Tendencia
Cómo plantear un backtest completo de un sistema de seguimiento de tendencia multi activo
Análisis Equipo Riedadvaizsucosmoam
Revisado 2026
Preparar los datos antes de hablar de señales
Admitimos algo incómodo: hemos visto backtests de sistemas de tendencia construidos a partir de datos mal alineados, series mezcladas y supuestos de costes poco realistas. El resultado suele ser una curva suave que nadie puede replicar. En esta primera sección proponemos un enfoque más austero. Antes de pensar en señales sofisticadas, definimos cómo preparar los datos para un sistema multi activo. Primero, elegimos fuentes consistentes y documentamos su origen. Segundo, alineamos calendarios y horarios, dejando claro cuándo se pueden tomar decisiones. Tercero, tratamos huecos, ajustes corporativos y cambios de referencia con reglas simples. Cuarto, establecemos desde el principio cómo se incorporan los costes de transacción y financiación. Con estos pasos, el backtest deja de ser una maqueta frágil y se acerca más a un experimento reproducible.
Construir una tabla maestra de activos
El punto de partida es una tabla maestra de activos con campos básicos: identificador, fuente de precios, divisa, calendario de negociación y horizonte de datos disponible. Esta tabla obliga a decidir, por ejemplo, qué hacer con activos que tienen menos historia o con calendarios festivos diferentes. Documentar estas decisiones evita que, más adelante, aparezcan sorpresas en forma de huecos inexplicables o solapamientos imposibles. Además, facilita que otro miembro del equipo pueda reconstruir exactamente el mismo conjunto de series sin depender de carpetas personales ni de descargas manuales.
Alinear calendarios y huecos de datos
Una vez definido el universo, alineamos los calendarios. En un sistema multi activo, no todos los mercados abren y cierran a la vez ni comparten los mismos días festivos. Decidir qué hacer cuando falta un dato concreto —mantener el último disponible, marcarlo como no operable o excluir temporalmente el activo— tiene impacto directo en la simulación. Por eso conviene fijar reglas claras y aplicarlas de forma uniforme. Estas reglas se anotan en un documento técnico breve, para que cumplimiento y tecnología sepan cómo se ha tratado cada caso.
Registrar ajustes y transformaciones de precios
El siguiente paso es tratar ajustes: cambios de referencia, eventos corporativos, divisiones y fusiones. Aunque el detalle operativo varía según el tipo de activo, el principio es el mismo: preferimos series que reflejen de forma coherente la evolución del precio ajustado, en lugar de saltos artificiales que distorsionan señales de tendencia. Cualquier transformación aplicada debe registrarse en una tabla de eventos con fecha, tipo y efecto, de forma que auditoría pueda revisar el proceso sin necesidad de reconstruirlo desde cero.
Incluir costes realistas desde el inicio
Por último, incorporamos desde el principio un modelo sencillo de costes. Ignorar comisiones, diferenciales y deslizamientos produce trayectorias engañosamente suaves, especialmente en sistemas con alta rotación. Aunque cada equipo tenga sus propios acuerdos de costes, el backtest debería incluir al menos una estimación prudente y documentada. Esta estimación se expresa en términos simples, como puntos básicos por operación o por volumen, y se aplica de forma consistente a todas las simulaciones. Más adelante podrán compararse escenarios con distintos niveles de coste, pero el caso base no debería ser nunca coste cero.
Construir el backtest en capas visibles
Sabemos que la tentación habitual es saltar directamente a la señal de tendencia y a la curva final. Nosotros preferimos interponer una capa intermedia: la descomposición del backtest por activo y por bloque de decisión. En esta sección mostramos cómo construir un ejemplo hipotético de sistema de tendencia multi activo en el que cada paso deja rastro: señal, tamaño de posición, ejecución y resultado. El objetivo no es presentar la combinación perfecta de parámetros, sino mostrar cómo una estructura clara permite detectar errores, sesgos y dependencias excesivas de unos pocos componentes.
Separar la señal de la posición
Empezamos definiendo una señal de tendencia sencilla, por ejemplo un cruce entre una medida de precio rápido y otra lenta. Para cada activo y fecha, calculamos el estado de la señal —positiva, negativa o neutra— y lo guardamos en una tabla aparte. Esta tabla no contiene todavía tamaños de posición ni resultados, solo la lógica de dirección. Separar esta capa ayuda a revisar si la señal se comporta de forma razonable: cuántos cambios de estado produce, cuánto tarda en reaccionar y en qué entornos se mantiene neutral. Cualquier rareza se detecta aquí, antes de que los tamaños de posición la amplifiquen.
Aplicar reglas de tamaño con trazabilidad
A continuación, traducimos la señal en tamaños de posición mediante una regla de riesgo sencilla: una fracción del capital de referencia por operación, ajustada por una medida de variabilidad reciente. El resultado es otra tabla, con columnas para la señal, el tamaño nominal y el tamaño ajustado por riesgo. Esta descomposición permite ver si, por ejemplo, ciertos activos acaparan exposición por tener variabilidad baja o si el sistema se concentra demasiado en pocos nombres durante fases concretas. Si algo no encaja con las políticas internas de riesgo, se corrige aquí, no después de ver la curva agregada.
Simular ejecución con restricciones operativas
El tercer bloque es la simulación de ejecución. Aquí incorporamos el modelo de costes decidido antes y cualquier restricción operativa relevante, como límites de volumen negociado o ventanas horarias. Para cada orden hipotética, se calcula un precio de ejecución ajustado y se registra el impacto en el tamaño efectivo de la posición. Esta capa suele ignorarse en backtests simplificados, pero es clave para que el resultado tenga sentido operativo. Documentar cómo se ha simulado la ejecución permite que tecnología y mesa de operaciones evalúen la plausibilidad del modelo.
Calcular resultados con descomposición por activo
Solo después de estas tres capas llegamos al cálculo de resultados: variación diaria de valor por activo, agregación por grupos y curva total. En lugar de quedarnos con la serie final, guardamos tablas intermedias con métricas por activo: contribución al resultado, periodos sin posición, rachas de pérdidas y de ganancias. Esta descomposición muestra si el sistema depende de unos pocos activos especialmente favorables en el periodo analizado o si mantiene un comportamiento más repartido. También ayuda a detectar casos extremos que podrían señalar errores de datos o de lógica.
Mirar más allá de la curva agregada
Aceptamos que muchos informes de backtest se limitan a mostrar una curva y un par de ratios. Para un sistema de tendencia multi activo que deba convivir con exigencias de riesgo y cumplimiento, eso es insuficiente. En esta sección proponemos un conjunto de análisis que, sin ser exhaustivos, aportan una visión más honesta del comportamiento histórico del sistema. Nos centramos en rachas, distribución de resultados, contribución por activo y sensibilidad a cambios de parámetros. Cada análisis se presenta como una tabla o un resumen cuantitativo, no como una narrativa triunfalista.
Medir rachas y tiempos de recuperación
El análisis de rachas comienza identificando secuencias consecutivas de resultados negativos y positivos. Para cada tipo de racha calculamos duración, profundidad y frecuencia. Esta información se resume en una tabla que muestra, por ejemplo, cuántas rachas largas de pérdidas se han producido y qué proporción del tiempo ha pasado el sistema en recuperación respecto a máximos anteriores. Estos datos no sirven para prometer nada, pero sí para preparar al equipo para periodos incómodos que, de otro modo, podrían interpretarse como fallos inesperados del sistema.
Observar la distribución de resultados
Después analizamos la distribución de resultados por periodo, ya sea diario, semanal o mensual, según la frecuencia de decisión. En lugar de centrarnos solo en promedios, observamos cuántas veces se han dado movimientos extremos y cómo se sitúan respecto al resto. Una tabla con percentiles de resultados ayuda a visualizar la asimetría: si las pérdidas grandes son más frecuentes de lo que el equipo considera aceptable o si las ganancias dependen de unos pocos episodios aislados. Este enfoque reduce la tentación de confiar en un ratio agregado que puede ocultar comportamientos poco intuitivos.
Analizar contribuciones por activo y por grupo
La contribución por activo y por grupo revela si el sistema se apoya en exceso en ciertos segmentos. Para cada activo calculamos su aportación al resultado total, el tiempo medio en posición y la frecuencia con la que sus señales se activan. Estos datos se agrupan por tipo de activo o por región, generando una tabla que muestra desequilibrios evidentes. Si, por ejemplo, un grupo pequeño explica la mayor parte del comportamiento histórico, conviene preguntarse qué ocurriría si ese grupo dejara de ofrecer tendencias similares en el futuro.
Probar sensibilidad sin buscar el parámetro mágico
Por último, realizamos un análisis de sensibilidad sencillo: variamos parámetros clave dentro de rangos razonables y registramos cómo cambian métricas como la profundidad de las caídas o la duración de las rachas. El resultado es una tabla de escenarios que no busca encontrar el ajuste perfecto, sino medir cuán frágil es el sistema ante cambios modestos. Un diseño que se descompone ante variaciones mínimas merece una revisión profunda antes de plantearse su uso en la práctica.
Robustez y límites del ejemplo hipotético
Sabemos que, tras un backtest detallado, la presión interna puede empujar a presentar el sistema como si estuviera listo para producción. Nosotros preferimos añadir una capa más: pruebas de robustez y limitaciones explícitas. En esta sección describimos cómo someter el ejemplo hipotético a cambios de entorno, variaciones de datos y restricciones adicionales, siempre con el objetivo de entender mejor sus debilidades. No se trata de blindar el sistema contra cualquier escenario, algo imposible, sino de evitar una confianza excesiva basada en un único conjunto de resultados históricos.
Segmentar el historial en subperiodos clave
Una primera prueba de robustez consiste en dividir el periodo histórico en varios subperiodos representativos: fases de tendencias prolongadas, tramos laterales y episodios de estrés agudo. Ejecutamos el backtest en cada subperiodo por separado y comparamos métricas clave. Si el sistema solo muestra comportamientos razonables en una fracción pequeña del historial, la confianza debería ser limitada. Este enfoque obliga a reconocer que el entorno de mercado importa tanto como las reglas en sí.
Explorar trayectorias alternativas con remuestreo
Otra prueba es el remuestreo temporal: reordenar o agrupar de forma diferente los datos, respetando ciertas estructuras, para generar trayectorias alternativas. Aunque estas técnicas requieren cuidado estadístico, incluso versiones sencillas pueden revelar si el sistema depende de secuencias muy específicas. Si la mayoría de estas variaciones producen comportamientos radicalmente distintos, conviene revisar hasta qué punto las reglas capturan tendencias estructurales o, más bien, patrones circunstanciales del periodo analizado.
Introducir restricciones más conservadoras
También resulta útil imponer restricciones adicionales en las simulaciones, como límites más estrictos de exposición por activo, topes de concentración por grupo o reducciones en la frecuencia de rebalanceo. Estas pruebas muestran cómo cambia el comportamiento del sistema cuando se aproxima a condiciones operativas más conservadoras. A veces, un diseño que parece atractivo en teoría se vuelve poco práctico al introducir estas limitaciones, lo que ayuda a descartar enfoques que no sobrevivirían al contacto con las políticas internas de riesgo.
Enumerar limitaciones y repetir advertencias
Finalmente, toda sección de robustez debería cerrarse con un listado claro de limitaciones: dependencia de la calidad de los datos, posibles cambios estructurales en la dinámica de los mercados, sensibilidad a costes imprevistos y riesgo de que el comportamiento futuro difiera de forma sustancial del observado. En este punto es imprescindible repetir que el rendimiento pasado no garantiza resultados futuros y que los ejemplos presentados no constituyen asesoramiento financiero personalizado.
Qué hacer con un backtest bien construido
Aceptamos que, después de tanto detalle, es tentador buscar una conclusión sencilla. No la hay. Un backtest bien construido no convierte un sistema de seguimiento de tendencia multi activo en una promesa, pero sí en un candidato mejor entendido. En esta sección final resumimos el protocolo que proponemos: preparar datos con rigor, construir el sistema en capas visibles, analizar más allá de la curva, someterlo a pruebas de robustez y documentar todo el proceso. El objetivo no es vender una solución perfecta, sino ofrecer un marco que permita a riesgo, cumplimiento y dirección tomar decisiones informadas sobre si un enfoque encaja o no con su realidad.
Exigir que el proceso sea replicable
El primer recordatorio es metodológico: cualquier sistema debería poder reconstruirse a partir de su documentación. Eso implica que otra persona, con acceso a las mismas fuentes y reglas, pueda replicar el backtest con resultados comparables. Si el diseño depende de pasos implícitos, hojas de cálculo privadas o decisiones no registradas, la confianza en el sistema debería ser limitada, por muy atractiva que parezca su curva histórica.
Tratar el backtest como herramienta de control
El segundo recordatorio es organizativo: el backtest no es un documento de venta, sino una herramienta interna para entender riesgos y comportamientos potenciales. Presentarlo con lenguaje sobrio, tablas claras y advertencias visibles facilita que las áreas de control lo tomen en serio. Incluir secciones específicas para supuestos, limitaciones y escenarios adversos es parte de esa sobriedad.
Pasar por fases controladas antes de escalar
El tercer recordatorio es prudencial: antes de plantear cualquier despliegue, conviene considerar pruebas en entornos controlados, con límites de exposición reducidos y supervisión reforzada. Estas fases no eliminan la incertidumbre, pero permiten observar cómo se comporta el sistema cuando interactúa con procesos reales de datos, ejecución y reporte. Documentar lo aprendido en estas etapas es tan importante como el propio backtest histórico.
Mantener las advertencias en primer plano
El último recordatorio es legal y ético. Este tipo de análisis no constituye asesoramiento financiero, legal ni fiscal individualizado. Cada organización debe contrastar los enfoques descritos con su marco regulatorio, sus políticas internas y, cuando proceda, con profesionales cualificados. Los resultados pueden variar de forma significativa entre periodos y participantes, y el rendimiento pasado no garantiza resultados futuros. Mantener estas advertencias en primer plano es parte esencial de cualquier uso responsable de sistemas cuantitativos.