Ejecución y Despliegue | Estrategias de Ejecución .objectives { background: rgba(156,100,255,0.1); border-radius: 1.5rem; padding: 1rem 1.5rem; margin: 1.5rem 2rem; border: 1px solid rgba(156,100,255,0.3); } .objectives h3 { color: #9c64ff; font-size: 1.1rem; margin-bottom: 0.7rem; } .objectives li { color: #b9ccee; font-size: 0.9rem; margin: 0.4rem 0; list-style: none; } .objectives li::before { content: "🎯 "; } .module-recap { background: rgba(156,100,255,0.08); border-radius: 1.5rem; padding: 1rem 1.5rem; margin: 1.5rem 2rem; border: 1px dashed rgba(156,100,255,0.4); } .module-recap h3 { color: #9c64ff; font-size: 1rem; margin-bottom: 0.5rem; } .module-recap li { color: #8899bb; font-size: 0.85rem; margin: 0.3rem 0; }

📊 Estrategias de Ejecución

TWAP, VWAP, Iceberg, Implementation Shortfall

10000 unidades Simulación Costos
📊 Piénsalo así: Quieres comprar 10,000 entradas para un concierto. Si las compras todas de una vez, el precio se dispara (impacto de mercado). TWAP es comprar 500 cada 10 minutos. VWAP es concentrar las compras donde hay más volumen. Iceberg es mostrar solo 100 a la vez para no asustar al mercado. Cada estrategia minimiza el impacto de forma diferente.

🎯 ¿Qué aprenderás?

🎯 Simulador: Compra 10,000 unidades de BTC/USDT

Precio de referencia: $67,450. Impacto estimado por orden: 0.02% del volumen

⏱ TWAP

Time-Weighted Average Price
Divide en N slices iguales

📊 VWAP

Volume-Weighted Average Price
Pondera por volumen histórico

🧊 Iceberg

Muestra solo parte de la orden
Oculta el tamaño real

âšÂ¡ Implementation Shortfall

Minimiza desviación vs precio decisión
Agresivo al inicio

EstrategiaPrecio promedioSlippage totalTiempoCosto total
TWAP$67,475$2510 min$674,750,000

Haz clic en "Simular" para calcular con los parámetros actuales.

💡 Prueba las 4 estrategias de ejecución. Compara precios, slippage y costos para elegir la óptima.

💻 Código anotado

import numpy as np # Import estándar con alias corto precios = np.array([100, 102, 101, 105]) # array() convierte lista a vector NumPy rend = np.diff(precios) / precios[:-1] # diff(): diferencias entre elementos consecutivos log_rend = np.log(precios[1:] / precios[:-1]) # log(): rendimientos logarítmicos aditivos

💡 Lee los comentarios: cada línea tiene una razón de ser. El código no se escribe, se diseña.

✏️ Mini-ejercicio

¿Qué método de NumPy calcula el logaritmo natural de un array?

// Responde y presiona Verificar

🔍 Sabías que... Curiosidades de trading

NumPy procesa arrays de 1M de elementos en ~10ms. Python puro toma ~2s. La vectorización es el superpoder del cómputo científico.
Dato práctico: Usa np.where(cond, val_if, val_else) para reemplazar if/else en arrays.

📋 Checklist de aprendizaje

Marca lo que ya dominas. Tu progreso se guarda automáticamente.

0/4 dominados

📌 Resumen del módulo

Menú