Todo lo que necesitas saber para leer EyeQuant.

Una idea puede encontrarse en cuatro estados:

Idea Nueva: EyeQuant AI generó hoy una nueva señal de inicio de tendencia alcista.

En tendencia: la señal de tendencia alcista generada previamente por EyeQuant AI continúa vigente.

Finalizada hoy: EyeQuant AI generó hoy una señal de término para una idea que se encontraba En tendencia.

Inactiva: EyeQuant AI no tiene actualmente una señal de tendencia alcista activa para ese activo.

El estado Inactiva no significa que el activo necesariamente carezca de una tendencia según otros modelos, metodologías o criterios de análisis. Significa únicamente que EyeQuant AI no mantiene actualmente una señal de tendencia alcista activa para ese activo.

En lugar de revisar decenas de ideas disponibles en EyeQuant, puedes hacer una selección previa de acuerdo con tus propios intereses, tu conocimiento de determinados activos o cualquier otro criterio que consideres relevante.

Así, el Watchlist funciona como un foco de atención personalizado: te permite concentrarte solamente en los activos que te interesan y saber rápidamente cuáles aparecen como Idea Nueva, cuáles están En tendencia, cuáles fueron Finalizadas hoy y cuáles se encuentran Inactivas de acuerdo con EyeQuant AI.

El modelo se construye y ajusta utilizando un período de entrenamiento. Posteriormente se prueba sobre períodos diferentes, cuyos datos no fueron utilizados para ajustar sus parámetros. A estos períodos se les denomina fuera de muestra.

Esta metodología busca realizar una evaluación histórica más exigente y reducir el riesgo de que un modelo parezca funcionar bien simplemente porque fue ajustado a los mismos datos con los que después se evalúa.

Por ejemplo, un Win Rate de 60% significa que, dentro del conjunto de señales considerado, 6 de cada 10 terminaron con una variación positiva.

Es una métrica histórica para ayudar a entender el comportamiento del modelo. No representa la probabilidad de que una idea actualmente En tendencia vaya a terminar con una variación positiva.

Su objetivo es permitir que el usuario pase rápidamente de una visión amplia del mercado a identificar dónde están apareciendo tendencias relevantes según los modelos de EyeQuant.

En vez de revisar individualmente una gran cantidad de mercados y activos, el Macro Radar funciona como un mapa de tendencias que ayuda a identificar qué áreas del mundo merecen ser vistas con mayor atención.

Su función es permitirte descubrir ideas más allá de los activos que ya tienes seleccionados en el Watchlist. Desde ahí puedes revisar las ideas disponibles, conocer su estado y utilizar los filtros para concentrarte en aquellas que sean relevantes para ti.

En términos simples, Ideas sirve para explorar; el Watchlist sirve para enfocarte en lo que decidiste seguir.

Los planes permiten adaptar la experiencia al nivel de uso y profundidad de información de cada usuario. Dependiendo del plan, cambia el acceso a las funcionalidades, herramientas y nivel de información disponible dentro de EyeQuant.

La lógica central es la misma: EyeQuant utiliza sus modelos cuantitativos para generar y monitorear señales de mercado. Los planes determinan el nivel de acceso a la plataforma y a sus herramientas; no convierten las señales en recomendaciones ni en asesoría de inversión.

Esto no significa que el precio tenga que subir todos los días. Durante una tendencia pueden existir movimientos en ambas direcciones. EyeQuant busca identificar cuándo el comportamiento del precio cumple las condiciones que sus modelos utilizan para determinar que existe una tendencia alcista.

Cuando estas condiciones aparecen, EyeQuant genera una Idea Nueva. Mientras se mantengan, la idea aparece En tendencia. Cuando dejan de cumplirse, EyeQuant genera una señal de término y la idea aparece como Finalizada hoy, para posteriormente quedar Inactiva.

La importancia de esta evaluación es que permite observar cómo habría funcionado el modelo frente a información que no utilizó previamente durante su construcción.

En EyeQuant, las señales utilizadas para evaluar los modelos fuera de muestra corresponden, por lo tanto, a períodos distintos del período de entrenamiento.

Una vez definido el modelo utilizando ese período, EyeQuant puede evaluarlo sobre datos posteriores o distintos que no fueron utilizados durante el entrenamiento. Estos datos corresponden al período fuera de muestra.

Separar ambos períodos ayuda a realizar una evaluación más exigente del modelo y a reducir el riesgo de sobreajuste.