Creación de un sistema de trading (Parte 1): Enfoque cuantitativo

Introducción

Un sistema de trading consistentemente rentable se basa en la interacción de tres pilares fundamentales:

1. Tasa de aciertos
2. Relación beneficio/riesgo (RRR)
3. Importe del riesgo (mediante el dimensionamiento de la posición)

Estas tres variables son factores fundamentales que influyen en indicadores clave de rendimiento, como el factor de beneficio, el factor de recuperación y los drawdowns. Sin embargo, muchos operadores cometen el error de centrarse casi exclusivamente en la tasa de aciertos, pasando por alto la importancia crítica del RRR y el tamaño de la posición al evaluar la efectividad de sus sistemas de trading automatizados.

Para tener éxito a largo plazo y mantenerse activos en los mercados, los operadores deben comprender la dinámica de su ventaja estadística—en concreto, su tasa de aciertos, la relación beneficio/riesgo (RRR) y el tamaño óptimo de la posición que se ajusta a esos dos parámetros.

Este artículo está diseñado para ayudar a los operadores a evaluar sus estrategias a largo plazo mediante la incorporación de resultados estadísticos de pruebas retrospectivas en una simulación de Monte Carlo. Este enfoque permite generar un amplio abanico de escenarios posibles y aporta un grado adicional de confianza, lo que ayuda al operador a determinar si un sistema debe continuarse, mejorarse o descartarse.

Valor esperado: Las matemáticas detrás de la rentabilidad

La rentabilidad se cuantifica mediante el valor esperado (expectancy), que es una función de la tasa de aciertos y la relación beneficio/riesgo (RRR). Una expectativa positiva define un sistema rentable; una expectativa negativa garantiza el fracaso a largo plazo, por muy impresionante que parezca la tasa de aciertos. Sin embargo, incluso con una expectativa positiva, un dimensionamiento deficiente de la posición puede amplificar los drawdowns hasta un nivel irrecuperable.

Contenido de este artículo:

• Los fundamentos matemáticos de los sistemas de negociación rentables
• Umbrales mínimos necesarios para lograr la rentabilidad
• Validación del rendimiento de la estrategia mediante simulación de Monte Carlo en Python.

El objetivo es proporcionar a los operadores un marco para evaluar si un sistema es estadísticamente viable. Por ejemplo, si la tasa de aciertos de un operador no supera el umbral mínimo requerido para una determinada relación beneficio/riesgo (RRR), no se puede esperar rentabilidad a largo plazo, independientemente de lo prometedor que parezca el análisis retrospectivo.

La simulación de Monte Carlo permite a los operadores modelar miles de resultados sintéticos basados en diversas combinaciones de tasas de aciertos, relaciones beneficio/riesgo (RRR) y tamaños de posición. Esto permite una mejor optimización de la estrategia incluso antes de iniciar las pruebas en tiempo real o el backtesting histórico.

Para los operadores que ya disponen de resultados de backtesting, la simulación puede utilizarse para introducir las tasas de acierto reales, los valores de RRR y los niveles de tamaño de posición para pronosticar el rendimiento potencial futuro en una serie de operaciones. Este análisis estadístico proporciona mayor claridad y confianza a la hora de determinar si merece la pena confiar en un sistema.

Definiciones y conceptos matemáticos

1. Tasa de aciertos

La tasa de aciertos se define como la proporción de operaciones ganadoras en relación con el total de operaciones durante un período determinado, expresada como un porcentaje o la probabilidad de que una operación resulte ganadora. En este artículo, la tasa de aciertos se indica con P. 

Ejemplo: si se obtienen 40 victorias en 100 operaciones, la tasa de aciertos es del 40%.

2. Relación beneficio/riesgo (RRR)

Relación entre la ganancia (Take-profit) y el riesgo (Stop-loss):

Ejemplo: Si el take profit es de 100 pips y el stop loss es de 50 pips, entonces RRR = 2.

3. Dimensionamiento de la posición

El tamaño de la posición se refiere a la cantidad de capital que se arriesga en cada operación. Se puede calcular de la siguiente manera:

Ejemplo: Arriesgar $200 con un stop-loss de 50 pips y un valor de tick de $10/pip,

el tamaño de la posición = 0,4 lotes

4. Valor esperado 

La expectativa, denotada por Ev, representa el rendimiento esperado por operación y se calcula como

Ev >0: Sistema rentable (a largo plazo)

Ev <0: Sistema no rentable

Umbral mínimo de tasa de aciertos o RRR para lograr un sistema rentable

Es un hecho matemático que la tasa de aciertos y el RRR son interdependientes. Para cualquier tasa de aciertos dada, existe una relación beneficio/riesgo (RRR) mínima necesaria para alcanzar la rentabilidad. Del mismo modo, cuando se conoce la RRR, se requiere una tasa de aciertos mínima para obtener beneficios. Una alta tasa de aciertos por sí sola no valida el rendimiento de un sistema automatizado a menos que vaya acompañada de una relación beneficio/riesgo (RRR) bien definida.

Un sistema con ajustes predefinidos de stop loss y take profit tiene una relación beneficio/riesgo fija. Si la tasa de aciertos correspondiente está por debajo del mínimo requerido, el sistema no puede mantener la rentabilidad a largo plazo, incluso si genera ganancias a corto plazo que pueden engañar a los operadores. Esto suele provocar una quiebra de la cuenta.

Derivación de la condición de rentabilidad

Analicemos el concepto matemático para comprenderlo mejor.

De la fórmula de Valor esperado: 

Ev =(tasa de aciertos*recompensa) - (1 - tasa de aciertos)*riesgo

Para que un sistema sea rentable, Ev > 0.

De la ecuación 5:

Si se conoce el RRR, la tasa de ganancias mínima (P) para que un sistema sea rentable viene dada por:

Si se conoce la tasa de aciertos (P), entonces el RRR mínimo para un sistema rentable se expresa como:

Tabla 1: Tasa de aciertos mínima para un RRR determinado

RRR	P mínimo
1.0	>50.00%
1.5	>40.00%
2.0	>33.33%
2.5	>28.57%
3.0	>25.00%

Según la Tabla 1, si un sistema tiene RRR=1, necesita una tasa de aciertos superior al 50% para ser rentable a largo plazo. Además, si un sistema tiene un RRR de 3,0, requerirá una tasa de aciertos superior al 25,00 % para ser rentable a largo plazo. Como se puede observar en la tabla 1, a medida que aumenta el RRR, disminuye la tasa de aciertos mínima. Si el RRR de un sistema es suficientemente alto en relación con la tasa mínima de aciertos requerida, el sistema será rentable a largo plazo.

Tabla 2: RRR mínimo requerido para una tasa de aciertos determinada

P	RRR mínimo
30%	>2.333
40%	>1.50
50%	>1.00
60%	>0.667
70%	>0.429

La tasa de aciertos de un sistema generalmente se desconoce a menos que se realice una prueba retrospectiva de la estrategia con datos históricos con una relación beneficio/riesgo (RRR) definida. La Tabla 2 nos da una idea del RRR mínimo necesario para que una determinada tasa de aciertos sea rentable. Con una tasa de aciertos del 30%, el RRR debería ser superior a 2,333 para lograr rentabilidad a largo plazo. Asimismo, con una tasa de aciertos del 70%, el RRR debe superar 0,429 para ser rentable a largo plazo. A medida que aumenta la tasa de aciertos, disminuye el RRR mínimo.

Por eso, los operadores no deberían perseguir ciegamente altas tasa de aciertos sin tener en cuenta el RRR (Relación de Recompensas por Riesgo) y viceversa.

Dado que la tasa de aciertos es simplemente la proporción entre el total de operaciones ganadoras y el total de operaciones, es importante permitir que el sistema funcione el tiempo suficiente para recopilar suficientes datos de operaciones antes de sacar conclusiones sobre su verdadera tasa de aciertos. Por ejemplo, un sistema automatizado que ejecuta solo 30 operaciones en 6 meses y gana 20 de ellas tendría una tasa de aciertos del 60%. Sin embargo, si se permite que el mismo sistema, sin ningún cambio, opere durante 18 meses, ejecutando 200 operaciones con 90 victorias, la tasa de aciertos cae al 45%. Cuantas más operaciones complete el sistema, más fiable y representativa será la tasa de aciertos.

Dimensionamiento de la posición y gestión del riesgo

El importe utilizado para determinar el tamaño de la posición se expresa normalmente como un porcentaje del saldo de la cuenta. Esta cifra es fundamental porque determina si un sistema de trading rentable puede soportar períodos de drawdowns máximos, evitar la quiebra de la cuenta y, en última instancia, cumplir con los objetivos de negociación.

Con frecuencia, los operadores arriesgan un porcentaje demasiado elevado de su cuenta en busca de beneficios rápidos, lo que puede provocar que incluso un sistema rentable acabe con sus cuentas. Cuando esto sucede, el operador puede culpar al desarrollador del sistema, calificándolo de estafa. La verdad es que, por muy bueno o rentable que sea un sistema, mientras la tasa de aciertos no sea del 100 %, el sistema sufrirá pérdidas. Si arriesga más de lo que su cuenta puede soportar, se enfrentará a llamadas de margen y posiblemente a la pérdida total de su cuenta si no dispone de fondos adicionales para respaldarla.

En esta sección, exploraremos cómo aplicar un dimensionamiento de posición adecuado —manteniéndose dentro de una zona de riesgo segura— para que pueda sobrevivir a rachas perdedoras y seguir trabajando para alcanzar sus objetivos de ganancias. Esta es la esencia de una gestión de riesgos o de dinero sólida. Vamos a adentrarnos en las matemáticas:

Definiciones:

•  f: fracción fija de la cuenta corriente arriesgada por operación.
•  RRRmínimo =1,50: relación mínima entre recompensa y riesgo
•  P = 0,40: Tasa de aciertos (40%)

Resultado de una operación ganadora: 

Si la operación resulta ganadora, la ganancia es RRR * Cantidad arriesgada.

Nuevo saldo = Saldo actual + 1,50*(f*Saldo actual)

Simplificando:

Resultado de una operación perdedora:

Si la operación termina en pérdida, la pérdida será la cantidad arriesgada:

Factor multiplicador esperado por operación:

Combinando las ecuaciones 8 y 9, el factor de crecimiento esperado E[factor] es:

Sustituyendo P=0,4 y simplificando se obtiene:

Interpretación: Cuando RRRmin = 1,50, el factor de crecimiento esperado es exactamente 1, lo que significa que no hay crecimiento a largo plazo (umbral de rentabilidad).

Condición de crecimiento

RRR > RRRmin : Para RRR = 1,70

Para un crecimiento positivo (Ef >1); f debe satisfacer 

 

Cálculo de la fracción de riesgo óptima (f)

Para alcanzar el objetivo, digamos que Ef = 1,002:

De esto podemos deducir que necesitamos arriesgar al menos el 2,5% del saldo de la cuenta para alcanzar nuestro objetivo. Arriesgar menos del 2,5% permitirá que la cuenta crezca de forma más constante con el tiempo. Esto pone de relieve un concepto importante que a menudo se pasa por alto: para cualquier combinación dada de tasa de aciertos, relación beneficio/riesgo (RRR) y objetivo de ganancias, siempre existe un riesgo óptimo correspondiente por operación.

Factor de crecimiento esperado 

Para determinar el Factor de Crecimiento Esperado (Ef), un operador debe definir primero tres parámetros clave:

1. Objetivo de ganancias (P_target)
2. Número de operaciones para alcanzar el objetivo (x)
3. Saldo inicial de la cuenta (Ini_bal)

Ef se deriva de una ecuación de crecimiento compuesto.

Por ejemplo, dado lo siguiente:

• Objetivo de ganancias (P_target) = $10,000
• Número de transacciones (x) = 300
• Saldo inicial (Ini_bal) = $1,000

Al introducir los números se obtiene:

El factor de crecimiento esperado refleja su estilo de trading, ya sea usted un operador conservador o agresivo, porque determina el riesgo necesario por operación para alcanzar su objetivo.

Ejemplo:

Supongamos que un sistema de trading tiene:

Tasa de aciertos = 40%

Relación beneficio/riesgo (RRR) = 1,7

Un operador o un sistema automatizado tiene como objetivo convertir 1000 dólares en 10 000 dólares en 300 operaciones. El riesgo requerido por operación (f) de la ecuación 12 se calcula como:

En este caso, el operador o el sistema automatizado debe arriesgar al menos un 9,6% por operación para alcanzar el objetivo, lo que supone un enfoque extremadamente agresivo.

Ahora bien, si el número de operaciones para alcanzar el objetivo se incrementa a x = 700:

Con 700 operaciones, el sistema o la estrategia de negociación se vuelve menos agresiva, requiriendo solo un 4,1% de riesgo por operación para alcanzar el mismo objetivo.

Es importante tener en cuenta que con una tasa de aciertos más alta y un RRR más elevado, el objetivo se vuelve más alcanzable.

Ejemplo: Si RRR = 2,0 (con P = 40%), Ef = 1 + 0,2*f, reduciendo f a 1,54% para Ef = 1,0077

A partir de este modelo matemático, podemos concluir que incluso los sistemas rentables requieren optimizar tanto la expectativa como el tamaño de la posición. En la siguiente sección, ilustraremos esto con más detalle utilizando simulaciones de Monte Carlo para proporcionar una perspectiva a largo plazo sobre el potencial del sistema.

Simulación de Monte Carlo

La validación de la solidez a largo plazo de un sistema de trading depende de la optimización del RRR, la tasa de aciertos y el tamaño de las posiciones. Las simulaciones de Monte Carlo modelan un rango de resultados posibles a lo largo de miles de secuencias aleatorias de operaciones. Los parámetros a optimizar son:

1. Tasa de aciertos
2. RRR 
3. Dimensionamiento de posición  

Esto permite tener en cuenta:

• Rachas de pérdidas
• Máximos drawdowns
• Trayectorias esperadas de rentabilidad
• Probabilidad de supervivencia de la cuenta

Sin embargo, el objetivo es comprobar la rentabilidad esperada y la probabilidad de supervivencia de la cuenta en diferentes escenarios. 

La simulación de Monte Carlo se construye utilizando el lenguaje de programación Python.

import numpy as np
import matplotlib.pyplot as plt

# Parameters
win_rate = 0.40
reward_risk_ratio = 1.5  # 1.5:1
risk_per_trade = 1  # Risk $1 per trade (normalized)
num_trades = 1000  # Total number of trades to simulate
num_simulations = 1000  # Number of Monte Carlo simulations

# Monte Carlo simulation
equity_curves = []

Importamos funciones matemáticas, matrices y arreglos multidimensionales necesarios para el cálculo utilizando la biblioteca NumPy y los asignamos como np.

También importamos funciones gráficas para representar nuestros resultados simulados utilizando el módulo pyplot de Matplotlib y le damos el alias plt.

A continuación, inicializamos nuestra tasa de aciertos, la relación beneficio/riesgo, el riesgo por operación, el número de operaciones por simulación y el número de iteraciones. Los resultados se almacenan en curvas de capital. El número de iteraciones puede reducirse o aumentarse según las preferencias del usuario.

for _ in range(num_simulations):
    equity = 0
    curve = [equity] # Start curve with initial equity (0)
    peak = equity # Track peak equity for drawdown calculation
   # max_drawdown = 0 # Track max drawdown for this simulation

    for _ in range(num_trades):
        if np.random.rand() < win_rate:
            pnl = risk_per_trade * reward_risk_ratio
        else:
            pnl = -risk_per_trade
        equity += pnl
        curve.append(equity)

    equity_curves.append(curve)

# Convert to numpy array for easier analysis
equity_curves = np.array(equity_curves)

La simulación ejecuta 1.000 iteraciones, con 1.000 operaciones por simulación, almacena los resultados en una curva de capital y la convierte en una matriz NumPy para su análisis.

# Plot results
plt.figure(figsize=(12, 6))
for i in range(min(num_simulations, 100)):
    # Adjust indexing if plotting against trade number (starts from 0)
    plt.plot(range(num_trades + 1), equity_curves[i], alpha=0.2, color='blue')

Los resultados de cada simulación se representan gráficamente y se muestran en color azul.

# Plot mean curve
mean_curve = equity_curves.mean(axis=0)
plt.plot(range(num_trades + 1), mean_curve, color='red', linewidth=2, label='Mean Equity Curve')

La línea roja marca el promedio de los resultados simulados.

plt.title(f'Monte Carlo Simulation: {num_simulations} Simulations, {num_trades} Trades Each\nWin Rate = {win_rate*100:.1f}%, 
R:R = {reward_risk_ratio}:1')
plt.xlabel('Number of Trades')
plt.ylabel('Equity (P&L)')
plt.legend()
plt.grid(True)
plt.tight_layout() 
plt.show()

Este segmento gestiona el formato del gráfico: título, etiquetas de los ejes (etiqueta x, etiqueta y) y activación de la cuadrícula (grid=True).

# Summary statistics
# Final equity is now the last element of the curve, which has num_trades + 1 points
final_equity = equity_curves[:, -1]
mean_final_equity = final_equity.mean()
median_final_equity = np.median(final_equity)
std_final_equity = final_equity.std()
percent_profitable = np.mean(final_equity > 0) * 100

print('mean_final_equity:',mean_final_equity, '\nmedian_final_equity:', median_final_equity,
 '\nstd_final_equity:', std_final_equity,'\npercent_profitable:', percent_profitable,'%')

La sección final del código calcula e imprime: el patrimonio final promedio, la mediana del patrimonio final, la desviación estándar del patrimonio final y el porcentaje de simulaciones rentables.

Escenario A: Rendimiento de una estrategia de trading con una tasa de aciertos del 40 % y una relación beneficio/riesgo de 1,5 a lo largo de 1000 simulaciones.

En este escenario, se probó una estrategia de negociación con una tasa de aciertos del 40 % y una relación beneficio/riesgo (RRR) de 1,5 en 1000 operaciones por simulación. Se realizaron un total de 1.000 simulaciones independientes para evaluar el rendimiento y las características de riesgo de la estrategia. Los resultados, resumidos en la Figura 1, son los siguientes:

Figura 1

Los resultados de la simulación para una tasa de aciertos del 40% y un RRR de 1,5 son los siguientes:

Estadísticas	Valores
Capital final medio	1.44
Capital final mediano	0.0
Desviación estándar del patrimonio final	37.91
Porcentaje de simulaciones rentables	49.0%

Interpretación de los resultados

1. Capital medio final: El saldo medio final de la cuenta en todas las simulaciones fue 1,44 veces el capital inicial. Esto sugiere que, en promedio, la estrategia generó una ganancia general modesta. Sin embargo, esta media se ve significativamente influenciada por algunos resultados positivos extremos, como se ilustra en la Figura 1. La presencia de estos valores atípicos distorsiona la media al alza, enmascarando la frecuencia de los malos resultados.

2. Mediana del capital final: El resultado mediano fue de 0,0, lo que indica que al menos la mitad de las simulaciones dieron lugar a una pérdida total del capital. En al menos el 50% de las simulaciones, la cuenta quedó sin fondos (probablemente con saldo cero o se produjo una llamada de margen). Esta estrategia conlleva un riesgo extremo de ruina. La mitad del escenario perdió todo el capital, mientras que la otra mitad generó ganancias, lo que provocó una distorsión suficiente como para elevar la media a 1,44. Esto demuestra que la mayoría de los resultados son negativos y constituye una señal de alerta ante un riesgo insostenible.

3. Desviación estándar: La desviación estándar de 37,91 pone de manifiesto la extrema volatilidad e imprevisibilidad de los resultados. La desviación estándar es grande en relación con la media. La mayoría de las trayectorias se concentran cerca de la pérdida total (media = 0). Algunas simulaciones terminaron con un gran saldo positivo (lo que infla la media), mientras que muchas otras fracasaron estrepitosamente.

4. Porcentaje de simulaciones rentables: Solo el 49 % de las simulaciones resultaron rentables; por lo tanto, el saldo final superó el saldo inicial. En el 51% de las ejecuciones, el sistema perdió dinero. Esto coincide con la mediana = 0,0, lo que confirma que las pérdidas son catastróficas cuando ocurren.

Estos valores estadísticos reflejan varias características clave del rendimiento del sistema de trading: 

• Sistema inestable:

Aunque el patrimonio neto final promedio es positivo (1,44x), el resultado se debe a algunos periodos de suerte con altas ganancias. El hecho de que la mediana sea cero demuestra claramente que la mayoría de las ejecuciones tuvieron un rendimiento pésimo; al menos el 50 % de ellas terminaron con una pérdida total de la cuenta. Esta disparidad entre la media y la mediana pone de manifiesto un sistema fundamentalmente inestable: la mayoría de las ejecuciones tienen un rendimiento muy bajo, mientras que solo unas pocas lo tienen excepcionalmente bien.

• Alto riesgo de ruina:

Una mediana de cero demostró que esta estrategia tiene una alta probabilidad de arruinar su cuenta a menos que se apliquen controles de riesgo muy estrictos.

• Alta volatilidad:

La gran desviación estándar (aproximadamente 37,9) en comparación con la media (aproximadamente 1,44) sugiere que los resultados están extremadamente dispersos. Algunos resultados fueron excelentes, otros desastrosos. Esta inconsistencia dificulta confiar en esta estrategia para obtener rendimientos constantes.

• Baja rentabilidad:

Solo el 49% de las simulaciones terminaron siendo rentables, a pesar de tener una media positiva. El sistema no demuestra ser fiable a pesar de la media positiva, ya que un sistema estable y escalable tendría un porcentaje mucho mayor de resultados positivos.

Escenario B: Rendimiento de una estrategia de trading con una tasa de aciertos del 40 % y un RRR de 1,7 a lo largo de 1000 simulaciones.

En el escenario B, la estrategia de negociación mantiene una tasa de aciertos del 40 %, pero aumenta la relación beneficio/riesgo (RRR) a 1,70 y se evaluó mediante 1000 operaciones por simulación. Para evaluar exhaustivamente el rendimiento y las características de riesgo, se realizaron 1000 simulaciones de Monte Carlo independientes. Los resultados clave, resumidos en la Figura 2, son los siguientes:

Figura 2

A continuación se muestran los resultados de la simulación para una tasa de aciertos del 40% con una relación beneficio/riesgo de 1,7.

Estadísticas	Valores
Capital final medio	80.0
Capital final mediano	80.0
Desviación estándar del patrimonio final	45.82
Porcentaje de simulaciones rentables	96.7%

Interpretación de los resultados

1. Capital medio final: De media, la estrategia multiplicó por 80 el capital inicial durante el periodo de simulación. Esto refleja un extraordinario potencial de interés compuesto y confirma la sólida rentabilidad de la estrategia en estas condiciones. Una rentabilidad media de 80 veces el saldo inicial es un resultado excepcional, lo que sugiere que el sistema es capaz de generar ganancias sustanciales.

2. Capital final mediano:El resultado medio también fue de 80 veces el capital inicial, lo que significa que al menos el 50 % de las simulaciones alcanzaron rendimientos iguales o superiores a este nivel. La estrecha concordancia entre la media y la mediana indica una distribución simétrica de los resultados, con la mayoría de las simulaciones agrupadas en torno a la marca de retorno de 80x. Este resultado pone de manifiesto no solo una sólida rentabilidad, sino también una excelente consistencia en todas las simulaciones realizadas. 

3. Desviación estándar del patrimonio neto final: Aunque la desviación estándar de 45,82 indica cierta variabilidad en los resultados, este nivel de volatilidad es relativamente moderado si se tiene en cuenta la considerable media. La desviación estándar es aproximadamente el 57% de la media, lo que sugiere que, si bien los resultados individuales pueden variar (con algunas ejecuciones que producen, por ejemplo, rendimientos de 40x o 120x), la mayoría de los resultados se mantienen concentrados en torno a un promedio de 80x. Esto refleja un sistema con volatilidad controlada y un rendimiento fiable.

4. Porcentaje de simulaciones rentables:Un impresionante 96,7 % de las simulaciones terminaron con ganancias, mientras que solo el 3,3 % con pérdidas. Esta altísima tasa de aciertos demuestra que se trata de un sistema con una fiabilidad excepcional y un riesgo de ruina muy bajo. La gran mayoría de las operaciones generaron ganancias, lo que subraya la solidez de la estrategia en estas condiciones simuladas.

Estos valores estadísticos reflejan varias características clave del rendimiento del sistema de trading: 

• Altamente rentable:

La concordancia entre la media y la mediana a 80x, junto con la estrecha agrupación de los resultados, demuestra que se trata de un sistema altamente rentable y consistente bajo los parámetros probados.

• Bajo riesgo de ruina:

Con tan solo un 3,3% de las simulaciones sin obtener beneficios, el sistema muestra una mejora drástica en la fiabilidad con respecto al escenario anterior, que presentaba un RRR de 1,5. El riesgo de ruina es ahora excepcionalmente bajo.

• Volatilidad controlada:

Si bien la desviación estándar absoluta parece grande, es razonable en comparación con los rendimientos tan elevados. Los resultados sugieren que, si bien cabe esperar cierta variación, el sistema ofrece resultados sólidos de forma constante.

• Sensibilidad a RRR:

Lo más llamativo es cuánto mejoró el rendimiento simplemente aumentando el RRR de 1,5 a 1,7 mientras se mantenía la tasa de aciertos en el 40%. Esto subraya la importancia de optimizar la relación beneficio/riesgo, especialmente en estrategias con una menor tasa de aciertos, donde incluso pequeños ajustes pueden mejorar enormemente la estabilidad y la rentabilidad del sistema.

Conclusión

Este análisis ha demostrado claramente, tanto matemáticamente como mediante simulaciones de Monte Carlo, que optimizar la relación beneficio/riesgo (RRR) para una tasa de aciertos determinada puede mejorar drásticamente la rentabilidad y la estabilidad de un sistema de trading. Como se muestra en nuestros escenarios, incluso manteniendo una tasa de aciertos fija del 40%, aumentar la RRR de 1,5 a 1,7 transformó el sistema, pasando de uno con alta inestabilidad y un riesgo significativo de ruina a uno que ofrece beneficios consistentes con una baja probabilidad de quiebra de la cuenta.

Es importante destacar que la tasa de aciertos y el RRR son inherentemente interdependientes, como se muestra en las ecuaciones 6 y 7 de este artículo. El esfuerzo por optimizar el RRR influirá naturalmente en la tasa de aciertos efectiva y viceversa. Fundamentalmente, cada tasa de aciertos tiene un RRR mínimo correspondiente que debe superarse para lograr la rentabilidad a largo plazo. Por ejemplo, con una tasa de aciertos del 40%, el sistema debe superar un umbral de RRR de 1,5 para ser sostenible.

Esto se ilustra aún más a través de la expectativa:

En RRR = 1,5 la Valor esperado = (0,4 * 1,50) - (0,6 * 1) = 0. Esto sugiere un punto de equilibrio. Esto explica la extrema divergencia entre la media y la mediana.

Con RRR = 1,7, la Valor esperado = (0,4 * 1,70) - (0,6 * 1) = 0,08. Una expectativa positiva, que conlleva un resultado rentable del 96,7%.

En conclusión, muchos sistemas de trading pueden transformarse en estrategias consistentemente rentables equilibrando adecuadamente la tasa de aciertos y la relación beneficio/riesgo. La clave no reside simplemente en lograr una alta tasa de aciertos, sino en asegurar que el RRR supere el umbral mínimo necesario para generar una expectativa positiva a lo largo del tiempo.

Cuando un operador define tanto un stop loss como un take profit, la relación beneficio/riesgo (RRR) del sistema se vuelve fija. Para que el sistema sea rentable durante las pruebas retrospectivas, la tasa de aciertos debe superar el mínimo requerido para ese RRR. Este artículo ha proporcionado varios valores de RRR junto con sus correspondientes tasas mínimas de victoria. Para otras combinaciones, se pueden utilizar las ecuaciones 6 y 7 para calcular los umbrales de rentabilidad requeridos.

Para evaluar la viabilidad a largo plazo, los operadores pueden utilizar la simulación de Monte Carlo para modelar el rendimiento basándose en sus estadísticas de backtesting. Al simular miles de posibles secuencias de operaciones utilizando sus estadísticas de backtesting (tasa de aciertos, RRR, tamaño de la posición), el análisis de Monte Carlo:

• Proyecta la probabilidad de éxito/fracaso durante períodos prolongados.
• Identifica si los resultados dependen de la suerte o de ventajas estadísticas.
• Permite a los operadores confiar en su estrategia —o revisarla— antes de arriesgar capital.

Un sistema que produce resultados positivos de forma consistente en la simulación ofrece un mayor grado de confianza, lo que aporta confianza para mantener o revisar la estrategia y mantener la disciplina.

Finalmente, si bien este artículo se centró en la expectativa y la optimización del RRR, es importante destacar que el dimensionamiento de la posición es un pilar igualmente vital del rendimiento del sistema. Sin una gestión de riesgos adecuada, incluso un sistema basado en expectativas positivas puede fracasar. En el próximo artículo, exploraremos cómo aplicar un dimensionamiento óptimo de las posiciones para mejorar la resiliencia del sistema y garantizar un éxito sostenible en el trading.