📊Hablemos de Pautas Estacionales y donde encontrarlas​🔍​

Grandes estudiosos del mercado, hablan sobre el comportamiento cíclico de los mercados de valores, y por eso considero importante dar una lectura a la estacionalidad de algunos activos, hoy quiero mostrarles cómo identificar pautas estacionales con python.

Pero antes de empezar, ¿Qué es una pauta estacional? José Martínez, en un artículo para www.traders-mag.es en Diciembre 2016, titulado “Las pautas estacionales: Un comportamiento cíclico” Define la pauta estacional como “comportamiento bursátil de algunos subyacentes, dentro de un marco temporal concreto”.

Partiendo de esta definición es fácil imaginar que los Commodities como soya, trigo y maíz o gas natural y petróleo, tienen un comportamiento bursátil que responde a las condiciones climáticas que afecten los procesos productivos de los mismos.

¿El resto de activos financieros responde a pautas estacionales? Bueno, citando nuevamente a José Martínez, “La pauta estacional no hace referencia únicamente a las estaciones del año sino también a comportamientos excepcionales de la bolsa frente a un dato concreto, bien sea semanal, mensual, anual, etc.. Como por ejemplo el comportamiento de determinadas acciones, dentro de la publicación de algún dato regular como puede ser el dato de empleo, stocks, consumo, etc”. Y esto amigos míos, es lo que quiero que observemos, si aún no está convencido sobre porque ponerle un ojito a las pautas estacionales, lo invito a leer el artículo “Is Seasonality Is The Best Investment Strategy?” de Dimitri Speck (Spoiler Alert!!!), en su artículo Dimitri Speck muestra los resultados de un estudio de más de 200 años donde ¡La estacionalidad supera a todas las demás estrategias!

Atención: La idea no es que abandone el resto de las estrategias, la intención es ponerle un ojito a la estacionalidad y bien lo dice Dimitri Speck “piensa por ti mismo en lugar de seguir a la manada. ¡Ten en cuenta la estacionalidad!”, existe toda una serie de documentación con respecto a la estacionalidad y si desea realizar una revisión no está de más que detalle documentación como la que aparece en el Stock Trader’s Almanac de Jeffrey A. Hirsch o paginas como https://charts.equityclock.com/

Estudio con Cuartiles y Diagrama de Bigotes y Cajas

¿Qué son los Cuartiles? y ¿Que es un Diagrama de Bigotes y Cajas?

Mientras que el Diagrama de bigotes y cajas es un método estandarizado para representar gráficamente una serie de datos numéricos a través de sus cuartiles. De esta manera, el diagrama de caja muestra a simple vista la mediana y los cuartiles de los datos.

Manos a la Obra

1 | #Import necesary libraries
2 | from datetime import date
3 | import numpy as np
4 | import pandas as pd 
5 | import matplotlib.pyplot as plt 
6 | import seaborn as sns
7 | import yfinance as yf
8 | 
9 | 
10 | %matplotlib inline
11 | plt.rcParams["figure.figsize"] = (12, 6)
12 | sns.set()
13 | 
14 | #Descarga de Datos y Grafico de Quartiles Mensuales (incrementos mensuales medios por años)
15 | 
16 | start_date ='2010-01-01'
17 | today = date.today()
18 | end_date = today.strftime("%Y-%m-%d")
19 | data = yf.download("ZC=F", start=start_date, end=end_date)
20 | data.drop(['Open', 'Low', 'High', 'Volume', 'Close'], axis=1)
21 | 
22 | returns = np.log(data["Adj Close"]).diff().dropna().to_frame("Returns")
23 | Monthly_Returns = returns.groupby([returns.index.year.rename('year'), 
24 |                                    returns.index.month.rename('month')]).mean()
25 | Monthly_Returns.boxplot(column='Returns', by='month');

Bueno como podemos observar, para los meses de Junio (6), Julio (7) y Septiembre (9) tienen a tener grandes variaciones, ahora prestemos atención a lo siguiente la mediana demuestra que de haber invertido en Julio hasta Septiembre habríamos obtenidos retornos positivos, o bien de Noviembre a Diciembre, a excepción de un caso en Diciembre donde el retorno es inferior a la mediana de Noviembre, algo similar ocurre de Marzo a Abril, este es un primer vistazo.

1 | def boxplot_group_day(returns_slice):
2 |     Daily_Returns = returns_slice.groupby([returns_slice.index.isocalendar().week.rename('week'), 
3 |                                  returns_slice.index.dayofweek.rename('day')]).mean()
4 |     return Daily_Returns.boxplot(column='Returns', by='day')
5 | 
6 | boxplot_group_day(returns);

1 | returns_of_june = returns.loc[returns.index.month.isin([6])]
2 | boxplot_group_day(returns_of_june);

Qué curioso pareciera que para el mes de Junio (6), si invertimos un lunes (0) y cerramos la operación un Martes (1) o Miércoles (2), obtendríamos retornos positivos. Ahora veamos el comportamiento para otro mes, que tal Diciembre (12).

Vamos:

1 | returns_of_june = returns.loc[returns.index.month.isin([6])]
2 | boxplot_group_day(returns_of_june);

1 | returns_of_december = returns.loc[returns.index.month.isin([12])]
2 | boxplot_group_day(returns_of_december);

1 | md_returns = returns.squeeze().groupby([returns.index.month.rename('month'), 
2 |                                  returns.index.dayofweek.rename('day')]).mean().unstack(0)
3 | 
4 | fig, ax = plt.subplots(figsize=(16,6))
5 | sns.heatmap(md_returns, ax=ax, cmap="Spectral");

Pareciera buena estrategia comprar los lunes y vender los jueves del mes de Julio.

1 | window = 253
2 | # detrend tome series by MA
3 | ratesM = data['Adj Close'].rolling(window).mean().dropna()
4 | ratesD = data['Adj Close'].reindex(ratesM.index).sub(ratesM)
5 | 
6 | fig, axs = plt.subplots(2, figsize=(16, 8), sharex=True)
7 | data['Adj Close'].plot(ax=axs[0], title="Trend")
8 | ratesM.plot(ax=axs[0])
9 | ratesD.plot(ax=axs[1], c="g", title="Residuals");

Ahora bien, actualicemos el estudio, vamos otra vez con los meses:

1 | Monthly_Returns = ratesD.groupby([ratesD.index.year.rename('year'), 
2 |                                   ratesD.index.month.rename('month')]
3 |                                 ).median().to_frame("Returns")
4 | Monthly_Returns.boxplot(by='month', figsize=(16, 8));

Como podemos observar, ya no queda tan claro que de Julio a Septiembre obtendremos retornos positivos, de hecho ya no están muchas cosas claras, se mantiene que obtengamos posibles incrementos de Noviembre a Diciembre pero no se ve tan claro.

Descomposición

1 | import statsmodels.api as sm
2 | decomposition = sm.tsa.seasonal_decompose(data['Adj Close'], model="additive", period = 253)
3 | 
4 | trend = decomposition.trend
5 | seasonal = decomposition.seasonal
6 | residual = decomposition.resid
7 | 
8 | fig, axs = plt.subplots(4, figsize=(14, 10), sharex=True)
9 | data['Adj Close'].plot(title='Original', color="blue", ax=axs[0])
10 | trend.plot(title='Trend', color="red", ax=axs[1])
11 | seasonal.plot(title='Seasonality', color="orange", ax=axs[2])
12 | residual.plot(title='Residuals', color="green", ax=axs[3])
13 | plt.tight_layout();seasonal["2019"].plot(label='Seasonality', color="blue", figsize=(20,8));

¿Que observamos acá? Bueno los precios de cierre de la serie da datos, la componente tendencia, la componente estacional y el residuo de residual que no es más que lo que le falta a la suma de la componente tendencial + la componente estacional para ser igual a la gráfica original, es importante destacar que en este caso es así porque se ha dicho que las componentes son “aditivas”.

1 | seasonal["2019"].plot(label='Seasonality', color="blue", figsize=(20,8));

Queríamos comprobar si de verdad de noviembre a diciembre ha incrementado el precio, bueno pareciera ser que sí.

Hagamos un Zoom a este periodo:

1 | seasonal["2019-11":"2019-12"].plot(label='Seasonality', color="blue", figsize=(20,8));

Pues pareciera que a partir del 15 de Noviembre hasta finales de Diciembre el precio recupera 15 puntos de su precio.

Conclusión