¿Cuáles son los diferentes tipos de estrategias de backtesting?
Existen tres enfoques principales para las estrategias de backtesting: el uso de datos de precios reales divididos en tres grupos; bootstrap, que usa datos de precios reales pero los remuestrea; y simulación de Monte Carlo. Hay problemas teóricos que dividen a los creadores de sistemas sobre qué método es el mejor. Lo importante para el comerciante es que emplea correctamente al menos una de las estrategias de backtesting en su sistema antes de confiarle su capital comercial. Un problema crítico al elegir una estrategia de backtesting es la cantidad de operaciones generadas; Se necesitan al menos 1,000 operaciones en cada fase del trabajo del creador del sistema.
El uso de datos de precios reales, divididos en tres partes, es el punto de partida habitual para la mayoría de los creadores de sistemas. El sistema se crea utilizando el primer tercio de los datos. En este punto, el constructor ha encontrado algoritmos que parecen generar suficientes ganancias con un riesgo lo suficientemente pequeño como para ofrecer buenas perspectivas. El segundo tercio de los datos se utiliza para optimizar el sistema.
Una vez que el sistema se haya optimizado, se aplicará al tercio restante de los datos. Esto se llama prueba fuera de la muestra, y es donde la mayoría de los sistemas fallan. Si el sistema aún tiene buenos resultados en al menos 1,000 operaciones, el creador del sistema tiene un sistema viable. Si el sistema genera menos de 1,000 operaciones en las pruebas fuera de la muestra, el constructor debería considerar otra estrategia de backtesting.
Bootstrapping es un método para extraer algunos datos del conjunto total, probar, volver a colocar los datos y extraer más datos, o volver a muestrear y volver a probar. El número ideal de resamples es n n , o n a la enésima potencia, donde n es el número de datos en la muestra original. Para un operador que probablemente maneja al menos 2.500 puntos de datos, 250 días al año durante 10 años, eso no es práctico. Afortunadamente, 100 muestras proporcionarán un alto nivel de confianza de que la muestra de arranque reflejará los datos originales, haciendo que los resultados sean confiables. Si tomar 100 muestras no proporciona los 1,000 intercambios necesarios, el operador debe continuar con el muestreo hasta que se cumpla ese objetivo si espera que el sistema, en lugar de solo el muestreo de los datos, sea confiable.
El último método de estrategias de backtesting es la simulación de Monte Carlo (MC). Este método utiliza una computadora para generar datos simulados, y luego el sistema se prueba con esos datos. La ventaja de la simulación de MC es que se pueden crear cantidades ilimitadas de datos, lo que permite generar 10,000 transacciones o cualquier otra cantidad de transacciones. Otra ventaja es que cada nuevo conjunto de datos está fuera de la muestra. Esto ofrece la oportunidad de realizar repetidas pruebas de optimización y ejecución; simplemente optimice en este conjunto de datos, luego aplique esos parámetros del sistema a los siguientes datos que genere la computadora.
Una desventaja de la simulación de MC es que los datos pueden no tener exactamente la misma función de distribución de probabilidad que los datos comerciales, lo que podría sesgar los resultados. En el mejor de los mundos posibles, las tres estrategias de backtesting deben usarse en el proceso de verificación del sistema. El éxito en los tres debería ofrecer una probabilidad muy alta de éxito en el comercio en el mundo real.