Guía de interpretación
¿Qué es? El valor de cada participación del fondo en un momento dado. Se calcula dividiendo el patrimonio total del fondo entre el número de participaciones en circulación. Es el precio al que compras o vendes.
VL = Patrimonio neto total del fondo / Número de participaciones
¿Qué mide? La rentabilidad anualizada de tu inversión teniendo en cuenta el momento exacto en que se produjo cada aportación o reembolso. Es la métrica más precisa para evaluar el rendimiento de una cartera con múltiples operaciones.
Σ [ Fᵢ / (1 + XIRR)^(dᵢ/365) ] = 0
Valor actual €: el número de participaciones que tienes multiplicado por el VL publicado más reciente. Es tu posición valorada a precio de mercado de hoy.
Importe invertido (coste neto) €: la suma de todo lo que has aportado en efectivo menos lo que has retirado. No incluye la revalorización del fondo — es puramente lo que pusiste de tu bolsillo.
Beneficio total €: Valor actual − Coste neto. Lo que has ganado o perdido sobre lo que invertiste, en euros absolutos.
Solo aparece cuando el sistema ha realizado al menos un cierre de año real (enero del año siguiente al de alta). Muestra el valor de la cartera a 1 de enero, tal como quedó registrado en el cierre automático. Si la cartera se inició durante el año en curso, esta caja muestra "—" — el primer valor fiable aparecerá en enero del año siguiente.
Aportaciones: suma de todos los flujos de entrada al fondo durante el año en curso (compras, traspasos recibidos). Retiradas: suma de todos los flujos de salida del año (ventas, traspasos emitidos). Estas cifras miden los movimientos de efectivo del año, no la revalorización.
¿Qué mide? Cuánto oscilan los rendimientos del fondo respecto a su media. A más volatilidad, más imprevisible es el comportamiento.
σ = √[ Σ(Ri − R̄)² / (n−1) ]
¿Qué mide? Cuánto se mueve tu inversión cuando se mueve el mercado.
β = Cov(Rf, Rm) / Var(Rm)
¿Qué mide? Lo que el fondo gana por encima de lo que le correspondería según el riesgo que asume. Es la "huella del gestor".
α = Rf − [Rf_libre + β × (Rm − Rf_libre)]
¿Qué riesgo mide?Volatilidad total del fondo (σ)
¿Contra qué compara?Tasa libre de riesgo (letras del Tesoro)
Pregunta que responde¿Vale la pena este fondo frente a no invertir?
Referencias>1 aceptable · >2 bueno · >3 excepcional
¿Qué riesgo mide?Tracking Error (riesgo activo vs. índice)
¿Contra qué compara?El índice de referencia (benchmark)
Pregunta que responde¿Justifica el gestor el riesgo de alejarse del índice?
Referencias>0,5 bueno · >1 excelente · negativo = no justifica
Sharpe = (Rf − Rf_libre) / σ
R. Info = (Rf − Rm) / TE
¿Qué mide? Cuánta rentabilidad anualizada genera el fondo por cada punto de caída máxima sufrida en el período. A diferencia del Sharpe (que usa la volatilidad total), el Calmar mide el riesgo como la peor pérdida desde máximos: responde a "¿compensa la rentabilidad el peor susto que me ha dado?".
Calmar = R_anual / |MDD|
¿Qué mide? Cuántas unidades de riesgo (volatilidad) asume el fondo por cada unidad de rentabilidad media anual. Responde a "¿es fiable la media que me enseñan?": si la volatilidad es grande comparada con el rendimiento, la media es poco representativa de lo que puedes esperar un año cualquiera.
CV = σ / R_anual
¿Qué mide? La rentabilidad que habría obtenido el fondo si hubiera tenido exactamente la misma volatilidad que su benchmark. Es el Sharpe traducido a porcentaje: permite comparar fondos entre sí (y contra su índice) en igualdad de riesgo, leyendo un % anual en vez de un número abstracto.
M² = R_libre + Sharpe × σ_benchmark
¿Qué mide? El porcentaje de los movimientos del fondo que se explican por los movimientos del índice de referencia. Va de 0 a 100.
R² = [Corr(Rf, Rm)]² × 100
¿Qué mide? La variabilidad de la diferencia de rentabilidades entre el fondo y su benchmark. Indica cuánto "se aleja" el gestor del índice en sus decisiones.
TE = σ(Rf − Rm)
¿Qué mide? Cuán sincronizados están los movimientos del fondo con los del índice. Va de –100 (totalmente inversos) a +100 (totalmente alineados).
ρ = Cov(Rf, Rm) / (σf × σm)
¿Qué mide? El retorno de un activo entre dos períodos. La diferencia está en cómo se calcula matemáticamente y qué propiedades tiene cada método.
Fórmula(P₁ − P₀) / P₀
VentajaIntuitivo. Refleja el % ganado directamente
LimitaciónNo se suman correctamente entre períodos
Fórmulaln(P₁ / P₀)
VentajaAditivo en el tiempo: ln(P₂/P₀) = ln(P₂/P₁) + ln(P₁/P₀)
LimitaciónLigeramente menos intuitivo que el simple
Simple: r = (P₁ − P₀) / P₀
Logarítmico: r = ln(P₁ / P₀) = ln(1 + r_simple)
Regla práctica: para reportar al cliente "tu fondo ha subido X%" → simple (es lo que entiende). Para calcular volatilidad, correlaciones, covarianzas u optimizar la cartera → logarítmico (es lo que funciona bien matemáticamente).
¿Qué mide? La covarianza cuantifica cómo se mueven juntos dos activos. Es la base de la optimización de carteras. El método de estimación afecta mucho al resultado, especialmente con datos ruidosos.
Estándar: Σ = (1/n) × Σ (rᵢ − r̄)(rⱼ − r̄)ᵀ
EWMA: Σₜ = λ × Σₜ₋₁ + (1−λ) × rₜ × rₜᵀ
¿Qué hace? Minimiza un solo número: la volatilidad real de la cartera (la magnitud σ_cartera = √(w·Σ·wᵀ), que ya tiene en cuenta cómo se correlacionan los activos entre sí). No le importa si la cartera queda concentrada o repartida — solo busca que ese número final sea lo más pequeño posible. Solo usa la matriz de covarianzas e ignora completamente los retornos esperados, así que es la opción más robusta cuando no confías en las estimaciones de retorno.
min w·Σ·wᵀ (volatilidad²)
sujeto a Σwᵢ = 1, wᵢ ≥ w_min, wᵢ ≤ w_max
¿Qué hace? Maximiza un cociente entre dos volatilidades distintas: arriba, la volatilidad que tendría la cartera si los activos fueran independientes (suma simple de vol × peso, ignora correlaciones); abajo, la volatilidad real de la cartera (la misma magnitud que minimiza Mínima Varianza, ya con correlaciones dentro). Cuanto mayor sea ese cociente, más beneficio "gratis" saca la cartera de tener activos que no se mueven juntos. A diferencia de Mínima Varianza, no le importa que la volatilidad final sea la mínima absoluta — le importa que sea mucho menor que la suma simple de sus partes. Suele dar carteras mejor repartidas que Mínima Varianza, aunque con algo más de vol absoluta.
D = (Σ wᵢ · σᵢ) / σ_cartera
¿Qué hace?Construye la cartera cuya volatilidad real se acerca lo más posible al nivel marcado en el slider
¿Qué minimiza?La distancia entre la volatilidad de la cartera y el objetivo
¿Cuándo usarlo?Cuando tienes un perfil de riesgo definido ("quiero una cartera del 5% de volatilidad anual") y quieres ceñirte a él
¿Qué hace?Maximiza el retorno esperado sin superar el nivel de riesgo marcado en el slider
¿Qué maximiza?El retorno esperado (μᵀw), sujeto a que σ_cartera ≤ objetivo
¿Cuándo usarlo?Cuando quieres el mayor rendimiento posible dentro de un límite de riesgo — y confías en las estimaciones de retorno esperado
Varianza Objetivo: min |σ_cartera − σ_objetivo| sujeto a restricciones de pesos
Máx. Rendimiento: max μᵀw sujeto a σ_cartera ≤ σ_objetivo, restricciones de pesos
¿Qué es? El modelo de Harry Markowitz (1952, Nobel 1990) demuestra que el riesgo de una cartera no es la suma del riesgo de sus activos — depende también de cómo se correlacionan entre sí. Combinando activos con baja correlación puedes reducir el riesgo total sin sacrificar retorno.
max (μᵀw − Rf) / √(wᵀΣw) ← Máximo Sharpe
sujeto a Σwᵢ = 1, wᵢ ≥ w_min, wᵢ ≤ w_max
¿Qué es? La curva que representa todas las carteras que maximizan el retorno para cada nivel de riesgo dado — o equivalentemente, minimizan el riesgo para cada nivel de retorno. Ninguna cartera por encima de esta curva es alcanzable; ninguna por debajo es racional.
Para λ ∈ [0, 1]: min (1−λ)·σ²_p − λ·μᵀw
¿Qué es? El punto de la frontera eficiente que maximiza el ratio de Sharpe: retorno por encima del activo sin riesgo por cada unidad de volatilidad. Es la cartera que cualquier inversor racional elegiría como base, independientemente de su aversión al riesgo.
w* = Σ⁻¹(μ − Rf·1) / 1ᵀΣ⁻¹(μ − Rf·1)
¿Por qué no usar retorno histórico? El retorno histórico medio es un estimador muy ruidoso del retorno futuro. Para carteras de fondos con pocos años de historia, usar directamente la media histórica puede llevar a resultados sesgados y poco robustos.
μᵢ = μ_min + (scoreᵢ − score_min) / (score_max − score_min) × (μ_max − μ_min)
¿Qué mide? El porcentaje de la varianza total de la cartera que proviene de cada activo. No depende solo del peso del activo, sino también de su correlación con los demás.
RC_i = wᵢ × (Σw)ᵢ / σ²_p
Compara ganancias y pérdidas medias en 14 períodos para medir si un activo está sobrecomprado (>70) o sobrevendido (<30). Fórmula estándar de Wilder aplicada sobre precio de cierre.
Diferencia entre EMA12 y EMA26, con línea de señal EMA9 y histograma. Los cruces de MACD con la señal indican cambios de tendencia. Parámetros estándar de Gerald Appel.
Bandas a ±2 desviaciones estándar de la SMA20. El precio tiende a mantenerse dentro de las bandas el 95% del tiempo; las rupturas señalan volatilidad o tendencia. Definición original de John Bollinger.
Medias móviles simples de 20 y 50 sesiones. El cruce alcista de SMA20 sobre SMA50 ("golden cross") es señal de tendencia positiva; el inverso ("death cross") señal negativa.
Los niveles (23.6%, 38.2%, 50%, 61.8%) son matemáticamente correctos. La limitación: los calculamos sobre el máximo y mínimo del período completo seleccionado, mientras que en la práctica se trazan desde pivotes específicos elegidos por el analista.
Detecta niveles donde el precio ha rebotado históricamente usando ventana centrada. Al ser centrada, el algoritmo "mira hacia el futuro" para confirmar el nivel (look-ahead bias): es válido para análisis histórico pero no replicable en tiempo real.
El fractal original de Bill Williams requiere los precios High y Low de cada vela para detectar el patrón de 5 barras. Al disponer solo de precio de cierre, detectamos mínimos y máximos locales en el cierre: el concepto es correcto pero la señal difiere del indicador original.
Detectamos pivotes con un algoritmo de zigzag y etiquetamos los últimos 8 como 1-2-3-4-5-A-B-C. No se validan las reglas de Elliott (la onda 3 no puede ser la más corta, la onda 4 no puede solaparse con la 1, etc.). Útil como referencia visual de pivotes, no como análisis de Elliott riguroso.
El score es el nexo central. R² indica calidad del ajuste — no genera señal directamente.
Mide qué fracción de la varianza del target explica el modelo en el train set. No genera la señal — es un indicador de si las features tienen relación lineal con el target.
Además del proxy externo, el modelo puede incluir los retornos pasados del propio target como variables de entrada. Captura momentum (tendencia a continuar) y mean-reversion (tendencia a revertir) sin necesitar datos adicionales.
X = [retorno_proxy, target_{t-1}, target_{t-2}, target_{t-3}]
Comportamiento por defecto en el panel "Componentes del fondo" con días de adelanto = 0: los AR lags no se aplican. La regresión se construye solo con los retornos contemporáneos de los componentes del fondo — sin incluir los retornos pasados del propio target. La razón: con días de adelanto = 0 la correlación contemporánea ya explica el grueso del cambio del fondo; mezclar el retorno de ayer del propio fondo con la variación de hoy de los componentes ensucia la señal. Para horizontes futuros (días de adelanto ≥ 1) los AR lags entran por defecto con normalidad.
Forzar AR lags también con días de adelanto = 0: el panel "Componentes del fondo" muestra una casilla "Forzar autoregresión" que aparece justo cuando los días de adelanto están en 0. Marcarla reactiva los AR lags y el modelo Ridge vuelve a usar las features completas X = [retornos_componentes, target_{t-1}, target_{t-2}, target_{t-3}] exactamente igual que en días de adelanto ≥ 1. Útil para comparar señales con/sin autoregresión sobre el mismo fondo. La casilla se oculta automáticamente al subir el stepper a 1 o más — ahí los AR lags ya entran solos.
Cada feature se estandariza restando su media y dividiendo por su desviación típica, calculadas sólo sobre el train set. Esto evita filtración de información futura (data leakage) y es imprescindible para que Ridge penalice todos los coeficientes de forma equitativa.
z = (x − μ_train) / σ_train
Versión de OLS que añade una penalización λ sobre la magnitud de los coeficientes. Cuando los proxies están correlacionados entre sí, OLS puede asignar coeficientes enormes e inestables que se compensan. Ridge los encoge hacia cero, produciendo un modelo más robusto y generalizable.
CriterioMinimiza Σ(y − Xβ)²
RiesgoCoeficientes inestables si hay correlación entre proxies
RegularizaciónNinguna
CriterioMinimiza Σ(y − Xβ)² + λ·Σβ²
RiesgoLigero sesgo, varianza mucho menor
Regularizaciónλ = 0,1 por defecto (configurable)
β = (XᵀX + λI)⁻¹ Xᵀy
Es el score el que determina en qué quintil caemos y por tanto la señal final. Se calcula normalizando los features de hoy con la media y std del train set.
score = intercept + β₁·z_proxy + β₂·z_target_{t-1} + β₃·z_target_{t-2} + …
Dos métricas de precisión direccional. Ambas miden cuántas veces sign(score) = sign(retorno real), pero difieren en cómo construyen el conjunto de test.
MétodoSplit fijo: 80% train, 20% test
VentajaRápido, simple
LimitaciónUn solo test set; puede sobre/infraestimar según el período elegido
MétodoVentana creciente: entrena con 40 sesiones, predice 5, añade 5, repite
VentajaAcumula cientos de predicciones OOS → estimación más honesta
LimitaciónNecesita al menos 45 sesiones para el primer fold
Los scores históricos (train) se dividen en 5 grupos iguales. Para cada grupo se registra en qué porcentaje de ocasiones el target subió realmente. La columna ◄ active muestra en qué quintil cae el score del día actual.
Mide cómo de bien calibradas están las probabilidades de subida (P_up) que reporta el modelo. Mientras OOS y WF Accuracy solo miran si acertó la dirección, Brier penaliza también la confianza: equivocarse diciendo "90% probable" pesa mucho más que equivocarse diciendo "55% probable".
Brier = (1/N) · Σ (P_up_i − y_i)²
Complementa a WF Accuracy: un modelo puede acertar la dirección el 60% de las veces (WF buena) pero estar mal calibrado en confianza (Brier alta), o al revés. Las dos métricas juntas dan la imagen completa.
Para fondos con ISIN, el sistema descarga la ficha técnica o KIID en PDF y extrae la composición real del fondo (holdings, sectores). Con esa información sugiere ETFs proxy candidatos antes de buscar por correlación.
ATG/claude es la mezcla ponderada de los tres motores que opera el panel "Componentes del fondo" cuando los días de adelanto están en 0. Devuelve una única predicción de la variación esperada del fondo para el día actual.
Pesos base de la mezcla:
Modulación de la martingala por confianza del Ridge: el peso efectivo de la martingala se multiplica por 1 − 2·|P(Up) − 50 %|. Cuando el Ridge da una señal contundente (P(Up) cerca de 0 % o de 100 %), la martingala se anula y su peso se redistribuye a Ridge y Correlación manteniendo la proporción 25:60. Cuando el Ridge está indeciso (P(Up) cerca de 50 %), la martingala entra con todo su peso.
Por qué solo con días de adelanto = 0: los motores de Correlación y Martingala usan información del mismo día (variación de hoy de cada componente, racha actual del fondo). No tienen sentido proyectados varios días al futuro — para horizontes mayores la pestaña sigue usando solo Ridge.
Lectura del resultado: verás cuatro cajas — una por cada motor con su variación esperada y la señal (verde/rojo/amarillo), y la caja ATG/claude destacada con la mezcla final. Esta es la señal del día que debes leer; las otras tres están para que veas de dónde viene.
Cuando el fondo no publica hoy: el motor de Correlación no puede operar tal cual (necesita el cambio real del día) y se sustituye automáticamente por el motor Día análogo. La caja en la pantalla pasa a llamarse así y muestra VL estimado, bondad y la fecha del día histórico de referencia. Ver tarjeta siguiente para el detalle.
Utilidad práctica: en fondos esta señal tiene valor diagnóstico pero limitado para operar (los VL publican con retraso y no se pueden vender al momento). El verdadero potencial es para ETFs que cotizan en tiempo real — la infraestructura está preparada para aplicarla ahí.
El motor de Correlación necesita la variación real del fondo y de sus componentes en el mismo día. Si el fondo no ha publicado hoy (es habitual en SICAVs y fondos con VL diferido), ese motor se queda sin entrada y entraría en cero. En su lugar, ATG/claude activa automáticamente el motor Día análogo, que busca en el histórico el día más parecido a hoy y aplica al fondo lo que pasó entonces.
Cuándo se activa:
Cómo elige el día análogo: recorre todo el histórico disponible y, para cada día candidato, compara la variación de hoy de cada componente con la variación de ese día en el mismo componente. Mide la diferencia media por componente (no la diferencia total), de manera que días con menos componentes coincidentes no se ven favorecidos artificialmente. Se queda con el día que minimiza esa diferencia media. Restricción: el día candidato debe tener VL publicado del fondo objetivo — si no, no sirve como referencia.
diff_h = √( Σ_i (r_i,hoy − r_i,h)² / n_h )
Predicción para hoy: se toma el retorno real del fondo en el día análogo y se aplica al último VL conocido. La estimación final es el VL que tendría el fondo hoy si replicase ese día histórico.
VL_estim = VL_último_conocido · (1 + r_fondo,análogo)
Bondad 0-100: indicador de fiabilidad de la analogía. Se construye linealmente sobre la diferencia media por componente: cero diferencia mapea a 100 (días casi idénticos en los componentes), 5 % o más mapea a 0 (poca o ninguna analogía). Es independiente de qué predice — solo mide cuánto se parecen los dos días en su composición de retornos.
bondad = máx(0, mín(100, 100 · (1 − diff_h / 5 %)))
Lectura en la pantalla: la caja muestra el porcentaje estimado de variación, el VL estimado, el score de bondad y la fecha del día análogo (formato año-mes-día). La señal verde/rojo/amarillo sigue las mismas reglas que el resto de cajas (±0,10 % de umbral neutro).
Por qué siempre da predicción: a diferencia de la Correlación estándar, este motor no exige un mínimo de bondad para emitir resultado. Siempre hay algún día histórico que es el más parecido aunque no se parezca mucho. La calidad de la analogía se transmite al usuario por la bondad, no por filtrar la salida.
Al buscar fondos con lenguaje natural, cada resultado con ISIN válido muestra dos botones:
Los PDFs se descargan temporalmente y se borran. Solo se cachea la información extraída (30 días) en output/pdf_cache.json.