Definir el promedio de ganancias y pérdidas como un concepto medible
El promedio de ganancias y pérdidas es una forma de resumir cuán grandes tienden a ser las “ganancias” en comparación con cuán grandes tienden a ser las “pérdidas”, utilizando resultados históricos de operaciones. En un backtesting responsable, primero defines las cantidades exactas que medirás, porque “ganancia” y “pérdida” pueden calcularse de múltiples maneras.
Una estructura común es:
- Elegir una regla consistente para lo que cuenta como resultado de una operación (por ejemplo, la ganancia/pérdida final de cada operación completada).
- Convertir los resultados a una unidad comparable (como P&L en la divisa de la cuenta, o en términos de movimiento de precios).
- Definir “operaciones ganadoras” como operaciones con resultado positivo y “operaciones perdedoras” como operaciones con resultado negativo (o usar valores absolutos, pero entonces indícalo claramente).
- Calcular los promedios: el tamaño medio de ganancia (ganancia promedio) y el tamaño medio de pérdida (pérdida promedio).
Si usas un ratio (por ejemplo, ganancia promedio dividida por pérdida promedio), define la convención de signo. Muchos errores en el backtesting provienen de mezclar promedios con signo con promedios absolutos.
Mecanismo: entradas, supuestos y el papel de los costos
Un backtesting cuidadoso del promedio de ganancias y pérdidas depende del modelo de datos que elijas. Como mínimo, necesitas:
- Una lista ordenada en el tiempo de registros de operaciones (momentos de entrada/salida y el resultado realizado resultante).
- Una regla para manejar casos límite (cierres parciales, operaciones en punto de equilibrio, cancelaciones y operaciones que no se completan).
- Supuestos explícitos para el realismo de la ejecución.
El principio clave de “costos-características” es: tus resultados históricos deben basarse en los mismos supuestos económicos que deseas evaluar. Los costos y fricciones incluyen elementos como spreads, comisiones y deslizamiento. Incluso si no conoces los costos futuros exactos, aún puedes hacer pruebas responsables al:
- Almacenar cada supuesto utilizado para convertir el movimiento de precios en P&L de la operación.
- Realizar comprobaciones de sensibilidad (por ejemplo, variando el deslizamiento o los niveles de costos supuestos dentro de un rango plausible) para ver si la conclusión depende de un escenario optimista único.
Evidencia y cálculo de ejemplo (con supuestos)
Supongamos que tienes un conjunto de datos de operaciones completadas. Decides:
- Las ganancias son operaciones donde el P&L realizado > 0.
- Las pérdidas son operaciones donde el P&L realizado < 0.
- Usas la media del P&L realizado para cada grupo.
- Las operaciones en punto de equilibrio se excluyen de ambos promedios (o se incluyen como cero—indica cuál).
Ejemplo (solo ilustrativo):
- Ganancia promedio = (suma de valores de P&L positivos) / (número de operaciones ganadoras).
- Pérdida promedio = (suma de valores de P&L negativos) / (número de operaciones perdedoras). Si luego tomas una “pérdida promedio absoluta”, usas la magnitud.
Para verificar el backtest, vuelve a calcular estos valores directamente desde la lista de P&L de operaciones almacenada. Si tus promedios calculados no coinciden, el problema es de definición o manejo de datos, no de rendimiento del mercado.
Limitaciones y modos de fallo que debes probar
El promedio de ganancias y pérdidas es descriptivo, no predictivo. El backtesting responsable lo trata como un resumen histórico cuya estabilidad puede fallar cuando cambian las condiciones del mercado, la calidad de la ejecución o el momento de las decisiones.
Al menos una limitación material es esencial:
- Cambio de régimen: Una estrategia puede mostrar una cierta relación entre ganancias y pérdidas promedio en un entorno de mercado, y luego cambiar más adelante.
- Desajuste de costos: Si los resultados históricos ignoran spreads/comisiones o subestiman el deslizamiento, la comparación entre “ganancia promedio” y “pérdida promedio” puede distorsionarse.
- Sesgo de selección y supervivencia: Si el conjunto de datos solo contiene operaciones que “sobrevivieron” a un proceso de revisión, o si filtramos inadvertidamente resultados de una manera que se correlaciona con la rentabilidad, los promedios pueden estar sesgados.
- Sobreajuste a las definiciones: Probar muchas variantes de lo que cuenta como ganancia/pérdida, qué momento usas para entradas/salidas, o cómo mides los resultados puede producir una falsa sensación de robustez.
Controles de sesgo y comprobaciones fuera de muestra
Para reducir estos riesgos, usa procedimientos que prueben si la relación medida se generaliza:
- Definiciones consistentes a lo largo del tiempo: Usa la misma regla de ganancia/pérdida, manejo de punto de equilibrio y cálculo de P&L en todos los períodos.
- División basada en el tiempo: Estima tu enfoque de medición en un período anterior y evalúalo en un período posterior que no se usó para refinar definiciones.
- Reporte fuera de muestra: Compara la ganancia promedio y la pérdida promedio (y cualquier ratio) entre dentro de muestra y fuera de muestra.
- Análisis de sensibilidad: Recalcula las métricas bajo diferentes supuestos razonables de costos/ejecución para verificar si las conclusiones dependen de un único escenario optimista.