Análisis walk-forward
El análisis walk-forward es un procedimiento de backtesting que elige los parámetros sobre una ventana de entrenamiento, los congela, los evalúa sobre la ventana de prueba siguiente, que no participó en la elección, y después adelanta ambas ventanas cronológicamente y repite. Los resultados encadenados de las ventanas de prueba son lo que la estrategia habría devuelto con parámetros que realmente podía conocer en ese momento.
Senzoukria · Glosario · Actualizado en septiembre de 2026
El procedimiento paso a paso
- Fija de antemano la longitud de entrenamiento, la longitud de prueba, la rejilla de parámetros y la regla de selección (por ejemplo, el mayor resultado neto tras costes).
- Sobre la primera ventana de entrenamiento, recorre la rejilla y elige una configuración con la regla de selección.
- Congela esa configuración y ejecútala sobre la ventana de prueba que viene justo después.
- Desplaza ambas ventanas hacia delante y repite hasta agotar los datos.
- Informa del encadenado de las ventanas de prueba, cada una con la configuración elegida para ella, incluyendo costes y operaciones fallidas.
Por qué es más sólido que una sola optimización
Una optimización única sobre todo el histórico elige la configuración que encaja con ese histórico, y su curva de resultados se mide luego sobre los mismos datos que la eligieron. El walk-forward separa los dos actos: la selección ocurre sobre el pasado y la medición sobre el futuro relativo a él. Los parámetros que solo encajan con el ruido suelen elegirse en un tramo y fallar en el siguiente, y ese fallo aparece en el resultado encadenado en lugar de quedar oculto.
La comparación entre el rendimiento dentro y fuera de muestra a lo largo de los tramos se resume a menudo como eficiencia walk-forward: cuánto del resultado de la ventana de entrenamiento sobrevive en las ventanas de prueba. Es un diagnóstico, no un certificado.
Decisiones que dan forma al resultado
| Decisión | Contrapartida |
|---|---|
| Número de tramos | Más tramos dan más ventanas fuera de muestra, pero periodos de entrenamiento más cortos |
| Proporción de entrenamiento | Una proporción mayor ajusta mejor y prueba menos; una menor prueba más sobre ajustes más finos |
| Entrenamiento anclado o deslizante | Las ventanas ancladas crecen desde un inicio fijo; las deslizantes mantienen longitud fija y olvidan los datos viejos |
| Regla de selección | Debe fijarse antes de la ejecución; cambiarla después de ver resultados reintroduce sesgo de selección |
En Senzoukria
El panel Backtest automático de la pantalla Replay tiene un interruptor llamado Walk-forward — encontrar la mejor configuración. Su ayuda enuncia el método: los parámetros se eligen sobre el principio de cada tramo y luego se evalúan sobre el final, que no participó en la elección, y el resultado mostrado es el encadenado de esos trozos nunca vistos. El número de tramos y la proporción de entrenamiento se fijan en el panel, y Parámetros a barrer define la rejilla; el panel estima el número de combinaciones por tramos y la duración prevista antes de que pulses Ejecutar el walk-forward.
El informe lista cada tramo con su periodo de entrenamiento, su periodo de prueba real y la configuración elegida, y enuncia una eficiencia walk-forward con una lectura de una línea: la estrategia aguanta fuera de sus propios datos, pierde buena parte de su ventaja fuera de muestra, o la mayor parte del resultado era sobreajuste. Un gráfico Dentro de muestra frente a fuera de muestra dibuja la curva que vio el optimizador frente a la que realmente habrías tenido.
Errores frecuentes
- Repetir el walk-forward con otra regla de selección hasta que la eficiencia quede bonita.
- Leer la curva dentro de muestra como si fuera el resultado.
- Usar tramos tan cortos que cada ventana de prueba contenga un puñado de operaciones.
- Tratar la última ventana de prueba como intacta cuando las decisiones ya se habían afinado sobre ella.
Relacionado
Esta página en otros idiomas
Preguntas frecuentes
- ¿En qué se diferencia el walk-forward de una partición entrenamiento/prueba?
- Una partición única reserva un solo periodo posterior una sola vez. El walk-forward repite la partición muchas veces a lo largo del histórico, así que la estrategia se evalúa sobre varios periodos que nunca vio, cada uno con parámetros elegidos justo antes. Eso da más evidencia fuera de muestra con los mismos datos y muestra si los parámetros elegidos derivan de un tramo a otro.
- ¿Qué es la eficiencia walk-forward?
- Compara el rendimiento obtenido en las ventanas de prueba con el obtenido en las ventanas de entrenamiento que eligieron los parámetros. De una estrategia cuyo resultado fuera de muestra conserva la mayor parte del de dentro de muestra se dice que aguanta; una que conserva poco está ajustando sobre todo ruido. La cifra depende del troceado y de la regla de selección, así que se lee junto a ellos.
- ¿El walk-forward evita el sobreajuste?
- Lo expone más que lo evita. Si el analista sigue cambiando la rejilla, los tramos o la regla de selección tras ver el resultado fuera de muestra, esas ventanas se convierten en datos de entrenamiento con otro nombre. El procedimiento funciona cuando sus propios ajustes se fijan antes de la ejecución y se registra cada ejecución.