Los backtests mienten. Curve-fitting, sesgo de anticipación, sesgo de supervivencia, suposiciones de ejecución poco realistas - las formas en que un backtest puede engañarte están bien documentadas.
Pero si te tomas en serio el trading sistemático, aún necesitas probar. La pregunta no es si hacer backtesting. Es cómo hacerlo sin engañarte a ti mismo.
Aquí están las metodologías que realmente funcionan.
Comienza con la Lógica, No con los Datos
Antes de ejecutar una sola prueba, articula por qué tu estrategia debería funcionar.
No "porque funcionó históricamente." Eso es circular. Necesitas una razón basada en el mercado: el comportamiento institucional crea este patrón, la psicología humana produce esta tendencia, la estructura del mercado genera esta ineficiencia.
Si no puedes explicar la lógica, estás haciendo minería de datos. Cualquier "ventaja" que encuentres probablemente sea ruido que parecía señal.
Buenos fundamentos:
- Los ciclos existen porque el capital rota a través de fases de acumulación y distribución
- El volumen confirma la dirección porque el flujo de dinero revela la intención institucional
- La confluencia funciona porque sistemas independientes coincidiendo reduce las señales falsas
Escribe tu hipótesis antes de probar. Esto evita adaptar explicaciones a los resultados.
Incorpora Costos Realistas
La mayoría de los backtests asumen ejecución perfecta. El trading real tiene fricción.
Incluye en cada prueba:
- Spread: Compras al ask, vendes al bid. Modela esto explícitamente
- Deslizamiento: Asume ejecuciones 0.1-0.5% peores que tu precio de señal
- Comisiones: Incluso los brokers "gratuitos" tienen tarifas SEC y costos de pago por flujo de órdenes
- Impacto de mercado: Tu orden mueve el precio, especialmente en instrumentos menos líquidos
Una estrategia que gana 0.1% por operación con 0.15% de costos de ida y vuelta es perdedora. Mejor saberlo ahora que después de pérdidas reales.
El Protocolo Fuera de Muestra
Esta es la técnica más importante para un backtesting honesto: pruebas fuera de muestra.
- Divide tus datos. Sepáralos en dentro de muestra (digamos, 70%) y fuera de muestra (30%)
- Desarrolla solo en dentro de muestra. Haz todas tus pruebas, ajustes y optimizaciones en los datos dentro de muestra
- Prueba una vez fuera de muestra. Cuando tengas un sistema final, pruébalo en los datos fuera de muestra que nunca has visto
- Una oportunidad. Solo tienes una oportunidad. Si pruebas fuera de muestra, ajustas y pruebas de nuevo, ya no es fuera de muestra
Si el rendimiento se degrada significativamente en datos fuera de muestra, has sobreajustado. Si se mantiene, podrías tener algo real.
Análisis Walk-Forward
Incluso mejor que las simples pruebas fuera de muestra es el análisis walk-forward:
- Optimiza en el período 1 (digamos, 2015-2018)
- Prueba en el período 2 (2019)
- Registra los resultados
- Optimiza en el período 2 (2016-2019)
- Prueba en el período 3 (2020)
- Repite
Esto simula lo que realmente harías: re-optimizar periódicamente tu sistema usando datos recientes, luego operar hacia adelante.
Si los períodos de "prueba" rinden consistentemente bien, tu sistema es robusto. Si el rendimiento en períodos de prueba es mucho peor que en períodos de optimización, estás haciendo curve-fitting.
La Verificación de Realidad Monte Carlo
Tu backtest muestra un drawdown máximo del 25%. Cómodo, ¿verdad?
Pero eso es solo un camino a través de la historia. La variación aleatoria podría haber producido algo mucho peor.
El análisis Monte Carlo aleatoriza el orden de tus operaciones (o muestrea con reemplazo) y ejecuta miles de simulaciones. Esto te muestra el rango de resultados que podrían haber ocurrido con las mismas operaciones en secuencias diferentes.
Si tu drawdown máximo podría haber sido 50% con diferente suerte, necesitas dimensionar para un drawdown del 50%, no del 25%.
La Conclusión
El backtesting no es prueba de una ventaja. Es una forma de refutar malas ideas - si eres honesto al respecto.
Un buen backtest:
- Usa reglas simples con lógica basada en el mercado
- Evita el sesgo de anticipación y el sesgo de supervivencia
- Incluye costos de transacción realistas
- Reserva datos fuera de muestra para validación final
- Prueba el estrés con análisis walk-forward y Monte Carlo
El objetivo no es una curva de equity hermosa. Es una estimación realista del rendimiento futuro. Son cosas muy diferentes.
Los indicadores que no repintan son esenciales para un backtesting honesto. Si el sistema que estás probando usa análisis de ciclos, detección de régimen de volumen y votación de momentum que finalizan al cierre de la vela, tu revisión histórica muestra exactamente lo que habrías visto en vivo. Sin sesgo de anticipación. Sin señales fantasma. Lo que estás probando es lo que realmente operarías.
Las señales de Pentarch que no repintan están diseñadas para backtesting honesto - lo que ves en la historia es exactamente lo que habrías visto en vivo, sin sesgo de anticipación.
Prueba con confianza →