Flujo de trabajo paso a paso para desarrollar mejores estrategias de trading con IA
Este es el proceso que utilizo en mi propia operativa y que enseño en el Strategy Factory Workshop. No se trata de algo teórico. Es el método que he utilizado para desarrollar estrategias reales que opero con dinero real.
Paso 1: comenzar con un concepto
Antes de escribir una sola línea de código, lo ideal es partir de una hipótesis basada en la lógica del mercado. ¿Qué mecanismo económico explica la ventaja que estamos buscando? ¿Por qué debería existir ese patrón? ¿Por qué debería seguir funcionando en el futuro?
Contar con esta hipótesis ayuda mucho a mantener la confianza en la estrategia y personalmente prefiero disponer de una. Sin embargo, también he desarrollado sistemas en los que no comprendo al 100% por qué algo debería funcionar.
Y hay algo todavía más curioso: en ocasiones, exactamente lo contrario de lo que creo que debería funcionar termina funcionando mejor.
Entre las fuentes válidas para generar conceptos se encuentran la investigación académica sobre anomalías de mercado, la observación del comportamiento de la microestructura, las extensiones lógicas de ventajas ya documentadas y la generación de ideas asistida por inteligencia artificial, como vimos anteriormente.
Una fuente poco válida sería simplemente decir: «He analizado los datos y encontré un patrón utilizando un mes de histórico», o todavía peor, basarse únicamente en un gráfico de un solo día.
Buscar primero el patrón utilizando periodos extremadamente cortos es una de las formas más rápidas de caer en el sobreajuste.
Paso 2: construir primero un modelo basado en reglas
Antes de introducir inteligencia artificial o cualquier otra mejora, conviene construir la versión más sencilla posible de la estrategia utilizando reglas explícitas.
Cuando digo sencilla, me refiero a lo esencial: el mínimo número posible de reglas y parámetros.
Este modelo base cumple varias funciones importantes. En primer lugar, proporciona una referencia con la que comparar posteriormente cualquier mejora generada mediante IA.
Además, obliga al trader a comprender profundamente la estrategia antes de añadir complejidad.
Y, finalmente, proporciona una versión interpretable a la que siempre se puede regresar si la versión basada en inteligencia artificial no funciona, algo que ocurre con bastante frecuencia.
Paso 3: controlar la complejidad
Antes de ejecutar un backtest completo, conviene hacerse una pregunta difícil: ¿cuántas reglas, filtros y parámetros necesita realmente esta estrategia?
En esta fase resulta muy tentador continuar añadiendo elementos: un filtro adicional, una nueva condición o algún indicador más, porque cada modificación parece mejorar la lógica del sistema.
Hay que resistirse a esa tentación.
Es recomendable establecer límites estrictos de complejidad antes de comenzar cualquier optimización: pocos parámetros y una lógica de entrada y salida sencilla.
Cada regla adicional representa una nueva oportunidad para que el sistema se adapte al pasado en lugar de anticipar correctamente el futuro.
Después de más de 30 años desarrollando sistemas, las mejores estrategias que he creado suelen ser mucho más sencillas de lo que inicialmente esperaba.
Si el concepto es sólido, no necesita diez filtros para funcionar.
Y si necesita diez filtros para comenzar a mostrar buenos resultados, probablemente el concepto original no sea suficientemente robusto.
Paso 4: introducir la inteligencia artificial con precaución
Solo en este momento tiene sentido preguntarse si determinadas herramientas de IA pueden mejorar la estrategia.
Existen varias aplicaciones especialmente interesantes.
Una de ellas es la detección de regímenes de mercado, utilizando técnicas de clustering para identificar diferentes entornos y ajustar el tamaño de las posiciones en función de ellos.
Otra posibilidad es el filtrado de señales, utilizando un clasificador para eliminar aquellas entradas con menor probabilidad de éxito.
También puede emplearse IA para desarrollar un dimensionamiento adaptativo de posiciones, mediante modelos de regresión que ajusten la exposición en función de la volatilidad prevista o del nivel de confianza de cada señal.
Existe, sin embargo, una regla fundamental: utilizar una cantidad limitada de datos durante toda la fase inicial de desarrollo con IA.
Yo denomino a esta etapa Preliminary Testing y limito estrictamente la cantidad de información histórica utilizada.
Si empleamos demasiado histórico en esta primera fase, podemos contaminar posteriormente el test completo walk-forward.
Y si una mejora basada en inteligencia artificial necesita una enorme cantidad de datos para poder desarrollarse, quizá simplemente signifique que todavía no es posible probarla correctamente.
Paso 5: validar rigurosamente
Ahora llega el momento de someter tanto la estrategia base como cualquier mejora introducida mediante inteligencia artificial a un proceso completo de validación.
Walk-forward testing: dividir los datos históricos en diferentes ventanas y evaluar secuencialmente el comportamiento de la estrategia sobre periodos completamente fuera de muestra.
Análisis de Monte Carlo: realizar miles de simulaciones modificando aleatoriamente el orden o la distribución de las operaciones para conocer cuál podría ser el rango realista de resultados y drawdowns.
Sensibilidad de parámetros: probar diferentes valores alrededor de los parámetros seleccionados y comprobar que el rendimiento se deteriora de forma gradual a medida que nos alejamos de los valores elegidos.
Si pequeñas modificaciones provocan un desplome inmediato de los resultados, esa fragilidad constituye una importante señal de alarma.
Si una estrategia no supera este proceso, simplemente no se opera.
No existen excepciones ni argumentos del tipo «pero los resultados dentro de muestra son extraordinarios».
Precisamente para eso existe el proceso de validación: para detectar estrategias que parecen excelentes en el pasado pero carecen de una ventaja real y sostenible.
Paso 6: tomar una decisión
En este momento ya disponemos de información realmente útil.
La pregunta es muy sencilla: ¿ha superado la estrategia todas las pruebas?
Si la respuesta es afirmativa, tenemos una estrategia que merece la pena operar. Puede incorporarse a la cartera, asignarle un tamaño de posición adecuado y comenzar a monitorizar su comportamiento bajo condiciones reales de mercado mediante un periodo de incubación.
Si la respuesta es negativa, hay que regresar al Paso 1.
No al Paso 3.
No al Paso 2.
Al Paso 1.
Hay que comenzar con un concepto completamente nuevo.
Los datos ya han demostrado que la idea anterior no posee una ventaja estadística suficientemente sólida, y ninguna modificación de parámetros ni la incorporación de nuevas capas de inteligencia artificial conseguirá fabricar una ventaja que realmente no existe.
El proceso Strategy Factory se basa precisamente en generar un gran volumen de ideas. Muchas fracasan durante la validación y únicamente unas pocas consiguen superar todas las pruebas.
Esas pocas son las que merece la pena operar.
Que la mayoría de las ideas fracasen no significa que el proceso esté roto. Significa que está funcionando exactamente como debería.