Qué significa “falso breakout” y por qué probarlo requiere una hipótesis
El falso breakout se refiere a un movimiento del mercado que primero parece romper un límite predefinido (como el borde de un rango anterior) pero luego falla, a menudo revirtiendo de nuevo dentro del límite dentro de un período de tiempo elegido. Probar esto es importante porque la etiqueta de “falso” no es automática: depende de definiciones (cuál es el límite), reglas de medición (cuánto tiempo esperas para juzgarlo) y contexto (condiciones del mercado).
Un punto de partida útil es una hipótesis comprobable que separe la mecánica de la variabilidad. Por ejemplo, en lugar de asumir que “los falsos breakouts son rentables”, puedes plantear una hipótesis medible y falsable, como: bajo ciertas condiciones de gráfico, la probabilidad de que el precio regrese dentro del límite dentro de X velas es mayor que una probabilidad base.
Este enfoque se mantiene informativo y se centra en la verificación en lugar de predicciones.
Mecánica: convierte el “falso breakout” en eventos medibles
Para probar cualquier cosa, necesitas definiciones operativas consistentes. Una definición práctica de evento generalmente incluye:
- Definición del límite: ¿Cuál es exactamente el nivel que pruebas? Podría ser el máximo/mínimo de un rango anterior, un nivel de swing anterior o un nivel horizontal construido a partir del precio reciente. La clave es que el límite debe definirse desde un punto en el tiempo que no utilice información futura.
- Regla de activación (breakout): ¿Qué cuenta como una “ruptura”? Las opciones comunes son el primer cierre más allá del nivel, el primer toque más allá del nivel, o la primera vez que el precio supera el nivel por al menos un pequeño margen.
- Regla de confirmación de falso: ¿Cuándo declaras que ha fallado? Por ejemplo, puedes definir el fallo como un retorno posterior dentro del límite original, juzgado usando un período de tiempo (por ejemplo, dentro de N barras) y posiblemente una segunda regla como un cierre de vuelta.
- Ventana de juicio: La longitud de la ventana de tiempo es crucial porque diferentes ventanas pueden cambiar drásticamente los resultados. Decide N antes de mirar los resultados.
Una vez que estableces estos elementos, cada evento potencial se convierte en un pase verdadero (el breakout se mantiene bajo tu regla de confirmación) o un falso breakout (falla bajo tu regla de confirmación).
Un diseño de prueba que pueda verificarse de forma independiente
Una forma limpia de diseñar una prueba es incluir cinco partes: hipótesis, línea base, división de datos, supuestos de costos y comprobaciones de robustez.
1) Hipótesis
Escribe la hipótesis en forma probabilística o de tasa. Estructura de ejemplo:
- “Dada la definición de evento A (límite, activación, confirmación, ventana de tiempo), la fracción de resultados falsos es mayor que la línea base B para los casos que coinciden con las condiciones C.”
Las condiciones C son cómo evitas mezclar diferentes regímenes de mercado (tendencia vs. rango, mayor vs. menor volatilidad).
2) Línea base
Probar requiere un comparador. Las líneas base pueden ser simples:
- Línea base aleatoria dentro del mismo conjunto de datos: Compara la tasa de falsos con una expectativa ingenua derivada de las tasas base generales.
- Línea base emparejada por tiempo: Compara eventos seleccionados en momentos similares o bandas de volatilidad similares.
El método exacto de la línea base debe escribirse para que otra persona pueda reproducirlo.
3) División de datos (para evitar el sobreajuste)
Usa al menos dos divisiones:
- Período dentro de la muestra: Donde validas tus definiciones de eventos y eliges parámetros.
- Período fuera de la muestra: Donde pruebas las definiciones finales sin más ajustes.
También considera dividir por indicadores de régimen de mercado que puedas calcular solo con el precio, como el nivel de volatilidad o la fuerza de la tendencia, si puedes definirlos sin usar datos futuros.
Un modo de fallo común es ajustar parámetros (ventana de tiempo, tamaño del margen, construcción del límite) hasta que el gráfico “se vea bien” en un período. La división de datos reduce ese riesgo.
4) Costos y supuestos de ejecución (incluso para pruebas de concepto)
Incluso si pruebas probabilidades en lugar de ganancias, los costos y los supuestos de ejecución siguen siendo importantes cuando las personas luego traducen las pruebas a reglas prácticas. Trata los costos como variables que puedes incluir de manera conservadora.
Como mínimo, documenta supuestos como:
- Modelo de spread efectivo o costo de transacción: Usa un costo fijo por evento o un costo derivado de condiciones típicas en tu conjunto de datos.
- Modelo de deslizamiento: Decide si las ejecuciones ocurren en el momento del cruce del nivel, en la apertura de la siguiente barra, o con otra regla. La elección afecta la frecuencia con la que ocurre la confirmación.
Si no modelas la ejecución, puedes producir conclusiones que no sobrevivan a la mecánica real del trading.
5) Comprobaciones de robustez
Una comprobación de robustez prueba si los resultados persisten cuando cambias una elección a la vez:
- Varía la ventana de juicio (por ejemplo, variación de N alrededor de la ventana elegida).
- Cambia el margen utilizado para la calificación de “ruptura” (sin margen vs. margen pequeño).
- Usa construcciones de límite alternativas (misma lógica de evento, diferente método de cómo definiste el nivel).
- Verifica diferentes regímenes por separado (períodos de tendencia vs. períodos similares a rangos).
Si el rendimiento colapsa bajo cambios pequeños, es probable que el patrón sea sensible en lugar de estructural.
Evidencia o ejemplos: qué medir y cómo reportarlo
Puedes reportar los resultados de las pruebas de una manera que no esté ligada a la predicción futura.
Métricas clave
Las métricas comunes incluyen:
- Tasa de falsos breakouts: Fracción de eventos que cumplen la regla de confirmación de falso.
- Tasa de falsos condicional: Tasa de falsos breakouts dentro de cada grupo de régimen.
- Calibración vs. línea base: Compara la tasa de falsos con la línea base usando una diferencia simple y un rango de incertidumbre.
Incertidumbre y tamaño de muestra
Las muestras pequeñas producen estimaciones inestables. Reporta conteos (número de eventos) e incluye incertidumbre (por ejemplo, un intervalo de confianza aproximado para las tasas). Sin esto, “funcionó” puede ser indistinguible del azar.
Evitar el sesgo de mirar hacia adelante
Un modo de fallo frecuente es construir límites accidentalmente usando datos posteriores al momento de la activación. Asegúrate de que cada entrada utilizada para definir el límite y la activación del evento se base en información disponible antes de que ocurra el breakout.
Limitaciones y riesgos: al menos un modo de fallo material
Incluso las pruebas bien diseñadas tienen limitaciones. Aquí hay algunas materiales a considerar:
- Riesgo de definición (ambigüedad de medición): “Ruptura”, “retorno” y la ventana de tiempo elegida pueden cambiar la etiqueta del evento. Dos investigadores que usen reglas ligeramente diferentes pueden obtener resultados diferentes.
- Dependencia del régimen: Un mecanismo que aparece en condiciones de rango puede no transferirse a condiciones de tendencia. Probar entre regímenes es necesario para evitar confundir un efecto específico de un régimen con uno general.
- Desajuste de costos y ejecución: Las conclusiones basadas en probabilidades pueden fallar si luego se traducen en reglas de trading que experimentan diferentes ejecuciones, spreads o retrasos.
- Sobreajuste mediante ajuste de parámetros: Si ajustas repetidamente los parámetros para maximizar los resultados en el mismo conjunto de datos, puedes encontrar patrones que no se generalizan.
También ten en cuenta una limitación más amplia: las relaciones históricas no establecen resultados futuros. Una prueba puede validar una propiedad pasada sin implicar que persistirá.