¿Qué dice la investigación sobre el análisis técnico?
La investigación académica sobre análisis técnico es amplia y de resultados mixtos, y cada estudio conocido responde a una pregunta más estrecha de lo que sugieren los titulares. Si primero necesitas lo básico, empieza por el análisis técnico para principiantes. Estos seis aparecen una y otra vez:
- Brock, Lakonishok y LeBaron (Journal of Finance, 1992) probaron reglas simples de medias móviles y de ruptura de rango en el índice Dow Jones de 1897 a 1986 y hallaron un fuerte respaldo: a las señales de compra les siguieron rentabilidades más altas que a las de venta, algo que los modelos habituales de precios aleatorios no podían explicar.
- Jegadeesh y Titman (Journal of Finance, 1993) hallaron que comprar las acciones que más habían subido y vender las que más habían bajado daba rentabilidades significativas en periodos de 3 a 12 meses, y que parte de la ganancia se disipaba en los dos años siguientes. Es el momentum, la idea de tendencia en su forma mejor documentada.
- Sullivan, Timmermann y White (Journal of Finance, 1999) ampliaron la prueba a 7,846 reglas y corrigieron el data snooping. La mejor regla seguía batiendo a la referencia de 1897 a 1986, pero en los diez años siguientes, de 1987 a 1996, ni siquiera era estadísticamente significativa, y en los futuros del S&P 500, donde era fácil incluir los costes de operar, ninguna regla lo hizo mejor.
- Lo, Mamaysky y Wang (2000) convirtieron figuras como el hombro-cabeza-hombro y el doble suelo en algoritmos y las aplicaron a acciones de EE. UU. de 1962 a 1996. Varias figuras aportaban algo de información adicional sobre las rentabilidades y podrían tener cierto valor práctico; el estudio midió información, no beneficios de trading tras costes.
- Park e Irwin (Journal of Economic Surveys, 2007) revisaron 95 estudios modernos: 56 hallaron rentables las estrategias técnicas, 20 no y 19 dieron resultados mixtos. También señalaron que la mayoría de las pruebas tenía problemas, como el data snooping, reglas elegidas a posteriori y estimaciones aproximadas del riesgo y los costes, y que los beneficios duraron al menos hasta principios de los años noventa.
- Moskowitz, Ooi y Pedersen (Journal of Financial Economics, 2012) hallaron momentum de serie temporal en cada uno de los 58 futuros líquidos que estudiaron, en índices bursátiles, divisas, materias primas y bonos: las rentabilidades persistían de 1 a 12 meses y se revertían en parte en horizontes más largos.
- Data snooping (sesgo por minería de datos)
- El sesgo que aparece cuando se prueban muchas reglas o ajustes sobre los mismos datos pasados y se presenta la mejor como si fuera la única probada.
- Prueba fuera de muestra (out-of-sample)
- Una prueba con datos que no se usaron para elegir o ajustar la regla, como los años posteriores al final del estudio original.
- Momentum de serie temporal (time-series momentum)
- La tendencia de un mercado que ha subido (o bajado) en los últimos meses a seguir en la misma dirección durante un tiempo; la idea detrás del seguimiento de tendencia.
¿Por qué las reglas técnicas simples dejan de funcionar?
Ese patrón, resultados fuertes en datos antiguos y más débiles después, tiene varias causas. Cuando una regla simple se publica y es barata de aplicar, muchos traders la usan y la ventaja desaparece; Sullivan, Timmermann y White apuntaron que la caída de los costes y el aumento de la liquidez pudieron eliminar patrones de corto plazo. Los costes se comen las ventajas pequeñas, sobre todo en reglas rápidas, que es una de las razones por las que la mayoría de los traders pierde dinero. Y cuantas más reglas se prueban, más probable es que la mejor parezca buena solo por azar.
Este último punto es fácil de demostrar. En una simulación que hicimos con 40 mercados de paseo aleatorio, donde por construcción no hay ningún patrón que encontrar, el mejor de 172 ajustes de cruce de medias móviles en los seis primeros años ganó allí un 76% de media, pero solo un 4.9% en los dos años siguientes, menos que simplemente mantener (13.1%). Elegir el mejor resultado entre muchos intentos es encontrar ruido. El sobreajuste del backtest muestra cómo protegerse.
¿Funciona el análisis técnico en acciones?
En acciones, la mejor evidencia es sobre tendencia y momentum a varios meses, no sobre señales de gráfico de corto plazo. El resultado de Jegadeesh y Titman se estudia desde hace décadas, y es la misma idea en la que se apoyan el trading de momentum y el seguimiento de tendencia. Las figuras chartistas aportaron algo de información en las pruebas de Lo, Mamaysky y Wang, pero información no es lo mismo que beneficio tras costes.
Las acciones individuales también abren con gaps por resultados y noticias que ningún gráfico ve venir, así que incluso una regla de tendencia sólida necesita una posición lo bastante pequeña para sobrevivir a un gap más allá del stop. La mayoría de los debates en internet, incluidos los conocidos hilos de Reddit, hablan de cosas distintas: un bando quiere decir «un indicador predice la próxima vela», algo que la evidencia no respalda; el otro quiere decir «la tendencia y los niveles de precio ayudan a gestionar el riesgo», que es una afirmación distinta y más defendible.
¿Es el análisis técnico una ciencia?
No en su conjunto. Es un conjunto de métodos, algunos lo bastante precisos para probarse y muchos demasiado vagos para probarse en absoluto. «Comprar cuando la media de 50 días cruza por encima de la de 200 días» se puede someter a backtest y comprobar fuera de muestra; «el gráfico se ve alcista», no. La parte científica del análisis técnico es un hábito: convertir una afirmación en una regla, probarla con datos que no se usaron para construirla, incluir los costes y descartarla si falla.
¿Dónde es realmente útil el análisis técnico? Un mapa del riesgo
Incluso sin ventaja predictiva, un gráfico responde preguntas que necesita toda operación: ¿dónde se equivoca la idea?, ¿qué tamaño puede tener la posición?, ¿la tendencia está a tu favor o en contra? Los soportes, las resistencias y los puntos de giro dan al stop un lugar lógico, el stop da el tamaño y el siguiente nivel da un objetivo y una relación beneficio/riesgo. Ese uso no depende de que la próxima vela sea predecible.
Hipotético: XYZ rebota en un soporte en US$48.80 y se planea una compra en US$50.00. El stop va en US$48.50, justo debajo del soporte, porque su ruptura significa que el rebote falló. Con una cuenta de US$20,000 y un 1% de riesgo, US$200 ÷ US$1.50 = 133 acciones. La siguiente resistencia, US$53.50, es el objetivo: un beneficio de US$3.50 por un riesgo de US$1.50, unos 2.3 a 1. El gráfico no predijo el movimiento; fijó las condiciones de la operación.
Cómo probar una regla técnica antes de confiar en ella
Un protocolo breve, construido a partir de lo que los estudios anteriores hicieron bien y mal; cómo hacer backtesting de una estrategia explica la mecánica:
- Escribe la regla con tanta precisión que dos personas harían las mismas operaciones: entrada, salida, stop, tamaño, mercado y temporalidad.
- Divide el historial. Elige y ajusta la regla solo con la primera parte y luego aplícala sin cambios al resto.
- Cuenta cada versión que probaste y compara la ganadora con el mejor resultado del mismo número de intentos aleatorios.
- Incluye comisiones, spread y slippage; en reglas rápidas, comprueba el coste por operación en R.
- Compara el resultado con simplemente mantener el mercado en el mismo periodo, no solo con cero.
- Haz 50 a 100 operaciones en una cuenta de paper trading antes del dinero real y luego mide la esperanza matemática tras costes.