QTSurfer beta
Aprende

Barrido de parámetros

Aprende a explorar el espacio de parámetros de una estrategia con muestreo en cuadrícula, aleatorio y por hipercubo latino, a leer una clasificación sin seleccionar ruido y a usar las vistas de sensibilidad para encontrar regiones estables.

Un barrido de parámetros ejecuta la misma estrategia muchas veces, cada una con una combinación distinta de valores configurables, y recoge los resultados uno junto a otro. El propósito no es encontrar la mejor combinación. Es aprender cómo responde la estrategia a sus parámetros: cuáles importan, qué rangos son estables y dónde el rendimiento es una coincidencia de los datos.

Un backtest aislado responde «¿cómo le fue a esta configuración?». Un barrido responde «¿cómo se comporta esta idea?», que es una pregunta más útil y más peligrosa, porque la propia búsqueda produce ganadoras tanto si la idea funciona como si no.

Definir el espacio

Cada parámetro barrido es un eje, expresado como un rango numérico con un paso o como una lista explícita de valores. La cuadrícula es el producto cartesiano de todos los ejes, así que su tamaño se multiplica:

rsiPeriod:      7 … 28, paso 1     → 22 valores
useTrendFilter: [true, false]      →  2 valores
                                     44 combinaciones

Añadir un tercer eje con diez valores convierte 44 en 440. Añadir un cuarto lo convierte en miles. La cuadrícula crece geométricamente mientras los datos históricos no, así que la mayoría de esos ensayos prueban los mismos episodios de mercado con etiquetas ligeramente distintas.

Tres muestreadores abordan ese crecimiento de forma distinta:

  • Cuadrícula evalúa todas las combinaciones. Exhaustivo, fácil de razonar y el único muestreador cuyos resultados tienen vecinos bien definidos para el análisis de mesetas.
  • Aleatorio extrae un número fijo de combinaciones de manera uniforme. Barato e insesgado, pero aparecen agrupaciones y huecos por azar.
  • Hipercubo latino (LHS) también extrae un número fijo de muestras, pero estratifica cada eje de modo que cada región de cada parámetro queda cubierta una vez. Ofrece una cobertura similar a la de la cuadrícula al coste del muestreo aleatorio, lo que lo hace adecuado para una primera pasada sobre un espacio grande.

El objetivo decide cómo se ordenan los ensayos: rentabilidad ajustada al riesgo (ratio de Sharpe o de Sortino), beneficio bruto o drawdown máximo. El objetivo es una lente, no un veredicto; el mismo barrido puede reordenarse por otro objetivo sin volver a ejecutar nada.

Leer una clasificación

La lista ordenada es la vista menos informativa de un barrido, porque la parte alta de cualquier clasificación es donde se concentra el sesgo de selección. Léela teniendo en cuenta lo siguiente.

  • Los vecinos importan más que el ganador. Un punto cuyos vecinos también puntúan bien está en una meseta; un punto cuyos vecinos puntúan mal es un pico. Las mesetas sobreviven a los cambios del mercado; los picos, no.
  • El número de operaciones fija el tamaño de la muestra. Un ensayo con quince operaciones tiene quince observaciones, por largo que sea el rango de fechas. Su puntuación es una estadística de muestra pequeña.
  • Cada ensayo cuenta contra el ganador. Cuantas más combinaciones se prueben, mejor parece la mejor solo por azar. Consulta Sobreajuste para ver cómo crece esa línea base.
  • Los ensayos abortados no son malos resultados. Una ejecución que falló no midió nada. Tratarla como un mal resultado inventa evidencia contra un valor de parámetro que nunca se probó.

Sensibilidad: qué ejes importaron

Una clasificación dice qué punto ganó. No puede decir si un eje marcó alguna diferencia. Dos vistas agregadas responden a eso:

  • Una marginal colapsa el resto de ejes: para cada valor de un parámetro, agrega todos los ensayos que lo usaron. Una marginal plana significa que el eje fue irrelevante en el rango barrido. Cuando la mejor, la media y la peor puntuación de un valor discrepan mucho, ese valor solo funciona en compañía concreta, lo que es una interacción escondida tras un único número.
  • Un mapa de calor hace lo mismo sobre un par de ejes, de modo que la interacción se hace visible directamente. El número de superficies es cuadrático en el número de ejes, otra razón para barrer pocos ejes a la vez.

La sensibilidad es lo que convierte un barrido de una búsqueda en un experimento. La conclusión no es «usa rsiPeriod = 16»; es «rsiPeriod entre 14 y 18 se comporta igual, y el filtro de tendencia es de donde sale el resultado».

Una secuencia de trabajo

  1. Empieza grueso. Rangos amplios, pasos grandes o una muestra LHS de unas pocas docenas de puntos. El objetivo es la forma de la respuesta, no el óptimo.
  2. Lee las marginales. Descarta los ejes planos. Estrecha los rangos a las regiones que aguantan.
  3. Refina una vez. Un segundo barrido sobre la región superviviente con pasos más finos. Cada refinamiento adicional sobre los mismos datos es otra ronda de ajuste dentro de muestra.
  4. Prefiere la meseta. Elige un punto dentro de una región estable, no la mejor fila aislada.
  5. Valida fuera de muestra. Ejecuta el barrido con pliegues walk-forward, o reserva un periodo que el barrido nunca haya visto, antes de creer ningún número.

Errores habituales

  • Barrerlo todo a la vez. Seis ejes producen una cuadrícula que nadie puede interpretar y una línea base de pruebas múltiples que nadie puede superar.
  • Pasos más finos de lo que los datos pueden resolver. Un periodo que se comporta idénticamente de 14 a 18 no necesita cinco ensayos; necesita uno y una nota de que la región es plana.
  • Cambiar el objetivo hasta que algo gane. Reordenar es una herramienta para entender, no para encontrar la métrica bajo la cual el favorito queda mejor.
  • Refinar repetidamente sobre la misma ventana. Grueso, refinado, refinado otra vez: cada pasada consume más información de la muestra, y la ganadora final se ha elegido con toda ella.
  • Ignorar el umbral de operaciones. Una puntuación espectacular con nueve operaciones es una historia sobre nueve operaciones.

Los barridos de parámetros en QTSurfer

Un barrido se ejecuta contra el mismo conjunto de datos preparado que un backtest simple, de modo que todos los ensayos ven exactamente los mismos datos, instrumento y rango de fechas. La petición declara un eje por propiedad de la estrategia, como rango o como lista de valores; elige un muestreador (grid, random o lhs), un objetivo (sharpe, sortino, pnl o maxdd) y, opcionalmente, una semilla para la reproducibilidad. La respuesta confirma el número de ensayos antes de que se ejecute ninguno, y una petición idéntica no encola un duplicado.

La clasificación usa por defecto la ordenación por meseta: las filas se ordenan por el objetivo de la peor ejecución de su vecindario inmediato, de modo que un pico no gana por defecto. Cada fila informa de su puntuación bruta, su puntuación de meseta, su número de vecinos, su número de operaciones, si quedó por debajo del umbral de operaciones y un ratio de Sharpe deflactado que corrige por el número de vectores probados. Un barrido terminado informa además de la probabilidad de sobreajuste del backtest sobre toda la cuadrícula.

El endpoint de sensibilidad devuelve marginales y mapas de calor por pares agregados a partir de las filas de ensayo almacenadas, sin volver a ejecutar nada, y funciona sobre un barrido aún en curso. Las ejecuciones abortadas se excluyen en todo momento. Las curvas de equity se retienen cuando el barrido las pide, y entonces para cada ensayo completado que produjo operaciones, no solo para los seleccionados. Cancelar un barrido conserva todas las filas ya completadas.

En la aplicación, este es el flujo de los backtests simulados: define un barrido reducido, ejecútalo y envía después un refinamiento que lo acote como una nueva fase del mismo experimento.

Conceptos relacionados