Blog

Por qué encontrar los mejores parámetros de una estrategia es solo la mitad del trabajo. Cómo distinguir visual y cuantitativamente una meseta estable de un pico frágil, y por qué los gráficos de contorno de Optuna son un paso obligatorio antes de lanzar una estrategia optimizada a producción.

Por qué la búsqueda exhaustiva es imposible con 12+ parámetros, cómo el descenso por coordenadas pasa por alto las interacciones, y cómo Optuna con un sampler TPE encuentra en 500 iteraciones lo que OAT no puede encontrar en 96. Ejemplos de código prácticos, comparación de samplers y optimización multiobjetivo.

Por qué una estrategia optimizada en ETHUSDT puede fallar en altcoins. Cómo probar correctamente en grupos de pares (blue chips, large caps, shitcoins) y qué puntuación de robustez cross-symbol se considera suficiente.

Cómo las funding rates en Binance/Bybit convierten hermosos resultados de backtest con alto apalancamiento en pérdidas garantizadas. Fórmulas, recálculo de estrategias reales y el apalancamiento máximo al que el funding no se come las ganancias.

Final de la serie 'Backtests sin ilusiones'. Cómo construir un orquestador a partir de N estrategias x M pares, implementar el modo cascada con prioridad y ejecución de respaldo, elegir dual_size, y por qué las carteras de estrategias no pueden retrocederse sumando el PnL.

Taxonomía completa de las divergencias entre backtesting y trading en vivo: desde el slippage y las ejecuciones parciales hasta la desincronización del código. Patrones arquitectónicos para lograr paridad, ejemplos en Python de un módulo core compartido y una lista de verificación para monitoreo en producción.

Por qué una estimación puntual de un backtest es una ilusión peligrosa. Cómo el bootstrap Monte Carlo, en 2 segundos de cómputo, te da un intervalo de confianza del 95% para el PnL y el MaxDD, y por qué es un paso obligatorio antes de lanzar una estrategia a producción.