SP
Introducción
El backtesting es una herramienta esencial para que los operadores de los mercados financieros evalúen el rendimiento histórico de sus estrategias de negociación. Sin embargo, a pesar de su importancia, existen varios escollos y errores potenciales que los operadores deben conocer para garantizar unos resultados de backtesting precisos y fiables.
En este artículo, analizaremos los problemas más comunes del backtesting y las posibles soluciones para resolverlos.
Empecemos.
Problemas comunes del backtesting
Sesgo de supervivencia
El sesgo de supervivencia es un problema común en el backtesting que puede afectar significativamente a la precisión de los resultados. Se produce cuando sólo se incluyen en el análisis los activos que han tenido éxito, mientras que se ignoran los que han fracasado o han sido excluidos de la bolsa. Esto da lugar a datos incompletos y a creencias demasiado optimistas sobre la eficacia de una estrategia de negociación.
En el contexto del comercio de criptomonedas, el sesgo de supervivencia es especialmente relevante. Dada la naturaleza volátil y rápidamente cambiante del mercado de criptomonedas, muchas monedas han sido retiradas de la lista debido a su bajo rendimiento o a otras razones. Los resultados pueden estar sesgados si estas monedas excluidas no se tienen en cuenta en el proceso de backtesting. Los operadores pueden desarrollar inadvertidamente estrategias basadas en datos incompletos o seleccionados, lo que puede generar una falsa confianza en su capacidad de negociación.
Ejemplos notables de sesgo de supervivencia en el comercio de criptomonedas incluyen la exclusión de la lista de monedas que fueron predominantes, como Bitconnect y OneCoin. Estas monedas fueron populares al principio y atrajeron a muchos seguidores, pero al final se enfrentaron a problemas regulatorios y se hundieron. Ignorar el rendimiento de estas monedas excluidas en las pruebas retrospectivas puede crear una representación distorsionada del mercado global y llevar a decisiones de inversión erróneas.
Para mitigar el sesgo de supervivencia, los operadores deben incluir activos exitosos y fallidos en sus datos de backtesting. Sin embargo, esto puede ser difícil, ya que la mayoría de los programas de backtesting obtienen los datos de las bolsas, que ya no pueden proporcionar datos de precios para las monedas que han dejado de cotizar. Por lo tanto, recomendamos basarse en proyectos establecidos, como se explica a continuación.
Sesgo de previsión
El sesgo de anticipación es un problema común en las pruebas retrospectivas que se produce cuando en el proceso de prueba se utilizan datos futuros o información no disponible durante la operación. Al incorporar información que no habría estado disponible en el momento de la operación, el rendimiento de una estrategia de negociación puede parecer mejor de lo que habría sido en realidad. Esto puede generar una falsa confianza en la estrategia y llevar a los operadores a tomar decisiones desinformadas cuando operan en tiempo real.
Se pueden emplear varias estrategias para mitigar los efectos del sesgo de anticipación, como probar la estrategia utilizando datos fuera de la muestra y comprobar dos veces la estrategia y el software para detectar posibles sesgos.
Además, es fundamental evitar las actualizaciones de datos retroactivas. Una vez realizado un backtest, no debe alterarse ni actualizarse con nueva información no disponible en ese momento. Esto ayuda a mantener la integridad y precisión de los resultados del backtest.
Impacto de los periodos de muestreo en los resultados
La elección del periodo de muestreo puede influir significativamente en el rendimiento de una estrategia de negociación y en su capacidad para generar beneficios constantes en la negociación real.
Al seleccionar un periodo de muestra para el backtesting, es fundamental tener en cuenta las características del periodo de tiempo en el que se opera. Diferentes periodos pueden tener condiciones de mercado y tendencias únicas que pueden influir en el rendimiento de una estrategia. Por ejemplo, una estrategia que funcione bien en un mercado alcista probablemente tendrá problemas en un mercado bajista.
Un periodo de muestra más amplio puede proporcionar una visión más completa del rendimiento histórico de una estrategia, captando su capacidad para adaptarse a las diversas condiciones del mercado. Sin embargo, esto también puede aumentar la probabilidad de incluir datos irrelevantes o anticuados que pueden no representar con precisión las condiciones actuales del mercado.
Para solucionar este problema, se recomienda dividir los datos en periodos de prueba dentro y fuera de la muestra. El periodo de prueba dentro de la muestra se utiliza para desarrollar y optimizar la estrategia de negociación, mientras que el periodo de prueba fuera de la muestra se utiliza para validar su rendimiento con datos no observados. Esto ayuda a evaluar la capacidad de la estrategia para generalizarse y funcionar bien en nuevas condiciones de mercado, así como su capacidad para generar rendimientos constantes.
Conformación de la curva de renta variable y ajuste de la curva
El modelado de la curva de renta variable consiste en moldear el rendimiento de las reglas de negociación para crear una curva de renta variable atractiva. Esto suele hacerse manipulando los parámetros o las reglas de la estrategia para lograr los resultados deseados, como una alta rentabilidad o una baja reducción.
Sin embargo, el modelado de la curva de renta variable puede conducir fácilmente al ajuste de curvas, un importante problema de backtesting. El ajuste de curvas se produce cuando un sistema de negociación se adapta excesivamente a los datos históricos, lo que da lugar a un rendimiento excelente para el periodo específico probado, pero un rendimiento deficiente en la negociación en vivo. Esto ocurre porque el sistema se especializa demasiado en las condiciones pasadas del mercado y no funciona en situaciones nuevas.
Para evitar el ajuste de curvas, es esencial tener en cuenta varios factores clave a la hora de dar forma a una curva de renta variable:
- Diversificar las estrategias. Disponer de estrategias de inversión diferentes pero complementarias ayuda a reducir el riesgo de ajuste excesivo a un conjunto de datos específico.
- Probar las estrategias en distintas condiciones de mercado. Al evaluar el rendimiento en distintos escenarios, los operadores pueden asegurarse de que las estrategias son lo suficientemente sólidas como para hacer frente a la cambiante dinámica del mercado.
- Evitar la sobreoptimización. Esto puede lograrse estableciendo expectativas realistas y no persiguiendo los mayores rendimientos durante el proceso de backtesting. En su lugar, hay que centrarse en crear un sistema que funcione bien en general y se adapte a los distintos escenarios del mercado.
Espionaje de datos
El espionaje de datos, también conocido como minería de datos, se refiere a la búsqueda a través de datos históricos para encontrar patrones o relaciones que se pueden utilizar para desarrollar estrategias de negociación. Si bien puede ser un método útil para generar hipótesis de negociación, el data snooping puede plantear problemas importantes en el backtesting, sobre todo por su estrecha relación con el sesgo de anticipación (lookahead bias).
El espionaje de datos puede adoptar varias formas, como el p-hacking y la información selectiva. El p-hacking consiste en probar numerosas ideas de negociación con datos históricos hasta encontrar un resultado significativo, aunque sólo sea por casualidad. La notificación selectiva se produce cuando sólo se notifican las estrategias de negociación exitosas, mientras que las no exitosas se ignoran.
Estas prácticas pueden dar lugar a falsos positivos, en los que un backtest parece rentable pero no funciona bien en la negociación real. Esto ocurre porque las estrategias se han ajustado con precisión a los datos históricos, pero su eficacia disminuye ante las nuevas condiciones del mercado.
Para mitigar el impacto negativo del espionaje de datos, es esencial utilizar el análisis walk forward. Esto implica dividir los datos históricos en múltiples subconjuntos y probar las estrategias en cada subgrupo por separado. De este modo, los operadores pueden evaluar la solidez de sus estrategias y asegurarse de que no son simplemente el resultado de la extracción de datos.
Tamaño insuficiente de la muestra
Uno de los problemas más comunes con los que se encuentran los operadores al realizar backtesting es un tamaño insuficiente de la muestra, lo que conduce a resultados inexactos y a una mala toma de decisiones.
Un tamaño de muestra suficiente es vital porque permite obtener conclusiones estadísticas más fiables y reduce el riesgo de conclusiones incorrectas basadas en datos limitados. Una muestra pequeña puede no representar las condiciones generales del mercado y no reflejar el rendimiento real de una estrategia.
Para resolver este problema, los operadores deben tratar de incluir un número significativo de operaciones en su proceso de backtesting. Aunque no existe una regla fija sobre el número de operaciones necesarias, una pauta general es tratar de incluir al menos 100 operaciones para obtener un tamaño de muestra razonablemente fiable.
El concepto de la ley de los grandes números es muy aplicable al backtesting. Afirma que a medida que aumenta el número de observaciones (operaciones), el rendimiento medio de la estrategia convergerá hacia su valor esperado. Por lo tanto, un mayor tamaño de la muestra garantiza una estimación más precisa del rendimiento de la estrategia.
Un mayor número de operaciones reduce el riesgo de sobreajuste. Un mayor tamaño de la muestra proporciona un conjunto de datos más sólido y representativo, lo que aumenta la confianza en el rendimiento de la estrategia y en su capacidad para hacer frente a diversas condiciones de mercado. En Gainium, utilizamos un concepto llamado Grado de Confianza para evaluar la fiabilidad de un backtest basándonos en el número de operaciones que ha producido.
Coste irreal de las operaciones y comisiones
Los supuestos irreales en backtesting pueden dar lugar a problemas importantes en la evaluación de las estrategias de negociación. Descuidar los costes reales de las transacciones es un error común que cometen los operadores al realizar backtests. Estos costes, como las comisiones de cambio y el deslizamiento, pueden afectar significativamente a la rentabilidad de una estrategia de negociación y deben tenerse en cuenta durante el proceso de backtesting.
Por ejemplo, consideremos una estrategia de negociación diurna hiperagresiva cuyo objetivo es realizar múltiples operaciones en un solo día para beneficiarse de las fluctuaciones de precios a corto plazo. Aunque esta estrategia puede parecer rentable en un backtest que no tenga en cuenta los costes de transacción, la realidad es que la compra y venta frecuente de activos dará lugar a comisiones sustanciales. Estos costes de transacción pueden devorar rápidamente los beneficios y convertir una estrategia aparentemente rentable en una estrategia perdedora.
Por otra parte, una estrategia de negociación de posiciones que se centre en tendencias a más largo plazo e implique menos operaciones puede verse menos afectada por los costes de transacción. Dado que los operadores de posición mantienen sus posiciones durante un periodo prolongado, incurren en menos gastos de transacción y deslizamiento, lo que la hace más viable en backtesting y en la negociación real.
Además, los operadores deberían considerar el uso de contratos de futuros de gran liquidez como alternativa a la negociación en mercados al contado. Los contratos de futuros suelen tener menores costes de transacción y ofrecen mayor flexibilidad para apalancar posiciones, reduciendo así el impacto de las comisiones en los beneficios. Sin embargo, es fundamental tener en cuenta el impacto de las comisiones de financiación en la negociación de futuros, especialmente para las posiciones a largo plazo. Cuando se realizan pruebas retrospectivas de las estrategias de negociación, se suelen tener en cuenta las comisiones de cambio. Sin embargo, a menudo no se tienen en cuenta las comisiones de financiación, lo que da lugar a representaciones inexactas de la rentabilidad, sobre todo en el caso de estrategias que implican mantener posiciones durante periodos prolongados.
Pares de tokens ilíquidos
El backtesting de pares de tokens ilíquidos en el comercio de criptomonedas puede plantear retos significativos e introducir imprecisiones en los resultados. Debido a la baja liquidez, puede ser difícil encontrar contrapartes dispuestas a ejecutar operaciones a los precios deseados. Esta escasez de compradores o vendedores dispuestos puede provocar lagunas en los datos históricos de precios durante el proceso de backtesting.
Otro problema surge de los costes de transacción ocultos asociados a la negociación de tokens ilíquidos. Estos costes pueden incluir diferenciales más amplios, deslizamientos y comisiones de cambio más elevadas. Hacer backtesting sin tener en cuenta estos costes puede dar lugar a beneficios inflados y expectativas de rendimiento poco realistas.
Para hacer frente a estos retos, los operadores pueden emplear varias técnicas. En primer lugar, pueden simular condiciones de negociación realistas incorporando diferenciales y comisiones realistas durante el proceso de backtesting. Esto puede lograrse utilizando datos históricos de libros de órdenes o datos aproximados de fichas similares.
Además, los operadores deben considerar la posibilidad de ajustar sus estrategias para centrarse en pares de tokens más líquidos o criptomonedas con mayores volúmenes de negociación. De este modo, pueden reducir el impacto de la iliquidez y mejorar la precisión de los resultados del backtesting.
Uso de un periodo de vela incorrecto
El período de la vela se refiere al intervalo de tiempo que cada vela representa en un gráfico de precios. Utilizar un periodo de vela incorrecto puede afectar significativamente a la precisión y fiabilidad de los resultados del backtest.
Si el período de la vela es demasiado largo, los resultados del backtest pueden ser imprecisos, ya que el backtest asume que el movimiento del precio es uniforme en cada vela. Sin embargo, el precio puede haber experimentado fluctuaciones significativas durante el período de la vela, lo que resulta en oportunidades perdidas o señales falsas. Este problema se agrava aún más cuando se utilizan objetivos de toma de beneficios pequeños, ya que el backtest se vuelve menos sensible a los movimientos del precio a corto plazo.
Para seleccionar el periodo de vela adecuado, hay que tener en cuenta varios factores. En primer lugar, la propia estrategia de negociación desempeña un papel crucial. Diferentes estrategias pueden requerir diferentes plazos para el análisis y la toma de decisiones. Además, hay que tener en cuenta las condiciones del mercado. Los mercados volátiles pueden beneficiarse de periodos de velas más cortos para captar los movimientos rápidos de los precios.
Además, se prefieren periodos de velas más cortos para obtener una mayor precisión cuando se utilizan trailing stops u otras estrategias de salida dinámicas, ya que captan los cambios de precios con mayor precisión. Alternativamente, el uso de datos del libro de órdenes en lugar de velas puede proporcionar resultados de backtest más precisos.
Conclusión
Aunque el backtesting es una herramienta fantástica para encontrar y optimizar las estrategias de trading de criptomonedas, puede ser propenso a errores e imprecisiones. Reconocer estos problemas e implementar las soluciones adecuadas es vital para mitigar estos riesgos y mejorar la fiabilidad de los resultados del backtesting.
