Función objetivo (criterio de optimización)

Qué premia el criterio

• El beneficio neto premia el tamaño y la exposición: suele ganar la configuración que más opera o que mantiene las posiciones mayores, junto con su drawdown.
• El factor de beneficio premia la selectividad: una configuración con muy pocas operaciones y sin perdedoras puntúa infinitamente bien.
• La expectativa por operación premia las operaciones medias grandes, sin importar cuántas hubo.
• El Sharpe o el Sortino por operación premian la consistencia de los resultados de las operaciones.
• El SQN multiplica un Sharpe por operación por la raíz cuadrada del número de operaciones, así que premia la consistencia y el tamaño de muestra a la vez.
• Las razones a medida, como el rendimiento sobre el drawdown, premian lo que le importe a una regla de cuenta concreta.

Un ejemplo de la misma rejilla con dos ganadoras

La configuración A toma 12 operaciones con un factor de beneficio de 4,0 y un resultado neto de +1.800. La configuración B toma 140 operaciones con un factor de beneficio de 1,4 y un resultado neto de +5.600. Maximizar el factor de beneficio elige A; maximizar el beneficio neto o el SQN probablemente elija B. Con un mínimo de 30 operaciones impuesto a todas las configuraciones, A queda excluida antes del orden. La restricción importa tanto como el criterio: sin ella, la selección deriva hacia muestras minúsculas cuyas razones son extremas por azar.

Cambiar el criterio después de ver qué configuración selecciona cada uno es en sí una forma de data snooping. El criterio forma parte de la hipótesis escrita.

En Senzoukria

El barrido de parámetros y el walk-forward del backtest automático ofrecen cuatro criterios de selección: SQN (el valor por defecto, etiquetado como el que tiene en cuenta el número de operaciones), factor de beneficio, expectativa por operación y Sharpe por operación. A una configuración con menos de 10 operaciones se le da una puntuación de menos infinito para que nunca pueda seleccionarse; a una configuración sin ninguna operación perdedora, cuyo factor de beneficio es infinito, se le asigna una puntuación finita grande para que el orden siga siendo determinista. El walk-forward aplica después el criterio elegido dentro de cada ventana de entrenamiento y evalúa a la ganadora en la ventana de prueba siguiente, y el Gauntlet juzga la trayectoria seleccionada con estadísticas que no dependen del criterio, como un p-valor de permutación y el Sharpe deflactado.

Errores habituales

• Optimizar el beneficio neto y después sorprenderse del drawdown de la ganadora.
• Optimizar el factor de beneficio sin un mínimo de operaciones.
• Elegir el criterio que hace ganar a la configuración favorita.
• Leer el valor optimizado como una estimación del rendimiento futuro; es el máximo de muchos.