Lo Que la Mayoría de los Modelos de Posicionamiento No Captura
Los frameworks estándar de posicionamiento — percentiles históricos, z-score de flujos, COT neto — responden todos la misma pregunta: ¿dónde está el posicionamiento ahora?Son descriptivos. Capturan el nivel pero no la estructura del mercado que lo produce.
Existe una pregunta diferente, más valiosa: ¿qué tan bien encaja el entorno actual dentro de las expectativas que el modelo construyó con la historia? Cuando los retornos empiezan a comportarse de formas que el clasificador no ha visto antes, esa divergencia es información — y llega antes de que el trade se revierta.
Esto es exactamente lo que captura un clasificador neuronal entrenado sobre posicionamiento implícito. Su zona de máxima incertidumbre — donde asigna probabilidades casi iguales a los tres regímenes — no es un fallo del modelo. Es la señal más limpia que produce.
“Los mercados no revierten por noticias. Revierten por posicionamiento. Y el posicionamiento deja una huella en el precio — si sabes cómo leerla.”
El Proxy de Posicionamiento: Construido Desde el Precio
Sin acceso a datos de COT en tiempo real, inferimos el posicionamiento desde la estructura del precio. La lógica es precisa: si el precio de $GLD ha subido consistentemente durante 63 días de trading (~3 meses), existe una masa de compradores acumulados con posiciones en ganancia no realizada. Eso es un trade estructuralmente crowded. La reversión no es causada por el catalizador — es causada por la estructura.
| ÉGIMEN | CONDICIÓN | SEÑAL OPERATIVA | INTERPRETACIÓN |
|---|---|---|---|
| Crowded Long | Percentil > 80 | Short bias | Compradores acumulados, pocos compradores marginales restantes. Riesgo asimétrico bajista. |
| Neutral | Percentil 20–80 | Sin sesgo | Posicionamiento dentro del rango histórico. Clasificador con alta certeza de régimen. |
| Crowded Short | Percentil < 20 | Long bias | Masa de shorts atrapados. Cualquier catalizador positivo puede disparar un squeeze. |
La Arquitectura: MLPClassifier Sobre el Espacio de Posicionamiento
El clasificador sigue la misma arquitectura que Matthew Dixon demuestra en su notebook de 2019 sobre deep classifiers en finanzas — pero en vez de separar medias lunas sintéticas, separa regímenes de mercado reales en el espacio z-score × volatilidad realizada.
La ventaja sobre un logit binario es estructural: la frontera de decisión en este espacio de features es no lineal. Los regímenes de mercado no son separables con una línea recta. El MLP con activaciones ReLU aprende esa curvatura directamente desde los datos sin que el analista la codifique.
Figura 2. Frontera de decisión del MLPClassifier (2 capas ocultas, ReLU) en el espacio z-score × volatilidad realizada. Verde = Crowded Short (sesgo long). Gris = Neutral. Rojo = Crowded Long (sesgo short). Las líneas punteadas marcan las fronteras no lineales aprendidas — inaccesibles para un clasificador logístico estándar. Datos: GLD 2015–2026 vía Yahoo Finance.
La frontera curva entre Neutral y Crowded Long revela un patrón que no está codificado explícitamente: a niveles altos de volatilidad realizada, un z-score moderado es suficiente para clasificar como crowded. La presión vendedora latente en un ambiente volátil es estructuralmente mayor. El modelo lo aprende desde los datos, no desde reglas.
La Transformación: Espacio de Input → Capa Oculta
El notebook de Dixon (2019) demuestra que las capas ocultas de un MLP no solo clasifican — transforman el espacio de features para hacer linealmente separable lo que no lo era en el input original. Eso mismo sucede aquí con los datos reales de $GLD.
Con una arquitectura de última capa oculta de 2 unidades (directamente graficable), podemos visualizar exactamente qué hizo la red: toma un espacio donde los tres regímenes se solapan, y construye una representación donde los clusters son linealmente separables.
Figura 3. Transformación del espacio de input (izq.) al espacio de la capa oculta de 2 unidades (der.). En el input, los tres regímenes se solapan — ningún clasificador lineal los separa. Tras la transformación ReLU, los clusters se reorganizan en zonas linealmente separables. Replica el análisis de Dixon (2019) sobre make_moons, aplicado a una década de datos reales de $GLD.
La Señal que Pocos Explotan: La Zona de Máxima Incertidumbre
La mayoría de los usuarios de un clasificador solo leen el output final: “régimen = Crowded Long”. Ignoran las probabilidades de clase internas. Eso es un error con costo operativo real.
Cuando el clasificador asigna probabilidades cercanas a 33%–33%–33% entre los tres regímenes, no está confundido — está detectando que el mercado se encuentra en un punto de transición estructural. Ese estado de máxima incertidumbre del modelo precede consistentemente los cambios de régimen.
La diferencia práctica: en episodios de reversión de $GLD, la zona de incertidumbre máxima del clasificador (entropía de probabilidades alta) aparece antes de que el percentil cruce el umbral de vuelta al rango neutral. El modelo detecta que la estructura está cambiando antes de que el precio lo confirme.
Vista Completa: Precio + Probabilidades de Régimen ML
Figura 5. Evolución del z-score de posicionamiento con zonas extremas ±2σ — animación en tiempo real del proxy de crowding construyéndose. Cada spike por encima de +2σ corresponde a un período de Crowded Long en el clasificador. Los cruces de la banda inferior señalan condiciones de Crowded Short potencial. Datos: Yahoo Finance · yfinance · sklearn.
El panel de tres filas integra las capas del framework: precio, probabilidad de Crowded Long, y probabilidad de Crowded Short. La lectura conjunta revela el proceso de transición entre regímenes — no visible en ninguna capa individual.
Por Qué Esto Complementa (y No Reemplaza) el Percentil
La combinación de ambas dimensiones — nivel de posicionamiento y certeza del modelo — es la arquitectura de señal que Alpha Centauri usa para filtrar trades de alta convicción de aquellos donde la estructura es ambigua.
08
Limitaciones del Modelo
La credibilidad de un framework sistemático se construye siendo explícito sobre lo que no puede hacer. Este clasificador tiene tres limitaciones estructurales que deben informar cómo se utiliza operativamente:
El acumulado de retornos es una aproximación. No captura flujos OTC, opciones, hedges institucionales ni futuros. Infiere presión estructural — no inventario real.
El clasificador fue entrenado sobre etiquetas derivadas del mismo proxy. El 96% de accuracy refleja consistencia interna. La capacidad predictiva out-of-sample requiere validación adicional.
Un régimen puede permanecer en zona extrema semanas o meses. La señal identifica condiciones de riesgo asimétrico — no el momento de entrada. Requiere confirmación técnica o macro.
- Régimen ML actual: Neutral — el clasificador opera con alta certeza sobre la estructura presente. El percentil de posicionamiento se encuentra dentro del rango histórico (20–80).
- Condición de señal de alta convicción: Monitorear cruce sostenido de P(Crowded Long) > 0.50 simultáneo con percentil > 75. Esa es la configuración de máxima asimetría bajista del framework.
- Zona de transición activa: Si P(Long) y P(Short) convergen ambas por encima de 0.30, el clasificador está detectando ruptura de régimen. Reducir exposición bruta independientemente de dirección.
- Contexto macro 2025–2026: El desacoplamiento oro/tasas reales introduce ruido en el proxy de posicionamiento. Combinar con flujos de ETF ($GLD AUM) para validación de dirección de la señal.
- Régimen neutral no significa riesgo cero: Los eventos de cola ocurren también en regímenes de baja incertidumbre del clasificador. El piso de ruido irreducible del modelo nunca llega a cero.
More articles
How to Detect Market Regime Shifts Before Price Moves
When the ModelDoesn't Know —That's the Signal. We built a system that detects economic cycle shifts before price confirms them. The edge isn't in what the model predicts — it's in the moments when it admits it has no idea. The problem classic models ignore Most...
Neural network classifier trained on GLD
When the ClassifierDoesn't Know —That's the Signal. A neural network classifier trained on $GLD not only detects crowded trades — its zone of maximum uncertainty anticipates regime inflections that rolling volatility confirms too late. What Most Positioning...
Sequential Bayesian Regression
When the Model Doesn't Know — That Is the Signal. Sequential Bayesian Regression reveals where the market is breaking from history — before volatility catches up. Most risk models measure how much markets moved. This one measures how much the model itself doesn't know...
Stay up to date with the latest news and updates
Master Portfolio
You'll have access to monthly investment opportunities, daily market updates, and our investment community.
Join our newsletter
Join our newsletter
Follow us
Find information and advice on our social networks
Comentarios recientes