¿Qué es el backtesting? Guía completa

La idea central

Una estrategia de trading es un conjunto de reglas. Compra cuando la condición A se cumpla. Vende cuando ocurra B. Dimensiona la posición según la regla C. El backtesting aplica estas reglas a un conjunto de datos históricos (una secuencia de precios, volúmenes y otros datos de mercado del pasado) y simula qué habría pasado si hubieras seguido las reglas exactamente durante ese periodo.

El resultado es un historial simulado: una serie de operaciones hipotéticas con precios de entrada, precios de salida y duraciones. A partir de ahí puedes calcular métricas de rendimiento como la rentabilidad total, el ratio de Sharpe, el drawdown máximo y la tasa de acierto. Estas métricas te ayudan a decidir si la estrategia tiene valor antes de arriesgar dinero real.

La palabra clave es simulado. Un backtest no es trading; es un modelo del trading. La calidad de la simulación depende de la calidad de los datos históricos, del realismo de las hipótesis sobre costes de transacción y de que no haya errores de código que introduzcan ventajas ficticias.

Por qué importa el backtesting

Sin backtesting, evaluar una estrategia antes de usarla exige o bien operar en real (caro: pagas con capital real para aprender) o bien leer gráficos de forma subjetiva (“este patrón parece que suele funcionar”). Ninguna de las dos opciones es rigurosa.

El backtesting te permite:

• Entender cómo se comporta una estrategia en distintos regímenes de mercado
• Estimar los drawdowns esperados para planificar el tamaño de las posiciones y tener en cuenta la realidad psicológica de los periodos de pérdidas
• Comparar objetivamente variantes de estrategia que compiten entre sí
• Identificar la sensibilidad a los parámetros: ¿la estrategia solo funciona con un valor concreto de un parámetro o funciona en todo un rango?
• Detectar errores de lógica antes de que cuesten dinero

Los fondos cuantitativos institucionales dedican meses a hacer backtesting y pruebas de estrés de sus estrategias antes de asignar capital. Los traders minoristas que se saltan este paso parten con una desventaja sistemática.

Cómo funciona un backtest

La mecánica de un backtest sigue esta secuencia:

1. Cargar los datos históricos. Barras OHLCV (apertura, máximo, mínimo, cierre, volumen) de los activos en el periodo de prueba.
2. Calcular los indicadores. Calcular cualquier señal derivada (medias móviles, RSI, medias de volumen) usando solo los datos disponibles en cada momento (sin anticipación).
3. Generar señales. En cada barra, evaluar si se cumplen las condiciones de entrada o salida.
4. Simular la ejecución. Cuando salta una señal, registrar una entrada a un precio realista (normalmente la apertura de la siguiente barra o el cierre + un modelo de deslizamiento) y descontar las comisiones.
5. Seguir el estado de la cartera. Mantener en cada barra el saldo de efectivo y el valor de la posición.
6. Calcular las métricas de rendimiento. Al final, agregar todas las operaciones en un resumen estadístico.

La limitación crítica: el sesgo de anticipación

El sesgo de anticipación se produce cuando tu backtest usa información que no habría estado disponible en el momento de tomar la decisión de trading. Es la razón más común por la que los backtests parecen excelentes pero fracasan en real.

Fuentes comunes de sesgo de anticipación:

• Usar el precio de cierre de hoy para generar una señal y luego ejecutar al cierre de hoy (no puedes hacer ambas cosas a la vez)
• Usar precios históricos ajustados por splits o dividendos sin tener en cuenta cuándo se habrían conocido esos ajustes
• Calcular primero los indicadores sobre todo el conjunto de datos y luego recorrer las barras (el valor del indicador en la barra 100 incorporaba datos de las barras 101–500)
• Usar datos fundamentales (beneficios, revisiones de analistas) con la fecha de presentación oficial en lugar de la fecha de anuncio

El sobreajuste: el problema más sutil

Incluso con un backtest bien implementado, el sobreajuste (también llamado curve-fitting) es un riesgo importante. Si pruebas suficientes combinaciones de parámetros sobre el mismo conjunto de datos, algunas darán resultados excelentes por pura casualidad. El peligro es confundir ese ajuste aleatorio con una ventaja real.

La solución estándar son las pruebas fuera de muestra (out-of-sample): divide tus datos históricos en un periodo de entrenamiento (donde optimizas los parámetros) y un periodo de prueba (que no tocas hasta haber cerrado la estrategia). Solo los resultados del periodo de prueba son creíbles. Si el rendimiento es similar en ambos periodos, la estrategia ha generalizado y puede ser robusta. Si el periodo fuera de muestra rinde mucho peor, la estrategia estaba sobreajustada a los datos de entrenamiento.

Métricas clave que evaluar

Un backtest debe mostrar algo más que la rentabilidad total. Las métricas más importantes son:

• CAGR (tasa de crecimiento anual compuesta): rentabilidad anualizada, más significativa que la rentabilidad total cuando los periodos tienen distinta duración
• Ratio de Sharpe: CAGR dividido por la volatilidad anualizada; mide la rentabilidad ajustada al riesgo
• Drawdown máximo: la mayor pérdida de pico a valle durante el periodo; determina si podrías tolerar psicológicamente la estrategia de forma realista
• Ratio de Calmar: CAGR / drawdown máximo; útil para comparar la eficiencia frente al drawdown entre estrategias
• Tasa de acierto y factor de beneficio: con qué frecuencia las operaciones son rentables y si las ganadoras pesan más que las perdedoras

Primeros pasos

El backtesting tradicional requiere saber programar: Python con pandas y backtrader, o Pine Script en TradingView. Pero las herramientas con IA han cambiado esto. QuantPrompt te permite describir una estrategia en lenguaje sencillo y ejecutar un backtest histórico completo sin escribir código. Esto reduce mucho la barrera de entrada a las pruebas sistemáticas y las hace accesibles para traders que entienden los mercados pero no son ingenieros de software.

Sea cual sea la herramienta que uses, la disciplina importa más que la plataforma: usa suficientes datos históricos, prueba fuera de muestra, modela los costes de transacción de forma realista y compara siempre tus resultados con un benchmark de comprar y mantener (buy-and-hold) antes de concluir que una estrategia tiene una ventaja real.