Walk-Forward Analysis paso a paso: cómo saber si tu estrategia generaliza
Entrenar y validar en la misma ventana temporal es el error más común en backtest retail. Walk-Forward Analysis lo elimina. Te muestro cómo aplicarlo correctamente.
Una estrategia que funciona en backtest pero falla en vivo casi siempre tiene la misma raíz: fue optimizada y testeada sobre los mismos datos. Walk-Forward Analysis (WFA) es la técnica que separa entrenamiento de validación de forma que no puedas hacerte trampa a ti mismo.
El concepto en 30 segundos
- Divides tu histórico en ventanas: por ejemplo, 6 meses de entrenamiento + 2 meses de prueba.
- Optimizas parámetros sobre los 6 meses (in-sample).
- Aplicas esos parámetros — sin tocarlos — a los 2 meses siguientes (out-of-sample).
- Avanzas la ventana 2 meses y repites.
- Concatenas todos los OOS para obtener una equity curve realista.
Métricas clave a comparar
El número que importa es la relación entre el Sharpe in-sample (IS) y el out-of-sample (OOS). Una buena estrategia mantiene un cociente OOS/IS > 0.6. Si tu IS es 2.0 y tu OOS es 0.4, no tienes una estrategia — tienes un overfit.
Cómo correrlo en TradingNote
En el detalle de un algoritmo, ve a la pestaña Robustness y selecciona Walk-Forward. Configura el tamaño de ventana y el step. La plataforma se encarga del resto y te entrega un reporte con IS, OOS y la curva concatenada.
Si nunca corriste Walk-Forward sobre tus algoritmos, probablemente la mitad ya no pasarán el filtro. Eso es bueno: prefieres descartarlos en backtest que en vivo con dinero real.
Comentarios
0 comentarios
¿Te sirvió este artículo?
La teoría sin práctica es entretenimiento. Activa tu trial de 14 días y aplica todo esto en tu propia operativa.
Probar TradingNote 14 días gratisArtículos relacionados
Qué es el Deflated Sharpe Ratio (DSR) y por qué tu Sharpe puede estar mintiéndote
Optimizaste 1,000 parámetros y encontraste un Sharpe de 2.1. Felicidades — y casi seguro estás torturando datos. El DSR de López de Prado te dice cuándo el Sharpe es real.
Datos macro FRED en backtest: cómo evitar el lookahead bias
Integrar CPI, NFP o yields en tus algoritmos puede multiplicar tu edge. O destruirlo, si caes en lookahead bias. La diferencia es usar release_date, no observation_date.