Consideraciones avanzadas para la definición de backtesting

Qué significa la definición de backtesting en términos avanzados

El backtesting es el proceso de evaluar un conjunto definido de reglas de decisión sobre datos históricos de mercado para estimar cómo podría haberse comportado ese conjunto de reglas en el pasado. La consideración avanzada es que un backtest no es el “rendimiento de la estrategia” en sí mismo; es una simulación cuyo resultado depende de lo que supusiste sobre los datos y la ejecución.

Para explicar el backtesting con precisión, separa tres capas:

1. Las reglas: la lógica precisa de entrada/salida o de decisión que deseas probar.
2. Los datos de mercado: los precios históricos, las marcas de tiempo y cualquier campo derivado que introduzcas en la simulación.
3. El modelo de ejecución: cómo se habrían ejecutado las operaciones dentro de tu entorno simulado.

Una definición robusta de backtesting incluye que las tres capas deben ser explícitas, reproducibles y verificables de forma independiente.

Mecanismo: el modelo simple y sus partes

Un modelo simple para el backtesting es: reglas + datos + suposiciones de ejecución → operaciones simuladas → métricas de rendimiento. Las preguntas avanzadas tratan sobre qué debe especificarse para que el resultado sea significativo.

Entradas que deben definirse

• Base temporal y alineación: qué tamaño de vela o frecuencia de muestreo se utiliza, y cómo se marcan temporalmente las señales en relación con los cambios de precio.
• Granularidad de los datos: usar datos agregados (como barras) frente a datos de mayor resolución cambia lo que “podría haber sucedido” durante una barra.
• Costos y fricciones: incluye los costos de negociación que elijas modelar (comisiones, spreads, efectos similares a financiación si corresponde) y define cuándo se aplican.
• Lógica de órdenes y ejecución: decide cómo se ejecutan las órdenes (por ejemplo, al siguiente precio disponible, a un precio modelado ajustado por spread, o utilizando suposiciones de ejecución de órdenes límite). Esta suele ser la mayor fuente de discrepancia.

Métricas de salida que siguen a la simulación

El backtesting comúnmente resume los resultados con métricas como el rendimiento acumulado, la reducción (drawdown), la distribución de ganancias/pérdidas y medidas ajustadas al riesgo. El punto avanzado es que las métricas solo son tan confiables como las suposiciones de simulación que generaron el historial de operaciones utilizado para calcularlas.

Casos límite y modos de fallo que cambian el significado de un backtest

El backtesting puede fallar silenciosamente. Las consideraciones avanzadas se centran en condiciones donde las pruebas históricas pueden volverse engañosas.

Errores de look-ahead y sincronización

Un backtest puede usar accidentalmente información que no habría estado disponible en el momento de una decisión. Esto puede suceder debido a:

• Cálculos de indicadores que implícitamente usan datos futuros.
• Señales generadas a partir de una marca de tiempo pero aplicadas a la siguiente barra como si ya se conocieran.

Incluso pequeños errores de sincronización pueden producir resultados que no son simplemente “optimistas”, sino fundamentalmente incompatibles con la ejecución en tiempo real.

Sesgos de supervivencia y selección de datos

Si el conjunto de datos históricos omite instrumentos, períodos de tiempo o registros de cotizaciones que luego desaparecieron, el backtest puede exagerar el realismo. De manera similar, seleccionar solo períodos “buenos” sin una regla predefinida sobre qué datos se incluyen puede crear una sensación engañosa de rendimiento.

Datos faltantes e interpolación

Los feeds históricos reales pueden tener lagunas o muestreo irregular. Un backtest que completa los valores faltantes (o asume un movimiento suave entre marcas de tiempo) puede simular precios que nunca se negociaron realmente de la manera requerida por tu modelo de ejecución.

Sobreajuste mediante ajuste repetido

Cuando las reglas se ajustan para maximizar el rendimiento pasado, puedes ajustar el ruido en lugar de la estructura. La definición avanzada de backtesting incluye, por lo tanto, la idea de separación entre la selección del modelo y la evaluación (por ejemplo, usando períodos distintos o un enfoque walk-forward), y requiere que el período de evaluación no se haya utilizado durante el ajuste.

Límites del realismo de la ejecución

Las barras históricas no revelan la trayectoria completa dentro de la barra. Si tu modelo de ejecución asume ejecuciones a precios que solo podrían ocurrir con información más granular, los resultados pueden divergir de cualquier ejecución real plausible. Esta es una limitación central: la resolución de los datos y las suposiciones sobre las ejecuciones determinan conjuntamente el realismo.

Limitaciones y riesgos: qué puedes verificar y qué no

Un backtest puede respaldar ciertos tipos de verificación, pero no puede eliminar la incertidumbre.

Lo que puede ayudarte a entender

• Si un conjunto de reglas se comporta de manera consistente en diferentes condiciones históricas.
• Si los resultados se degradan bajo suposiciones más conservadoras (por ejemplo, costos modelados más altos o una lógica de ejecución más estricta).
• Si los resultados dependen de casos límite frágiles (como eventos raros o una ventana de tiempo estrecha).

Lo que no puede garantizar

• Resultados futuros: las relaciones históricas no establecen resultados futuros.
• Seguridad: un backtest no prueba que no ocurrirán reducciones (drawdowns) o regímenes adversos.
• Precisión predictiva: el backtesting es una estimación bajo suposiciones, no una prueba.

Estas limitaciones se aplican incluso si el backtest es internamente consistente.

Cómo verificar de forma independiente la definición de backtesting

Para verificar el significado de un backtest, trátalo como un experimento reproducible.

1. Verifica la cadena de suposiciones: confirma cómo interactúan las reglas, las marcas de tiempo de los datos y la lógica de ejecución.
2. Prueba la invariancia ante cambios razonables: cambia la granularidad de los datos, las suposiciones de costos o las suposiciones de sincronización dentro de un rango predefinido para ver si las conclusiones dependen de una elección frágil.
3. Utiliza evaluación fuera de muestra: separa el período utilizado para establecer los parámetros del período utilizado para medir los resultados.
4. Documenta todo lo necesario para reproducir la simulación: definiciones exactas de las reglas, descripción de la fuente de datos y el modelo de ejecución.

Una definición clara de backtesting no es, por lo tanto, solo una descripción de “ejecutar sobre historia”, sino también una lista de verificación de suposiciones y un método para comprobar si el resultado es sensible a esas suposiciones.

Preguntas siguientes para aclarar antes de confiar en los resultados del backtest

Antes de poder explicar o confiar en cualquier resultado de backtesting, aclara:

• ¿Qué alineación temporal exacta se utiliza entre la creación de la señal y la decisión de la operación?
• ¿Qué resolución de datos respalda tu modelo de ejecución, y qué sucede cuando no es así?
• ¿Qué partes se ajustaron frente a cuáles se evaluaron, y cómo se aplicó la separación?
• ¿Qué modos de fallo (errores de sincronización, datos faltantes, sobreajuste) se probaron específicamente?

Si estos puntos no son explícitos, “backtesting” se vuelve ambiguo—y el resultado del backtest no puede interpretarse de manera significativa.