El ajuste a la curva, o más comúnmente conocido como sobreajuste, consiste en crear una estrategia de trading que es demasiado compleja y no se adapta a los nuevos datos del mercado. Dicho de otra manera, el ajuste a la curva en una estrategía se produce cuando un sistema produce excelentes resultados en las pruebas de backtesting pero falla con los datos en vivo o cuando cambia el comportamiento del mercado.
El ajuste a la curva de un sistema es la muerte más rápida para una cuenta de tradingf o de inversión una vez que comienza la negociación real. Agregar demasiados parámetros y filtros para mejorar los resultados de un backtesting se siente bien, pero rara vez ayuda a obtener resultados reales positivos cuando el sistema se aplica bajo condiciones reales del mercado.
Encontrar el conjunto perfecto de configuraciones de parámetros para producir el gráfico de rendimiento perfecto con base en datos de precios pasados durante las pruebas de backtesting de una estrategia, es una forma segura de que se produzca un ajuste a la curva, y en consecuencia un sistema poco capaz de tener un buen desempeño bajo condiciones cambiantes del mercado.
El ajuste a la curva es uno de los problemas más comunes de los traders de sistemas. A menudo no vale la pena utilizar estrategias de trading sobreajustadas basadas en resultados de rendimiento hipotéticos inflados.
En resumen, el ajuste a la curva en realidad consisten en encontrar patrones que en realidad son solo ruido aleatorio. A medida que la estrategia con ajuste a la curva se expone a nuevos datos, confundirá el ruido aleatorio con patrones predictivos que causan pérdidas en el mercado. Evitar el ajuste a la curva y encontrar patrones estadísticamente significativos puede ser la clave de su carrera como trader.
¿Porque muchos sistemas automatizados de trading fallan?
La mayoría de las estrategias de trading automatizadas fallan debido al ajuste a la curva o la sobreoptimización. Hay muchos otros factores, pero el sobreajuste y la sobreoptimización son los principales sospechosos.
Los traders principiantes buscan la estrategia del santo grial y se emocionan con las pruebas de backtesting que son «demasiado buenas para ser verdad» o los resultados comerciales hipotéticos. Muchos piensan que un backtest rentable significa un sistema de trading a prueba de fallos y sin riesgo financiero.
Muchos dicen: «Si pudiera encontrar un conjunto de reglas o parámetros que históricamente funciona bien en un robot de traidng específico, entonces estaré listo para lograr ganancias». Desafortunadamente, los mercados y el trading no funcionan de esta manera.
Demasiados traders algoritmicos se enfocan en encontrar la estrategia de trading perfecta basada en resultados de rendimiento hipotéticos con la mayor ganancia en lugar de encontrar estrategias sólidas que puedan soportar pérdidas en el futuro.
Las estrategias robustas son aquellas que pueden soportar cambios en el comportamiento del mercado y no son sensibles a pequeños cambios de parámetros (es decir, poseen estabilidad de parámetros). Además, las estrategias sólidas deben pasar una serie de pruebas de solidez que muchos traders desconocen.
Las 3 formas más sencillas de reducir o evitar el riesgo de ajuste a la curva
Pruebas fuera de muestra (Out of sample)
La prueba fuera de muestra o out of sample es simplemente retener algunos datos en su conjunto de datos históricos para una evaluación adicional. Por ejemplo, supongamos que tiene diez años de datos históricos y opta por retener el último 30% para análisis posteriores.
Entonces, desarrolla una excelente estrategia de trading con base en los primeros siete años del conjunto de datos: los datos en la muestra. Agrega filtros, resta reglas, optimiza parámetros, etc. Una vez que los resultados de la estrategia son aceptables, aplica los datos «fuera de la muestra» (el 30 % restante que no uso para el desarrollo de la versión actual de su sistema) y valida sus hallazgos.
Si la estrategia no produce resultados similares en los datos out of the sample, entonces puede estar casi seguro de que el sistema sufre un ajuste a la curva a los primeros siete años de su conjunto de datos.
A continuación se muestra un gráfico de una estrategia de ejemplo que destaca el período fuera de muestra.
Tamaño de muestra suficiente. Gran cantidad de operaciones
El segundo ejemplo de cómo podemos reducir el sobreajuste y, con suerte, nuestro riesgo financiero es asegurarnos de que la estrategia tenga suficientes operaciones (número elevado de muestras). Si lanza una moneda 10 veces y cae en cara siete veces, no puede estar seguro de si tiene o no una moneda manipulada.
Sin embargo, si lanza una moneda 10.000 veces y cae en cara 7.000 veces, entonces puede estar seguro de que es una moneda con algún tipo de truco.
A continuación se muestra una foto de solo 30 lanzamientos de monedas y, a continuación, una foto de seis intentos diferentes de 100,000 lanzamientos de monedas. Puede ver que, después de un gran número de lanzamientos, las cosas tienden a converger hacia la verdadera expectativa o su valor esperado. Esto se conoce como la Ley de los Grandes Números.
Cuando el número de muestras es pequeño, se puede tener una variedad de resultados. Pero podemos ver que, después de un gran número de lanzamientos, las cosas tienden a converger hacia la verdadera expectativa o su valor esperado. Esto se conoce como la Ley de los Grandes Números.
En una moneda sin ningún tipo de manipulación, entre mayor es el número de lanzamientos, más tienden los resultados a las probabilidades de 50/50 de que salga cara o cruz. Algo similar ocurre en el trading, de ahí la importancia de tener un tamaño de muestra suficientemente grande.
Ejemplo
Tomemos este programa de trading en particular que se muestra a continuación; tiene un gráfico de ganancias acumuladas notablemente suave y un promedio de $170 en ganancias por operación.
Sin embargo, si hacemos un seguimiento de la operación promedio de esta estrategia a lo largo del tiempo, podemos ver que al principio, cuando nuestra confianza en el sistema de trading es más baja, es un viaje lleno de baches y está lejos del promedio de $170 por operación. ¡Se necesitan alrededor de 100 operaciones para que la operación promedio converja a los resultados reales o al promedio que esperamos!
La mayoría de los traders no pueden soportar esta «aleatoriedad» a corto plazo y abandonan el barco antes de que un sistema rentable empiece a producir resultados. Los traders que cambian de estrategia de manea continua a la menor señal de debilidad nunca logran ganancias y, lamentablemente, nunca descubren por qué. Nunca escapan a esta aleatoriedad a corto plazo.
Los traders que comprenden el concepto de aleatoriedad a corto plazo y obviedad a largo plazo son capaces de sobrellevar los periodos de pérdida de corto plazo y sacar provecho de todo el potencial de una estrategia.
El trading algorítmico puede ayudar a los traders a pensar sobre los mercados y la asunción de riesgos de una manera más productiva, ya que le ayuda a ver la perspectiva más a largo plazo de las cosas.
Validar la estrategia en otros mercados
Pruebe su sistema de trading en otros mercados. Si un robot de trading en particular solo funciona en un mercado, entonces tiene más posibilidades de estar sobreajustado en comparación con una estrategia que funciona de manera rentable en una variedad de mercados.
No estoy diciendo que una estrategia de trading que solo funciona en un mercado se ajusta a la curva, ya que hay muchos matices, diferentes participantes e idiosincrasias que existen dentro de cada mercado.
Sin embargo, si una estrategia de trading funciona en todos los mercados, entonces en tales casos ciertamente el trader puede tener una mayor confianza en que es menos probable que sufra un ajuste a la curva que una estrategia que solo funciona bien en un conjunto de datos.
Un signo de solidez en un sistema de trading es su capacidad para producir buenos resultados en otros conjuntos de datos y soportar pérdidas o, al menos, estar generalmente preparado para cambios en los datos.
Probar en mercados similares es una manera fácil de obtener rápidamente una muestra de qué tan bien se comporta una estrategia con nuevos conjuntos de datos.
Si proporcionamos nuevos datos y el sistema no produjo resultados positivos similares a los obtenidos con la muestra original puede ser una señal de que el primer resultado fue aleatorio que estamos ante un ajuste a la curva.
Por ejemplo, si el sistema fue desarrollado para el mercado Forex, específicamente para el par EUR/USD, puede probarse en otros pares de divisa más y menos volátiles para ver que tal se comporta. Si las diferencias son demasiado significativas, esta es una señal de alerta.
Otros métodos para tratar con estrategias ajustadas a la curva antes de operar en vivo
A continuación se muestra una lista con técnicas adicionales que puede utilizar el trader para combatir el ajuste a la curva.
Estas pruebas de robustez identifican el ajuste a la curva y la sobreoptimización antes de que lo haga el mercado:
- Cambios en los tiempos de las barras de precios: cambie ligeramente el tiempo de inicio y finalización de cada barra. Vuelva a pr la estrategia en los conjuntos de datos desplazados. Por ejemplo, barras horarias de 11:03 a 12:03 en lugar de 11:00 a 12:00.
- Cambios en el “ruido”: Sume y reste cantidades aleatorias de ruido a los datos del mercado. Vuelva a probar a estrategia en la serie temporal ajustada al ruido
- Prueba contra la mejor estrategia aleatoria: Puede usar la minería de datos para encontrar la mejor estrategia aleatoria posible. Su estrategia debería superar este punto de referencia aleatorio si contiene una verdadera ventaja de mercado.
- Análisis de Montecarlo: reorganice y reordene los resultados hipotéticos de las operaciones para ver varios caminos que podría haber tomado la estrategia.
- Pruebas de varianza: volver a muestrear de la distribución comercial solo manteniendo las estrategias que tienen una métrica de rendimiento un porcentaje más baja que la prueba retrospectiva original.
- Prueba de sensibilidad de parámetros: Los sistemas de trading que no muestran un rendimiento positivo a medida que cambian los parámetros a menudo se ajustan a la curva. Por ejemplo, un sistema con una media móvil de 12 periodos que funciona pero cuando los parámetros de la media móvil se cambian a 11 o 13 periodos dan como resultado pérdidas sustanciales o pérdidas similares a una estrategia aleatoria.
- Prueba con entradas/salidas retrasadas: Las estrategias de trading que no pueden funcionar de manera similar con entradas o salidas ligeramente retrasadas son candidatas potenciales de riesgo sustancial.
- Prueba de Liquidez: Las estrategias de trading que tienen capacidad limitada y no pueden manejar grandes cantidades de capital también son modelos potencialmente sobreajustados que fallarán en las operaciones de mercado en vivo.
En términos sencillos, existen muchas limitaciones inherentes, y ningún número de pruebas de estrés puede excluir por completo el riesgo del ajuste a la curva; sin embargo, como traders, todo lo que podemos hacer es intentar reducir las probabilidades de que ocurra este problema.
Muchos factores relacionados, pero evitar resultados de rendimiento hipotéticos demasiado optimistas, estrategias con diferencias marcadas entre los períodos de prueba y configuraciones de parámetros altamente sensibles son buenas reglas generales. Sin embargo, es importante utilizar las pruebas de robustez tanto como sea posible, ya que «observar» nunca ha sido un enfoque sólido para los mercados.
¿Cómo evitar el ajuste a la curva en el Forex trading?
Muchos traders de divisas tienen dudas sobre las estrategias de trading para Forex y el ajuste a la curva. Hay algunas razones por las que creo que este es un problema mayor con el trading de divisas que con otras clases de activos.
Primero, Forex no tiene un mercado central, por lo que las ejecuciones de operaciones están sujetas al bróker y esencialmente dependen de las acciones de estos y sus capacidades. Sus precios históricos simulados, las ejecuciones de órdenes simuladas en las pruebas de backtesting y lo que sucede en vivo pueden variar bastante.
En segundo lugar, hay muchos estafadores en este sector (me refiero a los vendedores) que venden robots de trading sobreajustados. Los resultados de rendimiento hipotéticos casi siempre difieren de los resultados reales obtenidos posteriormente en los mercados reales. Por lo general, es posible detectar estos productos defectuosos por las curvas de equidad demasiado perfectas y su desconocimiento de las pruebas de robustez.
Esta experiencia no es exclusiva de los mercados de divisas, pero ciertamente es más frecuente aquí. Hay otras limitaciones inherentes a la compra de sistemas de trading externos, pero este no es el lugar para discutir este tema. ¡Es mejor construir y probar el suyo propio, de modo que todos los riesgos se tengan en cuenta por completo!
Conclusiones clave en relación al ajuste a la curva
- ¡El rendimiento pasado no es indicativo de resultados futuros!
- El ajuste a la curva es un backtesting»demasiado perfecto» que falla a la hora de operar bajo condiciones reales del mercado en vivo.
- El ajuste a la curva es la perdición de la mayoría de los traders algoritmicos. Afecta negativamente los resultados y rendimientos de muchos sistemas.
- Los datos fuera de muestra (out of sample) son una primera línea de defensa, ya que actúan como datos ocultos
- Una muestra grande de operaciones ayuda a reducir las posibilidades de encontrar los resultados que muestren el verdadero desempeño de una estrategia a largo plazo.
- La validación en mercados adicionales es una fuerte señal de solidez.
- Existen más de tres métodos para ayudar a reducir las posibilidades de sufrir un ajuste a la curva.
Resumen
Los traders algoritmicos luchan constantemente contra la complejidad del mercado tratando de crear la estrategia de trading perfecta, lo que a menudo conduce a estrategias sobreajustadas o con ajuste a la curva que causan un riesgo sustancial y producen resultados pobres a largo plazo.
Las estrategias sobreajustadas son frágiles, demasiado buenas para ser verdaderas estrategias ya que fallan cuando el mercado cambia o se exponen a nuevos datos o condiciones del mercado.
La sobreoptimización de parámetros o la memorización de puntos de la serie temporal histórica son los culpables comunes del fallo de los sistemas de trading. ¿Es evitable?
Los traders pueden usar pruebas y métodos de robustez en sus sistemas de trading para ayudar a reducir las posibilidades de sobreajuste, como por ejemplo:
- Pruebas Out-Of-Sample
- Uso de un tamaño de prueba lo suficientemente grande
- Evaluación de la estrategia en varios mercados diferentes
Estas pruebas no garantizan que los sistemas de trading no estén ajustados a la curva, sino que funcionan para ayudar a reducir el riesgo de que ocurra este problema.
