En las pruebas de robustez en trading un robot de trading puede mostrar resultados extraordinarios en un backtest y, sin embargo, comportarse de forma completamente diferente cuando empieza a operar con datos nuevos.
Este es uno de los principales problemas a los que se enfrenta cualquier persona que desarrolla o utiliza una estrategia automatizada.
Un sistema puede parecer rentable porque sus parámetros han sido ajustados demasiado a los datos históricos utilizados durante su desarrollo. En ese caso, el robot puede estar reproduciendo muy bien el pasado, pero no necesariamente dispone de una ventaja que pueda mantenerse cuando cambien las condiciones del mercado.
Por eso, hacer un buen backtest no es suficiente.
Antes de considerar una estrategia automatizada como potencialmente válida, es necesario analizar su robustez.
Las pruebas de robustez intentan responder a una pregunta fundamental:
¿El sistema funciona porque tiene una lógica razonable o porque ha sido demasiado adaptado a unos datos concretos?
En este artículo veremos qué significa la robustez en trading, qué pruebas pueden realizarse, cómo detectar una posible sobreoptimización y qué aspectos deberían analizarse antes de pasar de un sistema probado históricamente a una operativa real.
¿Qué significa que una estrategia de trading sea robusta?
Una estrategia puede considerarse más robusta cuando mantiene unas características razonablemente similares al cambiar determinadas condiciones de prueba.
Esto no significa que deba ganar siempre.
Tampoco significa que tenga que producir exactamente el mismo beneficio en todos los escenarios.
La robustez consiste más bien en comprobar si el sistema mantiene una lógica y un comportamiento razonables cuando introducimos pequeñas variaciones o lo enfrentamos a condiciones diferentes.
Por ejemplo, imaginemos que un robot obtiene buenos resultados utilizando:
- Media de 20 periodos.
- Stop Loss de 100 puntos.
- Take Profit de 200 puntos.
- Horario de 8:00 a 16:00.
Si cambiamos ligeramente esos valores y el sistema continúa mostrando características razonables, puede ser una señal positiva.
Si, por el contrario, únicamente funciona con exactamente 20 periodos, exactamente 100 puntos y exactamente ese horario, deberíamos estudiar si existe un problema de sobreoptimización.
Robustez no significa rentabilidad garantizada
Esta diferencia es muy importante.
Una estrategia robusta no significa una estrategia que necesariamente vaya a ganar dinero en el futuro.
Las pruebas de robustez sirven para aumentar nuestro conocimiento sobre el comportamiento de un sistema, pero no eliminan la incertidumbre del mercado.
Un sistema puede superar diferentes pruebas y posteriormente atravesar una etapa negativa.
Por eso debemos interpretar la robustez como una herramienta de validación, no como una garantía de resultados.
¿Por qué un backtest puede engañarnos?
Un backtest utiliza datos históricos para simular cómo se habría comportado una estrategia.
Esto es muy útil, pero tiene limitaciones.
Durante el desarrollo conocemos los datos del pasado.
Podemos probar diferentes:
- Indicadores.
- Parámetros.
- Horarios.
- Stops.
- Objetivos.
- Filtros.
- Condiciones de entrada.
Si realizamos suficientes pruebas, existe el riesgo de terminar encontrando una combinación que funciona especialmente bien en ese periodo histórico.
El problema aparece cuando confundimos ese resultado con una ventaja estadística que necesariamente continuará existiendo.
La CFTC advierte precisamente que los resultados hipotéticos o simulados pueden no reflejar adecuadamente las condiciones reales de mercado y pueden verse afectados por factores como liquidez, ejecución y costes.
¿Qué es la sobreoptimización?
La sobreoptimización, también conocida como overfitting o adaptación excesiva a la curva, aparece cuando una estrategia se ajusta demasiado a los datos históricos.
El sistema acaba aprendiendo características específicas del pasado en lugar de capturar una lógica suficientemente general.
Por ejemplo, imaginemos que probamos miles de combinaciones hasta encontrar:
- Una media concreta.
- Un Stop Loss concreto.
- Un Take Profit concreto.
- Un horario concreto.
- Un filtro concreto.
Y conseguimos un resultado histórico espectacular.
Eso no significa necesariamente que hayamos encontrado el mejor sistema.
Podríamos haber encontrado simplemente la combinación que mejor encaja con ese histórico concreto.
Un ejemplo sencillo de sobreoptimización
Imaginemos un robot que ha sido probado durante cinco años.
Después de realizar muchas optimizaciones obtenemos:
Beneficio: +250 %
Drawdown: 8 %
Profit Factor: 2,8
A primera vista parece excelente.
Pero después descubrimos que:
- El sistema utiliza 14 filtros.
- Tiene 25 parámetros.
- Los parámetros han sido modificados cientos o miles de veces.
- Solo funciona con una configuración extremadamente concreta.
Cuando se prueba con datos nuevos, el resultado cambia radicalmente.
Esto sería una señal de posible sobreoptimización.
El problema no estaba necesariamente en el código.
Estaba en el proceso de desarrollo y validación.
¿Qué pruebas de robustez en trading podemos realizar?
No existe una única prueba capaz de demostrar que una estrategia es robusta.
Lo recomendable es utilizar diferentes métodos que analicen el sistema desde perspectivas distintas.
Entre ellos podemos encontrar:
- Datos fuera de muestra.
- Forward testing.
- Variación de parámetros.
- Diferentes periodos históricos.
- Diferentes condiciones de mercado.
- Diferentes costes de ejecución.
- Pruebas de spread y slippage.
- Pruebas de estrés.
- Walk-forward analysis.
- Monte Carlo.
- Análisis de las estadísticas.
- Pruebas en demo.
Vamos a analizar cada una.
1. Pruebas con datos fuera de muestra
Una de las primeras medidas para reducir el riesgo de sobreoptimización consiste en separar los datos.
Podemos dividir el histórico en diferentes partes.
Por ejemplo:
Periodo de desarrollo: utilizado para construir y ajustar la estrategia.
Periodo de validación: utilizado para comprobar cómo funciona con datos que no han participado directamente en el desarrollo.
Esto permite comprobar si el comportamiento se mantiene fuera de la muestra utilizada para optimizar.
La idea es sencilla:
Si el sistema solo funciona con los datos que utilizamos para construirlo, debemos ser prudentes.
2. Forward testing
El forward testing consiste en comprobar el comportamiento de la estrategia utilizando datos posteriores o nuevos respecto al periodo utilizado para desarrollar el sistema.
En MetaTrader 5, el Strategy Tester incorpora opciones específicas para realizar pruebas forward sobre los resultados obtenidos durante la optimización.
La propia documentación de MQL5 explica que estas pruebas sirven para comprobar si los parámetros encontrados durante la optimización mantienen un comportamiento razonable en otro periodo.
Por ejemplo:
Datos de 2018-2023: desarrollo y optimización.
Datos de 2024-2025: forward testing.
La pregunta sería:
¿El sistema mantiene unas características razonables cuando dejamos de utilizar los datos que sirvieron para construirlo?
3. Variar ligeramente los parámetros
Esta es una prueba muy útil para detectar sistemas excesivamente ajustados.
Supongamos que el robot utiliza una media móvil de 20 periodos.
Podemos probar:
- 18
- 19
- 20
- 21
- 22
Si las cinco configuraciones presentan comportamientos razonables, existe una cierta estabilidad alrededor del parámetro.
En cambio, si:
20 = excelente
pero
19 = muy malo
21 = muy malo
puede existir una señal de alerta.
No significa automáticamente que la estrategia sea inválida, pero merece una investigación más profunda.
4. Buscar una zona de estabilidad
En una optimización no deberíamos fijarnos exclusivamente en el mejor resultado.
También puede ser interesante observar si existe una zona relativamente amplia de resultados razonables.
Imaginemos:
| Parámetro | Resultado |
|---|---|
| 15 | Bueno |
| 16 | Bueno |
| 17 | Bueno |
| 18 | Muy bueno |
| 19 | Bueno |
| 20 | Bueno |
| 21 | Aceptable |
Esto puede ser más interesante que encontrar:
| Parámetro | Resultado |
|---|---|
| 15 | Malo |
| 16 | Malo |
| 17 | Malo |
| 18 | Malo |
| 19 | Malo |
| 20 | Excelente |
| 21 | Malo |
La primera situación muestra una zona de estabilidad.
La segunda puede indicar que el sistema depende demasiado de una configuración concreta.
5. Probar diferentes periodos históricos
Una estrategia debería analizarse en diferentes etapas del mercado.
Por ejemplo:
- Mercados alcistas.
- Mercados bajistas.
- Rangos.
- Alta volatilidad.
- Baja volatilidad.
- Periodos de fuertes movimientos.
- Periodos de escasa dirección.
Esto es especialmente importante porque muchas estrategias tienen una ventaja solamente en determinados entornos.
Una estrategia tendencial puede comportarse muy bien durante una tendencia prolongada y sufrir durante largos periodos laterales.
Una estrategia de reversión puede presentar el comportamiento contrario.
6. Analizar diferentes condiciones de mercado
No basta con preguntar:
«¿Cuánto ganó?»
También debemos preguntar:
«¿En qué condiciones ganó?»
Y:
«¿Cuándo perdió?»
Esto permite comprender mejor la naturaleza del sistema.
Por ejemplo, una estrategia puede obtener la mayor parte de sus beneficios durante periodos de elevada volatilidad.
Si conocemos esta característica, podemos interpretar mejor sus resultados.
7. Introducir costes realistas
Uno de los errores más habituales en los backtests es utilizar condiciones demasiado favorables.
En la realidad existen:
- Spread.
- Comisiones.
- Swaps.
- Slippage.
- Latencia.
- Diferencias entre precio solicitado y ejecutado.
La CFTC señala que los resultados hipotéticos pueden no reflejar adecuadamente factores como liquidez, ejecución y spreads.
Por tanto, una estrategia que solo funciona antes de incorporar costes debería analizarse con mucha cautela.
8. Pruebas con diferentes spreads
Supongamos que el backtest utiliza un spread fijo muy bajo.
Podemos realizar pruebas con spreads superiores para observar cuánto se deteriora el resultado.
Por ejemplo:
Spread bajo → resultado positivo
Spread medio → resultado positivo
Spread elevado → resultado negativo
Esto nos proporciona información importante sobre la sensibilidad del sistema a los costes de ejecución.
Cuanto más dependiente sea el sistema de unas condiciones extremadamente favorables, mayor será la necesidad de analizarlo cuidadosamente.
9. Pruebas de slippage
El slippage es la diferencia entre el precio esperado y el precio finalmente ejecutado.
En determinadas circunstancias puede ser pequeño.
En otras puede ser significativo.
Esto es especialmente relevante para sistemas que:
- Operan con objetivos muy pequeños.
- Realizan muchas operaciones.
- Operan durante momentos de elevada volatilidad.
- Dependen de una ejecución muy precisa.
Una estrategia que necesita entrar y salir exactamente al precio previsto puede ser especialmente sensible a los costes de ejecución.
10. Pruebas de estrés
Una prueba de estrés intenta comprobar cómo se comporta el sistema cuando las condiciones son menos favorables.
Podemos plantear escenarios como:
- Mayor spread.
- Mayor slippage.
- Menor porcentaje de operaciones ganadoras.
- Peores precios de entrada.
- Peores precios de salida.
- Periodos de pérdidas más prolongados.
El objetivo no es demostrar que el sistema puede ganar siempre.
El objetivo es conocer cuánto puede deteriorarse antes de dejar de ser razonable.
11. Walk-forward analysis
El walk-forward analysis intenta acercarse más a la forma en que una estrategia tendría que enfrentarse al mercado a lo largo del tiempo.
El proceso puede repetirse de forma secuencial:
Optimizar → probar → avanzar en el tiempo → volver a optimizar → volver a probar.
Por ejemplo:
Fase 1
Optimización: 2018-2020
Prueba: 2021
Fase 2
Optimización: 2019-2021
Prueba: 2022
Fase 3
Optimización: 2020-2022
Prueba: 2023
Y así sucesivamente.
El objetivo es comprobar si el sistema mantiene unas características razonables cuando la ventana temporal se desplaza hacia el futuro.
MetaTrader 5 dispone de herramientas específicas para realizar forward testing y existe documentación de MQL5 dedicada al análisis walk-forward.
12. Pruebas Monte Carlo
Las simulaciones de Monte Carlo permiten analizar cómo podrían cambiar los resultados cuando modificamos determinados elementos de una secuencia histórica.
Dependiendo de la metodología utilizada pueden analizarse, por ejemplo:
- Orden de las operaciones.
- Variaciones de resultados.
- Rachas de pérdidas.
- Drawdown potencial.
- Diferentes escenarios de ejecución.
No se trata de predecir exactamente el futuro.
La utilidad está en estudiar cómo podría variar el comportamiento estadístico del sistema bajo diferentes escenarios.
¿Qué debemos analizar en una prueba Monte Carlo?
Uno de los elementos más interesantes es el drawdown.
Imaginemos que el backtest original presenta:
Drawdown máximo: 10 %
Pero después de diferentes simulaciones observamos escenarios donde:
Drawdown potencial: 17 %, 20 % o incluso 25 %.
Esta información puede ser mucho más útil para establecer expectativas realistas sobre el riesgo.
La pregunta deja de ser:
«¿Cuál fue el drawdown histórico?»
y pasa a ser:
«¿Qué drawdown podría experimentar el sistema bajo otras secuencias posibles?»
13. Analizar la estabilidad de las estadísticas
Una estrategia robusta no debería evaluarse únicamente por el beneficio final.
Conviene estudiar diferentes métricas:
- Profit Factor.
- Drawdown máximo.
- Ratio de Sharpe.
- Ratio de Sortino.
- Expectativa matemática.
- Porcentaje de operaciones ganadoras.
- Ganancia media.
- Pérdida media.
- Racha máxima de pérdidas.
- Número de operaciones.
El Strategy Tester de MetaTrader 5 incorpora diferentes criterios para evaluar y optimizar estrategias, incluyendo drawdown, factor de recuperación, expectativa y Sharpe Ratio.
¿Un Profit Factor alto significa que la estrategia es robusta?
No necesariamente.
Un Profit Factor elevado puede resultar atractivo, pero por sí solo no demuestra robustez.
Por ejemplo, una estrategia puede presentar:
Profit Factor: 2,50
pero:
- Muy pocas operaciones.
- Histórico demasiado corto.
- Parámetros excesivamente optimizados.
- Drawdown elevado.
- Resultados muy concentrados en un periodo concreto.
Por eso debemos analizar el conjunto de estadísticas.
¿Cuántas operaciones necesita una estrategia para ser evaluada?
No existe una cifra universal que garantice que una estrategia sea válida.
Sin embargo, una muestra extremadamente pequeña dificulta sacar conclusiones.
Imaginemos un robot con:
12 operaciones
y:
10 ganadoras.
El porcentaje de operaciones ganadoras parece excelente.
Pero 12 operaciones pueden proporcionar una evidencia estadística muy limitada.
Si analizamos:
1.500 operaciones
la información disponible es mucho mayor.
Aun así, el número de operaciones no es el único factor.
También importan:
- Distribución temporal.
- Diferentes condiciones de mercado.
- Calidad de los datos.
- Costes.
- Independencia de las operaciones.
- Consistencia.
¿Qué pasa si una estrategia funciona muy bien y después deja de hacerlo?
Esto puede suceder incluso con sistemas que fueron desarrollados correctamente.
Los mercados cambian.
Puede cambiar:
- La volatilidad.
- La liquidez.
- El comportamiento de los participantes.
- Los costes de ejecución.
- La estructura de los mercados.
- La relación entre diferentes activos.
Por eso una estrategia automatizada debería considerarse un sistema que necesita seguimiento continuo.
ESMA establece, para las empresas de inversión que realizan trading algorítmico dentro de su ámbito regulatorio, requisitos relacionados con controles de riesgo, pruebas y monitorización de los sistemas.
Para un trader minorista esto no significa que tenga exactamente las mismas obligaciones regulatorias, pero sí ilustra una idea importante: un sistema automático no debería desarrollarse, ponerse en marcha y olvidarse.
¿Cómo saber si un robot está sobreoptimizado?
No existe una prueba única que lo demuestre, pero hay varias señales de alerta.
Señal 1: demasiados parámetros
Cuantos más parámetros tenga una estrategia, mayor puede ser el riesgo de adaptación excesiva si se optimizan sin una justificación clara.
Señal 2: resultado histórico extraordinario
Un resultado extremadamente bueno merece investigación.
No necesariamente es falso, pero sí requiere comprobar cómo se ha conseguido.
Señal 3: dependencia de valores exactos
Si cambiar ligeramente un parámetro destruye completamente los resultados, debemos investigar.
Señal 4: diferencia enorme entre backtest y forward
Si el histórico es excelente pero el forward es muy malo, existe una señal importante de alerta.
Señal 5: beneficios concentrados
Si gran parte del beneficio procede de unos pocos periodos u operaciones, la estabilidad puede ser menor de lo que parece.
Señal 6: muy pocas operaciones
Un sistema con una muestra pequeña puede generar estadísticas poco representativas.
Señal 7: demasiados filtros
Añadir continuamente filtros para eliminar operaciones perdedoras puede hacer que el sistema se adapte cada vez más al pasado.
La importancia de la simplicidad
En sistemas automatizados, más complejidad no significa necesariamente mayor calidad.
Un robot con:
- 20 indicadores.
- 50 parámetros.
- Decenas de filtros.
- Numerosas excepciones.
puede parecer más sofisticado.
Pero también puede ser más difícil de entender, probar y mantener.
Un sistema más sencillo puede ser preferible si su lógica está bien definida y sus resultados se mantienen razonablemente estables.
La pregunta no debería ser:
«¿Cuántas funciones tiene el robot?»
Sino:
«¿Existe una razón clara para cada una de ellas?»
¿Qué debe contener una buena prueba de robustez?
Podemos establecer una lista de comprobación.
Estrategia
- ¿Las reglas están claramente definidas?
- ¿Existe una lógica económica o de mercado detrás?
Datos
- ¿Hay suficiente histórico?
- ¿Se han utilizado diferentes periodos?
- ¿Los datos son razonablemente fiables?
Optimización
- ¿Se han utilizado pocos parámetros o demasiados?
- ¿Existe una zona de estabilidad?
Validación
- ¿Se han utilizado datos fuera de muestra?
- ¿Se ha realizado forward testing?
- ¿Se ha realizado walk-forward?
Ejecución
- ¿Se han considerado spreads?
- ¿Se han considerado comisiones?
- ¿Se ha considerado slippage?
Riesgo
- ¿Se ha analizado el drawdown?
- ¿Se han estudiado las rachas de pérdidas?
- ¿Se ha evaluado el peor escenario razonable?
Estadísticas
- ¿Hay suficientes operaciones?
- ¿El beneficio está distribuido en diferentes periodos?
- ¿Los resultados son razonablemente consistentes?
Ejemplo de proceso completo de validación
Podemos resumir un proceso de robustez de la siguiente manera:
1. Crear la estrategia
↓
2. Programar el robot
↓
3. Backtesting inicial
↓
4. Optimización moderada
↓
5. Separar datos de desarrollo y validación
↓
6. Forward testing
↓
7. Variación de parámetros
↓
8. Pruebas de costes
↓
9. Pruebas de estrés
↓
10. Monte Carlo
↓
11. Walk-forward
↓
12. Demo
↓
13. Evaluación continua
Este proceso no garantiza que el robot vaya a ser rentable.
Pero permite obtener mucha más información que limitarse a mirar el beneficio de un único backtest.
¿Qué resultado debería buscar?
Paradójicamente, no deberías buscar necesariamente el resultado histórico más espectacular.
Un sistema que obtiene:
+500 % de rentabilidad con un 5 % de drawdown
puede resultar muy atractivo.
Pero si para conseguirlo necesita una configuración extremadamente precisa y deja de funcionar con pequeñas variaciones, puede ser menos interesante que otro sistema que obtiene:
+80 % con un 12 % de drawdown
pero mantiene un comportamiento razonable en diferentes configuraciones y periodos.
La robustez puede ser más importante que la espectacularidad del resultado histórico.
Robustez y gestión del riesgo
Las pruebas de robustez deben estar directamente relacionadas con la gestión del riesgo.
No basta con saber cuánto podría ganar un robot.
También hay que saber:
- Cuánto puede perder.
- Cuánto puede durar una racha negativa.
- Cuál ha sido su drawdown.
- Qué ocurre cuando aumenta el spread.
- Qué ocurre cuando empeora la ejecución.
- Qué ocurre cuando cambia el mercado.
Puedes profundizar sobre este aspecto en ¿Qué es la gestión del riesgo? Claves para proteger el capital.
¿Cuándo podemos considerar que una estrategia es suficientemente robusta?
No existe una respuesta matemática universal.
Una estrategia puede considerarse más convincente cuando:
- Funciona en diferentes periodos.
- No depende de un único parámetro.
- Mantiene una zona de estabilidad.
- Funciona razonablemente fuera de muestra.
- Supera pruebas forward.
- Tolera variaciones moderadas de costes.
- Presenta estadísticas coherentes.
- Tiene un drawdown asumible.
- No depende de un número muy reducido de operaciones.
- Mantiene una lógica comprensible.
Cuantas más de estas características cumpla, mayor será la confianza que podemos tener en la estabilidad del sistema.
Pero confianza no significa certeza.
¿La robustez puede desaparecer con el tiempo?
Sí.
Una estrategia puede ser robusta durante determinados periodos y perder eficacia posteriormente.
Por eso el proceso de validación no debería terminar cuando el robot comienza a operar.
Es recomendable establecer métricas y límites que permitan detectar cambios.
Por ejemplo:
- Drawdown superior al esperado.
- Pérdidas consecutivas excesivas.
- Cambio significativo del Profit Factor.
- Deterioro de la expectativa.
- Diferencias importantes entre backtest y operativa real.
Cuando el comportamiento se aleja demasiado de lo esperado, puede ser necesario investigar antes de continuar.
Robustez no significa optimizar hasta encontrar el mejor resultado
Este es uno de los errores más importantes que debemos evitar.
El objetivo de una prueba de robustez no es encontrar:
«La configuración que más dinero ganó en el pasado.»
El objetivo es encontrar:
«Una configuración razonablemente estable que no dependa excesivamente de unas condiciones históricas concretas.»
Esta diferencia cambia completamente la forma de desarrollar una estrategia automatizada.
Conclusión
Las pruebas de robustez son una parte fundamental del desarrollo de cualquier estrategia automatizada.
Un buen backtest puede demostrar que una estrategia habría funcionado bajo determinadas condiciones históricas.
Pero la robustez intenta responder a una pregunta más difícil:
¿Qué ocurre cuando cambiamos las condiciones?
Para estudiarlo podemos utilizar:
- Datos fuera de muestra.
- Forward testing.
- Variación de parámetros.
- Diferentes periodos.
- Diferentes escenarios de mercado.
- Costes realistas.
- Pruebas de estrés.
- Monte Carlo.
- Walk-forward analysis.
- Análisis estadístico.
Ninguna de estas pruebas puede garantizar que un robot vaya a ganar dinero en el futuro.
Su utilidad consiste en reducir la dependencia del pasado y detectar posibles señales de sobreoptimización o fragilidad.
La mejor estrategia automatizada no es necesariamente la que presenta el mayor beneficio histórico.
Puede ser mucho más interesante aquella que muestra una lógica clara, estadísticas razonables y un comportamiento relativamente estable cuando las condiciones cambian.
En trading algorítmico, la robustez debe ser más importante que la espectacularidad del backtest.
Continúa aprendiendo
Si quieres seguir profundizando en el desarrollo y validación de sistemas automatizados, puedes continuar con estos artículos:
- Backtesting de una estrategia de trading: cómo comprobar si funciona
- ¿Qué es la gestión del riesgo? Claves para proteger el capital
- ¿Qué es un Expert Advisor (EA) en trading y cómo funciona?
- Cómo crear un robot de trading desde cero
Como siguiente paso dentro de esta categoría, puedes profundizar en la optimización de estrategias de trading, donde veremos cómo optimizar parámetros sin caer en una búsqueda excesiva del resultado histórico perfecto.
También puedes consultar la documentación oficial de MQL5 sobre el Probador de Estrategias, donde se explican las posibilidades de simulación y optimización de Expert Advisors.
Ver todas las entradas del blog
⚠️ Aviso importante
Este artículo tiene exclusivamente finalidad educativa e informativa. No constituye asesoramiento financiero, recomendación de inversión ni una invitación a comprar o vender ningún instrumento financiero.
Las pruebas históricas, las simulaciones y los análisis estadísticos deben interpretarse como herramientas para estudiar una estrategia y no como una garantía sobre su comportamiento futuro.
Antes de utilizar un sistema automatizado con dinero real es necesario comprender su funcionamiento, sus riesgos, sus limitaciones y las condiciones en las que ha sido probado.
⚠️ Aviso de riesgo
El trading conlleva un elevado nivel de riesgo y puede ocasionar pérdidas de capital.
Una estrategia que haya superado pruebas de robustez, backtesting, forward testing u otras simulaciones no garantiza resultados positivos en el futuro.
Los resultados históricos pueden diferir significativamente de los resultados reales debido, entre otros factores, a cambios en la volatilidad, liquidez, spread, comisiones, slippage, latencia y condiciones del mercado.
Las simulaciones hipotéticas tampoco reproducen necesariamente todos los aspectos de la operativa real. La CFTC advierte específicamente sobre las limitaciones de los resultados hipotéticos y recomienda mantener una actitud crítica ante sistemas que prometan grandes beneficios con poco riesgo.
Nunca debes arriesgar un capital cuya pérdida no puedas asumir.s, eventos, funciones de trading y herramientas de desarrollo.