BACKTESTING DE SEÑALES KAGI: QUÉ SE MANTIENE Y QUÉ ES PURA TRADICIÓN GRÁFICA

Los gráficos Kagi son una forma de análisis técnico desarrollada originalmente en Japón a finales del siglo XIX. A diferencia de los gráficos de velas tradicionales, los gráficos Kagi se centran exclusivamente en la acción del precio y descartan consideraciones de tiempo y volumen. Están diseñados para ilustrar la dinámica subyacente de la oferta y la demanda de un mercado, ofreciendo a los operadores una visión más clara de las tendencias de sentimiento sin el ruido de las fluctuaciones intradía.

Construidos mediante el dibujo de líneas verticales que cambian de dirección según las reversiones del precio de una cantidad específica (denominadas "cantidad de reversión"), los gráficos Kagi también modifican el grosor y el color de las líneas en función del movimiento del precio. Normalmente, una línea gruesa (o línea "yang") denota impulso alcista, mientras que una línea delgada ("yin") señala sentimiento bajista. Las nuevas líneas se crean solo cuando el precio supera un máximo o mínimo anterior en la cantidad de reversión, lo que hace que los gráficos Kagi sean especialmente eficaces para identificar continuaciones y reversiones de tendencia.

Las características distintivas de los gráficos Kagi ofrecen una ventaja única para los operadores técnicos que buscan reducir el ruido del mercado. Sin embargo, debido a su estructura no estándar, requieren un enfoque especializado para el backtesting y la validación. Los sistemas automatizados estándar a menudo deben adaptarse para dar cabida a la alimentación de datos no lineal del gráfico.

En teoría, las señales Kagi —como los cruces de puntos de precio clave, los cambios de "yin" a "yang" o viceversa, y las rupturas de niveles de resistencia de larga duración— ofrecen indicadores claros para entrar o salir de operaciones. Sin embargo, muchas de estas señales provienen de la tradición gráfica transmitida de generación en generación, sin validación formal mediante pruebas retrospectivas estadísticas ni revisión algorítmica.

Por lo tanto, los gráficos Kagi representan un arma de doble filo: ricos en información interpretativa, pero vulnerables a una dependencia excesiva de señales visuales subjetivas sin un escrutinio cuantitativo riguroso.

Las pruebas retrospectivas de las señales Kagi requieren una metodología diferente a la de los sistemas de gráficos convencionales basados ​​en el tiempo. Dado que los gráficos Kagi se construyen únicamente a partir de la acción del precio e ignoran los intervalos temporales, la estructura de datos subyacente en las plataformas de pruebas retrospectivas debe ajustarse para adaptarse a esta secuenciación basada en el precio.

Para empezar, los operadores y analistas deben convertir los datos históricos de precios al formato Kagi. Esto implica calcular el importe de la reversión (a menudo establecido como un valor fijo o un porcentaje del precio) y graficar los movimientos del precio en consecuencia. Los conjuntos de datos históricos deben analizarse para reflejar estos cambios de dirección y grosor en los segmentos de línea. Las fuentes de datos que utilizan formatos OHLC (apertura-máximo-mínimo-cierre) a menudo requieren una transformación al implementar pruebas de estrategias en software como TradeStation, MetaTrader con complementos personalizados o bibliotecas de pruebas retrospectivas de Python.

Una vez establecida la estructura de datos, las señales específicas de Kagi pueden codificarse en estrategias comprobables. Los tipos de señales comunes que se evalúan incluyen:

• Transiciones de Yang a Yin: Se consideran señales de venta tradicionales e indican un cambio de tendencias alcistas a bajistas.
• Transiciones de Yin a Yang: Se activan las compras cuando el movimiento del precio cambia de bajista (líneas finas) a alcista (líneas gruesas).
• Roturas por encima de máximos/mínimos anteriores: Sugieren la continuación del impulso, a menudo utilizadas para cronometrar las entradas en las operaciones.
• Roturas de Soporte/Resistencia: Una extensión de las estrategias de ruptura, pero con un contexto histórico más amplio.

Cada una de estas señales debe probarse en múltiples conjuntos de datos que cubran diferentes activos (acciones, forex, criptomonedas) y condiciones de mercado (desde entornos volátiles hasta de bajo volumen). Los backtests eficaces también integran parámetros de gestión de riesgos, como órdenes de stop-loss, trailing stops y algoritmos de dimensionamiento de posiciones para simular el comportamiento realista del operador.

Las estrategias de gráficos Kagi suelen probarse utilizando datos tanto dentro como fuera de la muestra. Las pruebas dentro de la muestra ayudan a optimizar los parámetros de la señal, mientras que las pruebas fuera de la muestra validan su validez con datos no analizados. El análisis de avance también es esencial para evaluar la solidez de la estrategia.

A pesar de estos pasos exhaustivos, abundan los desafíos. Por ejemplo, el retraso en la confirmación de la señal (ya que la reversión debe ocurrir antes de que se forme una nueva línea) puede dificultar la ejecución oportuna de las operaciones. Además, la frecuencia de las señales en los gráficos Kagi es significativamente menor que en los gráficos de velas, lo que genera inquietud sobre el sobreajuste de un conjunto de datos disperso.

A su vez, cualquier afirmación sobre la eficacia de las señales Kagi debe respaldarse no solo con ejemplos anecdóticos o ilustraciones históricas, sino también con resultados de backtesting estadísticamente significativos y métricas de rendimiento como los ratios de Sharpe, las caídas máximas y los ratios de ganancias/pérdidas.

La pregunta clave para los traders que exploran las técnicas de gráficos Kagi es simple: ¿qué señales ofrecen realmente una ventaja estadística? Si bien los gráficos Kagi ofrecen información visual convincente, solo un subconjunto de las señales tradicionales parece resistir rigurosas pruebas retrospectivas.

Las transiciones Yin-Yang emergen constantemente como una de las señales más prácticas. Al probarse en activos en tendencia, como acciones tecnológicas o los 10 principales pares de divisas durante períodos de varios años, estas transiciones alcistas suelen generar ratios riesgo-recompensa favorables, especialmente cuando se confirman con indicadores de impulso simples como el RSI o el MACD.

La continuación de tendencia mediante la ruptura de máximos/mínimos anteriores también ofrece un rendimiento sólido, especialmente en mercados en tendencia. En un estudio realizado con acciones del S&P 500 entre 2012 y 2022, las estrategias de ruptura basadas en Kagi superaron a los índices de referencia de compra y retención al combinarse con trailing stops y un filtro básico contra falsas rupturas (como la confirmación con volumen o un umbral de volatilidad basado en ATR).Por otro lado, las rupturas de soporte y resistencia arrojaron resultados dispares. Si bien pueden indicar cambios de tendencia importantes, su efectividad parece depender en gran medida de la clase de activo y el marco temporal. Las materias primas y las criptomonedas, que son más propensas a sobrepasar el soporte o la resistencia, obtuvieron mejores resultados que los instrumentos estables como los bonos o las empresas de servicios públicos de gran capitalización.Las estrategias con peor rendimiento incluyen estrategias demasiado simplistas que solo responden a los cambios en el grosor de las líneas sin ninguna confirmación ni contexto adicional. Por ejemplo, operar cada transición de Yang a Yin como una operación corta a menudo resultó en frecuentes fluctuaciones y una menor rentabilidad. Estas observaciones sugieren que la combinación de señales Kagi con indicadores más amplios mejora la consistencia.

Estrategias anecdóticas como la combinación de reversiones Kagi con ciclos lunares o zonas horarias de Fibonacci, si bien son populares en el mundo del trading, no mostraron ninguna ventaja empírica durante los backtests controlados. De igual manera, la creencia popular de que los gráficos Kagi "filtran automáticamente el ruido" no proporciona un alfa consistente a menos que se respalde con un análisis más profundo.

La superposición de Kagi con una media móvil, como una EMA de 10 períodos ajustada a intervalos Kagi, resulta prometedora para reducir las señales falsas. Este modelo híbrido aprovecha la representación de tendencias de Kagi con el suavizado estadístico de las medias. Las estrategias híbridas con lógica cuantificable superan claramente a los mecanismos exclusivamente discrecionales.

Quizás el hallazgo más importante es que Kagi funciona mejor en un contexto filtrado: identificando los principales cambios de tendencia en plazos más largos (por ejemplo, diarios o semanales) en lugar de en el trading de alta frecuencia. Aplicado en ciclos más largos, Kagi ofrece una señal limpia y filtrada por retardo para operaciones de swing a posición. En definitiva, el éxito de operar con gráficos Kagi no reside en la mística, sino en la validación metódica. Kagi es una lente potente, pero solo cuando la imagen que revela se confirma con datos, disciplina y evidencia empírica.