Cómo combinar modelos automáticos con criterio humano sin caer en trampas del backtest

La automatización aporta velocidad, consistencia y cobertura; el criterio humano añade contexto, prudencia y sentido del riesgo. El reto no es elegir uno u otro, es combinar el algo trading con los automatismos sin autoengañarnos.

Por qué tantos backtests “ganadores” se rompen en vivo

La primera causa suele ser técnica: los sesgos cognitivos en el trading ayudan a inflar los resultados… que luego desaparecen en tiempo real. Tres de los más peligrosos son el look-ahead bias (usar por error información del futuro), el survivor bias (probar con el universo actual sin incluir activos que quebraron) y el data-snooping (exprimir parámetros hasta que el pasado quede a medida). Esto eleva artificialmente el sharpe del backtest y sobreestima las rentabilidades esperables.

La segunda causa es metodológica: validar mal. Muchos tests parten de un corte simple entrenamiento-prueba. En series temporales, la validación correcta debe respetar la flecha del tiempo y simular el despliegue real.

Otro motivo habitual es ignorar los costes reales. Las comisiones, la financiación, el impacto de operar en colas de liquidez… todo merma estrategias que sobre el papel “volaban”. Es una de las faltas habituales que arruinan backtests seductores cuando pasan al broker.

El “humano en el bucle”

A la vista de lo anterior, parece buena idea dejarlo todo al sistema… pero no es tampoco lo más correcto. La evidencia sugiere que una integración disciplinada del criterio discrecional puede aportar valor. Los estudios muestran que la frontera entre lo sistemático y lo discrecional es más porosa con la llegada de la IA. El análisis cuantitativo escala y los sistemas ganan “profundidad”, mientras que el gestor humano puede aportar el contexto que los modelos no captan a tiempo.

Así, el problema no es invertir, es cómo hacerlo sin introducir sesgo y sin desactivar el edge del modelo.

El problema no es intervenir; es cómo hacerlo sin introducir sesgo y sin desactivar el edge del modelo. Un marco operativo:

Validación robusta y reducción de sesgos

Por lo tanto, hay que conseguir una validación robusta y reducir los riesgos en la mayor medida de lo posible. Para ello, lo más conveniente es seguir ciertos consejos.

Blindaje técnico del algo trading

Esto se consigue a través de distintos métodos y formas. Una de las cosas más importantes es tener datos limpios y reproducibles. Congela capturas históricas y reconstituye precios con los dividendos correctos.

Además, los usuarios tienen que hacer una validación temporal correcta. Esto incluye aplicar walk-forward, evitar k-fold aleatorio y separar un “último periodo” de holdout que jamás tocas hasta el final.

También es conveniente penalizar la complejidad. Con criterios de parsimonia (por ejemplo, el número de parámetros efectivos) y evaluando la estabilidad de los parámetros entre ventanas.

Cuando hagas tus simulaciones, tendrás que mantener unos costes realistas para el contexto en el que se dieron las operaciones. Además, tendrás que hacer pruebas de estrés, simulando huecos, suspensiones, latencias o fallos de feeds. La robustez tiene que ser estadística y operativa.

Intervención humana con disciplina

Tiene que haber una disciplina cada en cada intervención que haga el trader. Primero, habrá que mantener un diario estructurado. Cada ajuste tendrá que llevar un motivo, una evidencia, una alternativa que se ha considerado previamente y una puntuación del resultado a posteriori. Este hábito ayudará a reducir la autocomplacencia y el sesgo de memoria. Mantener un diario ayudará incluso en las fases de backtest para detectar sobreajustes “a mano”.

Algo bastante conveniente es que, cuando se haga la revisión de las operaciones, se haga con una segunda persona que valide que el motivo encaje con las reglas. Una especie de “abogado del diablo” que ayude a combatir el sesgo de confirmación.

Reducir sesgos cognitivos en el trading

Siempre va a haber ciertos sesgos a la hora de hacer trading, pero al mismo tiempo, hay que hacer todo lo posible para reducirlos. Sesgos como el exceso de confianza (que nos lleva a sobredimensionar posiciones o relajar stops tras una buena racha), el sesgo de confirmación (solo vemos datos que avalan nuestras tesis y descartamos los que dicen lo contrario), la aversión a la pérdida (mantener perdedores y cortar ganadores) y de anclaje y rebajo (peligrosos en eventos noticiosos) pueden traer problemas serios a nuestros beneficios.

Eso sí, todo esto tiene soluciones. Establecer límites duros, ese “abogado del diablo”, reglas automáticas de stop y take profit y las listas de verificación pre-mercado pueden ayudar a reducirlos y mantener las ganancias.

Medir si “humano + máquina” merece la pena

Para saber si esta combinación de máquinas trabajando con un toque humano está funcionando, hay que hacer ciertas pruebas que sean útiles de verdad. Entre las más relevantes están los experimentos A/B con shadow mode. Así se corre el sistema puro y luego una versión con vetos durante x semanas. Después, tocará comparar la distribución de retornos, drawdown, hit ratio y skew.

Además, también habrá que comprobar el efecto de la intervención. Si el usuario ve que el veto no está aportando nada, es el momento de recortarlo.

Finalmente, hay que ver qué reglas se pueden promover al código. Si un patrón discrecional demuestra tener valor de forma repetida y cuantificable, quizás sea el momento de convertirlo en una regla del modelo. Este es el camino natural para que el criterio se vuelva algo sistemático con el tiempo. La industria, además, está yendo en esa dirección: la IA empieza a difuminar la barrera entre un enfoque sistemático y uno discrecional.