Generación y validación de estrategias de trading algorítmico

Resumen

Este Trabajo de Fin de Grado (TFG) desarrolla y documenta un marco metodológico reproducible para diseñar, validar y optimizar estrategias de trading algorítmico, es decir, reglas automáticas que deciden cuándo comprar y cuándo vender en función de condiciones objetivas (por ejemplo, indicadores técnicos). El foco del trabajo no es “encontrar la estrategia perfecta”, sino reducir los riesgos típicos del backtesting, especialmente: el sobreajuste (overfitting), cuando una estrategia parece excelente en el pasado pero falla al enfrentarse a datos nuevos; el data-snooping o sesgo por “probar demasiadas ideas” y quedarse con la que mejor sale por casualidad; y la fragilidad paramétrica, cuando la estrategia solo funciona con valores muy concretos de sus parámetros y se degrada al mínimo cambio.

El universo de negociación se restringe a un único mercado, el Nasdaq-100, operado mediante su CFD (contrato por diferencia). Esta decisión busca coherencia entre la fase de investigación y una futura fase de ejecución/paper trading, ya que el instrumento elegido coincide con el entorno objetivo de Darwinex Zero (plataforma de trading en la que se pueden ejecutar estrategias automatizadas en un entorno “simulado” pero con condiciones reales de mercado, pensado para evaluar sistemas antes de operarlos con capital real y, en algunos casos, acceder a asignación de capital en función del desempeño). De este modo se minimizan diferencias por especificaciones del producto, horarios, costes o condiciones de ejecución.

La implementación se realiza en StrategyQuant X, una plataforma especializada en investigación cuantitativa que permite generar estrategias automáticamente y evaluarlas con un flujo integrado de módulos. En el Builder, las estrategias se crean mediante un proceso de búsqueda basado en algoritmos genéticos, en lugar de enumerar todas las combinaciones posibles (algo inviable), el sistema mantiene una “población” de estrategias candidatas, selecciona las más prometedoras según objetivos definidos y genera nuevas variantes mediante operadores como crossover (recombinar partes de estrategias) y mutación (introducir cambios aleatorios controlados). Para evitar soluciones poco realistas, desde el inicio se imponen restricciones operativas (por ejemplo, long-only, límites de complejidad y obligatoriedad de Stop Loss y Profit Target) y filtros mínimos de calidad, como un número mínimo de operaciones y métricas básicas de eficiencia retorno-riesgo. El objetivo de esta etapa es producir una población inicial amplia pero ya “filtrada”, compuesta por estrategias comparables y operables.

Posteriormente, en el módulo Retester, se aplica un embudo de robustez: una batería de pruebas secuenciales que descarta estrategias si no mantienen su desempeño bajo condiciones alternativas o más exigentes. Entre estas pruebas destacan: simulaciones Monte Carlo, que estresan el sistema perturbando datos, costes y parámetros para comprobar que los resultados no dependan de un histórico “perfecto”; optimización secuencial como test de estabilidad paramétrica, orientado a detectar estrategias con “picos” muy estrechos (buenas solo en un punto exacto); y permutación sistemática de parámetros (System Parameter Permutation), considerada la validación más exigente, que evalúa si la estrategia se mantiene rentable cuando se exploran miles de combinaciones alrededor de los valores originales.

Finalmente, en el módulo Optimizer, se introduce la validación temporal mediante Walk-Forward Matrix (WFM). Esta técnica divide la historia en múltiples ventanas y obliga a que la estrategia sea capaz de comportarse razonablemente en distintos periodos, evitando que el rendimiento dependa de un único “split” favorable del pasado. En otras palabras, se exige consistencia a través del tiempo, lo que mejora la probabilidad de generalización a condiciones no vistas.

Como resultado, el trabajo aporta un procedimiento completo y replicable para reducir falsos positivos en la investigación de estrategias, priorizando la estabilidad y la robustez frente a un rendimiento aislado. El marco propuesto sirve como puente entre la investigación histórica y una posterior fase de ejecución controlada, proporcionando criterios prácticos para seleccionar estrategias con mayor probabilidad de mantenerse estables al pasar del backtest a condiciones más realistas.

ABSTRACT

This Bachelor’s Thesis (TFG) develops and documents a reproducible methodological framework to design, validate, and optimize algorithmic trading strategies, i.e., automated rules that decide when to buy and when to sell based on objective conditions (e.g., technical indicators). The aim is not to “find the perfect strategy,” but to reduce the main risks of backtesting, namely: overfitting, when a strategy performs extremely well in the historical sample but fails on unseen data; data-snooping, the bias that arises from testing many ideas and selecting the one that looks best by chance; and parameter fragility, when performance depends on very specific parameter values and deteriorates under small changes.

The trading universe is restricted to a single market, the Nasdaq-100, traded through its CFD (Contract for Difference). This choice ensures consistency between the research stage and a future execution/paper-trading stage, as the selected instrument matches the target environment of Darwinex Zero (a trading platform where automated strategies can be executed in a “simulated” setting under real market conditions, designed to evaluate systems before deploying real capital and, in some cases, to access capital allocation depending on performance). This reduces discrepancies stemming from contract specifications, trading hours, costs, or execution conditions.

Implementation is carried out in StrategyQuant X, a specialized quantitative research platform that can automatically generate strategies and evaluate them through an integrated modular workflow. In the Builder, strategies are created via a search process based on genetic algorithms. Rather than enumerating all possible combinations (which is infeasible), the system maintains a “population” of candidate strategies, selects the most promising ones according to predefined objectives, and produces new variants using operators such as crossover (recombining parts of strategies) and mutation (introducing controlled random changes). To avoid unrealistic solutions, the process enforces operational constraints from the outset (e.g., long-only, limits on rule complexity, and mandatory Stop Loss and Profit Target) and applies initial quality filters, such as a minimum number of trades and basic return-to-risk efficiency metrics. The goal of this stage is to generate a broad but already “filtered” initial population of comparable and tradable strategies.

Next, in the Retester module, a robustness funnel is applied, a sequence of stricter tests that discards strategies if they fail to maintain performance under alternative or more demanding conditions. Key tests include: Monte Carlo simulations, which stress the strategy by perturbing data, costs, and parameters to verify that results are not driven by an overly “perfect” historical path; sequential optimization as a parameter stability test, aimed at detecting narrow performance “spikes” (strategies that work only at a single precise setting); and systematic parameter permutation (System Parameter Permutation), the most demanding validation step, which evaluates whether profitability remains acceptable across thousands of parameter combinations around the original values.

Finally, the Optimizer module introduces temporal validation through the Walk-Forward Matrix (WFM). This technique splits the historical sample into multiple rolling windows and requires the strategy to behave reasonably across different periods, avoiding dependence on a single favorable in-sample/out-of sample split. In other words, it enforces consistency over time, improving the likelihood of generalization to unseen market conditions.

Overall, the thesis provides a complete and replicable procedure to reduce false positives in strategy research, prioritizing stability and robustness over isolated historical performance. The proposed framework bridges historical research and a later controlled execution phase, offering practical criteria to select strategies with a higher probability of remaining stable when transitioning from backtests to more realistic conditions.