TARGETHIT!

Más

Comunidad

Tema

Idioma

Escuela de trading cuantitativo/Validación/Pruebas de estrés: Monte Carlo y más allá
Validación11 min de lectura

Pruebas de estrés: Monte Carlo y más allá

¿Sobrevivirá tu estrategia a un cisne negro?

Pruebas de estrés: Monte Carlo y más allá

Tu estrategia sobrevive a tu backtest. Las métricas se ven bien a lo largo de miles de operaciones y de varias ventanas walk-forward. Pero ¿sobrevivirá a un evento de cisne negro?

Los backtests te muestran un camino posible a lo largo de la historia. La realidad podría haberse desarrollado de otra manera. La simulación de Monte Carlo y otras técnicas de prueba de estrés te muestran el rango de resultados posibles, incluidos los malos que no ocurrieron en tus datos históricos concretos.

¿Qué es la simulación de Monte Carlo?

La simulación de Monte Carlo es una técnica para entender la incertidumbre ejecutando muchas simulaciones aleatorizadas.

En trading, la aplicación más común es aleatorizar el orden de las operaciones. Tu backtest produjo una secuencia de operaciones que ocurrieron en un orden específico. Pero ese orden fue en parte arbitrario. ¿Y si las operaciones perdedoras se hubieran agrupado de otra manera? ¿Y si hubieras llegado antes a tu peor drawdown, cuando tu cuenta era más pequeña?

La simulación de Monte Carlo mezcla tu secuencia de operaciones miles de veces y calcula las métricas de cada mezcla. En vez de una sola curva de patrimonio, obtienes miles de curvas de patrimonio posibles, todas con tus mismas operaciones, pero en distinto orden.

Esta distribución de resultados te muestra lo que podría haber pasado, no solo lo que sí pasó.

Aleatorizar el orden de las operaciones

El enfoque de Monte Carlo más simple toma tu lista de operaciones y la mezcla al azar. Pasa la secuencia mezclada por tu lógica de curva de patrimonio. Registra el drawdown máximo, el patrimonio final y otras métricas. Repite 1,000 o más veces.

Ahora tienes una distribución de drawdowns máximos en vez de un solo número. Quizá tu backtest mostró un drawdown máximo del 18%, pero el 5% de las simulaciones de Monte Carlo mostró drawdowns superiores al 35%. Eso te dice que un drawdown del 35% era perfectamente posible con la ventaja (edge) que de verdad tienes.

Esto es crucial para el tamaño de posición. Si dimensionaste tus posiciones para un drawdown máximo del 18% y en realidad sufriste uno del 35%, podrías quemar la cuenta. Monte Carlo te muestra los riesgos de cola.

El supuesto aquí es que las operaciones son independientes, es decir, que el resultado de una operación no afecta a la siguiente. Para muchas estrategias, esto es aproximadamente cierto. Para estrategias con correlación serial entre operaciones, necesitas una simulación más sofisticada.

Distribuciones de probabilidad del drawdown

Los resultados de Monte Carlo te permiten responder preguntas como: ¿cuál es la probabilidad de un drawdown del 30%? ¿Y del 40%? ¿Del 50%?

Grafica la distribución de los drawdowns máximos de tus simulaciones. El drawdown del percentil 95 te dice el peor caso para el que deberías planificar razonablemente. Si el 95% de las simulaciones se mantuvo por encima de -25% y solo el 5% lo superó, puedes fijar -25% como tu umbral de planificación de riesgo.

Esto es mucho más útil que una sola cifra de drawdown del backtest. El trading real enfrentará secuencias de operaciones distintas de la que mostró tu backtest. Planificar para el peor 5% de las secuencias es una gestión de riesgo prudente.

También puedes examinar las distribuciones de la duración de los drawdowns. ¿Cuánto tiempo estuviste por debajo de tu máximo en cada simulación? Algunas estrategias tienen drawdowns poco profundos que duran una eternidad; otras tienen drawdowns profundos que se recuperan rápido. Entender el perfil de drawdown de tu estrategia te ayuda a prepararte psicológicamente.

Pruebas de estrés por régimen

Monte Carlo pone a prueba lo que podría haber pasado con las operaciones que de verdad tienes. Las pruebas de estrés por régimen plantean otra pregunta: ¿qué pasa si cambian las condiciones del mercado?

Puede que tu estrategia se haya probado en backtest sobre todo en mercados alcistas o sobre todo en mercados en rango. ¿Cómo se comporta en condiciones fuera de tu periodo de backtest?

Un enfoque es identificar periodos históricos con características extremas, como desplomes severos, subidas explosivas o picos de volatilidad, y ver cómo rindió tu estrategia durante esos momentos concretos. Si tu periodo de backtest no incluyó un desplome como el de marzo de 2020, prueba manualmente contra ese periodo.

Otro enfoque es crear condiciones extremas de forma sintética. Toma las operaciones de tu backtest y pregúntate: ¿y si cada operación perdedora hubiera sido un 50% peor? ¿Y si las operaciones ganadoras hubieran sido un 30% más pequeñas? Así acotas tu desempeño en escenarios adversos.

Nuestras pruebas por régimen se centran en el filtrado por régimen de BTC. Las estrategias se evalúan por separado en regímenes alcistas, regímenes bajistas y regímenes laterales. Una estrategia que solo funciona en mercados alcistas no es inválida, pero necesitas conocer sus limitaciones.

Cuándo apagar una estrategia

Hacer pruebas de estrés ayuda a responder la pregunta más difícil del trading cuantitativo: ¿cuándo abandonas una estrategia?

Toda estrategia tiene periodos de pérdidas. La pregunta es si esas pérdidas caen dentro de los parámetros esperados o son una señal de que la ventaja desapareció.

Si tu simulación de Monte Carlo mostró un 5% de probabilidad de un drawdown del 30% y sufres un drawdown del 30%, eso está dentro de lo esperado. Sigues operando. Si sufres un drawdown del 50% que solo el 0.1% de las simulaciones predijo, es probable que algo haya cambiado. Puede que la estrategia haya dejado de funcionar.

Fijamos criterios explícitos de apagado antes de poner en marcha cualquier estrategia. Un drawdown más allá del percentil 99 de las simulaciones de Monte Carlo activa una revisión. Un desempeño por debajo del percentil 10 de los resultados esperados durante periodos prolongados activa una revisión. Una racha de operaciones perdedoras consecutivas que supere lo esperado en más de 3 desviaciones estándar activa una revisión.

Tener criterios definidos de antemano saca la emoción de la decisión. Cuando estás en drawdown, puedes comparar el desempeño actual con los parámetros esperados en vez de entrar en pánico o aferrarte a la esperanza.

Implementación práctica de las pruebas de estrés

Este es un proceso de Monte Carlo simplificado:

Exporta las operaciones de tu backtest como una lista con la ganancia/pérdida de cada operación. Escribe un script que mezcle esta lista al azar y luego simule el crecimiento del patrimonio a partir de US$ 10,000 (o el capital inicial que sea). Calcula el drawdown máximo y el patrimonio final. Repite 5,000 veces. Grafica la distribución de los resultados.

Entre los enfoques más sofisticados están el bootstrapping (remuestreo con reemplazo), el bootstrapping por bloques (que conserva parte de la agrupación de las operaciones) y la simulación paramétrica (que modela los rendimientos de las operaciones como una distribución y toma muestras de ella).

Para las pruebas por régimen, segmenta tus operaciones según la condición del mercado y analiza el desempeño por separado. Luego haz pruebas de estrés reduciendo el tamaño de las operaciones ganadoras o aumentando el de las perdedoras para ver la sensibilidad.

Puntos clave

La simulación de Monte Carlo aleatoriza el orden de las operaciones para mostrar el rango de resultados posibles, no solo lo que pasó en tu backtest. Las distribuciones de probabilidad del drawdown revelan riesgos de cola que las cifras únicas del backtest ocultan. Planifica para el drawdown del percentil 95, no para el drawdown del backtest. Las pruebas de estrés por régimen examinan el desempeño en condiciones fuera de tu periodo principal de backtest. Fija criterios explícitos de apagado antes de poner en marcha la estrategia para poder evaluar los drawdowns con objetividad.

Con esto termina el nivel de Validación. Ahora entiendes por qué mienten los backtests, cómo el sesgo de anticipación y el sobreajuste crean ventajas falsas, cómo la validación walk-forward revela la verdad, por qué importa el tamaño de muestra, en qué métricas confiar y cómo hacer pruebas de estrés para los riesgos de cola. A continuación pasamos a Descubrimiento, donde aprenderás a encontrar de forma sistemática ventajas que superen todos estos filtros de validación.