Creación de un indicador compuesto para el trading algorítmico en Python

Supongamos que tenemos una estrategia de trading manual o algorítmica que queremos mejorar. Para esto, vamos a desarrollar un indicador técnico compuesto que combine 2 de los osciladores más populares, el RSI (Relative Strenght Index) y el ATR (Average True Range). El objetivo de este indicador es lograr un resultado más matizado para la estrategia actual; intentar captar los puntos más altos y bajos extremos del mercado.

Los indicadores RSI y ATR

Por otro lado, el ATR es un indicador de volatilidad que mide la volatilidad del mercado descomponiendo todo el rango de un activo para ese período. No indica la dirección del precio, pero da una idea del grado de variación del rango de precios.

La idea detrás de combinar RSI y ATR

Al combinar RSI y ATR, este indicador compuesto debería tener en cuenta el impulso (RSI) pero también incorporar la volatilidad del mercado (ATR). La idea es que un indicador compuesto podría ofrecer una visión más completa del mercado, ayudando en la toma de decisiones al resaltar posibles señales de compra o venta que consideren tanto el momentum de los precios como la volatilidad.

¿Cómo funciona el indicador compuesto entre el RSI y ATR?

El indicador compuesto RSI-ATR debería funcionar superponiendo las señales de volatilidad del ATR con el análisis de momentum proporcionado por el RSI. La combinación ofrece una perspectiva diferente: podría señalar una posible señal de compra no solo cuando el activo esté técnicamente ‘sobrevendido’ (según lo indicado por el RSI) sino también considerando si la volatilidad del mercado respalda este movimiento. Para mercados volátiles como el de criptomonedas, en donde usualmente se usan algoritmos de trading, esto podría resultar en mejores entradas y menos falsos positivos.

Implementación del indicador compuesto en un algoritmo de trading mediante Python

Crear e integrar el indicador compuesto RSI-ATR en un algoritmo de trading implica calcular tanto los valores del RSI como del ATR y luego combinar estos dos para generar señales de trading. A continuación, describimos un enfoque simple para integrar este indicador compuesto en una estrategia de trading algorítmico. Este ejemplo está basado en cómo programo mi estrategia y señales, pero puedes utilizar el cálculo para implementarlo en tu propio código.

import pandas as pd
import yfinance as yf
import matplotlib.pyplot as plt

def calculate_rsi(data, window=14):
    delta = data['Close'].diff(1)
    gain = delta.where(delta > 0, 0)
    loss = -delta.where(delta < 0, 0)
    
    avg_gain = gain.rolling(window=window, min_periods=1).mean()
    avg_loss = loss.rolling(window=window, min_periods=1).mean()
    
    rs = avg_gain / avg_loss
    rsi = 100 - (100 / (1 + rs))
    
    return rsi

def calculate_atr(data, window=14):
    high_low = data['High'] - data['Low']
    high_close = (data['High'] - data['Close'].shift()).abs()
    low_close = (data['Low'] - data['Close'].shift()).abs()
    
    ranges = pd.concat([high_low, high_close, low_close], axis=1)
    true_range = ranges.max(axis=1)
    
    atr = true_range.rolling(window=window, min_periods=1).mean()
    
    return atr

def normalize_atr(data):
    min_atr = data['ATR'].min()
    max_atr = data['ATR'].max()
    data['Normalized_ATR'] = (data['ATR'] - min_atr) / (max_atr - min_atr)
    return data

def adjust_rsi_with_normalized_atr(data):
    adjusted_rsi = data['RSI'] * (1 + data['Normalized_ATR'])
    # Limitar los valores del RSI compuesto entre 0 y 100
    data['Adjusted_RSI'] = adjusted_rsi.clip(lower=0, upper=100)
    return data

# Descargar datos históricos del precio de Tesla
ticker = 'TSLA'
data = yf.download(ticker, start='2023-01-01', end='2024-01-01')

# Calcular el RSI
data['RSI'] = calculate_rsi(data)

# Calcular el ATR
data['ATR'] = calculate_atr(data)

# Normalizar el ATR
data = normalize_atr(data)

# Ajustar el RSI con el ATR normalizado
data = adjust_rsi_with_normalized_atr(data)

# Crear la figura y los subgráficos
fig, axs = plt.subplots(3, 1, figsize=(14, 12), sharex=True, gridspec_kw={'height_ratios': [3, 1, 1]})

sobrecompra=70.0
sobreventa=30.0
# Gráfico del precio de cierre
axs[0].plot(data.index, data['Close'], label='Precio de Cierre', color='black')
axs[0].set_title('Precio de Cierre de Tesla')
axs[0].set_ylabel('Precio de Cierre')
axs[0].legend()

# Gráfico del RSI estándar
axs[1].plot(data.index, data['RSI'], label='RSI Estándar', color='blue')
axs[1].axhline(sobrecompra, linestyle='--', alpha=0.5, color='blue')
axs[1].axhline(sobreventa, linestyle='--', alpha=0.5, color='blue')
axs[1].set_title('RSI Estándar')
axs[1].set_ylabel('RSI')
axs[1].legend()

# Gráfico del RSI ajustado
axs[2].plot(data.index, data['Adjusted_RSI'], label='RSI Ajustado', color='red')
axs[2].axhline(sobrecompra, linestyle='--', alpha=0.5, color='red')
axs[2].axhline(sobreventa, linestyle='--', alpha=0.5, color='red')
axs[2].set_title('RSI Ajustado')
axs[2].set_xlabel('Fecha')
axs[2].set_ylabel('RSI')
axs[2].legend()

# Ajustar el espaciado entre subgráficos
plt.tight_layout()

# Mostrar el gráfico
plt.show()

Abajo (debajo del precio de cierre), la línea azul representa el RSI normal, la línea de color rojo representa el RSI compuesto.

Pruebas adicionales

La efectividad y los resultados de este indicador aún deben ser probados utilizando diferentes configuraciones y marcos de tiempo. Sin embargo, esta idea proporciona un punto de vista interesante sobre cómo combinar indicadores para obtener una perspectiva más amplia y posiblemente mejorar la toma de decisiones del algoritmo de trading.