Optimización en Trading: Cómo Evitar el Sobreajuste en una Estrategia de Trading

La optimización en trading suele presentarse como una forma directa de mejorar una estrategia.

Se modifican parámetros, se ejecuta un backtest y se conserva la configuración que ofrece el mejor resultado.

En teoría, parece sencillo.

En la práctica, una optimización mal entendida puede producir exactamente lo contrario: un sistema de trading que funciona muy bien con datos históricos, pero pierde su ventaja cuando se utiliza en trading real.

El problema no siempre es la falta de trabajo. Muchos traders dedican meses a optimizar estrategias, ajustar reglas y analizar resultados.

El problema es que no toda mejora observada representa una mejora real.

¿Qué es la optimización en trading?

La optimización consiste en ajustar los parámetros de una estrategia para estudiar cómo cambia su comportamiento.

El objetivo puede ser mejorar el rendimiento, reducir el riesgo, suavizar las pérdidas o encontrar un conjunto de parámetros que funcione de forma estable bajo distintas condiciones.

Una optimización puede analizar elementos como:

• Periodos de indicadores.

• Distancia del stop-loss.

• Nivel de take profit.

• Horario operativo.

• Timeframe.

• Tamaño de posición.

• Filtros de volatilidad.

• Número máximo de operaciones.

• Multiplicador del ATR.

• Condiciones de entrada y salida.

El software ejecuta diferentes combinaciones y compara sus resultados sobre una muestra de datos.

Eso permite observar qué sucede cuando cambia cada parámetro.

Sin embargo, el hecho de que una combinación produzca más profit no significa que sea superior.

Puede haber encontrado una característica repetible del mercado. También puede haber encajado por casualidad con movimientos concretos del pasado.

Esa diferencia es la base de todo el problema.

La optimización de sistemas de trading no busca la perfección

Una estrategia perfecta no existe.

Cualquier sistema estará expuesto a pérdidas, rachas negativas, cambios de volatilidad y periodos en los que su comportamiento será peor de lo esperado.

Aun así, muchos traders se acercan al proceso de optimización con una expectativa poco realista. Intentan eliminar casi todas las operaciones perdedoras, reducir al mínimo el drawdown y maximizar el beneficio histórico.

Cada modificación parece acercar el sistema a una versión ideal.

Se cambia un indicador. Después se añade un filtro. Luego se ajusta una salida. Más tarde se elimina un tipo de operación que generó varias pérdidas.

El backtest mejora con cada cambio.

Pero la estrategia también se vuelve más dependiente de acontecimientos históricos concretos.

Un sistema puede parecer más preciso mientras su capacidad para funcionar en mercados financieros reales disminuye.

La optimización de una estrategia no demuestra que dicha estrategia vaya a comportarse igual en el futuro. Solo muestra cómo habría respondido ante un conjunto de datos determinado.

Por qué una estrategia puede empeorar después de optimizar

Este es uno de los resultados más frustrantes para cualquier trader.

La estrategia original tiene un comportamiento razonable. Se realiza una optimización, el backtest mejora de forma notable y se seleccionan los parámetros optimizados.

Después, al pasar al mercado en tiempo real, el rendimiento cae.

Las entradas dejan de funcionar como se esperaba. Las pérdidas duran más. El factor de recuperación empeora. La curva de capital se separa rápidamente de los resultados históricos.

Esto puede ocurrir por varios motivos.

El mejor resultado puede ser una anomalía

Cuando se prueban cientos o miles de combinaciones de parámetros, alguna combinación acabará produciendo un resultado excepcional.

Eso no implica que se haya descubierto una ventaja sólida.

Puede ser simplemente la configuración que mejor encajó con esa muestra específica.

Cuantas más variantes se prueban, mayor es la probabilidad de encontrar un resultado aparentemente brillante por casualidad.

La dificultad está en distinguir entre un patrón útil y una coincidencia estadística.

Se ha optimizado el pasado, no el comportamiento futuro

Los datos históricos contienen movimientos únicos.

Incluyen determinados periodos de tendencia, crisis, rangos laterales, noticias, cambios de liquidez y escenarios de mercado que no volverán a repetirse exactamente igual.

Al ajustar una estrategia sobre esos datos, existe el riesgo de adaptarla a detalles que pertenecen exclusivamente al pasado.

En ese caso, el algoritmo no aprende una lógica general.

Aprende la forma concreta de la muestra.

Se cambian demasiados parámetros

Cada parámetro añade una nueva dimensión al análisis.

Con dos variables, el número de combinaciones puede ser manejable. Con diez o quince, el espacio de búsqueda crece con rapidez.

El sistema empieza a disponer de demasiadas formas de adaptarse al histórico.

Una regla de entrada, dos filtros, varios periodos, un stop variable, distintas salidas y filtros horarios pueden generar miles o millones de configuraciones.

Este exceso de flexibilidad facilita el sobreajuste.

También hace más difícil entender qué elemento está produciendo realmente el resultado.

Se confunde rentabilidad con robustez

Una configuración puede generar mucho profit y presentar una robustez muy baja.

Otra puede obtener menos beneficio histórico, pero mantener un rendimiento más estable en diferentes condiciones de mercado.

Si el análisis se limita al beneficio neto, la primera parecerá mejor.

Sin embargo, el rendimiento de un sistema no depende únicamente de cuánto ganó durante el backtest.

También importa cómo obtuvo ese resultado, cuánto riesgo asumió, cómo se distribuyeron las operaciones y qué sensibilidad mostró ante pequeños cambios.

Sobreajuste y overfitting en trading algorítmico

El sobreajuste, también conocido como overfitting, aparece cuando una estrategia se adapta demasiado a los datos utilizados durante su desarrollo.

El sistema termina explicando el pasado con gran precisión, pero pierde capacidad para responder a información nueva.

Este riesgo existe tanto en trading discrecional como en trading algorítmico, aunque resulta especialmente visible en sistemas automáticos.

Un algoritmo puede probar una enorme cantidad de configuraciones en poco tiempo. Esa capacidad es útil, pero también permite encontrar patrones que no tienen valor predictivo.

El resultado suele tener algunas características reconocibles:

• Beneficios históricos muy elevados.

• Drawdown sorprendentemente bajo.

• Pocas pérdidas consecutivas.

• Parámetros muy específicos.

• Gran deterioro al cambiar ligeramente una variable.

• Resultados débiles en otra muestra de datos.

• Diferencias importantes entre backtest y trading real.

Una estrategia sobreajustada puede parecer profesional y precisa.

Su problema solo aparece cuando deja de enfrentarse al mismo entorno de mercado que utilizó para ser construida.

Optimizar no es lo mismo que ajustar hasta obtener beneficio

Existe una diferencia entre estudiar cómo responde un sistema y modificarlo hasta que el gráfico resulta atractivo.

La primera actividad intenta comprender el comportamiento de la estrategia.

La segunda intenta mejorar una imagen histórica.

Por ejemplo, una media móvil simple de 50 periodos puede producir un resultado aceptable. Una prueba descubre que 47 periodos ofrece más beneficio. Después se observa que 46 mejora aún más el factor de recuperación.

Eso podría indicar que la zona cercana a esos valores es útil.

Pero si el parámetro 46 funciona muy bien mientras 45 y 47 producen pérdidas importantes, la configuración puede ser inestable.

Lo mismo ocurre al comparar una media móvil exponencial, unas bandas de Bollinger o un multiplicador del ATR.

El valor exacto que maximiza el backtest no siempre contiene información útil.

En ocasiones, lo relevante no es el punto máximo, sino la forma general de los resultados alrededor de ese punto.

El papel de los parámetros de entrada

Los parámetros de entrada controlan partes concretas de una estrategia.

En MetaTrader 5, TradeStation y otros entornos de trading automático, estos valores pueden modificarse desde el probador de estrategias.

Cada parámetro suele incluir:

• Un valor inicial.

• Un valor final.

• Un incremento.

• Un número total de pasos.

Supongamos que se quiere analizar un stop entre 10 y 100 puntos con un incremento de 10.

El programa probará 10 valores.

Si también se incluye un take profit con otros 10 valores, ya existen 100 combinaciones de parámetros.

Añadir un tercer parámetro con 20 posibilidades eleva el total a 2.000 pruebas.

El crecimiento no es lineal.

Cada nueva variable multiplica el número de escenarios que deben estudiarse.

Por eso, demasiados parámetros no solo aumentan el tiempo necesario para iniciar la optimización. También aumentan el riesgo de encontrar una combinación excepcional que carece de estabilidad.

Optimización exhaustiva y optimización genética

Los programas de trading suelen ofrecer varios métodos de optimización.

Los dos más conocidos son la optimización exhaustiva y la optimización genética.

Optimización exhaustiva

La optimización exhaustiva analiza todas las combinaciones posibles dentro de los rangos definidos.

Su principal ventaja es la cobertura.

Ninguna configuración queda fuera del estudio, siempre que se encuentre dentro de los límites elegidos.

Este método resulta claro cuando el número de variables es pequeño.

Sin embargo, puede volverse lento cuando se añaden muchos valores.

Si existen cientos de miles de combinaciones, probar todas las combinaciones puede exigir un tiempo considerable y producir una cantidad de resultados difícil de interpretar.

Más pruebas no siempre significan más conocimiento.

En algunos casos, solo generan más oportunidades de seleccionar un resultado casual.

Optimización genética

La optimización genética utiliza un proceso de búsqueda inspirado en mecanismos evolutivos.

En lugar de revisar todas las combinaciones de parámetros, explora una parte del espacio y conserva las configuraciones que parecen más prometedoras según una función objetivo.

Esto reduce el tiempo de cálculo.

También significa que no se evalúa cada posibilidad.

El método algorítmico selecciona, combina y descarta configuraciones durante varias generaciones para acercarse a zonas con buenos resultados.

Puede resultar útil en espacios de búsqueda grandes, pero no elimina el riesgo de sobreajuste.

Una búsqueda más rápida sigue siendo una búsqueda dentro del mismo conjunto de datos.

Qué es una función objetivo

La función objetivo determina qué considera el programa como un buen resultado.

Puede buscar maximizar:

• El beneficio neto.

• El profit factor.

• El factor de recuperación.

• La expectativa.

• La relación entre beneficio y drawdown.

• La rentabilidad ajustada al riesgo.

• Una métrica personalizada.

Esta elección cambia el resultado de la optimización.

Un sistema seleccionado por beneficio neto puede ser muy diferente de otro seleccionado por estabilidad o por drawdown.

No existe una función objetivo universal.

Cada una dirige la búsqueda hacia un tipo concreto de configuración.

Por eso, la pregunta no es solo qué combinación ganó.

También importa entender qué se le pidió al programa que considerase una victoria.

Una estrategia puede maximizar su rendimiento histórico porque asumió un riesgo significativo, concentró los beneficios en pocas operaciones o dependió de una etapa concreta.

La cifra final no explica por sí sola la calidad del proceso.

El mapa de optimización y la sensibilidad de los parámetros

Un mapa de optimización representa cómo cambian los resultados al modificar dos o más parámetros.

En lugar de revisar una lista aislada de configuraciones, permite observar zonas de comportamiento.

Mediante los mapas de optimización, es posible detectar si los buenos resultados aparecen en una región amplia o en un punto muy estrecho.

Una región estable suele mostrar varios conjuntos cercanos con un comportamiento parecido.

Un pico aislado presenta el patrón contrario.

Solo una combinación funciona bien y los valores situados alrededor empeoran de forma brusca.

Ese pico puede resultar atractivo porque muestra el mejor resultado.

También puede ser una señal de fragilidad.

La robustez de un sistema no depende de encontrar el máximo absoluto. Depende, entre otros factores, de que pequeños cambios no destruyan por completo su lógica.

La muestra de datos condiciona el resultado

Toda optimización depende de una muestra de datos.

Esa muestra contiene determinadas condiciones de mercado y excluye otras.

Puede incluir:

• Periodos alcistas.

• Tendencias bajistas.

• Mercados laterales.

• Alta volatilidad.

• Baja volatilidad.

• Crisis.

• Cambios de política monetaria.

• Etapas de liquidez reducida.

Si la muestra contiene principalmente tendencias fuertes, un sistema tendencial puede parecer especialmente eficaz.

Si predomina un entorno lateral, una lógica de reversión a la media puede destacar.

Esto no demuestra que el sistema vaya a conservar el mismo comportamiento cuando cambie el entorno.

También existe un problema con el timeframe.

Una estrategia puede ofrecer resultados consistentes en gráficos de una hora y deteriorarse en timeframes cercanos. Puede funcionar en un activo, pero fallar al aplicarse a mercados con una microestructura diferente.

La dependencia excesiva de una muestra concreta puede quedar oculta tras una curva de capital convincente.

Datos históricos y calidad del backtest

El resultado de una optimización nunca será mejor que la calidad de los datos históricos utilizados.

Los errores en precios, spreads, comisiones, deslizamientos o horarios pueden producir una imagen poco realista.

Esto es especialmente importante en estrategias que:

• Operan con mucha frecuencia.

• Buscan movimientos pequeños.

• Utilizan stops ajustados.

• Dependen de una ejecución rápida.

• Operan durante noticias.

• Mantienen posiciones pocos segundos o minutos.

Un backtest puede mostrar operaciones rentables que habrían sido difíciles de ejecutar en condiciones reales.

También puede ignorar ampliaciones de spread, huecos, falta de liquidez o diferencias entre el precio teórico y el precio disponible.

Cuando una pequeña variación en costes convierte el sistema en perdedor, la supuesta ventaja puede ser demasiado débil.

Pruebas fuera de muestra y out-of-sample

Las pruebas fuera de muestra utilizan datos que no participaron en la selección de los parámetros.

También se conocen como pruebas out-of-sample.

La lógica es sencilla.

Si una estrategia solo ofrece buenos resultados sobre la parte utilizada para ajustarla, no existe evidencia de que su comportamiento sea generalizable.

Separar el conjunto de datos permite comparar dos etapas:

• La fase de desarrollo.

• La fase de evaluación independiente.

La segunda parte actúa como información no vista.

Aun así, una prueba fuera de muestra no garantiza que el sistema sea válido.

También puede verse afectada por casualidad, selección de periodos o repetición excesiva del análisis.

Si el trader prueba, modifica y vuelve a probar utilizando siempre el mismo bloque out-of-sample, ese bloque deja de ser realmente independiente.

Pasa a formar parte indirecta del proceso de optimización.

Walk-forward y adaptación temporal

El análisis walk-forward divide los datos en varios periodos consecutivos.

En cada ciclo se utiliza una sección para ajustar el sistema y otra posterior para observar su comportamiento.

Después, la ventana avanza.

Este enfoque intenta representar una situación más cercana al uso real de una estrategia.

En el mercado, los parámetros se estiman con información pasada y se aplican a un periodo futuro desconocido.

El walk-forward reproduce esta secuencia varias veces.

Su utilidad está en mostrar cómo habría respondido la estrategia al atravesar diferentes condiciones del mercado.

También puede revelar una dependencia excesiva de la recalibración.

Si un sistema necesita cambios constantes para seguir funcionando, su aparente adaptabilidad puede esconder una ventaja débil o inestable.

Robustez de un sistema de trading

La robustez describe la capacidad de un sistema para mantener un comportamiento razonable cuando cambian los datos, los costes, los parámetros o las condiciones de mercado.

No significa que el rendimiento sea idéntico en todos los casos.

Tampoco significa que el sistema nunca tenga drawdowns.

Un sistema robusto puede sufrir pérdidas y periodos débiles.

La diferencia es que su lógica no desaparece por una variación mínima.

Al medir la robustez, suelen observarse aspectos como:

• Sensibilidad a los parámetros.

• Rendimiento en distintos periodos.

• Comportamiento en datos no vistos.

• Efecto de comisiones y deslizamiento.

• Distribución de operaciones.

• Dependencia de pocas ganancias.

• Respuesta en diferentes condiciones.

• Diferencia entre simulación y mercado real.

Una estrategia con una curva menos atractiva puede presentar una estructura más estable.

Otra con resultados históricos extraordinarios puede depender de un número reducido de operaciones difíciles de repetir.

Métricas que pueden ofrecer una imagen incompleta

Las métricas ayudan a analizar los resultados, pero ninguna explica por sí sola la calidad de una estrategia.

Profit y beneficio neto

El profit muestra cuánto ganó el sistema durante el periodo estudiado.

Es una cifra fácil de entender, aunque puede ocultar el riesgo asumido para obtenerla.

Dos sistemas pueden producir el mismo beneficio.

Uno puede hacerlo con un drawdown moderado y muchas operaciones. El otro puede depender de pocas ganancias grandes y soportar pérdidas profundas.

El resultado final es igual, pero la experiencia y el riesgo son muy distintos.

Drawdown máximo

El drawdown máximo representa la mayor caída desde un máximo de capital hasta el mínimo posterior.

Es una métrica importante, pero depende del periodo analizado.

Un histórico limitado puede no contener el peor escenario posible.

También puede subestimar la presión psicológica y financiera de una secuencia prolongada de pérdidas.

Factor de recuperación

El factor de recuperación relaciona el beneficio con el drawdown.

Puede ayudar a comparar sistemas, pero sigue dependiendo de los datos disponibles.

Un valor alto puede caer rápidamente cuando se añaden costes, se amplía la muestra o cambia la volatilidad.

Tasa de acierto

Una tasa de acierto elevada no garantiza rentabilidad.

Una estrategia puede ganar en muchas operaciones y perder una cantidad muy grande cuando falla.

Otra puede tener una tasa baja y ser rentable gracias a una relación favorable entre riesgo y recompensa.

La cifra necesita contexto.

Expectativa

La expectativa estima el resultado medio por operación.

Combina la frecuencia de ganancias, la frecuencia de pérdidas y el tamaño medio de ambas.

Es una medida útil, aunque puede verse distorsionada por valores extremos o por un número pequeño de operaciones.

La trampa del mejor conjunto de parámetros

El mejor conjunto de parámetros suele destacar en la tabla de resultados.

Tiene el beneficio más alto, el drawdown más bajo o la función objetivo más favorable.

Por eso resulta natural seleccionarlo.

Sin embargo, elegir automáticamente el primer resultado equivale a asumir que el pasado identificó con precisión la configuración futura.

Esa suposición puede ser peligrosa.

La combinación ganadora pudo beneficiarse de:

• Unas pocas operaciones extraordinarias.

• Un periodo de mercado muy concreto.

• Un nivel de stop que evitó pérdidas por escaso margen.

• Una salida que coincidió con varios máximos históricos.

• Un horario especialmente favorable durante la muestra.

• Un coste de ejecución poco realista.

Una diferencia mínima puede separar el primer resultado del resto.

En trading real, esa diferencia puede desaparecer con un pequeño deslizamiento.

Ajustar una estrategia después de cada pérdida

Una racha negativa no demuestra automáticamente que el sistema haya dejado de funcionar.

Tampoco demuestra que los parámetros deban cambiar.

Los traders suelen reaccionar con rapidez cuando el rendimiento reciente empeora.

Reducen un stop. Cambian un filtro. Añaden una condición. Eliminan una franja horaria. Sustituyen una media móvil.

La modificación puede aliviar la incomodidad porque produce una nueva versión del sistema.

Pero también puede ser una reacción a ruido normal.

Cualquier estrategia con expectativa positiva puede atravesar periodos de pérdidas.

Si se ajusta después de cada drawdown, el sistema nunca permanece estable durante tiempo suficiente para comprender su comportamiento.

La optimización continua puede convertirse en una forma de evitar la incertidumbre.

No optimizar también tiene consecuencias

El extremo contrario consiste en asumir que una estrategia permanecerá válida indefinidamente.

Los mercados cambian.

Cambian los costes, los participantes, la liquidez, la volatilidad y la velocidad con la que se incorpora la información.

Un sistema construido para un entorno de mercado puede perder eficacia en otro.

Esto no significa que todos los cambios sean permanentes ni que cualquier deterioro exija una revisión.

Significa que los resultados pasados no constituyen una garantía.

Ignorar por completo la evolución del sistema puede ocultar cambios en:

• La frecuencia de oportunidades.

• El tamaño medio de las operaciones.

• La duración de las posiciones.

• El comportamiento del drawdown.

• La relación entre riesgo y retorno.

• La distribución de ganancias y pérdidas.

• La sensibilidad a los costes.

La dificultad está en diferenciar una fluctuación normal de un cambio relevante.

Optimización de estrategias de trading discrecional

La optimización no pertenece únicamente al trading automático.

Un trader discrecional también ajusta su proceso.

Puede modificar los mercados que opera, la hora de entrada, el tamaño de posición, el tipo de configuración o las condiciones que considera válidas.

La diferencia es que estas reglas no siempre están codificadas.

Eso dificulta su análisis.

Cuando los criterios son vagos, resulta fácil reinterpretar operaciones pasadas y justificar decisiones con información que solo estaba disponible después.

Un programa de trading ejecuta reglas definidas.

Un operador discrecional puede cambiar su interpretación sin darse cuenta.

Por eso, la optimización discrecional también está expuesta al sobreajuste, aunque sea menos visible.

La relación entre optimización y gestión del riesgo

La gestión del riesgo forma parte del rendimiento de una estrategia.

Cambiar el stop-loss, el take profit o el tamaño de la posición altera la distribución de resultados.

También puede cambiar el perfil psicológico y financiero del sistema.

Un stop más amplio puede aumentar la tasa de acierto, pero elevar la pérdida media.

Un stop más estrecho puede reducir cada pérdida, aunque genere más salidas antes de que el movimiento se desarrolle.

Un objetivo más lejano puede mejorar la relación teórica entre riesgo y recompensa, pero reducir la frecuencia con la que se alcanza.

No existe un valor aislado que sea correcto para todos los mercados y escenarios.

Cada ajuste modifica varias características a la vez.

Por eso, maximizar una métrica puede empeorar otra.

Cuándo la optimización empieza a perder sentido

La optimización puede dejar de aportar información cuando el sistema contiene tantas reglas que resulta difícil explicar su lógica.

También cuando cada problema histórico conduce a una nueva excepción.

Por ejemplo:

• No operar los lunes por una serie de pérdidas.

• Evitar una hora concreta por tres operaciones negativas.

• Cambiar el periodo de un indicador para excluir una entrada.

• Añadir un filtro de volatilidad después de un mal mes.

• Crear reglas diferentes para cada activo.

Cada cambio puede parecer razonable de forma aislada.

En conjunto, producen un sistema diseñado para evitar acontecimientos que ya se conocen.

La complejidad no demuestra calidad.

A veces solo demuestra cuánto se ha estudiado el pasado.

El desarrollo de un sistema y el sesgo del creador

Durante el desarrollo de un sistema, el trader no actúa como un observador neutral.

Tiene expectativas.

Quiere encontrar una estrategia rentable. Quiere justificar el tiempo invertido. Quiere que el último cambio funcione.

Estos incentivos influyen en la interpretación de los resultados.

Una configuración mediocre puede descartarse con rapidez. Una configuración prometedora puede recibir más pruebas, más ajustes y más oportunidades.

Después de suficiente trabajo, el creador puede terminar encontrando exactamente lo que esperaba encontrar.

Este sesgo no requiere manipulación consciente.

Aparece porque cada decisión sobre datos, mercados, periodos, filtros y métricas abre una nueva oportunidad para seleccionar el resultado más favorable.

La documentación como registro del proceso

Una tabla final no muestra cómo se llegó a una estrategia.

No revela cuántas variantes se descartaron, qué reglas se probaron ni cuántas veces se reutilizó la misma muestra.

Ese recorrido importa.

Como señala Daniel Martin, documentar cada paso como en un laboratorio permite conservar información sobre qué funcionó, qué no funcionó y en qué momento se tomó cada decisión.

Sin ese registro, solo queda el resultado final.

Y un resultado sin contexto puede parecer más sólido de lo que realmente es.

Es parecido a observar una combinación ganadora sin conocer todos los intentos anteriores.

La cifra final existe, pero no explica la probabilidad de haber llegado hasta ella por casualidad.

Plataformas, herramientas y referencias del sector

Herramientas como MetaTrader 5 y TradeStation permiten realizar optimizaciones, comparar parámetros y ejecutar pruebas históricas.

Su capacidad de cálculo facilita el estudio de sistemas, pero no interpreta por sí sola la calidad de una estrategia.

El software puede identificar la combinación que maximiza una función objetivo.

No puede decidir automáticamente si esa combinación representa una ventaja repetible.

Dentro de la formación sobre sistemas algorítmicos también aparecen referencias como Sergi Sánchez y Sersan Sistemas, especialmente en contenidos relacionados con desarrollo, backtesting y optimización.

Estas fuentes pueden aportar marcos técnicos distintos.

Aun así, ninguna plataforma, curso o metodología elimina la incertidumbre inherente al mercado.

La herramienta ejecuta las instrucciones que recibe.

La validez de las conclusiones depende del diseño del análisis.

Preguntas que revela una optimización

La optimización puede mostrar mucho más que una lista de parámetros ganadores.

También puede plantear preguntas incómodas:

• ¿El sistema depende de una sola condición de mercado?

• ¿La mayor parte del profit procede de pocas operaciones?

• ¿Los resultados cambian demasiado al mover un parámetro?

• ¿La estrategia funciona únicamente en un activo?

• ¿El resultado sobrevive a costes más realistas?

• ¿El rendimiento se mantiene fuera de la muestra?

• ¿La lógica sigue teniendo sentido económico?

• ¿El sistema necesita demasiadas excepciones?

• ¿Los datos contienen suficientes operaciones?

• ¿La configuración fue elegida por robustez o por beneficio máximo?

Estas preguntas no ofrecen una garantía.

Sirven para entender qué tipo de resultado se está observando.

La realidad de la optimización continua

Ninguna estrategia queda terminada para siempre.

Eso no significa que deba cambiarse de forma constante.

Significa que el comportamiento del sistema, las condiciones de mercado y la calidad de la ejecución siguen generando nueva información.

Daniel Martin resume esta idea desde su propia experiencia: después de 24 años, continúa observando formas de mejorar su estrategia.

No busca perfección.

Busca aprender más y entender mejor qué afecta a sus resultados.

Esa distinción es importante.

La perfección intenta eliminar la incertidumbre.

La mejora acepta que la incertidumbre seguirá presente.

Reflexión final sobre optimizar un sistema de trading

La optimización es un proceso esencial para cualquier trader que quiera comprender cómo responde su sistema ante cambios de parámetros, datos y escenarios.

También es una de las fases donde resulta más fácil engañarse con resultados históricos.

Un backtest excelente puede ocultar fragilidad.

El mayor profit puede proceder de una anomalía.

Una configuración precisa puede ser menos fiable que una zona amplia de resultados razonables.

La pregunta central no es si un programa puede encontrar parámetros rentables.

Puede hacerlo.

La cuestión es qué representan esos parámetros y cuánto dependen de la muestra utilizada para encontrarlos.

La mayoría de los traders no se estancan porque nunca intenten optimizar.

Se estancan porque confunden un pasado más atractivo con una estrategia mejor.

La optimización no elimina el riesgo, no predice el futuro y no convierte un sistema en perfecto.

Expone cómo se comportó bajo unas condiciones determinadas.

Comprender los límites de esa información es tan importante como analizar los resultados.

Daniel Martin | Trader

(8.1)