cap_gappers']
    },
    'vwap_reversion': {
        'allocation': 0.30,
        'timeframe': '10:30-15:30',
        'instruments': ['liquid_stocks']
    },
    'pairs_trading': {
        'allocation': 0.20,
        'timeframe': 'all_day',
        'instruments': ['sector_etfs']
    },
    'overnight_swing': {
        'allocation': 0.10,
        'timeframe': 'multi_day',
        'instruments': ['large_caps']
    }
}

Errores Comunes

Over-optimizar una estrategia en vez de diversificar
Ignorar costos de transacción en backtests
No considerar liquidez en small caps
Asumir fills perfectos en estrategias de alta frecuencia
No tener circuit breakers para condiciones adversas

Recursos para Profundizar

Momentum: “Following the Trend” - Andreas Clenow
Mean Reversion: “Mean Reversion Trading” - Ernest Chan
Arbitraje: “Statistical Arbitrage” - Andrew Pole
Market Making: Papers de Avellaneda & Stoikov

Siguiente Paso

Ya conoces los tipos de estrategias. Ahora vamos a Fuentes de Datos para ver dónde conseguir la materia prima para tus backtests.