Validación walk-forward
Esta es la técnica que separa los backtests de aficionado de la validación de nivel institucional.
Una simple división entre entrenamiento y prueba puede engañarte. Optimizas con los datos de entrenamiento, pruebas con los datos de prueba y, si los resultados se ven bien, cantas victoria. Pero ese único periodo de prueba podría ser simplemente un golpe de suerte. La validación walk-forward pone a prueba tu estrategia en muchos periodos de tiempo distintos, lo que te da mucha más confianza en que la ventaja (edge) es real.
¿Qué es la validación walk-forward?
La validación walk-forward simula lo que de verdad ocurre cuando desarrollas y pones en marcha una estrategia de trading a lo largo del tiempo.
Este es el proceso: tomas tus datos históricos y los divides en segmentos. En el primer segmento, optimizas los parámetros de tu estrategia con la parte de entrenamiento y luego pruebas en el periodo siguiente. Registra los resultados. Después avanza en el tiempo, vuelve a optimizar con nuevos datos de entrenamiento y prueba en el próximo periodo. Repite hasta recorrer todos tus datos.
La clave es que nunca pruebas con datos que influyeron en la optimización. Cada periodo de prueba está verdaderamente fuera de muestra respecto al entrenamiento que produjo esos parámetros específicos.
Esto imita la realidad. En el trading en vivo, desarrollas tu estrategia con datos históricos, la pones en marcha y se enfrenta a datos futuros verdaderamente desconocidos. La validación walk-forward replica este proceso muchas veces a lo largo de tu conjunto de datos históricos.
Por qué no basta con una división entre entrenamiento y prueba
Una sola división entre entrenamiento y prueba tiene un problema fundamental: no tienes idea de si tu periodo de prueba fue representativo.
Quizá tu periodo de prueba coincidió con un régimen especialmente favorable para tu estrategia. Quizá la pura suerte produjo unas cuantas operaciones ganadoras de más. Tienes exactamente un dato sobre el desempeño fuera de muestra, y eso no te dice casi nada sobre si la estrategia funcionará en el futuro.
La validación walk-forward te da muchos datos. Si tu estrategia rinde bien en 10 o 20 periodos de prueba distintos, cada uno después de su propia optimización, tienes una evidencia mucho más sólida de que la ventaja es real.
Además, una sola división no tiene en cuenta la deriva de los parámetros. Los parámetros óptimos pueden cambiar con el tiempo a medida que evolucionan los mercados. La validación walk-forward te permite volver a optimizar periódicamente, lo que representa mejor cómo gestionarías de verdad la estrategia en vivo.
El enfoque de ventana móvil
La implementación de walk-forward más común usa ventanas móviles.
Define la longitud de tu ventana de entrenamiento, por ejemplo 12 meses de datos. Define la longitud de tu ventana de prueba, por ejemplo 3 meses. Define el tamaño del paso, es decir, cuánto avanzar entre iteraciones.
Desde el principio de tus datos: entrena con los meses 1-12 y prueba con los meses 13-15. Luego entrena con los meses 4-15 (desplazados en 3) y prueba con los meses 16-18. Continúa hasta que se te acaben los datos.
Cada iteración produce un conjunto de operaciones ejecutadas durante la ventana de prueba con parámetros optimizados solo con datos anteriores. Reúne todas estas operaciones de los periodos de prueba para obtener tu desempeño walk-forward.
Una variante es el walk-forward anclado, en el que la ventana de entrenamiento crece con el tiempo pero siempre empieza desde el principio. Entrena con los meses 1-12 y prueba con los meses 13-15. Luego entrena con los meses 1-15 y prueba con los meses 16-18. Así se incorpora todo el historial disponible en cada optimización.
Cómo implementarlo
Implementar la validación walk-forward requiere reestructurar tu forma de pensar el backtesting.
Primero, separa tu lógica de optimización de tu lógica de pruebas. Necesitas poder ejecutar un optimizador sobre cualquier rango de fechas y obtener parámetros óptimos, y luego ejecutar un backtest con parámetros fijos sobre cualquier otro rango de fechas.
Segundo, crea un bucle que recorra el tiempo. En cada paso, llama al optimizador sobre la ventana de entrenamiento, captura los parámetros y luego llama al backtest sobre la ventana de prueba con esos parámetros. Guarda los resultados.
Tercero, combina los resultados de todas las ventanas de prueba. Esto te da el verdadero desempeño walk-forward, el agregado de todos los periodos fuera de muestra.
El costo computacional es considerable. Si tienes 100 combinaciones de parámetros y ejecutas 20 iteraciones walk-forward, estás ejecutando 2,000 optimizaciones más 20 pruebas. Por eso los equipos cuantitativos serios cuentan con infraestructura de cómputo.
Cómo interpretar los resultados walk-forward
Los resultados walk-forward te dicen varias cosas importantes.
El desempeño walk-forward global es la métrica principal. Si la estrategia es rentable en el conjunto de todas las ventanas de prueba, tienes evidencia de una ventaja real. Si no es rentable, lo más probable es que la ventaja esté sobreajustada a periodos históricos específicos.
La consistencia entre ventanas importa casi tanto como el desempeño total. Una estrategia que muestra resultados sólidos en 15 de 20 ventanas es más robusta que una que muestra resultados increíbles en 5 ventanas y pérdidas en las otras 15.
La estabilidad de los parámetros revela el riesgo de sobreajuste. Si los parámetros óptimos son radicalmente distintos de una ventana de entrenamiento a la siguiente, es probable que la estrategia se esté ajustando al ruido. Las estrategias robustas muestran parámetros óptimos relativamente estables a lo largo del tiempo.
La degradación con el tiempo es una señal de advertencia. Si la estrategia rindió bien en las primeras ventanas pero mal en las recientes, puede que las condiciones del mercado hayan cambiado de maneras que invalidaron la ventaja.
Nuestro proceso walk-forward
En TargetHit, cada ventaja pasa por la validación walk-forward antes de ponerse en marcha.
Usamos un enfoque de ventana móvil con aproximadamente 1,100 días de datos históricos. Cada ventaja se optimiza con la parte de entrenamiento y luego se prueba con los datos posteriores. Exigimos un desempeño consistente en todas las ventanas walk-forward, no solo buenos resultados agregados.
La tasa de acierto walk-forward es nuestra principal métrica de validación. Una ventaja puede mostrar una tasa de acierto del 90% dentro de la muestra, pero si la validación walk-forward muestra un 65%, usamos el 65% como nuestra expectativa para el trading en vivo. El número walk-forward está más cerca de la realidad.
Las ventajas que superan la validación walk-forward todavía pasan por pruebas adicionales, pero el walk-forward es el primer gran filtro. La mayoría de las ventajas descubiertas fracasan en esta etapa.
Puntos clave
La validación walk-forward pone a prueba las estrategias en varios periodos fuera de muestra, optimizando en ventanas de entrenamiento móviles y probando con los datos posteriores. Una sola división entre entrenamiento y prueba no basta, porque no sabes si tu periodo de prueba fue representativo. Implementa el walk-forward como un bucle que optimiza, prueba y avanza una y otra vez. Evalúa el desempeño total, la consistencia entre ventanas, la estabilidad de los parámetros y si el desempeño se degrada con el tiempo. Los resultados walk-forward están más cerca del desempeño en vivo que los backtests dentro de la muestra.
A continuación, abordaremos la cuestión del tamaño de muestra: ¿cuántas operaciones necesitas realmente antes de poder confiar en una estrategia?