Mecanismo y definición: qué está evaluando
La media móvil de cero retardo (ZLMA) es un indicador de estilo de media móvil diseñado para reducir el retardo percibido en comparación con una media móvil estándar. Por lo tanto, “evaluar” la ZLMA significa comprobar si la implementación específica que utiliza se calcula correctamente a partir de sus entradas, y si las entradas son coherentes y adecuadas para el propósito declarado (sin asumir que predice el precio futuro).
Para evaluar la ZLMA, comience separando dos cosas:
- Mecánica estable: los pasos matemáticos de la variante ZLMA elegida (por ejemplo, cómo maneja la reducción de retardo y qué método de suavizado utiliza).
- Condiciones variables: los datos de mercado utilizados (fuente de precios, muestreo, barras faltantes), el marco temporal y los detalles de cálculo en la plataforma o el código.
Respuesta directa: datos necesarios para evaluar la media móvil de cero retardo
Necesita cuatro categorías de datos para evaluar la ZLMA de manera autónoma:
- Datos de definición del indicador (entradas al algoritmo)
- La fórmula o pseudocódigo exacto de la ZLMA que está evaluando.
- Cualquier parámetro utilizado por esa fórmula (comúnmente, la longitud de retroceso y opciones adicionales de suavizado, según la variante).
- Las entradas de precio que consume el indicador (por ejemplo, solo cierre frente a un precio combinado como el precio típico). Si la implementación utiliza una transformación de precio específica, también necesita esa definición.
- Procedencia de los datos (de dónde provienen los números)
- La fuente de datos para la serie de precios (proveedor de datos o feed de la plataforma).
- La identidad del instrumento (el símbolo/contrato exacto) y si es spot, CFD u otra representación.
- La convención de marcas de tiempo (horarios de apertura/cierre de la barra, zona horaria) y si las barras están alineadas de manera coherente con la plataforma.
- Oportunidad y muestreo (si coincide con lo que cree que calculó)
- El marco temporal (por ejemplo, 1 minuto, 1 hora, diario) y la regla utilizada para formar las barras.
- Cómo maneja el indicador rollovers, huecos en el horario de mercado y barras faltantes.
- Si está evaluando backtests históricos o cálculos en tiempo real; para la evaluación histórica, aún necesita saber cómo se calculó el valor de cada barra a partir de los datos disponibles en ese momento.
- Controles de calidad (pruebas que confirman el cálculo)
- Los valores ZLMA calculados desde su plataforma/código para un conjunto de datos conocido.
- Un pequeño conjunto de cálculos de verificación que realice usted mismo sobre un subconjunto (por ejemplo, unas pocas docenas de barras) utilizando la misma fórmula y parámetros.
- Evidencia de cómo trata la plataforma los casos límite: las barras iniciales donde la media móvil no está completamente definida.
Evidencia o ejemplo: una lista de verificación para validar cálculos
Una forma práctica de evaluar la ZLMA es realizar un control de verificación utilizando un conjunto de datos fijo y supuestos claramente establecidos:
- Elija una serie de precios y un marco temporal y manténgalos sin cambios.
- Fije los parámetros de la ZLMA y anote la fórmula exacta que implementará.
- Recalcule la ZLMA para el mismo marco temporal utilizando su propio script u hoja de cálculo.
- Compare sus resultados con la salida de la plataforma para un rango corto.
Si los resultados difieren, las causas comunes no son “cambios del mercado” sino desajustes de entrada (tipo de precio incorrecto, diferente alineación de barras) o desajustes de fórmula (una variante ZLMA diferente, un paso de suavizado diferente). Incluso cuando la idea subyacente es similar, diferentes implementaciones pueden calcular el paso de “reducción de retardo” de manera distinta, por lo que necesita la fórmula exacta para comparar de manera equivalente.
Limitaciones y riesgos: qué puede fallar incluso con buenos datos
La evaluación de la ZLMA tiene limitaciones materiales y modos de fallo:
- Sensibilidad a los parámetros: pequeños cambios en la longitud de retroceso o en los pasos de suavizado pueden alterar materialmente la forma del indicador, especialmente en datos ruidosos.
- Variabilidad de implementación: dos etiquetas “ZLMA” pueden referirse a fórmulas diferentes; sin la definición exacta, no puede validar la mecánica.
- Ruido y rupturas estructurales: los métodos de media móvil pueden tener dificultades cuando las condiciones cambian, porque comprimen información pasada y pueden no distinguir cambios de régimen de fluctuaciones a corto plazo.
- Verificación engañosa: el ajuste histórico (o la apariencia suave) no establece fiabilidad futura. El indicador puede reducir el retardo aparente, pero eso no garantiza mejores resultados.
También tenga en cuenta un límite conceptual: un indicador es una transformación de entrada, no un modelo causal. Si lo trata como evidencia independiente de la dirección futura, es probable que sobreestime lo que respalda el cálculo.