Nasdaq sube y Dow Jones cae: ¿rotación en Wall Street?

+1,2 % 📈 Nasdaq 100 variación en la sesión

−0,6 % 🏭 Dow Jones variación en la sesión

1,8 pp 🎯 Diferencial de rotación Nasdaq − Dow

67 % 🧠 Probabilidad k-NN (k=3) de que la rotación se sostenga (ilustrativo)

El indicador clave: el diferencial de la rotación en Wall Street

Según publica XTB.com, el Nasdaq 100 sube un 1,2 % mientras el Dow Jones cae un 0,6 %. El KPI que resume esa rotación en Wall Street es el diferencial de rotación, es decir, la rentabilidad del Nasdaq menos la del Dow en la misma sesión. Hoy marca +1,8 puntos porcentuales. Mide hacia dónde se mueve el dinero: si el valor es positivo y alto, los inversores están comprando tecnología y consumo discrecional y vendiendo industriales y energía. Importa porque una rotación que dura semanas cambia la composición de las carteras, el peso de los sectores y la estrategia de cobertura de los fondos.

Con un solo número no se decide. La pregunta útil para la sala de control es otra: ¿esta divergencia se va a sostener o es ruido de un día? Para responderla, el panel de hoy incluye un modelo de k vecinos más cercanos (k-NN), un algoritmo de aprendizaje supervisado que clasifica la sesión de hoy según cómo terminaron las sesiones pasadas más parecidas. 🔎

• ✅ Vigila el diferencial: por encima de 1,5 pp, la rotación en Wall Street pasa a considerarse relevante.
• ✅ Prioriza la probabilidad k-NN frente al titular: 67 % indica que es probable que se sostenga, pero no está garantizado.
• ✅ Dispara alerta solo cuando coinciden los dos: un diferencial alto y un voto mayoritario de los vecinos.

KPIs secundarios que lo acompañan

Un cuadro de mando serio pone varios indicadores alrededor del KPI principal para darle contexto. Estos son los cuatro secundarios que proponemos para seguir la rotación en Wall Street:

1. Diferencial medio móvil a 20 sesiones (pp). Suaviza el ruido diario. Si la media móvil también es positiva y va subiendo, la rotación tiene tendencia y no se queda en un pico aislado.
2. Racha de sesiones con diferencial positivo. Un contador sencillo. Tres o más sesiones seguidas por encima de 1 pp refuerzan la señal.
3. Correlación móvil Nasdaq–Dow (60 sesiones). Normalmente los dos índices se mueven juntos, con una correlación alta. Si cae, los índices se están desacoplando, y ese desacople es lo que define una rotación sectorial.
4. Catalizadores de agenda. Datos de empleo en EE. UU., expectativas de recortes de tipos de la Fed y resultados de Apple y Microsoft, que según la noticia superaron las previsiones. No son números, pero en el panel se muestran como banderas en la línea temporal.

💡 El KPI principal dice cuánto se separan los índices, los secundarios dicen durante cuánto tiempo y por qué, y el modelo k-NN estima si va a durar.

Los datos para construir el panel (tabla + Figura 1)

Para entrenar el k-NN hace falta un histórico de sesiones etiquetadas. Cada sesión pasada con divergencia se describe con dos variables (rentabilidad del Nasdaq 100 y rentabilidad del Dow Jones, ambas en %) y una clase que se asigna a posteriori: «Sostenida» si el diferencial siguió siendo positivo en las 5 sesiones siguientes, o «Falsa alarma» si se deshizo. La sesión de hoy es el caso nuevo que queremos clasificar.

Sesión	Nasdaq 100 (%)	Dow Jones (%)	Diferencial (pp)	Clase (5 sesiones después)	Distancia a «Hoy»
S1	+0,9	−0,4	1,3	Sostenida	0,36 🥇
S2	+1,5	−0,2	1,7	Falsa alarma	0,50 🥈
S3	+0,8	−1,0	1,8	Sostenida	0,57 🥉
S4	+1,6	−1,2	2,8	Sostenida	0,72
S5	+0,3	−0,3	0,6	Falsa alarma	0,95
S6	+0,5	−0,8	1,3	Falsa alarma	0,73
S7	+2,0	−0,5	2,5	Sostenida	0,81
S8	+0,4	−1,4	1,8	Falsa alarma	1,13
S9	+1,1	+0,2	0,9	Falsa alarma	0,81
S10	+1,9	−1,5	3,4	Sostenida	1,14
Hoy	+1,2	−0,6	1,8	¿? (a predecir)	—

Las sesiones S1–S10 son datos ilustrativos para uso docente. Solo la fila «Hoy» (+1,2 % y −0,6 %) procede de la noticia de XTB.com. La distancia es euclídea en el plano (Nasdaq %, Dow %).

📌 Lectura del panel: en todas las sesiones de la muestra, salvo S9, las barras azules quedan por encima de cero y las rojas por debajo. Ese es el patrón de una rotación. Sin embargo, la Figura 1 no permite distinguir qué sesiones acabaron siendo «Sostenidas» y cuáles «Falsa alarma». Para eso hace falta el modelo.

Diseño del dashboard y la metodología (Figura 2)

🧮 Cómo funciona k-NN aplicado a la rotación en Wall Street

k-NN es el algoritmo supervisado más intuitivo que existe: no aprende una ecuación, memoriza ejemplos. Para clasificar un caso nuevo sigue cuatro pasos:

1. Representar cada sesión como un punto: eje X = rentabilidad del Nasdaq, eje Y = rentabilidad del Dow.
2. Medir distancias entre «Hoy» (1,2; −0,6) y cada sesión histórica. Por ejemplo, para S1: √[(1,2−0,9)² + (−0,6+0,4)²] = √(0,09 + 0,04) = 0,36.
3. Seleccionar los k más cercanos. Con k = 3 son S1 (0,36), S2 (0,50) y S3 (0,57).
4. Votar: S1 y S3 son «Sostenida» y S2 es «Falsa alarma». Resultado: 2 votos de 3, es decir, 67 % a favor de rotación sostenida.

Como las dos variables están en la misma unidad (%) y tienen rangos parecidos, aquí no es imprescindible estandarizar. En un panel real con variables heterogéneas (volumen, tipos de interés, VIX) habría que escalarlas antes, porque si no la variable con números más grandes domina la distancia. La documentación oficial de scikit-learn sobre vecinos más cercanos explica este y otros detalles de implementación.

🖥️ Arquitectura del panel

• Fila superior: las 4 tarjetas KPI de la cabecera, que se actualizan al cierre.
• Bloque central: la Figura 1, ampliada a 60 sesiones, y la línea del diferencial medio móvil a 20 sesiones.
• Bloque del modelo: la Figura 2, con la probabilidad k-NN mostrada como semáforo.
• Pie: la agenda de catalizadores (Fed, empleo, resultados).

Código mínimo en Python para reproducir la votación:
from sklearn.neighbors import KNeighborsClassifier
X = [[0.9,-0.4],[1.5,-0.2],[0.8,-1.0],[1.6,-1.2],[0.3,-0.3],[0.5,-0.8],[2.0,-0.5],[0.4,-1.4],[1.1,0.2],[1.9,-1.5]]
y = ["S","F","S","S","F","F","S","F","F","S"]
knn = KNeighborsClassifier(n_neighbors=3).fit(X, y)
knn.predict_proba([[1.2,-0.6]]) # → F: 0.33, S: 0.67

Alertas y umbrales de la rotación en Wall Street

Un panel sin umbrales es solo decoración. Estas son las reglas de alerta, cada una ligada a un número concreto:

Nivel	Condición	Estado hoy	Acción
🟢 Verde	Diferencial ≥ 1,5 pp y probabilidad k-NN ≥ 67 %	✅ Se cumple (1,8 pp; 67 %)	Dispara alerta de rotación probable
🟠 Ámbar	Diferencial ≥ 1,5 pp y probabilidad entre 34 % y 66 %	Con k=5 (60 %) se estaría aquí	Vigila 2–3 sesiones más
🔴 Rojo	Diferencial < 1,5 pp o probabilidad ≤ 33 %	No	Trátalo como ruido

Umbrales ilustrativos para uso docente. ⚠️ Fíjate en un detalle: la alerta de hoy es verde con k=3 y pasaría a ámbar con k=5. Ese cambio indica que la señal es frágil. En el panel real conviene mostrar las dos lecturas o elegir k mediante validación cruzada en lugar de fijarlo a mano.

Qué decisiones permite tomar ante la rotación en Wall Street

• 🎯 Gestor de cartera: con la alerta verde puede aumentar gradualmente la exposición a tecnología, pero sin mover toda la cartera de golpe, porque la probabilidad es del 67 % y no del 100 %.
• 🛡️ Gestión de riesgos: con 1 de cada 3 vecinos en «Falsa alarma», tiene sentido una cobertura parcial de la posición en industriales en vez de venderla entera.
• 📚 Analista: puede revisar los catalizadores. Si el movimiento se explica solo por los resultados de Apple y Microsoft, se parece más a S2 (falsa alarma). Si hay un cambio claro de expectativas sobre la Fed, se parece más a S1 y S3.
• 🔎 Equipo de datos: debería añadir variables (tipos a 10 años, precio del petróleo, volumen) para que la «vecindad» de cada sesión tenga más significado económico.

La regla de oro de la sala de control es que k-NN prioriza, no decide. Solo resume lo que pasó en situaciones parecidas. Si el contexto actual no se parece a nada del histórico, los vecinos más cercanos siguen estando lejos y el voto pierde fiabilidad. Por eso el panel también debería mostrar la distancia media a los vecinos.

Aplicación didáctica en el aula

Este caso de rotación en Wall Street funciona muy bien para presentar el aprendizaje supervisado en Bachillerato (Matemáticas Aplicadas a las CC. SS.) y en asignaturas universitarias de introducción al machine learning. El alumnado solo necesita el teorema de Pitágoras para calcular las distancias a mano. Tienes más ideas y materiales en nuestros recursos interactivos para el aula.

🧠 Mini-retos para el aula:

1. Calcula a mano la distancia entre «Hoy» y S4, y comprueba que sale 0,72. ¿Por qué S4 queda fuera del círculo con k=3?
2. Repite la votación con k=1 y con k=7. ¿Qué clase gana en cada caso y qué probabilidad obtienes?
3. Si la sesión de hoy hubiera sido Nasdaq +0,5 % y Dow −0,9 %, ¿cuáles serían sus 3 vecinos? ¿Cambiaría la alerta del panel?
4. Explica con tus palabras por qué es necesario estandarizar las variables si se añade el volumen negociado (en millones de acciones) como tercera variable.
5. ¿Por qué k suele ser impar en problemas con dos clases? Pon un ejemplo de empate con k=4 usando la tabla.
6. Diseña un quinto KPI para el panel y define su umbral de alerta verde, ámbar y rojo.
7. Debate: ¿es honesto presentar «67 %» como una probabilidad cuando solo hay 3 vecinos? ¿Qué pasaría con 300 sesiones históricas?

Reflexión final

La noticia da dos cifras, +1,2 % y −0,6 %, y el panel las convierte en decisiones. El diferencial de 1,8 pp mide la intensidad de la rotación en Wall Street, los KPIs secundarios aportan duración y contexto, y el k-NN añade memoria: las sesiones pasadas más parecidas a la de hoy terminaron siendo rotaciones sostenidas 2 de cada 3 veces. Es una señal útil, pero frágil, porque con k=5 baja al 60 %. Leer bien un cuadro de mando consiste precisamente en eso: fijarse en el número, en el umbral y en cuánto confiar en el modelo. 📊✅