31
PORTADA
TRADERS´ 11.2018
• Obtener resumen estadístico preliminar (sirve
para sa-ber por dónde van los tiros y si efectiva-
mente cumple requisitos y objetivos)
• Observar comportamiento frente a variaciones en
la compresión (vemos si la idea funciona en dife-
rentes series temporales o sólo en una concreta).
Nos interesa robustez
2) Optimización In Sample
Nuestros sistemas tendrán un determinado número
de parámetros (tales como los periodos de las
medias, por poner un ejemplo). La pregunta típica
sería ¿Cuáles uso?, ¿Cuáles son los correctos?
En realidad NO hay correctos. Si el funcionamiento de
la estrategia depende de la elección de un conjunto
paramétrico concreto, mal vamos. Una estrategia
intenta explotar una dinámica de mercado y por tanto
debería funcionar en todo un rango de parámetros
que efectivamente reproduzcan dicha dinámica.
Esto es importante que se entienda. Le voy a poner un
ejemplo sencillo para ilustrarlo:
Dispongo de una media móvil aplicada sobre una
serie temporal en base diaria cuyo objetivo es deter-
minar si me encuentro en una tendencia alcista o
bajista de medio plazo. Para este menester, el periodo
de la media móvil es indiferente si es de 200 barras,
de 150 o de 250, todas ellas estarían dándome una
información similar. Con seguridad habrá una que
maximiza determinado criterio, pero la óptima no es
la que debe caracterizar la estrategia si no queremos
generar falsas expectativas posteriores.
Por otro lado una de periodo 20 o 30, con seguridad
está capturando otro tipo de
dinámica, a saber, tendencias de
corto plazo.
La optimización In sample
consiste, por tanto, en deter-
minar los rangos paramétricos
de la estrategia que reproducen
la dinámica que queremos
explotar.
El mayor problema que tenemos
en la fase de optimización es
que terminemos haciendo un
“traje a medida” a los datos
de la serie temporal, es decir
que cuantos más parámetros
tengamos y más combinaciones
paramétricas podamos probar,
más elevados serán los ratios
estadísticos que obtendremos. Sin embargo esto
no tendrá ninguna capacidad de reproducirse en el
futuro. Cuando esto ocurre hablamos de sobreoptimi-
zación o “overfitting”. Este es el mayor error posible
que podemos cometer y no es sencillo evitarlo salvo
que dispongamos de protocolos diseñados para ello.
Una de las prácticas habituales para esto es no
utilizar la serie temporal completa sino que la divi-
dimos en 2 o incluso en 3 trozos. El periodo que
usamos para optimizar la estrategia y sus paráme-
tros lo denominamos “In sample” y suele repre-
sentar el 60 o 70% del total. Al resto se le denomina
“Out of Sample”.
Por poner un ejemplo, si disponemos de una serie
temporal de 10 años, usaríamos unos 6 o 7 años
para el In sample y dejaríamos el resto para el Out of
sample.
Evidentemente la selección del periodo In sample es
importante en el proceso de Evaluación.
Así que esencialmente lo que se hace en esta sección
es optimizar sobre el periodo In sample con el obje-
tivo de hallar rangos paramétricos de trabajo.
3) Optimización Out of Sample
Una vez que disponemos de nuestra optimización
y nuestros rangos de trabajo, aplicaremos dichos
conjuntos sobre la parte que no hemos usado durante
el proceso de optimización In sample, es decir, sobre
el Out of sample.
El objetivo es hacer la caracterización estadística de
la estrategia en base a los resultados obtenidos en
este periodo de Out of sample.
Mismo sistema donde el número de unidades que se invierte cada vez depende de un algoritmo de posi-
cionamiento.
Fuente: Market System Analyzer. Adaptrade Software
G6
Curva de capital de sistema de trading con algoritmo de posicionamiento Fixed Ratio