Avanzado | Señales Multi-Activo .objectives { background: rgba(0,224,255,0.1); border-radius: 1.5rem; padding: 1rem 1.5rem; margin: 1.5rem 2rem; border: 1px solid rgba(0,224,255,0.3); } .objectives h3 { color: #00e0ff; 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(0,224,255,0.08); border-radius: 1.5rem; padding: 1rem 1.5rem; margin: 1.5rem 2rem; border: 1px dashed rgba(0,224,255,0.4); } .module-recap h3 { color: #00e0ff; font-size: 1rem; margin-bottom: 0.5rem; } .module-recap li { color: #8899bb; font-size: 0.85rem; margin: 0.3rem 0; }

🔗 SEÑALES MULTI-ACTIVO

Correlaciones, cointegración y PCA de mercados

Matriz correlación PCA
🔗 Piénsalo así: Las correlaciones entre activos son como las relaciones en una red social: algunos activos se mueven juntos (mejores amigos), otros en direcciones opuestas (rivales), y otros independientemente (conocidos). PCA reduce toda esa red a unos pocos factores que explican casi todo el movimiento del mercado.

🎯 ¿Qué aprenderás?

Matriz de Correlación

Análisis de Componentes Principales (PCA)

PC1 ” Factor de Mercado

Varianza:
60%

PC2 ” Factor Sectorial

Varianza:
20%

PC3 ” Factor Residual

Varianza:
10%

Pares Cointegrados

Test de Engle-Granger: BTC/ETH â†â€™ cointegrados âœâ€œ | AAPL/SPY â†â€™ cointegrados âœâ€œ

Señal Combinada (3 factores)

+0.47

â¬â€ Ã¯Â¸Â Señal alcista · Fuerza moderada

💡 Analiza la matriz de correlación y componentes principales. La señal combinada integra 3 factores de mercado.

💻 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