En esta tercera y última parte del artículo realizaremos un estudio de caso siguiendo la metodología ya descrita de las series sintéticas e implementaremos un algoritmo para NinjaTrader que nos permitirá automatizar el proceso de evaluación. 

Continuamos con la segunda parte de este artículo exponiendo la implementación el la plataforma NinjaTrader de nuestro método para la creación dinámica de series sintéticas y la evaluación automatizada de estrategias en dichas series.

En numerosas ocasiones hemos hablado de la importancia de realizar backtests de calidad simulando escenarios múltiples, en lugar de evaluar las estrategias en series históricas que solo nos muestran una de las muchas configuraciones posibles de los mercados en un intervalo temporal dado. La principal ventaja de estos métodos es que aportan proyecciones más realistas del retorno y el riesgo a la vez que suponen un eficaz stress test de la propia estrategia.

Tras haber visto en la primera parte los factores que afectan a la selección de parámetros y abordar una validación multiescenario de amplio espectro, seguidamente analizaremos una cuestión que quedó sin respuesta: ¿Cómo responde el sistema a los distintos regímenes de los mercados?  Para ello analizaremos la robustez de las combinaciones paramétricas en los tramos históricos en que se produce un cambio de marcoépoca.

En esta nueva entrega hablaremos de los métodos de validación de estrategias, desde los más sencillos, que toman como base una única secuencia de datos históricos, hasta los más sofisticados enfoques multi-hilo que buscan evaluar las estrategias en un conjunto de escenarios alternativos simulados desde la variabilidad del propio sistema o construyendo series sintéticas de datos.

En esta cuarta entrega de nuestra serie dedicada al backtesting nos centraremos en una cuestión clave del proceso de construcción que, en muchos casos, se minimiza o no se entiende adecuadamente: Las variables, los parámetros y los hiperparámetros que afectan a los procesos de evaluación y optimización de estrategias.

“Enfoques en el diseño, selección y optimización de estrategias”. Este artículo forma parte de la serie pero fue publicado en el núm. 36 de la revista Hispatrading. Los lectores que quieran acceder a él pueden hacerlo gratuitamente. Aquí nos limitaremos a repasar brevemente los puntos abordados.

Muchas veces nos hemos preguntado hasta qué punto los resultados de un backtest pueden considerarse realistas. Pero, en mi opinión, esta pregunta debe formularse a la inversa: ¿Qué nivel de realismo necesitamos para evaluar una estrategia dada? Y, como veremos en este artículo, esto depende básicamente de tres factores: Frecuencia operativa, beneficio medio por operación (BMO) y tipo de órdenes empleadas.

En esta serie de artículos abordaremos una de las técnicas más comunes y a la vez peor entendidas del trading cuantitativo: El backtesting o simulación histórica como instrumento para determinar la calidad y potencial inversor de una estrategia. Mostraremos los errores más comunes, las limitaciones de los métodos tradicionales y presentaremos metodologías novedosas que contribuyen a mejorar la robustez de este tipo de análisis.

 El principal problema de optimizar una estrategia es qué combinación paramétrica elegir y si esa combinación específica es capaz de proyectar a futuro un porcentaje apreciable de la performance obtenida en la región optimizada del histórico.

En este artículo abordaremos el escurridizo concepto de sobreoptimización en relación con la ruptura de sistemas en operativa real. Mostraremos un nuevo método para determinar el desgaste de una estrategia en el tiempo diferenciando entre la rentabilidad potencial debida a la lógica y la que se obtiene mediante optimización.

 Llamamos rebalanceo a la asignación de pesos diferentes a cada uno de los vectores de inversión que integran el portfolio. El objetivo es conseguir una cartera óptima que satisfaga los criterios de rentabilidad y aversión al riesgo de un determinado inversor tipo. Es decir, no se trata de obtener mayores rentabilidades, sino de ecualizar adecuadamente las variables que afectan al ecuación riesgo / beneficio.

La inmensa mayoría de los sistemas tienen parámetros. Los que no los tienen, es porque incorporan variables ocultas elegidas ad hoc para operar un determinado activo  o se han utilizado técnicas evolutivas para generar y elegir un conjunto óptimo de reglas.  En cualquier caso, tanto al diseñar como al evaluar una estrategia, nunca nos veremos libres del problema de la optimización. Ya que, en definitiva, optimizar no es más que elegir, entre todas las alternativas posibles, aquellas que se acomodan mejor a un problema específico.

Ocasionalmente, algunos lectores me envían resultados estadísticos de sus sistemas para que los valore y les ayude a determinar su posible robustez en operativa real. Y una de las cuestiones que casi todos ellos quieren saber es si su estrategia está o no sobreoptimizada. En el presente artículo reflexionaré sobre esta cuestión desde un enfoque matemático y ofreceré una hoja de cálculo con la que podrán analizar fácilmente sus propias estrategias.