¿Qué datos se necesitan para evaluar el filtrado de falsas rupturas?

Filtrado de falsas rupturas: qué es

El filtrado de falsas rupturas es una forma de reducir o excluir intentos de ruptura que fallan rápidamente. Una “ruptura” debe definirse mecánicamente (por ejemplo, un precio que se mueve más allá de un nivel durante una ventana de retroceso especificada). Una ruptura “falsa” normalmente significa que el movimiento no se confirma y, en cambio, regresa al rango anterior dentro de una condición de tiempo o distancia.

Para evaluar si un método de filtrado es coherente y medible, necesita datos que le permitan (1) identificar rupturas, (2) clasificarlas como falsas o no, y (3) reproducir los mismos resultados bajo supuestos claramente establecidos.

Entradas de datos que necesita

Comience con el conjunto de datos mínimo que respalde las definiciones.

Identificadores del instrumento y del mercado

El nombre exacto del instrumento de trading y la plataforma de negociación o fuente de precios.
La convención de cotización (por ejemplo, si observa precios bid/ask o precios medios).

Serie de precios con marcas de tiempo

Apertura, máximo, mínimo, cierre (OHLC) y/o datos de ticks o barras.
Cobertura completa de marcas de tiempo con una zona horaria clara y límites de barra definidos.
Muestreo consistente: la misma definición de marco temporal para la detección de rupturas y para la ventana de “falsa”.

Parámetros de la regla de ruptura

La ventana de retroceso utilizada para definir el rango o nivel anterior.
El umbral para la “ruptura” (por ejemplo, cierre más allá del nivel versus cualquier toque).
Si se requieren múltiples confirmaciones (como más de una barra) y cuánto duran.

Parámetros de la regla de fallo falso

La condición para “falso”: distancia de retorno (cuánto hacia atrás) y momento del retorno (cuántas barras o cuánto tiempo).
Si el filtro utiliza precios de cierre, máximos/mínimos intrabarra o bid/ask.

Supuestos necesarios para los cálculos

Cómo maneja los spreads, el deslizamiento y el momento de ejecución. Si no tiene datos de operaciones/cotizaciones, debe indicar qué sustituto utilizó (por ejemplo, precio medio) y que esto cambia los resultados.
Cómo trata las barras faltantes, los valores atípicos y los cambios similares a los corporativos (raros pero posibles en algunos conjuntos de datos).

Procedencia, oportunidad y controles de calidad

Dos conjuntos de datos pueden parecer idénticos mientras ocultan detalles incompatibles. Para la evaluación, necesita procedencia (de dónde provienen los datos), oportunidad (cuándo reflejan la realidad) y controles de calidad.

Procedencia que pueda verificar

Identidad de la fuente de datos: qué proveedor o plataforma los produjo.
Si la serie es reconstruida, curada o capturada directamente.
Documentación sobre cómo se agregó la serie en barras (especialmente para OHLC).

Oportunidad y alineación

El período cubierto por el conjunto de datos.
Cualquier preprocesamiento conocido, como la conversión de zona horaria o el manejo del horario de verano.
Evidencia de que la detección de rupturas y la clasificación de falsas utilizan el mismo reloj y las mismas definiciones de barras.

Controles de calidad de datos (qué buscar)

Tasa de datos faltantes y cómo se rellenan o excluyen los vacíos.
Consistencia entre OHLC y datos intrabarra/ticks (si ambos existen).
Reglas de manejo de valores atípicos: por ejemplo, si los picos se eliminan o se mantienen.
Reproducibilidad: debería poder volver a ejecutar el mismo cálculo con la misma entrada y obtener la misma clasificación.

Evidencia o ejemplo: convertir reglas en clasificaciones medibles

Un evaluador necesita conectar los datos con los resultados de manera reproducible.

Marco de ejemplo (los supuestos deben establecerse):

Defina el nivel de ruptura a partir del rango de las N barras anteriores.
Marque una ruptura cuando el cierre supere ese nivel.
Márquela como “falsa” si el precio cierra de nuevo dentro del rango anterior dentro de M barras.

Con los datos requeridos, puede calcular recuentos como:

Total de rupturas detectadas bajo la regla.
Proporción clasificada como falsa bajo la condición de momento/distancia.
Sensibilidad a los parámetros (por ejemplo, cambiar N o M).

Importante: esto muestra la mensurabilidad de la definición del filtro, no una mejora garantizada. La calidad de la clasificación histórica puede cambiar con los regímenes de volatilidad y la microestructura del mercado.

Limitaciones y riesgos (modos de fallo materiales)

Incluso con datos correctos, el filtrado de falsas rupturas puede fallar de maneras identificables.

Desajuste de definición Si la definición de “ruptura” utiliza precios de cierre pero la de “falsa” utiliza extremos intrabarra (o viceversa), las clasificaciones se vuelven inconsistentes y difíciles de comparar.
Efectos de microestructura Si ignora el bid/ask o el momento de ejecución, la clasificación puede no reflejar lo que un trader podría lograr de manera realista. Esta limitación depende de los datos.
Sobreajuste de parámetros Probar muchos valores de N y M en el mismo período puede crear una apariencia de efectividad que no se generaliza. Utilice períodos de tiempo separados para la evaluación.