Qué significa el sobreajuste
El sobreajuste es un modo de fallo en el modelado donde un método aprende patrones que describen los datos de entrenamiento con mucha precisión, incluidos el ruido y las coincidencias, en lugar de solo las relaciones subyacentes y repetibles. En la práctica, un modelo sobreajustado puede parecer sólido en los datos con los que fue ajustado, mientras se comporta mal cuando se expone a condiciones nuevas o alteradas.
Cómo se manifiestan los riesgos en situaciones realistas
Un flujo de trabajo común es: ajustar un modelo o reglas a observaciones históricas, elegir configuraciones que mejoren los resultados en ese mismo conjunto histórico y luego asumir que la configuración elegida se generalizará. El sobreajuste interrumpe esa cadena de varias maneras.
Riesgo operativo (problemas de proceso y pipeline)
El riesgo operativo surge porque la “vista de datos” utilizada durante el ajuste a menudo difiere de la “vista de datos” utilizada durante el uso en vivo. Las fuentes típicas son:
- Diferente frecuencia de muestreo o agregación (por ejemplo, con qué frecuencia se calculan las características).
- Decisiones de limpieza de datos (cómo se manejan los valores faltantes, reglas de valores atípicos).
- Diferencias de implementación (redondeo, supuestos de ejecución o cómo se activan las señales).
Si el éxito del modelo depende de peculiaridades del pipeline de ajuste, esas peculiaridades pueden desaparecer más tarde, causando un comportamiento inesperado.
Riesgo de mercado y de régimen (condiciones cambiantes)
Las condiciones del mercado no son estacionarias: las relaciones que se mantuvieron en el pasado pueden debilitarse, desaparecer o revertirse. El sobreajuste empeora esto porque el método puede haber almacenado condiciones de grano fino que estaban presentes en la ventana de entrenamiento pero que están ausentes más tarde. Incluso si existe la relación “verdadera”, el ajuste al ruido puede reducir la robustez.
Riesgo de contraparte (entradas y restricciones que no puedes controlar por completo)
En entornos similares al trading, la incertidumbre relacionada con la contraparte puede aparecer como diferencias entre la ejecución asumida y la realizada. Ejemplos de desajustes incluyen:
- Fricciones de trading no representadas en la evaluación histórica (spreads, comisiones, deslizamiento).
- Restricciones en el momento de las órdenes o la disponibilidad de ejecución.
Si la evaluación ignora estos factores mientras ajusta el modelo a los resultados históricos, la configuración elegida puede tener un rendimiento inferior cuando se aplican esas restricciones.
Riesgo de interpretación (exceso de confianza a partir de métricas engañosas)
El sobreajuste crea un riesgo de interpretación: las personas pueden confundir la “calidad del ajuste” con la validez predictiva. Por ejemplo, seleccionar repetidamente la mejor configuración después de observar los resultados históricos puede inflar el rendimiento aparente. La limitación material es que el ajuste histórico no prueba la generalización futura, especialmente cuando se prueban muchas variantes.
Evidencia o lógica de ejemplo (sin asumir resultados garantizados)
Supongamos que pruebas 1,000 variaciones de una estrategia en el mismo período histórico y seleccionas la de mejor rendimiento. Incluso si ninguna de las variaciones captura una ventaja real repetible, algunas parecerán exitosas debido al azar. La opción seleccionada puede ser entonces frágil: un período de tiempo diferente o una ventana de datos ligeramente distinta puede eliminar la coincidencia que produjo la puntuación alta.
Un modo de fallo simple de verificar conceptualmente es la sensibilidad: si pequeños cambios en los insumos, el rango de tiempo o el preprocesamiento causan grandes cambios en el comportamiento, eso sugiere que el método depende de artefactos específicos.
Limitaciones materiales, modos de fallo y puntos de control independientes
El sobreajuste no se trata solo de “qué tan bien se ajusta”, sino de la robustez ante el cambio. Las limitaciones y riesgos clave incluyen:
- Captura de ruido: el rendimiento puede reflejar estructura aleatoria en los datos de entrenamiento.
- Sesgo de selección: elegir repetidamente en función de los resultados históricos puede sobreestimar el rendimiento esperado.
- Cambio de distribución: los regímenes de mercado y las condiciones de medición pueden cambiar.
- Desajuste de evaluación: los supuestos del backtest o de la evaluación fuera de línea pueden diferir de las restricciones reales.
Los puntos de control de verificación independiente que puedes usar son conceptuales, no promesas: prueba el método en datos que no estuvieron involucrados en el ajuste, compara el comportamiento en diferentes ventanas de tiempo y examina la sensibilidad a los supuestos de preprocesamiento y ejecución. Debido a que los costos y los detalles de ejecución varían, los resultados pueden diferir de los resultados históricos.
Verificación o siguiente pregunta a realizar
Una pregunta útil a continuación es: “¿Qué evidencia mostraría que el modelo está utilizando una relación estable en lugar de ajustar ruido?” En la práctica, esto significa centrarse en comprobaciones de robustez, supuestos de evaluación transparentes y claridad sobre qué partes del flujo de trabajo pueden cambiar entre la evaluación histórica y el uso futuro.