Un backtest puede mostrar una curva de capital espectacular y, aun así, esconder una estrategia que no tiene ninguna ventaja real.

Cuando una estrategia se modifica una y otra vez hasta conseguir que funcione muy bien sobre datos históricos, existe el riesgo de que haya aprendido las particularidades del pasado en lugar de detectar un comportamiento que pueda repetirse en el futuro.

🎯 ¿Qué es el overfitting?

Imagina una estrategia con tres parámetros: periodo del indicador, umbral de entrada y stop-loss. Si pruebas miles de combinaciones y eliges la que obtiene el mejor resultado histórico, puedes terminar seleccionando una configuración que simplemente encaja con el ruido de ese periodo.

Es parecido a memorizar las respuestas de un examen anterior en lugar de aprender la materia. El sistema puede funcionar extraordinariamente bien en el pasado y fallar cuando recibe datos nuevos.

🔍 Data snooping: buscar hasta encontrar algo

Ocurre cuando se prueban suficientes estrategias, indicadores, activos o parámetros sobre los mismos datos hasta encontrar resultados aparentemente atractivos:

Es tentador pensar que C y E tienen una ventaja. Pero si se han probado cientos de hipótesis, algunas pueden haber funcionado simplemente por azar.

El problema no es experimentar. El problema es ignorar cuántos experimentos fueron necesarios para encontrar el resultado ganador.

📚 DATOS HISTÓRICOS

Esto no elimina el riesgo de sobreajuste, pero proporciona una evaluación mucho más honesta.

🚶 Walk-forward testing

En lugar de hacer una única división entre entrenamiento y prueba, se simula un proceso en el que el modelo utiliza información pasada y después se prueba sobre un periodo futuro:

Así podemos observar si la estrategia mantiene cierta consistencia mientras cambian las condiciones del mercado.

🧩 Menos parámetros, menos oportunidades de sobreajuste

El segundo puede producir un backtest mucho más espectacular, pero también puede ser mucho más frágil. La complejidad debería responder a una razón económica o estadística, no simplemente al deseo de mejorar el resultado histórico.

📊 La estabilidad importa más que el parámetro perfecto

Una estrategia robusta no necesita producir exactamente el mismo resultado con cada configuración, pero sí debería tolerar pequeños cambios sin destruir completamente su rendimiento.

📐 No te quedes solo con la rentabilidad

Una estrategia que gana 100% pero sufre un drawdown del 70% tiene un perfil completamente diferente de otra que gana 40% con un drawdown del 10%.

La pregunta correcta no es solo “¿cuánto ganó?”, sino “¿cómo consiguió esas ganancias?”

💸 Los costes también forman parte del backtest

Comisiones + spread + slippage + financiación + impacto de mercado

Esto es especialmente importante en estrategias con muchas operaciones. Si una estrategia genera una ventaja pequeña por operación, unos costes ligeramente superiores a los esperados pueden eliminarla por completo.

🔬 Una prueba sencilla de robustez

Podemos cambiar ligeramente las condiciones del modelo:

Si pequeñas modificaciones provocan que la estrategia pase de excelente a completamente perdedora, existe una señal de fragilidad.

✅ Checklist antes de confiar en un backtest

🎯 El objetivo real del backtesting

Un backtest profesional no busca demostrar que una estrategia funciona. Busca comprobar que sus resultados no dependen únicamente de una coincidencia histórica.

---

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.