Los datos de mercado más granulares pueden hacer que un backtest de estrategia sea menos fiable. Los datos tick te dan más filas, pero también más formas de confundir el detalle de medición con conocimiento sobre lo que podrías haber negociado.
Suena al revés si alguna vez has visto cómo una prueba basada en barras no detectaba un stop, una ampliación del spread o un breve toque de tu precio límite. Son problemas reales. La cuestión es si los datos más precisos realmente los resuelven o solo permiten que el simulador cuente una historia con más seguridad.
¿Qué permiten ver los datos tick en un backtest?
Una barra de 1 minuto comprime una secuencia de operaciones en 4 precios y un volumen total. A partir de la barra por sí sola, normalmente no puedes saber si el máximo se produjo antes que el mínimo, cuánto tiempo permaneció el precio cerca de cualquiera de los extremos o si se negoció suficiente volumen a un precio concreto para respaldar tu orden.
Los ticks de operaciones recuperan la secuencia de operaciones notificadas. Las cotizaciones añaden el bid y el ask publicados a lo largo del tiempo. Con ambos, puedes plantear preguntas más precisas sobre el spread, los cambios en las cotizaciones y si una orden negociable habría cruzado el libro a un precio plausible.
Pero una operación registrada no equivale a una posición en la cola. Si tu orden resting se hubiera incorporado a un nivel con 18 BTC por delante, ver que se negocian allí 0,3 BTC no demuestra que tu orden se ejecutara. El flujo de operaciones te dice qué ocurrió en el mercado; rara vez te dice exactamente dónde habría estado tu orden hipotética.
¿Dónde pueden empeorar el resultado los datos más precisos?
El primer riesgo es la cobertura desigual. Los archivos históricos de ticks suelen tener intervalos ausentes, lagunas de venues, cambios de símbolos o distintos periodos de conservación entre mercados. Una estrategia probada solo donde el proveedor tiene un historial completo puede acabar convirtiéndose, sin que te des cuenta, en una estrategia para los activos y periodos más fáciles de medir.
El segundo riesgo es el tiempo. Las marcas de tiempo pueden representar la hora del evento en el exchange, la hora de recepción del proveedor o el momento en que se creó un archivo. Si el simulador ordena eventos de distintos feeds como si sus relojes estuvieran perfectamente sincronizados, puede reaccionar a una cotización antes de que estuviera disponible para tu proceso.
Además, un mayor número de filas facilita ocultar errores de implementación. Una estrategia basada en barras puede tomar una decisión por minuto. Una versión impulsada por ticks puede operar decenas de veces en ese minuto y pagar spread, comisiones e impacto cada vez. Si el simulador supone que cada señal puede ejecutarse al siguiente precio observado, su precisión es puro adorno.
Las 60 observaciones no son automáticamente 60 oportunidades independientes para operar. Puede que todas describan la misma cotización en evolución, y tu orden puede afectar a la disponibilidad de las ejecuciones restantes. Una simulación de alta frecuencia necesita un modelo de órdenes y latencia que use honestamente el detalle adicional.
¿Cuándo vale la pena asumir el coste de los datos tick?
Empieza por la pregunta que no puedes responder con tus datos actuales. Si es «¿qué ocurrió primero, mi stop o mi objetivo?», los ticks de operaciones pueden ayudar. Si es «¿cuánto costó el spread al entrar?», los datos de cotizaciones son más pertinentes. Si es «¿se habría ejecutado mi orden pasiva?», quizá necesites profundidad y supuestos sobre la cola; incluso así, rara vez puedes reconstruir toda la cola histórica.
| Pregunta de investigación | Datos útiles | Lo que aún no pueden demostrar |
|---|---|---|
| ¿Se negoció un umbral antes que otro? | Ticks de operaciones | Que tu orden se ejecutara en cualquiera de los dos umbrales |
| ¿Qué spread cruzó una orden de mercado? | Cotizaciones bid y ask con marca de tiempo | Que el volumen publicado siguiera disponible |
| ¿Podría ejecutarse una orden pasiva? | Cotizaciones, profundidad y modelo de cola | Tu posición exacta en la cola en vivo |
Para una señal diaria mantenida durante semanas, las barras de 1 minuto quizá ya tengan más detalle del que necesita el proceso de decisión. Para una estrategia cuya ventaja depende de la ejecución en cuestión de segundos, las barras pueden borrar justo el efecto que se estudia. Ajusta la resolución de los datos al horizonte de decisión y ejecución de la estrategia.
¿Cómo puedo saber si el detalle añadido ayudó?
Mantén fija la estrategia y el periodo de prueba. Compara las versiones basadas en barras y en datos más precisos con las mismas decisiones siempre que sea posible. Sigue los cambios en las ejecuciones, la rotación, el spread pagado, las comisiones y el impacto de mercado, junto con la rentabilidad y las estadísticas de riesgo. Si el Sharpe sube mientras el número de operaciones se triplica y el modelo de ejecución sigue ejecutando al siguiente precio registrado, conviene desconfiar de la mejora.
Después, degrada deliberadamente los datos precisos. Elimina una pequeña proporción aleatoria de eventos, añade un retraso realista del feed y amplía el spread o el impacto supuesto. Un resultado que se desploma con unos pocos milisegundos de retraso puede deberse al orden de eventos del simulador, no a una característica duradera de la estrategia.
Una tarde me pasé un buen rato rastreando una mejora espectacular hasta descubrir que un feed había duplicado un breve conjunto de operaciones registradas. El modelo había aprendido a operar con las duplicadas. Más datos habían hecho que el error pareciera una ventaja.
Quienes critican las barras tienen razón: la agregación puede ocultar una ejecución que depende de la trayectoria. Con solo OHLC no se puede determinar el orden de un stop y un objetivo dentro de la misma barra, y las capturas del spread pueden pasar por alto dislocaciones breves. Los datos tick y de cotizaciones pueden responder a esas preguntas con mayor fidelidad cuando el feed está completo y el simulador respeta el momento de los eventos.
El criterio práctico es sencillo: compra más detalle solo cuando cambie una decisión que puedas describir, y muestra qué supuestos permiten que ese detalle se convierta en una ejecución. De lo contrario, tienes un conjunto de datos más grande y un backtest que parece más preciso, pero ninguna prueba mejor de que la estrategia pudiera operar.
← Todos los artículos


