CARR · Carrier Global Corp.
Stock Universe · mercado bursátil globalAnálisis cuantitativo de CARR: estabilidad interanual, baja concentración de beneficios y control de riesgo en 15 minutos
El presente estudio analiza el comportamiento histórico de la estrategia algorítmica desarrollada para el activo CARR sobre una temporalidad de 15 minutos. Con una puntuación DevioLab de 84,59 y la primera posición relativa para este instrumento, la arquitectura estadística del sistema destaca por un rendimiento acumulado simulado de +3288,19% a lo largo de 6,4 años de historial, registrando 109 operaciones completadas entre mayo de 2020 y septiembre de 2026. El modelo exhibe una elevada tasa de acierto del 77,06% y un factor de beneficio de 3,75, combinados con una pérdida máxima histórica (maximum drawdown) contenida en el 10,95%. Un hallazgo estadístico central radica en la distribución homogénea de sus resultados: las tres mayores operaciones ganadoras apenas aportan el 14,73% del beneficio bruto global, lo que descarta una dependencia anómala de eventos atípicos. Con una duración media de permanencia en posición de 307,21 horas (aproximadamente 12,8 días) y un ritmo medio de 17,04 operaciones por año, la estrategia combina la precisión del filtrado intradía en barras de 15 minutos con un comportamiento de posición multidiario, adecuado para la lógica de decisión en sistemas de trading automatizado o bots de negociación cuantitativa.
Análisis al 26.09.2026. Los datos de la estrategia se actualizan por separado.Leer análisis completo
Perfil de la estrategia
La estrategia identificada públicamente como CARR 0 +3288.19% 1TRAD-ETE9 opera dentro del mercado de acciones sobre el activo CARR utilizando barras de precios de 15 minutos. Dentro de la evaluación cuantitativa de DevioLab, la estrategia alcanza una puntuación de 84,59 sobre 100, situándose en el rango 1 para este símbolo específico. El conjunto de datos abarca desde el 4 de mayo de 2020 hasta el 26 de septiembre de 2026, lo que representa un horizonte de observación de 6,4 años. Durante este periodo, la lógica algorítmica generó un retorno total acumulado de +3288,19%, lo que equivale a una tasa anualizada de referencia de +215,19% bajo la métrica estandarizada del modelo. Diseñada para servir como núcleo algorítmico en agentes de trading automatizado y robots de ejecución, esta estrategia destaca por desacoplar la frecuencia del marco temporal gráfico de la frecuencia de negociación. Aunque la captura de datos se realiza en velas de 15 minutos, la generación de señales se caracteriza por una notable selectividad, ejecutando únicamente 109 operaciones completadas a lo largo de más de seis años de historia registrada.
Ritmo operativo y duración de posiciones
El análisis de la dinámica temporal revela que el sistema no se comporta como una estrategia de alta frecuencia ni de scalping intradía, a pesar de estructurarse sobre un gráfico de 15 minutos. La frecuencia operativa promedio es de 17,04 operaciones por año, lo que equivale a aproximadamente 1,63 operaciones por mes activo. El intervalo medio entre salidas consecutivas de posición se sitúa en 21,60 días, mientras que la mediana entre cierres es de 16,99 días. En cuanto a la permanencia en el mercado, la duración media de las posiciones abiertas es de 307,21 horas (alrededor de 12,8 días), mientras que la mediana se ubica en 216,25 horas (aproximadamente 9,0 días). La divergencia entre la media y la mediana sugiere que la mayoría de los trades se mantienen durante algo más de una semana, con una minoría de posiciones que se extienden durante varias semanas para capturar tendencias más profundas. Este ritmo pausado reduce significativamente la exposición a la volatilidad ruinoza de muy corto plazo y perfila la lógica como un sistema de seguimiento de tendencias de medio plazo ajustado mediante microestructura de 15 minutos.
Calidad de los resultados históricos
De las 109 operaciones cerradas en el historial simulado, 84 resultaron ganadoras y 25 perdedoras, lo que establece una tasa de acierto (win rate) del 77,06%. El factor de beneficio (profit factor) de 3,75 indica que por cada unidad monetaria acumulada en pérdidas, la estrategia generó 3,75 unidades en ganancias brutas. La expectativa por operación se mantiene notablemente estable: el retorno promedio por trade es de +3,64%, mientras que el retorno mediano se sitúa en +3,48%. La extremada cercanía entre el promedio y la mediana refleja un perfil de retorno simétrico y predecible, donde el resultado final no está distorsionado por operaciones atípicas desproporcionadas. Esta observación se refuerza al comprobar que las tres mejores operaciones ganadoras representan únicamente el 14,73% del beneficio bruto total. La mejor operación individual registró un avance del +26,89%, mientras que la peor operación cerrada sufrió una contracción del -8,37%. El sesgo favorable entre el mejor trade y el peor trade demuestra un perfil de pago eficiente, donde los aciertos no solo son frecuentes, sino cuantitativamente más amplios que los retrocesos puntuales.
Gestión del riesgo, drawdown y comportamiento ante pérdidas
El control de las fases adversas constituye uno de los elementos más sólidos de este modelo cuantitativo. La pérdida máxima histórica (maximum drawdown) se limitó a un 10,95%, una cifra especialmente estrecha si se contrasta con el rendimiento acumulado de cuatro dígitos (+3288,19%). La racha ganadora más larga registrada por el sistema alcanzó 11 operaciones consecutivas con resultado positivo, mientras que la racha perdedora más prolongada se limitó a solo 3 operaciones consecutivas con pérdida. La combinación de una racha adversa máxima de 3 trades y un peor trade individual del -8,37% explica por qué el drawdown se mantiene en niveles tan moderados. El algoritmo demuestra una capacidad rigurosa para cortar las pérdidas antes de que degeneren en descapitalizaciones severas, lo que reduce el estrés patrimonial histórico y favorece la estabilidad operativa para bots de trading programados para gestionar riesgos estrictos.
Comportamiento en el tiempo y estabilidad anual
El desglose interanual demuestra que el rendimiento positivo de la estrategia no es fruto de un único ciclo alcista, sino de una consistencia distribuida a lo largo de todo el periodo estudiado. En 2020, la estrategia completó 14 operaciones con un 92,86% de aciertos y una suma de retornos de +85,84%. En 2021, registró 17 operaciones, un 82,35% de aciertos y +71,12% de retorno sumado. Durante el entorno de mercado más complejo de 2022, el sistema mantuvo su rentabilidad positiva con 16 operaciones, un 68,75% de aciertos y +37,16%. En 2023, la actividad ascendió a 20 operaciones, alcanzando un 75,00% de win rate y +56,67%. El año 2024 contabilizó 11 operaciones con un 81,82% de aciertos y +36,87%. Finalmente, en los periodos de 2025 y 2026, el modelo acumuló 16 operaciones (+53,14% de suma y 68,75% win rate) y 15 operaciones (+55,95% de suma y 73,33% win rate) respectivamente. Ningún año natural cerró con saldo negativo ni con una tasa de acierto inferior al 68%, lo que evidencia una notable robustez adaptativa ante diferentes regímenes de mercado.
Periodo reciente desde junio de 2024 frente al historial completo
Para evaluar si la ventaja cuantitativa del algoritmo se mantiene vigente en las condiciones de mercado más recientes, se examina de forma independiente la muestra comprendida desde el 1 de junio de 2024 hasta la fecha final del historial. En este periodo reciente, la estrategia ejecutó 38 operaciones completadas, aportando una suma de retornos acumulados del +124,96%. Esto significa que más del 34% del total de operaciones históricas del sistema (38 de 109) se produjeron en la última etapa de la prueba. El mantenimiento de un volumen operativo elevado y la captura de más de 124 puntos porcentuales de retorno acumulado en esta ventana confirman que la lógica algorítmica no ha sufrido degradación estructural ni desalineación respecto a la dinámica reciente de CARR.
Fortalezas y limitaciones
Entre las principales fortalezas del sistema destacan su elevada tasa de aciertos (77,06%), su factor de beneficio de 3,75 y un drawdown máximo muy contenido del 10,95%. Asimismo, la baja concentración de beneficios en las tres mejores operaciones (14,73%) evidencia que las ganancias provienen de la acumulación constante de operaciones ventajosas y no de eventos afortunados aislados. No obstante, la estrategia presenta limitaciones cuantitativas que deben ser ponderadas. La muestra total de 109 operaciones a lo largo de 6,4 años es relativamente reducida desde un punto de vista puramente estadístico, lo que exige cautela al extrapolar métricas de frecuencia. Por otro lado, la duración media de las posiciones (307,21 horas) requiere soportar la volatilidad flotante no realizada durante casi dos semanas por operación, lo que puede no ajustarse a perfiles operativos que busquen liquidez diaria o cierres intradiarios.
Conclusión analítica de DevioLab
El modelo algorítmico analizado para CARR representa un ejemplo sólido de cómo una resolución temporal fina en gráficos de 15 minutos puede emplearse para filtrar entradas de swing trading de medio plazo. La combinación de una puntuación DevioLab de 84,59, un retorno total simulado de +3288,19% y una pérdida máxima del 10,95% sitúa a esta estrategia en la máxima calificación dentro de su activo. La consistencia interanual ininterrumpida y el sólido desempeño mostrado en la ventana posterior a junio de 2024 respaldan la calidad técnica de sus parámetros. Desde la perspectiva de la automatización, la baja frecuencia de operaciones y la estabilidad entre el promedio y la mediana de las ganancias facilitan la integración en arquitecturas de agentes de trading algorítmico diseñados para primar la preservación de capital y la consistencia matemática.
Alcance de los datos y metodología
Los datos analizados en este artículo corresponden a pruebas históricas simuladas sobre el activo CARR en el intervalo de 15 minutos, abarcando el periodo del 4 de mayo de 2020 al 26 de septiembre de 2026. Los resultados expresados son métricas estadísticas cerradas y no constituyen estados de cuenta reales ni garantizan rendimientos futuros. La simulación cuantifica el comportamiento del modelo bajo reglas algorítmicas fijas sin incorporar costes de transacción no especificados, comisiones del bróker o deslizamiento de ejecución (slippage). Este documento se publica exclusivamente con fines de investigación cuantitativa y educación financiera, y no debe interpretarse bajo ninguna circunstancia como una recomendación directa de inversión o asesoramiento financiero.