Walk-Forward (validación temporal)
Prueba tu algoritmo en datos que nunca vio durante el entrenamiento, avanzando en el tiempo como ocurriría en real. El filtro contra el sobreajuste al pasado.
Cuando optimizas un algoritmo sobre todo el histórico, haces trampa sin querer: el sistema «ve» el futuro porque lo afinaste con datos que en la realidad aún no habrían ocurrido. El Walk-Forward elimina esa trampa. Divide la historia en tramos, optimiza en un tramo y prueba en el SIGUIENTE —que el algoritmo no vio—, y avanza así por toda la serie. Es la simulación más honesta de cómo se habría comportado tu sistema operando mes a mes en el tiempo real.
Dónde está: el Walk-Forward es una validación que corres sobre un algoritmo guardado o sobre los candidatos de una exploración, desde el Probador de Algoritmos. Aparece junto al Multiverso como una de las pestañas de robustez.
In-sample y out-of-sample: la idea central
Todo el método gira en torno a dos conceptos:
- In-sample (IS): el tramo donde el algoritmo se optimiza. Es «lo que el sistema estudió».
- Out-of-sample (OOS): el tramo siguiente, que el algoritmo no vio al optimizarse. Es «el examen sorpresa». Solo cuenta el rendimiento aquí.
Paso a paso
- 1
Divide la historia en ventanas
Por ejemplo, optimizar con 12 meses y validar con los 3 siguientes. Esas proporciones las defines tú.
- 2
Optimiza en el IS, mide en el OOS
El sistema busca los mejores parámetros en los 12 meses, y luego —sin tocarlos— los aplica a los 3 meses siguientes y anota el resultado.
- 3
Avanza la ventana y repite
Mueve todo el bloque hacia adelante y vuelve a optimizar/validar. Así recorres años enteros encadenando exámenes sorpresa.
- 4
Junta todos los OOS
La curva de equity que importa es la unión de todos los tramos OOS: el rendimiento real fuera de muestra, encadenado.
La métrica clave: WFE (Walk-Forward Efficiency)
La WFE compara el rendimiento fuera de muestra contra el de dentro de muestra: cuánto del rendimiento «de laboratorio» sobrevive en el examen real.
| WFE (OOS ÷ IS) | Qué significa |
|---|---|
| Cercana a 1 | Excelente: el algoritmo casi no se infla en el entrenamiento. Generaliza muy bien. |
| > 0.5 | Señal de robustez. Es normal perder algo de rendimiento fuera de muestra; más de la mitad es sano. |
| < 0.3 | Sobreajuste severo: el algoritmo brillaba en el laboratorio y se apaga en el examen. Descartar. |
No esperes una WFE de 1. Siempre habrá algo de degradación fuera de muestra — eso es honesto y esperado. Desconfía más de un algoritmo cuya WFE es sospechosamente perfecta que de uno con una WFE de 0.6 estable a lo largo de los años.
El Walk-Forward valida que el algoritmo funcione en el FUTURO temporal; el Multiverso valida que funcione en mercados ALTERNATIVOS; el Deflated Sharpe Ratio descuenta la suerte de haber probado muchas combinaciones. Son ortogonales: cada uno caza un autoengaño distinto. Úsalos juntos.