🚶 Avanzando ventana por ventana en el tiempo
📈 Validación cuantitativa
Walk-forward analysis y validación cruzada: cómo probar estrategias sin engañarse
Crear una estrategia de trading que funciona sobre datos históricos es relativamente sencillo. Lo complicado es determinar si esa estrategia tiene posibilidades de seguir funcionando cuando se encuentre con datos que todavía no conoce.
Aquí es donde entran el walk-forward analysis y la validación cruzada. Ambas técnicas buscan reducir el riesgo de sobreajuste y proporcionar una evaluación más realista de los modelos cuantitativos.
El tiempo importa: no podemos tratar los datos de enero de 2025 como si fueran independientes de diciembre de 2024, y mucho menos usar información futura para decidir sobre el pasado.
❓ ¿Qué problema intenta solucionar el walk-forward?
Supongamos que desarrollamos una estrategia utilizando datos entre 2015 y 2022, ajustamos sus parámetros y después la probamos entre 2023 y 2025. Es mejor que evaluar todo el histórico, pero todavía plantea una pregunta: ¿habríamos tomado exactamente esas decisiones si estuviéramos viviendo en 2023?
El walk-forward intenta reproducir ese proceso de forma secuencial: la estrategia se ajusta con información disponible hasta cierto momento, y después se prueba sobre un periodo posterior que permanece fuera de la muestra.
⚙️ Cómo funciona
Imaginemos una ventana de entrenamiento de tres años y una ventana de prueba de seis meses:
Después de cada prueba, la ventana avanza — usar el pasado para tomar una decisión y comprobarla posteriormente con información nueva.
🆚 Walk-forward frente a un backtest tradicional
⏳ El futuro no puede predecir el pasado
En series temporales, mezclar aleatoriamente las observaciones puede entrenar el modelo con datos posteriores al periodo que se intenta predecir.
📅 Una validación cruzada temporal
Fold 1
Entren.: 2015-2018
Prueba: 2019
Fold 2
Entren.: 2015-2019
Prueba: 2020
Fold 3
Entren.: 2015-2020
Prueba: 2021
Fold 4
Entren.: 2015-2021
Prueba: 2022
📏 Expanding window y rolling window
📈 Expanding window
El entrenamiento crece con el tiempo, conserva todo el histórico
🔄 Rolling window
El tamaño permanece fijo, la ventana se desliza en el tiempo
La elección depende de la estrategia y de la hipótesis que se quiera comprobar.
🔁 Walk-forward optimization
1️⃣
Entrenar
Buscar mejores parámetros
2️⃣
Congelar
Sin tocar datos de prueba
3️⃣
Probar
Sobre el siguiente periodo
4️⃣
Avanzar
La ventana se desplaza
📊 Ejemplo sencillo: medias móviles
Queremos elegir entre MA rápida (10, 20 o 30) y MA lenta (40, 50 o 60). En lugar de elegir la combinación que mejor funcionó durante todo el histórico:
Lo importante no es que los parámetros sean siempre iguales — cierta variación puede ser perfectamente normal. Lo interesante es comprobar si la estrategia mantiene resultados razonables aunque cambien las condiciones del mercado.
📐 Una buena curva no es suficiente
Si una estrategia gana todo su dinero durante un único periodo y pierde sistemáticamente durante los demás, su robustez resulta cuestionable.
🚨 El gran peligro: contaminar la prueba
Si haces un walk-forward, obtienes malos resultados en 2023 y modificas la estrategia específicamente para mejorar ese periodo, 2023 pasa a formar parte indirectamente del desarrollo — ya no es una prueba verdaderamente independiente.
Por eso conviene establecer un conjunto final de datos que no se toque durante el desarrollo.
✅ Checklist para una validación profesional
✨ ¿La estrategia funciona porque encontró una relación razonablemente estable o porque fue diseñada para explicar perfectamente el pasado? Esa diferencia puede separar un modelo interesante de uno que simplemente tuvo suerte en el backtest.
Este contenido tiene fines educativos y no constituye una recomendación de inversión. El trading conlleva un alto riesgo de pérdida de capital. Analiza siempre tu propia situación financiera antes de operar.