Sobreajuste en estrategias de trading: cómo detectarlo y evitarlo

7 min de lectura

Una estrategia con una curva de equity casi perfecta en el histórico y pérdidas constantes en real es el síntoma clásico del sobreajuste. No es un fallo del programa, sino de la forma de buscar: si pruebas suficientes combinaciones, alguna encajará con el pasado por pura casualidad. Esta guía explica por qué ocurre, cómo reconocerlo y qué hábitos lo reducen.

Qué es el sobreajuste

Los datos de mercado contienen una parte repetible (si existe) y mucho ruido aleatorio. Una estrategia sobreajustada ha aprendido el ruido: sus reglas y parámetros están ajustados a coincidencias de ese tramo concreto del histórico que no volverán a ocurrir. Por eso rinde de maravilla en el pasado y decepciona cuando llegan datos nuevos.

El problema no se limita a los sistemas automáticos. Un trader discrecional que añade filtros hasta “explicar” todas sus pérdidas pasadas también sobreajusta. La diferencia es que el algoritmo lo hace de forma más rápida, más amplia y con apariencia de rigor.

Por qué optimizar parámetros engaña

Un optimizador está diseñado para encontrar el mejor resultado en los datos que le das. Eso no es lo mismo que encontrar la mejor estrategia. Si la ventaja real es pequeña, el máximo de la tabla de resultados casi siempre será una mezcla de ventaja y buena suerte, y la parte de suerte desaparece al operar en real. A esto se le llama a veces “maldición del ganador”: cuanto más se optimiza, más optimista es el resultado esperado.

Un caso ilustrativo: una media móvil rápida con valores de 5 a 50 en pasos de 5 (10 valores), una lenta de 20 a 200 en pasos de 10 (19 valores), 5 niveles de stop y 5 de objetivo dan 10 × 19 × 5 × 5 = 4.750 combinaciones. Aunque la estrategia no tuviera ninguna ventaja, es previsible que muchas de esas combinaciones parezcan rentables simplemente por azar.

Parámetros frente a número de operaciones

Cada parámetro libre (periodos, umbrales, filtros horarios, niveles de stop) es una palanca con la que ajustar la curva a los datos. Cuantas más palancas y menos operaciones, mayor es la libertad para ajustarse al ruido. Una regla orientativa, no un teorema, es exigir al menos 30 a 50 operaciones por parámetro libre, y preferir estrategias con pocas reglas y una lógica económica clara.

Por ejemplo, un sistema con 8 parámetros probado sobre 120 operaciones tiene solo 15 operaciones por parámetro: el resultado dice muy poco. El mismo sistema con 2 parámetros y 120 operaciones tiene 60 por parámetro, una situación bastante más sólida. Cuidado con los parámetros ocultos: elegir el activo, el marco temporal, el periodo del histórico o el horario de operación también cuenta.

La curva de equity “perfecta” como señal de alarma

Una línea casi recta, sin meses perdedores y con drawdowns mínimos es muy atractiva, pero en mercados reales es poco creíble. Las ventajas reales son ruidosas: tienen rachas malas, años mediocres y periodos en los que el mercado no favorece la idea. Si tu backtest tiene un profit factor superior a 3 con miles de combinaciones probadas, o una curva sin ninguna caída apreciable, sospecha antes de celebrar.

También debe alertarte un resultado que depende de unas pocas operaciones: si quitas las tres mejores y el beneficio desaparece, no tienes una estrategia, sino tres golpes de suerte. Revisa cuánto aporta cada año y cada mes y comprueba si la ventaja es consistente.

Sensibilidad de parámetros: mesetas y picos

Un test sencillo y muy revelador consiste en mover cada parámetro un poco y ver qué ocurre. Supón que el optimizador elige un stop de 37 pips con profit factor 2,4. Si con 35 pips baja a 1,2 y con 39 pips a 0,9, has encontrado un pico estrecho, es decir, un accidente del histórico. Si, por el contrario, entre 30 y 50 pips el profit factor oscila entre 1,33 y 1,40, hay una meseta: la idea es robusta frente a pequeños cambios.

En la práctica, elige parámetros en el centro de una zona amplia y rentable, no en el punto más alto. Acepta un resultado algo peor en el histórico a cambio de una estrategia que no depende de un valor exacto. Esto vale también para las horas de operación o los umbrales de volatilidad.

Un experimento que puedes reproducir

Genera una serie de precios puramente aleatoria, un paseo aleatorio sin ninguna ventaja por construcción. Pasa por ella las 4.750 combinaciones del ejemplo anterior y quédate con la mejor. Verás una curva ascendente y un profit factor llamativo, por ejemplo 2,1. Aplica esos mismos parámetros a otra serie aleatoria nueva y el resultado oscilará alrededor de un profit factor de 1 antes de costes y por debajo de 1 después de ellos, por ejemplo 0,95.

Ese salto de 2,1 a 0,95 es el sobreajuste en estado puro: no había nada que encontrar, y aun así el proceso de búsqueda encontró algo. Con datos reales la situación es menos extrema porque puede haber una ventaja auténtica, pero el mecanismo es el mismo, y la parte de resultado que se debe a la selección se pierde al pasar a datos nuevos.

Múltiples pruebas y p-hacking

Cada vez que pruebas una variante y descartas la que no sale, estás haciendo un contraste estadístico. La probabilidad de que al menos una de 20 pruebas independientes parezca “significativa” al 5 % por azar es 1 − 0,95^20 ≈ 64 %. Con 100 pruebas es 1 − 0,95^100 ≈ 99,4 %. En las 4.750 combinaciones del ejemplo anterior, uno esperaría unas 237 resultados “significativos” sin ninguna ventaja real (aunque no son independientes entre sí, el problema es el mismo).

Esto se llama p-hacking, o manipulación del umbral de significación: buscar hasta encontrar algo que parezca bueno y presentarlo como si fuese una única prueba. Una corrección simple (Bonferroni) consiste en exigir un umbral más estricto: con 20 pruebas, 0,05 ÷ 20 = 0,0025. La disciplina más útil es anotar cuántas variantes has probado y exigir pruebas más fuertes cuanto más probaste.

Validación fuera de muestra y walk-forward

La defensa más eficaz es separar los datos. Diseña y ajusta con un tramo, y evalúa en otro que no hayas visto. Si el resultado cae a la mitad o desaparece, tenías sobreajuste. El análisis walk-forward lo repite varias veces a lo largo del histórico y permite ver si los parámetros elegidos siguen funcionando en periodos sucesivos.

Añade pruebas en otros instrumentos y marcos temporales sin reajustar: una idea con lógica económica real debería funcionar, aunque peor, en activos relacionados. Si solo funciona en un único par con un único parámetro, sospecha. Y, sobre todo, guarda un tramo final de datos que solo mirarás una vez.

Monte Carlo y pruebas de robustez

Una simulación de Monte Carlo reordena o remuestrea al azar tus operaciones para ver qué otros caminos habrían sido posibles con la misma estrategia. El historial real es solo una de las muchas secuencias posibles. Ejemplo ilustrativo: si tu backtest muestra un drawdown máximo del 12 % pero al barajar el orden de las operaciones 10.000 veces la mediana sale en el 19 % y el 5 % de las veces supera el 30 %, deberías planificar con la segunda cifra, no con la primera.

Otras pruebas de robustez: añadir ruido a los precios, empeorar los costes, retrasar la entrada una vela, quitar al azar un 10 % de las operaciones o comparar con una entrada aleatoria con las mismas reglas de salida. Si una estrategia no resiste ninguna de ellas, su ventaja era frágil.

Errores habituales

Reoptimizar después de ver cada pérdida; añadir filtros para eliminar las malas operaciones concretas del histórico; elegir el mejor periodo para presentar resultados; confiar en una sola métrica (por ejemplo, el beneficio neto); olvidar los costes; ignorar cuántas pruebas se hicieron; y creer que más complejidad equivale a más rigor. Casi siempre ocurre lo contrario.

Un buen indicador de honestidad es poder explicar, antes de probar, por qué la estrategia debería funcionar (qué comportamiento del mercado aprovecha y quién pierde dinero al otro lado). Si solo existe la tabla del optimizador, la explicación es post hoc.

Resumen y pasos prácticos

Reduce los parámetros, exige muchas operaciones por parámetro, desconfía de curvas perfectas y busca mesetas, no picos. Anota cuántas variantes pruebas, reserva datos intactos para una validación final, haz walk-forward y pruebas de Monte Carlo, y empeora los costes a propósito. Después opera en demo o con tamaño mínimo y compara con el diario de trading. Si el comportamiento real es parecido al validado fuera de muestra, tienes una base razonable; si no, es mejor descubrirlo con una cuenta pequeña.

Contenido educativo, no es asesoramiento financiero. Aviso de riesgo

Herramienta relacionada

Diario de tradingRegistra entrada, SL, TP y salida, y obtén tu R, tu curva de equity, tu rentabilidad y estadísticas por par, día y sesión.

Más guías