Definición y papel en los flujos de trabajo de forex
Los datos históricos significan información pasada registrada sobre la actividad del mercado, como marcas de tiempo y campos relacionados con precios. En contextos de forex, se utilizan comúnmente para medir lo que sucedió anteriormente, de modo que pueda analizar el comportamiento de un método bajo condiciones conocidas. La idea clave es que los datos históricos son un insumo para el análisis, no una predicción.
Cómo se utilizan (el modelo simple)
Una forma básica de pensar en los datos históricos es como un conjunto de datos más reglas. El conjunto de datos contiene observaciones pasadas. Las reglas definen lo que calcularía a partir de esas observaciones (por ejemplo, cómo se calculan los rendimientos, cómo se definen las entradas y salidas, y cómo se aplican los costos). Si se evalúa una estrategia o modelo, los datos históricos se utilizan para generar un resultado backtesteado o medido de acuerdo con esas reglas.
Un flujo de trabajo común es: (1) definir supuestos, (2) seleccionar una ventana de tiempo de datos pasados, (3) ejecutar el mismo cálculo repetidamente usando ese conjunto de datos y (4) registrar las métricas de rendimiento resultantes. Es importante destacar que los supuestos son parte del proceso. Cambiar definiciones, como la forma en que modela el momento de ejecución o los spreads, puede cambiar el resultado incluso si los precios históricos son los mismos.
Ejemplos comunes de lo que incluye “histórico”
Los datos históricos pueden incluir precios medios, series de bid/ask o valores derivados según la fuente de datos. También pueden incluir volúmenes u otros campos, si están disponibles. En la práctica, lo que importa no es la etiqueta, sino si el conjunto de datos coincide con la pregunta que desea responder. Por ejemplo, si un método depende del comportamiento de bid/ask, usar solo una serie de precios únicos puede ser un desajuste.
Limitaciones y modos de falla
Los datos históricos tienen varias limitaciones importantes:
- No estacionariedad: el comportamiento del mercado puede cambiar con el tiempo, por lo que las relaciones observadas históricamente pueden debilitarse.
- Problemas de calidad de datos: barras faltantes, valores atípicos o marcas de tiempo incorrectas pueden crear resultados engañosos.
- Sobreajuste y “búsqueda de ganadores”: cuando las reglas se ajustan demasiado agresivamente a un período pasado, los resultados pueden fallar en otros lugares.
- Brechas de realismo en la ejecución: los cálculos históricos pueden no reflejar la incertidumbre real de los fills, la latencia o los costos.
Debido a estos problemas, los datos históricos no pueden establecer que un método tendrá un rendimiento similar en el futuro. Incluso si un método parece consistente en una ventana histórica, esa consistencia puede ser en parte un artefacto de los supuestos elegidos.
Distinción de conceptos adyacentes
Los datos históricos a menudo se confunden con ideas relacionadas:
- Datos prospectivos o en vivo: datos del futuro en relación con el análisis. Se utilizan para evaluar si un método se mantiene sin rehacer las reglas.
- Resultados de backtesting: resultados calculados a partir de datos históricos bajo reglas especificadas. El resultado del backtest refleja tanto los datos como los supuestos.
- Rendimiento en papel vs. rendimiento verificado: el análisis que utiliza solo una ventana de datos puede parecer sólido, pero la verificación requiere la separación de períodos y entradas realistas.
Verificación que puede hacer de forma independiente
Para verificar afirmaciones hechas con datos históricos, verifique si el análisis es transparente sobre los supuestos, las definiciones y el modelado de costos. Un principio de independencia común es usar períodos de tiempo separados: uno para establecer reglas y otro para la evaluación. También confirme que el conjunto de datos utilizado para la evaluación no sea el mismo que se usó para el ajuste.
Al revisar cualquier interpretación de datos históricos, pregunte: ¿Qué está incluido exactamente en el conjunto de datos, cómo se calculan los rendimientos o eventos, qué supuestos se utilizan para la ejecución y los costos, y qué se rompe ante cambios en los datos? Estas verificaciones ayudan a separar la mecánica estable de las condiciones variables.