Tienes una estrategia con un backtest impresionante: 87% de win rate, drawdown del 4%, rentabilidad anualizada del 130%. La lanzas en real y en tres semanas estás en pérdidas. Lo que acaba de ocurrir tiene nombre: over-fitting, también conocido como curve-fitting.
El problema del backtesting clásico
Cuando optimizas una estrategia sobre los mismos datos históricos que vas a usar para evaluarla, caes en un sesgo estadístico inevitable. El algoritmo no está aprendiendo patrones del mercado — está memorizando el ruido de una muestra concreta de datos. Cuantos más parámetros optimices, más probable es que encuentres una combinación que funcione de forma espectacular en ese período específico y falle en cualquier otro.
El backtesting clásico tiene tres sesgos principales que distorsionan los resultados:
- Look-ahead bias. La estrategia utiliza información que no estaría disponible en tiempo real (precios de cierre futuros, noticias ya conocidas). Frecuente en implementaciones descuidadas.
- Survivorship bias. Se optimiza sobre activos que sobrevivieron al período analizado, ignorando los que quebraron o fueron deslistados.
- Over-fitting. El más peligroso y el menos evidente: demasiados parámetros ajustados sobre demasiados pocos datos.
Qué es el Walk-Forward y cómo funciona
El Walk-Forward Optimization (WFO) replica cómo funciona el trading en la realidad. En lugar de optimizar sobre todos los datos disponibles, divide el histórico en ventanas temporales y aplica el siguiente proceso iterativo:
| Fase | Tipo de datos | Qué se hace |
|---|---|---|
| In-Sample (IS) | Datos de entrenamiento | Optimizar parámetros → encontrar la mejor configuración |
| Out-of-Sample (OOS) | Datos de validación | Aplicar esos parámetros en datos nunca vistos |
| Siguiente ventana | IS desplazado en el tiempo | Repetir el proceso avanzando la ventana |
El resultado es una serie de períodos OOS encadenados que forman una curva de equity Walk-Forward. Si la estrategia es robusta, esa curva será positiva incluso sin haber visto nunca esos datos durante la optimización. Si está over-fitted, la curva OOS colapsará.
Métricas clave para evaluar el WFO
El resultado más importante del Walk-Forward no es la rentabilidad total, sino la relación entre el rendimiento en la fase OOS y el rendimiento en IS:
- WF Efficiency ratio. OOS profit / IS profit. Un ratio por encima del 50-60% indica que la estrategia generaliza bien. Por debajo del 30%, señal de over-fitting severo.
- Consistencia entre ventanas. El número de ventanas OOS positivas sobre el total. Una buena estrategia debería ser positiva en al menos el 60-70% de las ventanas.
- Estabilidad de parámetros. Si los parámetros óptimos cambian radicalmente entre cada ventana IS, la estrategia no tiene un edge estable.
- Monte Carlo sobre OOS. Aplicar simulaciones de Monte Carlo sobre la serie OOS para estimar la distribución de drawdowns esperados en real.
Walk-Forward vs. Walk-Forward Anchored
Existen dos variantes principales del WFO con características distintas:
El Walk-Forward estándar (rolling) usa una ventana IS de tamaño fijo que avanza en el tiempo. Cada iteración descarta los datos más antiguos del IS. Es más adaptativo pero requiere más datos totales para ser estadísticamente significativo.
El Walk-Forward Anchored fija el inicio de la ventana IS y la va expandiendo. Tiene la ventaja de que cada optimización incorpora más datos históricos, pero las últimas iteraciones tienen ventanas IS muy largas, lo que puede sofocar la adaptación a cambios de régimen de mercado.
En general, el rolling funciona mejor para mercados con cambios de régimen frecuentes (divisas, índices). El anchored es preferible cuando el histórico disponible es limitado o el mercado tiene tendencias estructurales a largo plazo.
Cuántos datos necesitas
La regla empírica más conservadora establece que necesitas al menos 10 veces más datos en IS de los que vas a testear en OOS. Una ventana típica sería un ratio IS/OOS de 3:1 o 4:1 (tres o cuatro meses de IS por cada mes de OOS).
Para estrategias intradiarias en M5 o M15, esto se traduce en años de datos tick. Para estrategias en H4 o D1, incluso un histórico de 5 años puede ser insuficiente para hacer WFO con rigor estadístico.
Aplicación práctica en EV Quant Lab
EV Quant Lab implementa Walk-Forward tanto en su modalidad rolling como anchored, con configuración granular de las ventanas IS/OOS, número de iteraciones y métricas de evaluación. El módulo de ML Lab puede aplicar selección de features y validación cruzada antes del WFO para reducir el espacio de búsqueda de parámetros y minimizar el riesgo de over-fitting.
Si una estrategia supera el WFO con un efficiency ratio consistente y Monte Carlo saludable, tienes una base estadística sólida para lanzarla en real. Si falla el WFO, el backtest perfecto no vale nada.
Los resultados de backtesting y walk-forward no garantizan rendimientos futuros. El trading conlleva riesgo de pérdida de capital.