Analizador de modelos (Calificacion de setups)

Analiza el rendimiento por calificacion de setup: A+, A, B, C y operaciones sin calificar

El Analizador de Modelos en la pagina de Analiticas muestra como rinden tus operaciones basandose en las calificaciones de calidad del setup. Esta funcion trabaja en conjunto con el sistema de Arbol de Decision de Estrategia, que asigna calificaciones (A+, A, B, C) a las operaciones basandose en criterios que tu defines.

Niveles de calificacion

  • A+ (Calificacion maxima) -- Los setups de mayor calidad que cumplen todos tus criterios. Estas deberian ser tus operaciones de mejor rendimiento.
  • A (Alta calidad) -- Setups fuertes que cumplen la mayoria de los criterios. Operaciones de alta confianza aun.
  • B (Aceptable) -- Setups decentes que cumplen criterios minimos. Pueden tener algunos factores de confluencia faltantes.
  • C (Baja calidad) -- Setups por debajo del promedio tomados a pesar de no cumplir la mayoria de los criterios.
  • Sin calificar -- Operaciones sin calificacion de setup, ya sea porque no se asigno estrategia o la estrategia no tiene arbol de decision.
Analizador de modelos mostrando metricas de rendimiento para cada calificacion de setup

Metricas por calificacion

Para cada nivel de calificacion, el Analizador de Modelos muestra:

  • Numero de operaciones con esa calificacion
  • Tasa de ganancia
  • PnL promedio
  • PnL total
  • R-multiple promedio

Que buscar

El patron ideal es: las calificaciones A+ y A deberian tener la tasa de ganancia y PnL promedio mas altos, mientras que las calificaciones B y C deberian rendir progresivamente peor. Si tus operaciones con calificacion C superan a las operaciones A+, los criterios de tu arbol de decision pueden necesitar refinamiento.

El Analizador de Modelos solo es util si calificas consistentemente tus setups. Haz un habito de asignar una estrategia (con un arbol de decision) a cada operacion para que este analisis tenga suficientes datos para generar ideas significativas.
Necesitas al menos 20-30 operaciones por nivel de calificacion para sacar conclusiones estadisticamente significativas. Tamanos de muestra pequenos pueden producir resultados enganosos.

Te resulto util este articulo?