Datos en el trading sistemático

De qué datos depende realmente el trading sistemático

El trading sistemático basado en datos consiste en ejecutar decisiones de trading regidas por reglas sobre entradas estructuradas, como precios, volúmenes, instantáneas del libro de órdenes, datos de referencia y registros de ejecución. Antes de actuar según cualquier regla, conviene saber que su comportamiento depende de los datos con los que se construyó y con los que se ejecuta. Una regla puede ser lógicamente sólida y aun así producir resultados engañosos si sus entradas llegan tarde, están incompletas, se ajustan de forma inconsistente o difieren de lo que estará disponible en condiciones reales.

Ayuda distinguir tres tipos de datos. Los datos de investigación son aquellos con los que se diseña y evalúa una regla. Los datos de decisión en real son los que ve el sistema cuando actúa. Los datos de ejecución registran lo que ocurrió realmente cuando las órdenes llegaron a un mercado. Muchos problemas operativos surgen de tratarlos como si fueran lo mismo cuando difieren en momento, granularidad y origen.

Dónde entran los errores de datos en un flujo sistemático

Los errores rara vez se anuncian. Suelen aparecer como resultados que parecen demasiado buenos o como un comportamiento en real que se aleja de lo que sugerían las pruebas. Conocer los puntos de entrada habituales facilita buscarlos de forma deliberada en lugar de descubrirlos cuando el capital ya está expuesto.

Cada uno de los problemas siguientes puede cambiar el comportamiento aparente de una regla sin que la regla cambie. Ninguno es exótico: son riesgos rutinarios en los flujos de trabajo basados en reglas.

• Fuga de información futura (look-ahead): usar un valor, como un precio de cierre o una cifra revisada, antes de que se hubiera conocido.
• Sesgo de supervivencia: evaluar solo los instrumentos que siguen existiendo, lo que oculta los que se excluyeron de cotización o se fusionaron.
• Desajuste de marcas de tiempo: mezclar la hora del mercado, la del proveedor y la local, o confundir el momento del evento con el de recepción.
• Ajustes inconsistentes: aplicar splits, dividendos o renovaciones de contratos de forma distinta en los datos de investigación y en los de real.
• Huecos silenciosos y valores obsoletos: barras ausentes o cotizaciones congeladas que una regla interpreta como comportamiento real del mercado.
• Diferencias entre mercados: suponer un único precio consolidado cuando las ejecuciones dependen del mercado concreto y de su liquidez.

Evaluación reproducible: probar los datos con honestidad

Una prueba histórica solo es tan informativa como reproducible. Si la misma regla, la misma versión de los datos y los mismos parámetros no reproducen el mismo resultado, no hay una base estable para comparar. Registrar la instantánea de datos, la versión del código, los supuestos sobre costes y latencia y las semillas aleatorias de cualquier simulación convierte una evaluación en algo que se puede auditar y cuestionar.

Una evaluación honesta también implica separar los datos usados para dar forma a una regla de los datos usados para juzgarla. Cuando se prueban muchas variantes sobre el mismo histórico, alguna suele parecer sólida por azar. Reservar periodos de validación, limitar el número de variantes exploradas y anotar las hipótesis antes de probar reducen la tentación de confundir ajuste con descubrimiento.

Incluso una prueba reproducida con cuidado describe el pasado bajo unos supuestos declarados. Los resultados históricos y simulados no determinan lo que ocurrirá después, porque la estructura del mercado, la liquidez y el comportamiento de los participantes cambian. El resultado útil de una evaluación es una imagen más clara de los supuestos y sensibilidades de una regla, no una previsión.

Datos de ejecución y comportamiento observable en condiciones reales

Cuando una regla funciona en real, los datos de ejecución se convierten en la prueba más directa de si la realidad coincide con el plan. Comparar las órdenes previstas con las ejecuciones reales, medir el deslizamiento frente a un precio de referencia definido y seguir las órdenes rechazadas o ejecutadas parcialmente revela diferencias que los datos de investigación no pueden mostrar. Una ejecución observable implica que estos registros se capturan de forma coherente y que alguien distinto del sistema que los generó puede revisarlos.

Los límites de riesgo explícitos deben acompañar a esta observabilidad. Los topes de posición, los umbrales de pérdida, los límites de frecuencia de órdenes y las restricciones de instrumentos deben definirse de antemano, aplicarse automáticamente y registrarse cuando se activan. Una monitorización que comprueba la frescura de los datos, el estado de los feeds y el uso de los límites ayuda a detectar problemas mientras aún son pequeños. La supervisión humana importa sobre todo en estos puntos: una persona debe poder pausar la actividad, revisar por qué se activó un límite y decidir qué ocurre a continuación.

Ejemplo práctico: una revisión hipotética de datos antes del despliegue

Solo como ejemplo, hipotético e ilustrativo: imagina que un equipo tiene una regla que reacciona a cambios de volumen a corto plazo en dos mercados. Su prueba histórica parece estable. Antes de permitir que actúe, el equipo realiza una revisión estructurada de los datos y no de la idea de la estrategia. La cuestión no es si la regla funcionará, algo que ninguna revisión puede establecer, sino si la evidencia que la respalda es fiable y si los fallos serán visibles y estarán contenidos.

En este supuesto, la revisión descubre que los volúmenes de investigación procedían de un feed consolidado, mientras que las decisiones en real usarían datos por mercado, y que la prueba suponía ejecuciones al precio medio. El equipo decide que la prueba existente no puede respaldar una decisión en real y la repite con datos a nivel de mercado y supuestos de costes conservadores, documentando ambas versiones. Ese desenlace, una decisión de aplazar en lugar de avanzar, es un resultado legítimo de una buena revisión.

• ¿Puede reproducirse exactamente la evaluación a partir de los datos, el código y los parámetros registrados?
• ¿Coinciden los datos de investigación con los de real en origen, granularidad, zona horaria y ajustes?
• ¿Se usaron los valores solo cuando realmente habrían estado disponibles?
• ¿Se modelan de forma conservadora los costes de transacción, el deslizamiento y las ejecuciones parciales?
• ¿Están los límites de riesgo por escrito, se aplican automáticamente y se registran cuando se activan?
• ¿Señalan los monitores los datos obsoletos, ausentes o anómalos antes de que la regla actúe sobre ellos?
• ¿Hay una persona designada capaz de pausar el sistema y revisar las incidencias?

Límites aplicables y cómo IMRYN acota esta guía

La disciplina con los datos reduce errores evitables, pero no elimina el riesgo de mercado, el riesgo de liquidez ni la posibilidad de que una regla bien comprendida simplemente deje de comportarse como antes. Una regla construida sobre datos limpios puede perder dinero igualmente, y ninguna lista de control convierte la incertidumbre en garantía. Quien se plantee actuar con un enfoque sistemático debe valorar sus propias circunstancias y, cuando proceda, buscar asesoramiento independiente cualificado.

IMRYN publica material sobre infraestructura de trading sistemático y ejecución en varios mercados, enfocado en una automatización que opera dentro de salvaguardas, con controles de riesgo y monitorización continua; sus páginas de metodología y arquitectura describen ese contexto. Este artículo es educativo, se mantiene dentro de esas descripciones públicas, no informa de ningún estudio ni resultado observado de IMRYN y no es una recomendación para operar.