El backtest path-dependent: lo que ocultan la mayoría de los track records cripto

La mayoría de los track records con «backtest verificado» en cripto son matemáticamente incapaces de perder. No porque la estrategia funcione, sino porque la simulación no modela cómo salen de verdad las operaciones. La simulación path-dependent es la respuesta correcta, produce números más bajos y casi nadie los publica. Así corremos la nuestra.

Vectorizado vs path-dependent: la diferencia de fondo

A El backtest vectorizado mira una estrategia y calcula el resultado de cada operación de forma aislada: precio de entrada, precio de salida, P&L. La salida es la que digan las reglas: TP alcanzado, SL alcanzado, salida por tiempo. La secuencia de simulación: listar todas las operaciones, calcular cada una de forma independiente, agregar.

A El backtest path-dependent recorre la línea temporal minuto a minuto (o barra a barra) y en cada paso pregunta: qué hay abierto ahora, qué está haciendo el precio en este instante, ¿acaba de dispararse algo? Las operaciones salen solo cuando lo harían de verdad en producción: cuando el precio alcanzó físicamente el SL o el TP, en el orden en que los alcanzó, teniendo en cuenta que los movimientos de precio dentro de la barra importan.

¿Por qué importa? Porque los backtests vectorizados a menudo acreditan salidas rentables que no podrían haber ocurrido en el orden que se supone.

La mentira vectorizada clásica

Imagina un SHORT con entrada en $100, SL en +2% ($102) y TP en −10% ($90). Durante las 4 horas siguientes, la acción del precio se ve así:

• Hora 1: máximo $103, mínimo $98 (en tiempo real, $103 llegó primero)
• Hora 2: máximo $99, mínimo $95
• Hora 3: máximo $97, mínimo $89 (TP alcanzado en $90)
• Hora 4: mínimo $86

Un backtest vectorizado ingenuo ve: se alcanzó el TP (el precio llegó a $89, por debajo del TP de $90). También se alcanzó el SL (el precio llegó a $103, por encima del SL de $102). El backtest tiene que elegir uno. Muchos backtests ingenuos eligen el favorable (TP) y reportan +10%. Otros eligen el peor (SL) y reportan −2%.

La respuesta honesta: el SL saltó primero, en la hora 1. La posición se cerró en $102 con una pérdida del −2% antes de que el TP fuera siquiera alcanzable. Una simulación path-dependent reportaría correctamente −2%. Una vectorizada reporta con frecuencia +10%, porque nunca conoce el orden de los eventos dentro de una barra.

Cómo corremos la nuestra

El motor de backtest de Hedonist procesa klines de 1 minuto:

1. Para cada estrategia, genera la lista de señales de entrada candidatas (timestamp, moneda, lado).
2. Para cada entrada, obtén los datos de klines de 1 minuto desde entry_ts hasta entry_ts + hold_window.
3. Avanza barra a barra, siguiendo el P&L acumulado desde la entrada.
4. En cada barra, comprueba: ¿cruzó el máximo el SL (para SHORT) o un nivel de TP parcial? ¿cruzó el mínimo el SL (LONG) o un nivel de TP parcial? Aplica un orden intra-barra realista: dentro de una sola barra de 1 minuto no se conoce el orden entre máximo y mínimo, así que usamos el supuesto conservador de que lo peor (SL) se alcanza antes que lo mejor (TP) cuando ambos ocurren en el mismo minuto.
5. En la salida, calcula el P&L neto con slippage (0.2% ida y vuelta), comisiones (0.08% ida y vuelta) y devengos de funding.
6. Actualiza el balance del portafolio. Continúa con la siguiente señal, pero solo si el límite CONC del portafolio lo permite (limitamos a 2 posiciones simultáneas).

El límite CONC importa más de lo que la gente cree. Sin él, todo backtest se ve genial porque puedes tener 50 posiciones abiertas a la vez. Con CONC=2, tienes que elegir qué señales tomas y cuáles saltas, que es lo que pasa de verdad en producción con capital limitado.

Qué cambia esto

Tres cosas que las simulaciones vectorizadas hacen mal y que las path-dependent hacen bien:

1. Orden de salida realista. El SL salta antes que el TP cuando debe. Los «triunfos» hipotéticos que dependen de que el TP salte primero dejan de acreditarse.

2. Balance compuesto en el tiempo. Las simulaciones vectorizadas suman P&L. Las path-dependent dejan que tus $1k crezcan a $1.5k en la primera semana y luego dimensionan la siguiente operación como el 2% de $1.5k (no el 2% de $1k). Esto compone ganancias Y pérdidas de forma correcta. El número que ves al final es lo que tendrías de verdad, no la suma de porcentajes.

3. Coste de oportunidad limitado por CONC. Cuando solo puedes correr 2 posiciones, tienes que elegir. Algunas señales se saltan. El backtest honesto reproduce ese comportamiento de saltarse señales, que a menudo reduce el retorno total frente a «tomar todas las señales».

Qué nos cuesta

Los números que publicamos son más bajos que los que mostraría una corrida vectorizada sobre las mismas estrategias. La forma de la brecha, por categoría:

• Nuestro modelo direccional insignia (quant propietario interno + investigación con IA, metodología no divulgada): una nueva corrida vectorizada inflaría la curva de equity de forma notable frente al número path-dependent. El grueso de la brecha es coste de oportunidad de CONC=2: el modelo produce más candidatas de las que dos slots pueden absorber, y la reproducción honesta lo obliga a elegir.
• Estrategias de listado / eventos: vectorizado y path-dependent quedan cerca. Los eventos son lo bastante raros como para que el límite de concurrencia casi nunca ate.
• BURST (cuando todavía creíamos en ella): el vectorizado mostraba en torno a +12% / 30d. El path-dependent mostró −28%. Ese delta —que voltea un backtest de «lánzalo» a «descártalo»— vino del orden realista SL-antes-de-TP. Es parte de por qué descartamos BURST.

El número path-dependent es el honesto. Otros servicios publicarían la cifra vectorizada, más alta, sobre los mismos datos. No estarían mintiendo de forma explícita: su metodología simplemente permite la inflación.

No vamos a publicar aquí cifras de backtest por estrategia. El número estrella agregado del sitio es el artefacto que respaldamos; la descomposición por estrategia se queda interna porque filtra demasiado sobre qué modelos hacen el trabajo.

Cómo detectar un backtest path-dependent desde fuera

Tres preguntas para cualquier servicio que publique un track record:

1. ¿Qué slippage y estructura de comisiones asumen? Si dicen «no modelamos comisiones» o «el slippage es despreciable», son vectorizados.
2. ¿Cuál es su límite de posiciones simultáneas? Si dicen «sin límite» o se encogen de hombros, son vectorizados.
3. ¿Qué asumen cuando el SL y el TP son ambos alcanzables en la misma barra? Si dicen «tomamos el TP en ganancia y el SL en pérdida», eso está mal (y no suelen decirlo). Si dicen «usamos barras de 1 minuto y asumimos el peor orden posible dentro de la barra», son path-dependent.

Cómo se ve esto en producción

El número estrella de intel.hedonist.trading lo actualiza de forma continua el motor path-dependent. A medida que se cierran operaciones en vivo, se cosen a la curva de equity. A medida que los modelos de la firma producen nuevas señales históricas (corriendo en cada barra de cada día), se reproducen por path-replay y se añaden a la simulación. La ventana de 30 días avanza.

La cifra estrella de la página es la salida de la simulación para un balance inicial de $1,000, corrida hacia adelante en una ventana de 30 días, CONC=2, slippage 0.2%, comisiones 0.08%, sin trucos de composición por apalancamiento. La metodología descrita en este post es la que la produce. El modelo detrás de las señales —el quant propietario interno de la firma + investigación con IA— no se describe aquí. El simulador es el artefacto que compartimos; el modelo es el que no.

Por qué publicamos esto

Si estás evaluando un servicio de señales cripto, la pregunta no es «¿cuál es tu tasa de acierto?». Es «¿cómo se calcula tu tasa de acierto?». La mayoría de los números amables para el marketing en la industria sobrevivirían a una nueva corrida path-dependent al 50-70% de su nivel anunciado. Algunos no sobrevivirían en absoluto.

Nosotros publicamos la nuestra al número path-dependent. Esa es la respuesta honesta. Otros servicios publican números vectorizados porque se ven mejor. Deberías conocer la diferencia.