¿Cómo se puede probar la reversión por divergencia?

Respuesta directa

La reversión por divergencia se puede probar convirtiendo la idea en una hipótesis falsable, midiendo si se produce un resultado consistente “tipo reversión” después del evento de divergencia y, a continuación, comprobando que cualquier ventaja observada no se explica por sesgo de selección, costos, efectos de ejecución o cambios en los regímenes de mercado. Dado que aquí no se requieren datos en tiempo real, el enfoque de prueba debe basarse en definiciones de eventos históricos bien definidas, supuestos explícitos y pasos de evaluación reproducibles.

Una prueba práctica tiene cinco partes: (1) definir el mecanismo de reversión por divergencia en términos operativos, (2) elegir una línea base que represente lo que sucedería sin la condición de divergencia, (3) especificar la división de datos que evite el sesgo de look-ahead, (4) incluir costos de transacción realistas y fricciones de trading en cada cálculo, y (5) realizar comprobaciones de robustez y análisis de modos de fallo.

Mecanismo y definición

Comience con una definición lo suficientemente precisa para codificar y verificar de forma independiente. “Reversión por divergencia” se utiliza comúnmente para describir una situación en la que la acción del precio y un indicador se mueven en direcciones opuestas (divergencia), y luego se espera que el precio regrese (reversión). Para probar esto, necesita dos piezas operativas:

Definición del evento (el desencadenante de “divergencia”).

Especifique qué serie de precios utiliza (por ejemplo, cambios de cierre a cierre) y el marco temporal.
Especifique el indicador y la regla de divergencia. Por ejemplo: “el indicador hace un mínimo más bajo mientras el precio hace un mínimo más alto” durante una ventana de retroceso definida. Todos los parámetros deben indicarse (longitud de la ventana, si utiliza máximos o mínimos, y cómo maneja los valores iguales).
Decida qué cuenta como “marca de tiempo del evento” (por ejemplo, al cierre de la vela donde la condición de divergencia se cumple).

Definición del resultado (la medición de la “reversión”).

Defina qué significa “reversión” en el mismo sistema de unidades que sus datos de mercado. Los ejemplos incluyen: el rendimiento durante las próximas N velas, el signo del siguiente movimiento, la excursión máxima adversa frente a la excursión máxima favorable, o si el precio cruza un umbral.
Decida el horizonte de evaluación N. Si N se selecciona después de ver los resultados, trátelo como una variable y utilice comprobaciones fuera de muestra.

Una separación clave es entre mecánica estable y condiciones variables. La mecánica estable es la regla del evento y la medición del resultado. Las condiciones variables son el estado del mercado, la volatilidad, los niveles de spread y comisión, la liquidez y la calidad de ejecución. Su prueba debe cuantificar qué tan sensibles son los resultados a esos factores variables.

Evidencia y un ejemplo de diseño de prueba

Aquí hay un modelo no asesor que puede aplicar a datos históricos para evaluar si la reversión por divergencia muestra una tendencia medible.

1) Enuncie una hipótesis comprobable

Hipótesis de ejemplo (redacción genérica): “Después de un evento de divergencia definido por la regla R, el cambio de precio promedio en el siguiente horizonte es más favorable que la expectativa de línea base calculada a partir de todos los momentos con contexto comparable”.

Para evitar supuestos ocultos, anote:

La regla de divergencia exacta R.
La métrica de resultado (por ejemplo, rendimiento futuro promedio o probabilidad de un movimiento que supere un umbral).
El horizonte y cualquier umbral.
Si mide rendimientos brutos o rendimientos después de los costos de trading estimados.

2) Elija una línea base

Una línea base es aquello con lo que compara. Las opciones de línea base comunes incluyen:

Línea base sin divergencia: evalúe la misma métrica de resultado en momentos en los que no se produce la condición de divergencia.
Línea base de calendario/tiempo: compare con momentos aleatorios emparejados por hora del día, día de la semana o atributos de calendario similares si corresponde.
Línea base emparejada por contexto: agrupe los eventos por régimen de volatilidad (utilizando un proxy de volatilidad histórica) y compare los eventos de divergencia con momentos sin divergencia dentro del mismo régimen.

El objetivo es evitar que la prueba concluya que “la divergencia causó la reversión” cuando los eventos de divergencia son simplemente más comunes en ciertos estados del mercado.

3) División de datos y prevención de fugas

Utilice divisiones que reflejen cómo se utilizaría la regla en la práctica. Enfoque típico:

Período de entrenamiento: diseño y selección de parámetros.
Período de validación: ajuste de parámetros sin tocar el período de prueba.
Período de prueba: solo evaluación final.

Incluso sin datos en tiempo real, debe utilizar divisiones ordenadas en el tiempo. Nunca permita que eventos del futuro influyan en los parámetros de la regla de divergencia utilizados para la evaluación en momentos anteriores. Esta es la fuente más común de resultados inflados.

4) Modelado de costos y fricciones (requerido para la equidad)

Incluya costos en cada evaluación porque las reglas de divergencia pueden parecer rentables antes de costos y desaparecer después de costos. Los costos pueden incluir:

Un spread por operación o un impacto supuesto de oferta-demanda.
Supuestos de comisión o tarifa si los tiene.
Deslizamiento como una penalización adicional, especialmente durante períodos volátiles.

Ejemplo de supuesto: si su modelo de costos utiliza una penalización fija por operación de ida y vuelta, indíquelo y pruebe la sensibilidad probando un rango de penalizaciones plausibles. Si no tiene entradas de costos realistas, informe los resultados tanto antes como después de un margen de costos supuesto y trate las conclusiones como inciertas.

5) Comprobaciones de robustez

No se detenga en un solo conjunto de parámetros. Las comprobaciones de robustez mínimas incluyen:

Robustez walk-forward: repita la evaluación en múltiples ventanas de prueba móviles.
Estabilidad de parámetros: pruebe varias longitudes de ventana cercanas y definiciones de divergencia.
Robustez de métricas: verifique que el efecto se mantenga en diferentes métricas de resultado (por ejemplo, rendimiento promedio y probabilidad de ganancia), porque una mejora aparente en una métrica puede ocultar pérdidas en otra.

6) Limitación material y análisis de modos de fallo

Debe buscar activamente modos de fallo. Al menos una limitación material debe probarse y describirse, como:

Dependencia del régimen: la reversión por divergencia puede funcionar en condiciones de reversión a la media, pero fallar durante tendencias.
Artefactos del indicador: algunos indicadores pueden crear divergencias con más frecuencia en datos ruidosos, inflando la “frecuencia de eventos” sin mejorar el poder predictivo.
Sensibilidad al umbral: pequeños cambios en la definición pueden alterar sustancialmente el conjunto de eventos.
Sobreajuste: seleccionar parámetros para maximizar el rendimiento en datos históricos puede producir resultados engañosos fuera de muestra.

Documente cómo cambian los resultados bajo estas tensiones. Si el efecto desaparece bajo cambios leves en la definición, la afirmación es débil incluso si los backtests parecían sólidos.

Limitaciones y lo que puede verificar de forma independiente

Probar la reversión por divergencia es sencillo en principio, pero las conclusiones están limitadas por la incertidumbre. Limitaciones clave:

Las relaciones históricas no establecen resultados futuros. Incluso si un patrón de reversión por divergencia existiera en el pasado, la microestructura y el comportamiento del mercado pueden cambiar.
Los resultados varían según las condiciones del mercado y los detalles de implementación. Los resultados dependen de la volatilidad, la liquidez, el momento de ejecución y la precisión de los supuestos de costos.
Los indicadores no son garantías. La divergencia y la reversión son conceptos descriptivos; solo se vuelven comprobables cuando se traducen en reglas operativas y resultados medibles.