Consideraciones avanzadas para los supuestos de deslizamiento
Qué significan los “supuestos de deslizamiento” en el modelado de ejecución
Los supuestos de deslizamiento son una forma de representar la diferencia entre el precio al que esperas que se ejecute una orden y el precio al que realmente se ejecuta. En el trabajo de modelado (como el backtesting o el forward testing), normalmente no observas la ruta de ejecución real y detallada, por lo que defines una regla sobre cuánto costo adicional (o a veces un precio mejorado) asumirás.
Este concepto se trata mejor como un insumo de modelado que aproxima la incertidumbre de ejecución. No es lo mismo que los spreads, las comisiones o los honorarios; esos generalmente se agregan por separado. Un supuesto de deslizamiento generalmente cubre factores como:
- movimiento del precio entre la decisión y la ejecución,
- enrutamiento de órdenes y latencia de ejecución,
- disponibilidad de profundidad (liquidez) en el momento de la ejecución,
- ejecuciones parciales y precios de ejecución variables.
Una forma práctica de pensarlo: si tu modelo dice que asumirás “X unidades de deslizamiento” por cada operación, entonces el modelo está traduciendo la incertidumbre de ejecución en un ajuste de costo consistente que puedes aplicar de manera repetible.
Cómo funcionan los supuestos de deslizamiento: mecánica estable vs. condiciones variables
Las consideraciones avanzadas comienzan separando lo que tu modelo controla de lo que controlan el mercado y el entorno de ejecución.
Define la unidad y la dirección
El deslizamiento se puede representar en diferentes unidades:
- en términos de precio (por ejemplo, moneda por unidad),
- en ticks o puntos,
- como un porcentaje del precio,
- como un costo agregado a la operación (a menudo más fácil para el modelado de P&L).
También aclara la direccionalidad. Muchos modelos simples asumen que el deslizamiento siempre es desfavorable, pero la ejecución a veces puede completarse a un precio mejor de lo esperado. Si fuerzas “siempre peor”, introduces un sesgo sistemático en las estimaciones de rendimiento. Si permites ambas direcciones, necesitas una regla sobre la frecuencia con la que ocurre cada dirección.
Elige una regla de mapeo
Un “supuesto de deslizamiento” típicamente se convierte en una regla de mapeo, por ejemplo:
- deslizamiento fijo por orden,
- deslizamiento proporcional al tamaño de la operación,
- deslizamiento vinculado a condiciones de volatilidad o spread (si tu conjunto de datos lo permite),
- deslizamiento extraído de una distribución (estilo Monte Carlo).
La parte avanzada es asegurar que la regla sea consistente con cómo mides los precios de entrada/salida en tu conjunto de datos. Si tu precio de entrada en el backtest ya es “efectivo” (por ejemplo, derivado de registros de ejecución realistas), agregar un ajuste de deslizamiento separado puede duplicar los costos de ejecución.
Aísla los supuestos de sincronización
El deslizamiento se ve fuertemente afectado por la brecha de tiempo entre el momento de decisión del modelo y el momento de ejecución asumido. Si tus datos usan sincronización basada en barras (por ejemplo, velas de un minuto) pero tu modelo asume la ejecución en un punto diferente dentro de esa barra, tu supuesto de deslizamiento debe reflejar esa brecha de sincronización. De lo contrario, el modelo puede volverse internamente inconsistente.
Agrega supuestos de independencia con cuidado
Muchos enfoques simplificados tratan el deslizamiento como independiente de la señal. En realidad, el deslizamiento y la agresividad de la operación a menudo se correlacionan:
- un comportamiento de ejecución más urgente puede cambiar los retrasos en la cola,
- operar durante alta volatilidad cambia la calidad típica de ejecución,
- las órdenes más grandes pueden interactuar con la profundidad disponible.
Si ignoras la correlación, puedes subestimar la variabilidad de los resultados.
Evidencia y ejemplos: prueba de estrés del modelo con casos extremos
Debido a que aquí no se asumen datos de mercado en tiempo real, la “evidencia” significa comprobaciones de consistencia interna y pruebas de escenarios utilizando supuestos claramente establecidos.
Ejemplo: deslizamiento fijo vs. deslizamiento consciente del tamaño
Supongamos que un marco de modelado asume un costo de deslizamiento constante por operación. Esto puede fallar cuando el tamaño de la orden es grande en relación con la liquidez disponible.
Para probar esto bajo estrés, ejecuta dos variantes internas usando la misma lógica de entrada/salida:
- supuesto de deslizamiento fijo por orden,
- supuesto de deslizamiento que crece con el tamaño de la operación.
Luego comparas si las conclusiones clave (como si los resultados siguen siendo plausibles bajo ambos modelos) se mantienen. Si los resultados cambian drásticamente, tus conclusiones dependen en gran medida de la regla de deslizamiento en lugar de la mecánica estable.
Ejemplo: ejecuciones parciales y cola de órdenes
Un modo de falla común para los supuestos simplificados es tratar cada orden como una sola ejecución a un precio efectivo. En la práctica, las órdenes pueden ejecutarse en partes a diferentes precios.
Comprobación de caso extremo:
- si asumes un precio de ejecución único pero tu entorno de ejecución real puede ejecutar parcialmente, tu modelo puede subestimar el rango real de costos,
- si tu deslizamiento asumido no refleja los retrasos en la cola, puedes representar incorrectamente el impacto de los períodos de velocidad de ejecución reducida.
Una solución de modelado es incorporar un supuesto sobre el número de ejecuciones o el spread de ejecución promedio a lo largo del tiempo. Incluso si es aproximado, esto hace que el modelo sea menos frágil que “una sola ejecución siempre”.
Ejemplo: sesgo direccional
Si siempre asumes que el deslizamiento es negativo, puedes incorporar un arrastre de costos conservador. Esto no es automáticamente incorrecto, pero debe justificarse como una elección de modelado deliberada.
Comprobación de caso extremo:
- prueba un supuesto simétrico (deslizamiento negativo y positivo alrededor de cero) versus un supuesto unilateral,
- confirma qué tan sensible es tu rendimiento modelado a esa elección.
Si las conclusiones solo se mantienen bajo un supuesto direccional, no son robustas.
Limitaciones y riesgos: dónde se rompen los supuestos de deslizamiento
Las limitaciones clave no son solo sobre la “precisión”, sino sobre la validez estructural.
Las relaciones históricas no garantizan resultados futuros
Incluso cuando un patrón de deslizamiento parece consistente en datos pasados, las condiciones de ejecución pueden cambiar. Diferentes regímenes de liquidez, cambios en la tecnología de ejecución y una microestructura de mercado variable pueden alterar la relación entre tu regla de deslizamiento asumida y los resultados realizados.
Doble conteo y desajustes contables
Dos riesgos comunes:
- mezclar precios ya efectivos con deslizamiento adicional,
- separar spreads/comisiones incorrectamente de modo que el deslizamiento y los costos se superpongan.
Asegúrate de que los componentes de costos de tu pipeline de modelado no se superpongan. Si el spread ya está incorporado en el método de precios efectivos del conjunto de datos, agrega deslizamiento encima solo si representa un componente adicional.
Granularidad poco realista
Una regla que se ajusta bien a un nivel grueso (por ejemplo, por barra) puede fallar cuando la ejecución ocurre a una granularidad más fina. Si el modelo trata toda la barra como un solo intervalo de decisión a ejecución, puede atribuir incorrectamente el movimiento intrabarra al deslizamiento.
Incertidumbre oculta de parámetros
Los supuestos de deslizamiento a menudo introducen parámetros (cantidad fija, forma de distribución, sensibilidad al tamaño). Si estos parámetros se ajustan a resultados históricos, corres el riesgo de sobreajustar a condiciones de ejecución que pueden no repetirse.
Una reducción de riesgos orientada a la verificación es realizar pruebas de sensibilidad: varía los parámetros de deslizamiento en rangos razonables y observa si las conclusiones permanecen estables.
Verificación: cómo comprobar tus supuestos de forma independiente
La verificación independiente no requiere precios en vivo en este contexto; requiere consistencia, sensibilidad y separación de preocupaciones.