¿Qué datos se necesitan para evaluar asesores expertos de MT4?

Definición y la pregunta central

Un asesor experto (EA) de MT4 es una lógica de trading automatizada que se ejecuta en MetaTrader 4. Para evaluar un EA, necesitas datos que te permitan comprender (1) qué hace realmente el EA y (2) bajo qué condiciones se evaluó el EA. El objetivo no es predecir ganancias futuras, sino verificar que su comportamiento declarado y su comportamiento probado sean consistentes y se basen en supuestos claramente definidos.

Entradas: qué datos necesitas para describir el EA

Comienza con la descripción operativa del EA. Las entradas útiles mínimas son:

Lógica y parámetros de la estrategia: las reglas que utiliza el EA (criterios de entrada/salida, controles de riesgo, gestión de posiciones) y el conjunto completo de entradas ajustables. Si el EA utiliza indicadores, registra qué indicadores, sus valores de parámetros y cómo se combinan.
Sesión de trading y supuestos de ejecución: cualquier filtro como horarios de trading permitidos, tipos de órdenes, manejo de deslizamiento y si el EA limita el trading durante eventos similares a noticias (si existen tales reglas).
Supuestos del modelo de costos: el spread asumido, comisiones, cargos por swaps/financiamiento y cualquier costo de trading modelado. Si los resultados del EA se muestran sin documentar los costos, esa es una entrada faltante material.
Datos utilizados para la evaluación: la serie de precios históricos utilizada para el backtesting, incluido el marco temporal, el modelo de barras (cómo se construyen los ticks/barras) y si el backtest utiliza supuestos de ejecución realistas.
Configuración del entorno: supuestos de la divisa de la cuenta, restricciones relacionadas con el apalancamiento (si son relevantes para los controles de margen) y permisos de trading. Incluso si el EA “solo compra/vende”, los límites de margen y las restricciones de ejecución pueden afectar la viabilidad.

Procedencia: de dónde provienen los datos

Procedencia significa que puedes rastrear cada conjunto de datos y configuración hasta una fuente:

Fuente y documentación del EA: de dónde proviene el código o el binario compilado, información de versión/compilación y cualquier documentación que describa qué se pretende controlar con cada parámetro.
Configuración utilizada durante las pruebas: los valores de parámetros exactos, el método de tamaño de posición y la configuración de riesgo utilizados durante cualquier rendimiento informado.
Origen de los datos de mercado: el proveedor o conjunto de datos utilizado para los backtests históricos. Si el origen no está claro, no puedes juzgar si el backtest capturó los supuestos de liquidez y microestructura.
Procedencia del método de evaluación: si los resultados provienen de backtesting, pruebas hacia adelante o trading en demo, y cuánto duró cada período.

Esto es importante porque configuraciones de parámetros idénticas pueden comportarse de manera diferente cuando cambian el origen de los datos o el modelo de ejecución.

Oportunidad y “qué se conocía en ese momento”

Incluso en un contexto no en vivo, la oportunidad afecta la interpretación. Debes identificar:

La ventana de tiempo utilizada para el backtesting (fechas de inicio/fin) y si se superpone con períodos de evaluación posteriores.
Riesgo de fuga de datos: si alguna optimización utilizó información del mismo período en el que luego “demostró” rendimiento.
Definición de fuera de muestra: qué se reservó para la evaluación frente a qué se utilizó para ajustar parámetros.

Un enfoque práctico y siempre vigente es exigir que el rendimiento del EA se evalúe con períodos claramente separados y que puedas explicar qué entradas estaban disponibles en cada etapa.

Evidencia o ejemplo: cómo comprobar que el EA coincide con las afirmaciones

Para evaluar un EA, compara tres capas de evidencia:

Consistencia entre especificación y código: ¿las reglas documentadas coinciden con el comportamiento del código (o el comportamiento compilado si el código no está disponible)?
Realismo del backtest: ¿la evaluación utiliza supuestos de ejecución plausibles para los instrumentos y el marco temporal (incluidos costos y manejo de llenado de órdenes)?
Reproducibilidad: ¿alguien puede volver a ejecutar el mismo backtest con los mismos parámetros y origen de datos y obtener los mismos resultados o muy similares?

Si no puedes reproducir los resultados con la misma configuración documentada, trata la evidencia de rendimiento como débil.

Limitaciones y riesgos: modos de fallo materiales a tener en cuenta

Las limitaciones comunes que debes tratar como datos de riesgo de primera clase incluyen:

Sobreajuste: rendimiento que depende en gran medida de valores de parámetros específicos o condiciones históricas específicas.
Desajuste de ejecución: resultados de backtest que asumen llenados ideales, ignoran el deslizamiento u omiten detalles de comisiones/spread.
Dependencia oculta del régimen: lógica que funciona en un régimen de mercado pero falla en otros (por ejemplo, cuando cambian la volatilidad o la estructura de tendencia).
Casos límite operativos: comportamiento durante reconexiones, margen insuficiente, llenados parciales o spreads repentinos.
Fragilidad de los indicadores: si el EA depende de indicadores, verifica qué tan sensible es a los cambios en los parámetros de los indicadores y a la resolución de datos utilizada.

Las relaciones históricas no establecen resultados futuros; la mejor evidencia disponible se limita a las condiciones que puedes verificar.