TARGETHIT!

Más

Comunidad

Tema

Idioma

Escuela de trading cuantitativo/Descubrimiento/Normalización z-score: un mismo idioma para tus indicadores
Descubrimiento10 min de lectura

Normalización z-score: un mismo idioma para tus indicadores

Cómo hacer que todos los indicadores sean comparables

El problema de la comparación

¿Cómo comparas el RSI con la tasa de financiamiento? El RSI va de 0 a 100. La tasa de financiamiento puede ir de -0.3% a +0.3%. El interés abierto podría estar entre 50,000 y 500,000 BTC equivalentes.

No puedes compararlos directamente. Decir "RSI en 30 y financiamiento en 0.1%" no te dice cuál de los dos es más extremo. ¿Un RSI de 30 es más relevante que un financiamiento del 0.1%? Depende del contexto.

Este es el problema de la comparación, y la normalización por z-score (puntuación z) lo resuelve.

¿Qué es un z-score?

Un z-score te dice a cuántas desviaciones estándar está un valor de su media.

La fórmula es simple: z = (x - media) / desviación_estándar

Si el RSI actual es 30, la media en tu periodo de observación (lookback) es 50 y la desviación estándar es 10, entonces: z = (30 - 50) / 10 = -2.0

Ese -2.0 significa que el RSI actual está 2 desviaciones estándar por debajo de su promedio.

Ahora aplica la misma lógica a la tasa de financiamiento. Si el financiamiento actual es del 0.05%, la media es del 0.02% y la desviación estándar es del 0.03%: z = (0.05 - 0.02) / 0.03 = 1.0

Ahora sí puedes comparar: un RSI en -2.0 sigma es más extremo que un financiamiento en +1.0 sigma. Estás hablando el mismo idioma.

Por qué los z-scores importan para el descubrimiento

Cuando combinas indicadores para encontrar ventajas (edges), necesitas una escala común. Considera esta definición de ventaja:

"Entra en LONG cuando el z-score del financiamiento caiga por debajo de -2 Y el precio esté en un nivel de liquidación Y el DPO marque sobreventa."

Todas las condiciones usan z-scores. Puedes ver de inmediato que -2 significa "dos desviaciones estándar por debajo de lo normal". Las condiciones son comparables e interpretables.

Sin normalización, tendrías umbrales arbitrarios que no se trasladan de un indicador a otro:

"Entra en LONG cuando el financiamiento < 0.01% Y el precio esté a menos del 1% de la liquidación Y el DPO < -15."

¿Qué significa DPO < -15? ¿Es extremo? No tienes ninguna intuición si no conoces la distribución histórica del DPO.

Los z-scores te dan esa intuición de forma automática.

Z-scores móviles para operar en vivo

Este es un punto crítico: para operar en vivo, necesitas z-scores móviles, no estáticos.

Un z-score estático usa la media y la desviación estándar de todo tu conjunto de datos históricos. Eso sirve para el backtesting, pero es problemático en vivo: las condiciones del mercado cambian, y lo que era "normal" en 2021 no es normal en 2025.

Los z-scores móviles recalculan la media y la desviación estándar sobre una ventana reciente. Si tu periodo de observación es de 30 días, te estás preguntando: "¿Qué tan extremo es el valor de hoy comparado con los últimos 30 días?"

Así tu normalización se mantiene adaptativa. ¿La volatilidad se duplica? Tu desviación estándar móvil se ajusta. ¿Nueva línea base para la tasa de financiamiento? Tu media móvil se ajusta.

La implementación se ve así (a nivel conceptual):

  1. Para cada indicador, mantén una ventana móvil de valores (por ejemplo, las últimas 720 velas horarias para 30 días)
  2. Calcula la media y la desviación estándar de esa ventana
  3. Z-score = (valor_actual - media_móvil) / desv_estándar_móvil

Tus z-scores siempre son relativos a las condiciones recientes del mercado.

Cómo elegir el periodo de observación

¿Qué tan largo debe ser tu periodo de observación? Es una de las decisiones más importantes de la normalización por z-score.

Demasiado corto (< 7 días):

  • Ruidoso: una muestra pequeña implica estadísticas inestables
  • Los movimientos extremos parecen menos extremos (memoria reciente)
  • Alta tasa de falsos positivos

Demasiado largo (> 90 días):

  • Tarda en adaptarse a los cambios de régimen
  • Los datos antiguos pueden no reflejar las condiciones actuales
  • Los extremos reales se diluyen

Punto óptimo (normalmente 14-30 días):

  • Suficientes muestras para tener estadísticas estables
  • Lo bastante reciente para reflejar el régimen actual
  • Equilibra sensibilidad y estabilidad

Normalmente usamos periodos de observación de 20-30 días para la mayoría de los indicadores. Pero no es una regla universal: algunos indicadores se benefician de ventanas más largas o más cortas. Prueba distintos periodos durante el descubrimiento.

Cómo manejar los casos límite

La normalización por z-score tiene algunas trampas:

Desviación estándar cero: si un indicador está completamente plano durante tu periodo de observación, la desviación estándar es cero y la división falla. Resuélvelo fijando el z-score en 0 cuando la desviación estándar esté por debajo de un umbral.

Datos no estacionarios: algunos indicadores tienen tendencia a lo largo del tiempo (como el interés abierto total, que crece a medida que un mercado madura). Quitar la tendencia antes de calcular el z-score puede ser de ayuda, pero agrega complejidad.

Colas pesadas: los datos financieros suelen tener colas más gruesas que una distribución normal. Un z-score de -3 podría ocurrir con más frecuencia de lo que sugieren las matemáticas de la distribución normal. No asumas que el 99.7% de los valores cae dentro de ±3 sigma: en cripto no es así.

Valores atípicos: los eventos extremos (desplomes repentinos o flash crashes, squeezes masivos) generan valores atípicos que distorsionan las estadísticas móviles. Algunas implementaciones usan estadísticas robustas (mediana/MAD en vez de media/desviación estándar) para reducir el impacto de los valores atípicos.

Ejemplos de transformación

Veamos cómo normalizar tres indicadores reales:

Tasa de financiamiento

  • Valores brutos: van de -0.3% a +0.3% y suelen concentrarse alrededor del 0.01%
  • Después del z-score: centrados en 0, con extremos en ±3 o más
  • Interpretación: z > 2 significa un financiamiento inusualmente alto (los Longs pagan mucho)

Cambio en el interés abierto

  • Valores brutos: cambios diarios que pueden ir de -10% a +10%
  • Después del z-score: te dice si el cambio de OI de hoy es inusual frente a los cambios recientes de OI
  • Interpretación: z > 2 significa que el OI aumenta más rápido de lo normal

CVD (delta de volumen acumulado)

  • Valores brutos: unidades arbitrarias según el exchange
  • Después del z-score: te dice si la presión compradora o vendedora es extrema frente a la historia reciente
  • Interpretación: z < -2 significa una presión vendedora inusual

Tras la normalización, puedes escribir reglas como "financiamiento_z > 2 AND cvd_z < -1": ambos umbrales están en la misma escala.

El DataFrame unificado de indicadores

En la práctica, mantenemos un dataframe unificado donde cada columna de indicador tiene su columna de z-score correspondiente:

timestampfinanciamientofinanciamiento_zoioi_zcvdcvd_z…
…0.012%1.34500000.8-5000-2.1…

Luego, el descubrimiento trabaja sobre las columnas de z-score. Las condiciones de cada ventaja se definen por completo en términos de umbrales de z-score.

Gracias a esta estandarización podemos probar millones de combinaciones de forma programática: todos los indicadores hablan el mismo idioma.

Puntos clave

  1. Los z-scores hacen comparables indicadores distintos al medir, en desviaciones estándar, qué tan "extremo" es un valor
  2. Usa z-scores móviles para operar en vivo y adaptarte a las condiciones cambiantes
  3. Un periodo de observación de 14-30 días suele funcionar bien, pero pruébalo con tus indicadores concretos
  4. Maneja los casos límite (desviación estándar cero, valores atípicos, no estacionariedad)
  5. Tras la normalización, todas las condiciones de tus ventajas usan una escala común

La normalización por z-score es infraestructura fundamental. Todas las lecciones a partir de aquí suponen que tus indicadores están normalizados. Es el idioma común que hace posible el descubrimiento sistemático de ventajas.