El problema del sobreajuste en los backtests

Un buen resultado histórico puede deberse a una regla útil, a un periodo favorable o a una selección repetida. La cifra principal no distingue entre esas causas. Hay riesgo de sobreajuste cuando ajustas decisiones a las mismas observaciones que después presentas como evidencia.

La búsqueda importa tanto como el script final

Probar muchas configuraciones ofrece más oportunidades de encontrar un resultado atractivo por azar. Publicar solo la ganadora oculta el proceso de selección. Registra los rangos, el número de pruebas y los cambios manuales de la regla.

The Probability of Backtest Overfitting estudia este problema. No existe una cantidad universal que puedas restar al Sharpe publicado para corregirlo.

Tres formas de ajustar demasiado un resultado

Búsqueda de parámetros: eliges longitudes y umbrales porque encajaron en el mismo periodo que luego aparece en el informe final.

Una muestra de mercado limitada: evalúas una regla seguidora de tendencias solo durante una tendencia fuerte. Eso no demuestra cómo se comporta en un rango o con otra volatilidad.

Inspección manual: consultas una y otra vez gráficos históricos al desarrollar un indicador y después tratas una estrategia sobre esos gráficos como una prueba independiente. Las decisiones humanas también pueden ajustar una muestra, aunque no utilices un optimizador.

Estos problemas afectan a Deepwick, TradingView y cualquier entorno de investigación. La documentación de estrategias de TradingView también trata el sobreajuste y las pruebas fuera de muestra.

Qué pueden decirte otras pruebas

Reordenar un conjunto fijo de operaciones permite explorar la sensibilidad a su orden. No reconstruye las estrategias descartadas ni deshace la selección que produjo la ganadora. Los supuestos de cada método de remuestreo determinan qué significa su resultado.

Durante el desarrollo, inspecciona parámetros cercanos. Una región amplia de comportamiento parecido merece investigación; no demuestra una ventaja futura. Si revisas repetidamente todas las configuraciones sobre el supuesto conjunto de prueba, ese conjunto también pasa a formar parte de la selección.

Qué puedes hacer hoy en Deepwick

Deepwick incluye optimizador y análisis walk-forward para backtests guardados. Utiliza la optimización para entender cómo influyen los inputs y separa después la selección de parámetros de la evaluación en tramos posteriores. Mantén visibles los costes: un modelo realista de ejecución no corrige el sesgo de selección.

Escribe el plan de evaluación antes de empezar, conserva las pruebas fallidas y reserva datos que no hayas utilizado para tomar decisiones de diseño. Cuando cambies la estrategia después de ver una prueba, identifica la siguiente ejecución como otra iteración de desarrollo.

El siguiente paso práctico es configurar walk-forward en Deepwick. Su resultado puede cuestionar una hipótesis, pero no certificar rentabilidad futura.