Backtesting: Cómo Probar tu Estrategia Antes de Arriesgar Dinero Real (y los Errores que la Invalidan)

Antes de arriesgar un solo euro con una estrategia de trading, hay una pregunta que deberías poder responder con datos, no con intuición: ¿esta estrategia habría funcionado en el pasado? Esa es exactamente la pregunta que responde el backtesting.

Qué es el backtesting

El backtesting es el proceso de aplicar las reglas exactas de una estrategia (sus condiciones de entrada, salida, gestión de riesgo) a datos históricos de mercado, para medir cómo habría rendido. No es una intuición ni una corazonada: es simular cientos de operaciones pasadas con reglas fijas y ver qué resultado arrojan.

La lógica detrás de esto es sencilla: una estrategia que pierde dinero sistemáticamente en 500 operaciones históricas no va a empezar a funcionar de la nada en real. El backtesting no garantiza el futuro (los mercados cambian), pero sí sirve para descartar con rapidez estrategias que simplemente no tienen ninguna base.

Un matiz importante de rigor metodológico: para que un backtest signifique algo, la estrategia debe probarse en varios periodos de tiempo distintos, sobre una muestra representativa de activos. Si eliges a mano qué activo y qué fechas usar para que el resultado se vea bien, el test queda viciado desde el diseño, antes incluso de empezar.

Qué métricas debe darte un backtest

Un informe de backtesting completo debería incluir, como mínimo:

• Win rate: el porcentaje de operaciones ganadoras. Ojo: un win rate alto no basta por sí solo si las pérdidas ocasionales son mucho más grandes que las ganancias típicas.
• Profit factor: beneficio bruto dividido entre pérdida bruta. Por encima de 1 sugiere rentabilidad; un valor extremadamente alto puede ser señal de sobreoptimización, no de una gran estrategia.
• Expectancy (expectativa): el retorno medio que puedes esperar por operación, contando ganadoras y perdedoras juntas.
• Drawdown máximo: la peor caída de pico a valle que sufrió la estrategia durante el backtest. Este número se convierte en la base de tu protocolo de gestión de riesgo en real.

Como referencia orientativa: se suele considerar que una estrategia tiene indicios de una ventaja real cuando muestra un profit factor por encima de 1,5 y una expectativa positiva sostenida durante al menos 200 operaciones.

El enemigo número uno: el overfitting (sobreoptimización)

Si hay un motivo por el que la mayoría de estrategias que se ven perfectas en el backtest fracasan en real, es este. El overfitting ocurre cuando una estrategia se ajusta tan finamente a los datos históricos que termina capturando el ruido de ese periodo concreto, en vez de un patrón de mercado genuino y repetible.

Con suficientes parámetros ajustables, es posible hacer que casi cualquier secuencia histórica de precios “parezca” rentable en retrospectiva. El problema es que el ruido, por definición, no se repite. Lo que empieza como una estrategia sencilla (“comprar cuando el precio cruce esta media”) termina, tras decenas de ajustes de “vamos a probar con este otro periodo de media móvil” o “vamos a añadir este filtro más”, convertido en un sistema excesivamente complejo que encaja perfectamente con el pasado y no predice absolutamente nada del futuro.

Curve fitting es, de forma más precisa, un tipo concreto de overfitting: cuando los parámetros se ajustan específicamente para encajar con los movimientos históricos de precio de ese dataset exacto.

Señales de que tu backtest está sobreoptimizado

Desconfía especialmente si tu backtest muestra varias de estas señales a la vez:

• Una curva de capital anormalmente suave, con un drawdown sospechosamente bajo.
• Un Sharpe ratio superior a 3 (en la práctica real, sostenido en el tiempo, es rarísimo).
• La estrategia funciona de maravilla en el periodo exacto que probaste, pero se desmorona en cuanto la aplicas a datos que no había visto antes.
• Menos de 30 operaciones por cada parámetro ajustable de tu estrategia. Si tu sistema tiene 3 parámetros (por ejemplo, periodo de media móvil, nivel de stop y umbral de un filtro), deberías tener al menos 90 operaciones en tu backtest para considerar el resultado mínimamente robusto.

Si tu primera reacción al ver un backtest espectacular no es “a ver qué está mal aquí”, probablemente no has visto suficientes backtests todavía como para desconfiar por instinto.

La defensa básica: in-sample y out-of-sample

La técnica de validación más simple, y la que deberías aplicar siempre, sin excepción, consiste en dividir tus datos históricos en dos bloques:

• In-sample: la parte de los datos que usas para desarrollar y ajustar tu estrategia.
• Out-of-sample: una parte que reservas completamente intacta desde el principio, y que no tocas hasta que la estrategia ya esté terminada, para usarla como validación final.

El reparto habitual es entre el 70% y el 90% de los datos para in-sample, y entre el 10% y el 30% para out-of-sample. La lógica: si un patrón era simplemente ruido aleatorio ajustado a un periodo concreto, no debería repetirse en un bloque de datos distinto que la estrategia nunca vio durante su desarrollo.

La recomendación práctica es tan simple como comprometerte con esta regla antes de tocar un solo parámetro: aparta un 30% de tus datos, no lo mires, desarrolla y optimiza solo con el 70% restante, y solo al final valida contra la parte que guardaste.

Un paso más allá: walk-forward analysis

Para estrategias con varios parámetros, un único corte in-sample/out-of-sample no siempre es suficiente. El walk-forward analysis lleva la misma idea más lejos: en vez de un solo split, se encadenan múltiples pares de ventanas de entrenamiento y validación a lo largo de todo el histórico. Se optimiza en un tramo, se valida sin cambios en el tramo siguiente, y se repite el proceso desplazándose hacia adelante en el tiempo.

El objetivo es determinar si el rendimiento de una estrategia optimizada es realista o simplemente el resultado de curve fitting: se evalúa siempre por su comportamiento en la parte que no vio durante la optimización, nunca por la parte en la que fue ajustada.

Una ventaja práctica de este método: al final terminas acumulando una porción de datos “verdaderamente fuera de muestra” mucho mayor que en un backtest simple (hasta un 70% del total, frente al máximo del 30% de un único corte) porque vas sumando los resultados out-of-sample de cada ventana consecutiva.

Como referencia de robustez: se considera una señal razonablemente buena cuando la estrategia mantiene, en la parte out-of-sample, al menos la mitad del rendimiento que mostró durante su propia optimización.

Eso sí, ni siquiera el walk-forward es infalible por sí solo: sigue siendo más una pieza dentro de un proceso de validación completo que una prueba definitiva por sí misma.

Los sesgos que inflan tus resultados sin que te des cuenta

Hay dos sesgos que aparecen constantemente en backtests mal construidos, y ambos hacen que una estrategia parezca mejor de lo que realmente es:

Look-ahead bias: usar, sin darte cuenta, información que no habría estado disponible en ese momento histórico. Ejemplos típicos: calcular una señal con el precio de “hoy” cuando en realidad debería basarse en el cierre de “ayer” (un error común al desplazar mal una ventana de cálculo), o usar datos de beneficios trimestrales asumiendo que estaban disponibles desde el primer día del trimestre, cuando en realidad se publican semanas después.

Survivorship bias: testear tu estrategia solo sobre los activos que “sobrevivieron” hasta hoy, ignorando los que quebraron o fueron retirados de cotización durante el periodo que estás analizando. Si backtesteas sobre “las acciones actuales de un índice”, estás mirando, por definición, únicamente ganadores: las que fracasaron ya no aparecen en esa lista. El efecto no es menor: la investigación académica ha estimado que este sesgo puede inflar los retornos anuales reportados entre un 1% y un 4%, con un efecto que se acumula año tras año.

El error que casi todos los principiantes cometen: ignorar los costes de ejecución

Un backtest que asume ejecución perfecta (sin spread, sin comisiones, sin slippage) casi siempre muestra un resultado mejor del que obtendrías en real. En mercados reales, el spread varía, las órdenes no siempre se ejecutan al precio exacto que esperabas, y en momentos de volatilidad puede haber slippage significativo. Ignorar estos costes es especialmente peligroso en estrategias de scalping o sistemas que buscan beneficios pequeños por operación, donde el coste de ejecución puede comerse buena parte, o la totalidad, del margen esperado.

El proceso completo, paso a paso

1. Define reglas de entrada y salida exactas, sin ambigüedad.
2. Usa datos históricos de calidad, representativos, evitando sesgo de selección.
3. Incluye spread, comisiones y una estimación realista de slippage en la simulación.
4. Prueba en distintas condiciones de mercado (tendencia, rango, alta y baja volatilidad), no solo en el periodo donde tu estrategia se ve bien.
5. Separa in-sample y out-of-sample antes de empezar a optimizar, y respeta esa separación.
6. Analiza el drawdown con la misma atención que el retorno total.
7. Si tu estrategia tiene varios parámetros, valida con walk-forward analysis.
8. Haz forward testing en una cuenta demo antes de arriesgar capital real: es la única forma de detectar la brecha entre lo que predijo tu backtest y lo que ocurre con ejecución real.

Lo que ningún backtest te puede decir

Por perfecto que sea tu proceso, hay dos cosas que un backtest nunca puede predecir: cómo se comportará el mercado en condiciones futuras que no existían en tu histórico, y si tú, como trader, vas a poder ejecutar esa estrategia con disciplina. El FOMO, el revenge trading o mover un stop en caliente no son fallos de la estrategia: son fallos de ejecución humana, y un backtest siempre asume una ejecución perfecta que ningún trader replica al 100% bajo presión real.

Por eso el backtesting es el primer filtro, no el último. Sirve para descartar estrategias sin base real antes de arriesgar dinero, pero la validación definitiva siempre llega después, en la cuenta demo primero, y en real después, con capital que puedas permitirte perder mientras confirmas que lo que viste en el papel se sostiene también fuera de él.

Este contenido tiene fines educativos y no constituye asesoramiento financiero.