Backtesting Explicado: 10 Errores Que Hacen Que los Resultados Se Vean Mejores

Una prueba retrospectiva es el gráfico más persuasivo en toda la inversión. Tomas una regla de trading, la aplicas sobre diez años de precios históricos, y sale una curva de capital suave que asciende desde la esquina inferior izquierda hasta la esquina superior derecha. Parece una prueba. Se siente como una prueba. Y, más a menudo de lo que piensas, es una ilusión que construiste para ti mismo sin darte cuenta.

Esa es la incómoda verdad sobre la prueba retrospectiva de una estrategia de inversión: el proceso está diseñado para entregarte una respuesta alentadora, porque sigues ajustando la regla hasta que la respuesta te anime. Las matemáticas son reales; la disciplina es lo que generalmente falta. Una prueba retrospectiva puede decirte algo genuinamente útil —pero solo si sabes exactamente qué puede y qué no puede probar, y solo si buscas activamente los errores que hacen que los resultados se vean mucho mejor de lo que cualquier mercado en vivo te pagaría alguna vez.

Esta guía cubre ambos aspectos. Primero, lo que una prueba retrospectiva realmente demuestra. Luego, diez maneras en que una prueba retrospectiva de acciones se infla silenciosamente —desde el sesgo de anticipación hasta tratar una curva histórica como una predicción— con la trampa y la solución explicadas para cada una. Léelo antes de confiar en la próxima hermosa curva de capital que alguien te muestre, incluida una que dibujaste tú mismo.

Lo que una prueba retrospectiva puede —y no puede— probar#

Una prueba retrospectiva es una prueba de hipótesis, no una bola de cristal. Si se realiza correctamente, puede decirte que una regla habría producido ciertos resultados en un segmento específico de la historia bajo un conjunto específico de supuestos. Eso es genuinamente valioso —es una forma económica de rechazar malas ideas antes de que te cuesten dinero real. Pero es una declaración sobre el pasado, formulada en tiempo condicional, y se mantiene así sin importar cuán confiable se vea el gráfico.

El cambio mental útil es de rendimiento a calibración. No estás tratando de probar que una estrategia "gana dinero." Estás tratando de entender cómo se comporta: qué tan profundas son sus caídas, cuán a menudo se equivoca, cuánto opera y bajo qué condiciones del mercado se desmorona. Una prueba retrospectiva que te enseña dónde una regla tiene dificultades vale más que una que promete un número, porque el número no sobrevivirá al contacto con el futuro y el comportamiento a menudo sí lo hará.

Lo que realmente te dice#

• Si la regla es incluso coherente e implementable con datos que realmente habrías tenido en ese momento.
• Una idea aproximada de su perfil de riesgo —volatilidad, caída máxima en el peor de los casos, rotación y los períodos en los que le va mal.
• Una forma económica de falsificar ideas: si una regla no puede sobrevivir a la historia, ciertamente no sobrevivirá al futuro.

Lo que no puede decirte#

• Qué retornará la estrategia en el futuro. Punto.
• Que el patrón que encontraste es una causa real en lugar de una coincidencia en un conjunto de datos.
• Cómo te comportarás realmente cuando llegue la caída en vivo y el gráfico ya no esté suave.

Aférrate a esa distinción, porque cada error a continuación es una forma de convertir silenciosamente "esto sucedió una vez, bajo mis supuestos" en "esto volverá a suceder, para mí."

Los 10 errores que halagan un backtest#

1. Sesgo de anticipación#

El sesgo de anticipación es el pecado cardinal del backtesting de acciones: permitir que tu estrategia "vea" información que no podría haber conocido en el momento en que operó. La versión clásica es usar las ganancias anuales completas de una empresa el 1 de enero, cuando en realidad esos números no se presentaron hasta semanas o meses después. O clasificar acciones por una métrica que se reexpresa después del hecho, utilizando el valor reexpresado.

El resultado es una estrategia que parece profética porque está haciendo trampa con el tiempo. La solución es datos en un punto en el tiempo: en cada momento simulado, la regla solo puede usar lo que era genuinamente público y final para esa fecha, con retrasos y todo. Si no puedes confirmar que tus datos respetan la línea de tiempo, asume que no lo hacen.

2. Sesgo de supervivencia#

Probar una estrategia en "las acciones en el índice hoy" durante los últimos veinte años ya la has manipulado. Las empresas que se declararon en quiebra, fueron eliminadas de la lista o colapsaron han desaparecido silenciosamente de tu universo: solo estás probando con los sobrevivientes. Naturalmente, los resultados se ven geniales; eliminaste a los perdedores antes de comenzar.

El análisis histórico real de acciones incluye a los muertos. Tu universo de prueba debe contener cada empresa que existió en cada punto en el tiempo, incluidas las que fracasaron más tarde, o tu backtest está midiendo "qué tan bien habría hecho poseyendo solo a los ganadores que ya sé que ganaron."

3. Sobreajuste#

El sobreajuste en el backtest es lo que sucede cuando sigues añadiendo reglas y ajustando parámetros hasta que la estrategia se ajusta perfectamente a los datos históricos, incluyendo el ruido aleatorio. Una regla con quince condiciones que acierta cada punto de inflexión pasado no es un descubrimiento; es una descripción elaborada de un conjunto de datos específico, memorizada.

La señal es la fragilidad: cambia ligeramente los parámetros o desplaza la ventana de prueba, y los hermosos resultados se evaporan. Una regla robusta funciona en un rango de configuraciones y períodos de tiempo, no en una combinación mágica. La simplicidad es una defensa aquí: cada parámetro adicional es otra oportunidad para ajustar ruido en lugar de señal.

4. Ignorar los costos de transacción y el deslizamiento#

Un backtest que asume que compras y vendes al precio de cierre exacto, gratis, está describiendo un mercado que no existe. Las operaciones reales pagan comisiones, cruzan el diferencial de compra-venta y sufren deslizamiento: la diferencia entre el precio que esperabas y el precio que obtuviste, que se amplía exactamente cuando más quieres operar.

Las matemáticas son brutales para las estrategias activas. Supón que una regla rota su cartera 50 veces al año y cada operación de ida y vuelta cuesta 0.2% una vez que agregas el diferencial y el deslizamiento. Eso es 50 × 0.2% = 10 puntos porcentuales de retorno entregados al mercado cada año, a menudo suficiente para convertir una estrella en un backtest en un perdedor con dinero real. Siempre modela costos realistas y sé especialmente escéptico de las estrategias de alta frecuencia cuyo margen es más delgado que su factura de operaciones.

5. Mala calidad de datos#

Basura entra, basura de aspecto hermoso sale. Ajustes por divisiones aplicados de manera inconsistente, dividendos ignorados, ticks incorrectos, tickers mal etiquetados y precios que no tienen en cuenta acciones corporativas corrompen silenciosamente un backtest, generalmente en la dirección halagadora, porque notas y eliminas los errores que perjudican tus resultados mucho más fácilmente que los que ayudan.

Antes de confiar en cualquier salida, verifica los datos en sí: de dónde provienen, cómo manejan las divisiones y los dividendos, y si han sido auditados contra una fuente primaria. Una estrategia es tan confiable como los números que la sustentan, y "los datos parecían bien" no es lo mismo que verificar.

6. Fechas de inicio y fin seleccionadas#

Inicia un backtest en marzo de 2009 y casi cualquier cosa que compre acciones se ve brillante, porque comenzaste en un mínimo generacional. Termínalo justo antes de un colapso que tu regla habría capturado con toda su fuerza, y se ve defensivo. Mueve cualquiera de los límites unos meses y la historia puede invertirse.

Las pruebas honestas utilizan ventanas largas y representativas que incluyen múltiples ciclos de mercado: carreras alcistas, colapsos, años laterales agitados, no un tramo seleccionado a mano que sucede a halagar la regla. Si una estrategia solo funciona entre dos fechas muy específicas, las fechas están haciendo el trabajo, no la estrategia.

7. Probar demasiadas estrategias (p-hacking)#

Realiza suficientes experimentos y la suerte por sí sola te entregará un ganador. Esta es la trampa de múltiples pruebas, y está en todas partes en la investigación cuantitativa. Prueba 20 estrategias no relacionadas contra una barra de significancia del 5% y, en promedio, esperarías que 20 × 0.05 = 1 de ellas se vea "estadísticamente significativa" puramente por suerte, incluso si cada una de ellas es inútil.

Ahora imagina probar cientos de combinaciones de parámetros y reportar solo la mejor. Eso no es investigación; es una lotería con los boletos perdedores ocultos. La disciplina es decidir qué estás probando de antemano, contar cada intento y tratar una estrategia que solo brilla después de mil intentos como ruido hasta que se demuestre lo contrario.

8. Sin validación fuera de muestra o análisis hacia adelante#

Si diseñas una regla y la pruebas en los mismos datos en los que la diseñaste, por supuesto que encaja: así la construiste. La única pregunta significativa es si se mantiene en datos que nunca ha visto. Ese es el objetivo completo de las pruebas fuera de muestra: reservar un trozo de historia contra el cual la estrategia nunca fue ajustada y ver si la ventaja sobrevive.

Mejor aún es el análisis hacia adelante: ajusta repetidamente en un período, prueba en el siguiente período sin tocar, luego avanza, imitando cómo realmente usarías la regla a lo largo del tiempo. Una estrategia que prospera en muestra y colapsa fuera de muestra no ha encontrado una señal; ha encontrado tus datos. Saltarse este paso es cómo nacen la mayoría de los backtests impresionantes.

9. Ignorar cambios de régimen#

Los mercados no son una sola máquina estable. Los entornos de tasas de interés cambian, los regímenes de volatilidad cambian, las correlaciones que se mantuvieron durante una década se rompen, y una regla que prosperó bajo un conjunto de condiciones puede dejar de funcionar silenciosamente bajo otro. Un backtest que promedia todo puede ocultar el hecho de que todos los retornos provienen de un régimen que ahora ha terminado.

Mira cuándo tu estrategia ganó dinero. Si toda la ventaja provino, digamos, de un largo período de tasas cero o de la histórica carrera de un sector, pregúntate si esas condiciones aún existen. La robustez significa que la regla se comporta de manera sensata a través de los regímenes, o al menos que sabes exactamente de qué régimen depende.

10. Tratar el rendimiento histórico como una predicción#

El error final y más seductor es el que cada aviso legal advierte y que todos cometen de todos modos: leer un retorno backtesteado como una previsión. "Esto devolvió un 18% al año durante una década" es un hecho sobre el pasado bajo tus supuestos. No es una promesa, un promedio que te corresponde, o un piso en el que puedes contar.

Un backtest establece expectativas de comportamiento, no un objetivo para los retornos. Úsalo para entender el carácter de una estrategia y poner a prueba sus puntos débiles; luego mantén tus conclusiones con cautela, porque el futuro tiene un voto y nunca ha estado obligado a rimar con el pasado.

La disciplina que separa la investigación del pensamiento ilusorio#

Nota que casi cada error mencionado arriba es una variación del mismo tema: permitir que una estrategia acceda a información que no habría tenido, o juzgarla con los mismos datos utilizados para construirla. El antídoto es una mentalidad: calibración sobre rendimiento, y disciplina fuera de muestra como un hábito innegociable.

Esta no es una opinión marginal. Académicos y profesionales que estudian inversiones cuantitativas y basadas en IA siguen volviendo a la misma lista corta de barandillas: insistir en pruebas fuera de muestra, modelar los costos de transacción de manera honesta, respetar el tiempo de señal para que no operes con datos que no tenías, y erradicar el sesgo de anticipación dondequiera que se esconda. Los detalles varían; el mensaje es notablemente consistente, y es lo opuesto a "confía en la curva". Si deseas la versión más profunda de este argumento aplicada a señales generadas por IA, nuestra guía de modo backtest muestra cómo se ve la validación disciplinada en la práctica.

Dónde encaja esto en la investigación real#

El backtesting se sitúa al lado, no por encima, de la comprensión de un negocio. Una regla puede pasar todas las pruebas estadísticas anteriores y aún así estar dirigida a empresas de las que no sabes nada, lo que es la razón por la cual la validación cuantitativa es solo una entrada, mejor emparejada con el tipo de trabajo fundamental en nuestra lista de verificación de investigación de 12 pasos. Los números te dicen cómo se ha comportado una señal; el negocio te dice si la historia subyacente es duradera.

Así es como Valarn aborda las cosas como una herramienta de investigación educativa. En lugar de una única respuesta confiada, consulta hasta aproximadamente 25 analistas de IA especialistas en cinco categorías: investigación central, estructura del mercado, un comité dedicado a debate y riesgo, revisores de calidad financiera, y cobertura de eventos, sector y macro; luego organiza un debate estructurado de toro contra oso y sintetiza una visión de investigación neutral (Optimista, Optimista Cauteloso, Neutral, Cauteloso, o Pesimista — nunca una instrucción de compra o venta). Cada afirmación fáctica es rastreable hasta un archivo o fuente licenciada con una fecha de referencia, que es la misma disciplina de punto en el tiempo que mantiene el sesgo de anticipación fuera de un backtest. Una puerta de control de calidad se ejecuta antes de que el informe llegue a ti.

Crucialmente, el informe habla el lenguaje de la calibración, no de la predicción. En lugar de un único objetivo de precio, obtienes un Rango de Escenarios — niveles de referencia bajista, base y alcista — más un Precio de Referencia y un Nivel de Riesgo. Dos puntuaciones separadas de 0–100 mantienen la honestidad visible: una puntuación de confianza que refleja la completitud y fiabilidad de los datos (no una previsión de precios), y una puntuación de acuerdo que muestra cuánto realmente convergieron los analistas. Y dado que una única ejecución es su propio tipo de muestra pequeña, Ejecuciones de Conjunto pueden volver a ejecutar todo el análisis hasta tres veces para una lectura más estable — el equivalente en investigación de no confiar en un solo sorteo de los datos. Si deseas un marco más amplio para poner a prueba cualquier salida de IA, también escribimos diez verificaciones para confiar en el análisis de acciones de IA.

Puedes ver todo esto en una empresa real en un informe de investigación de muestra completo, o navegar por una página de investigación de empresa para orientarte antes de profundizar en los archivos. Si un término te confunde en el camino, el glosario de Valarn está construido precisamente para eso.

La conclusión#

Un backtest es una herramienta para hacer una pregunta disciplinada sobre el pasado, no una máquina para predecir el futuro. Usado bien, te ayuda a rechazar malas ideas de manera económica y entender cómo se comporta una estrategia cuando las cosas salen mal. Usado descuidadamente — con sesgo de anticipación, sesgo de supervivencia, sobreajuste, costos ignorados, fechas seleccionadas y sin verificación fuera de muestra — se convierte en una forma elaborada de mentirte a ti mismo con un gráfico muy convincente.

Así que trata cada curva de acciones, incluida la tuya, como una afirmación que debe ser verificada en lugar de un resultado en el que se deba creer. Insiste en datos limpios en el tiempo, costos realistas y validación en datos que la estrategia nunca vio. Apunta a la calibración, no al rendimiento. Haz eso, y el backtesting de una estrategia de inversión se convierte en lo que debería ser: una forma de ser menos engañado, no más. ¿Curioso sobre cómo se ve un análisis verificable y honestamente cubierto? Explora un informe de muestra completo o realiza tu propio informe de investigación gratuito y califícalo en comparación con todo lo anterior.

Valarn es una herramienta de investigación educativa, no un consejo de inversión. No te dice que compres, vendas o mantengas nada, y nada de esto es una recomendación o una promesa de resultados. Siempre haz tu propia investigación y considera consultar a un profesional financiero licenciado.