Backtesting

¿Qué es el backtesting en criptomonedas?

El backtesting consiste en probar una estrategia de trading, una regla de cartera, un bot o un modelo de riesgo con datos históricos del mercado antes de utilizarlo con dinero real.

En el mercado de las criptomonedas, el backtesting ayuda a los traders a estudiar cómo podría haberse comportado una estrategia en distintas condiciones de mercado pasadas, como mercados alcistas o bajistas, mercados laterales, caídas de liquidez, subidas de las tasas de financiación y episodios de volatilidad.

El backtesting de criptomonedas puede aplicarse al trading spot, a estrategias similares a las de futuros, modelos de arbitraje, rebalanceo de carteras, estrategias de rendimiento DeFi, modelos de riesgo de liquidación, reglas de asignación para staking o sistemas de creación de mercado.

La idea básica es sencilla.

El trader define unas reglas, las aplica a datos históricos y mide los resultados simulados.

Por ejemplo, una estrategia podría comprar Bitcoin cuando una media móvil empieza a subir y vender cuando la volatilidad supera cierto nivel.

El backtest aplica esa regla a precios pasados para comprobar cómo se habría comportado la estrategia.

El backtesting no demuestra que una estrategia vaya a funcionar en el futuro.

Solo muestra cómo se comportó bajo los supuestos, los datos, los costes y las condiciones de mercado utilizados en la prueba.

La advertencia de la CFTC sobre bots de trading con IA señala que la IA, los algoritmos y los bots de trading no pueden predecir el futuro ni los cambios repentinos del mercado.

Esta advertencia es importante porque muchas estafas cripto utilizan backtests de aspecto convincente para presentar una estrategia como más segura de lo que realmente es.

Por qué importa el backtesting en el mercado cripto

El backtesting es importante porque los mercados cripto son rápidos, volátiles, globales y están abiertos las 24 horas.

Una estrategia que parece acertada en teoría puede fallar al incluir comisiones, deslizamiento, tasas de financiación, costes de gas y límites de liquidez.

Un trader que no realiza backtesting puede no saber con qué frecuencia pierde dinero la estrategia, cuánto pueden llegar a profundizar las caídas o hasta qué punto es sensible a los cambios de régimen del mercado.

Un desarrollador que lanza un bot de trading sin hacer backtesting podría descubrir errores solo después de perder capital real.

Un usuario de DeFi que busca rendimiento sin probar la estrategia podría infravalorar el riesgo de los contratos inteligentes, las salidas de liquidez, la pérdida impermanente o el riesgo de liquidación.

El backtesting ayuda a convertir una idea de trading en supuestos medibles.

Obliga al trader a definir reglas exactas de entrada y salida, tamaño de la posición, comisiones, reglas de rebalanceo y límites de riesgo.

Esto es valioso porque es fácil creer en ideas de trading imprecisas y difícil evaluarlas.

El backtest también crea un registro del comportamiento esperado antes de empezar a operar en real.

Si la estrategia en real se comporta de forma muy distinta al backtest, el trader sabe que algo ha cambiado o que algo se modeló incorrectamente.

Por tanto, el backtesting es una herramienta de investigación, de gestión del riesgo y de disciplina.

Cómo funciona el backtesting

Un backtest de criptomonedas comienza con una regla de estrategia.

La regla debe ser lo bastante precisa para que un ordenador o analista pueda aplicarla sin tener que hacer suposiciones.

El siguiente paso es recopilar datos históricos.

Estos pueden incluir velas de precios, datos del libro de órdenes, registros de operaciones, tasas de financiación, interés abierto, flujos de wallets, comisiones de gas, recompensas de staking, liquidaciones, desbloqueos de tokens o reservas de pools DeFi.

A continuación, se limpian los datos.

La limpieza puede incluir eliminar duplicados, comprobar marcas de tiempo ausentes, ajustar cambios de símbolos, excluir con cuidado activos excluidos del listado y verificar zonas horarias.

El siguiente paso consiste en simular las operaciones.

Cuando corresponda, la simulación debe incluir comisiones, deslizamiento, latencia, tamaño de las órdenes, pagos de financiación, costes de préstamo, costes de gas y ejecuciones fallidas.

El último paso es medir los resultados.

Entre los resultados útiles se encuentran la rentabilidad total y anualizada, la volatilidad, el ratio de Sharpe, el ratio de Sortino, la caída máxima, la tasa de aciertos y de pérdidas, la rotación, el promedio por operación, el factor de beneficio, la exposición y las pérdidas extremas.

Un buen backtest no solo explica cuánto ganó una estrategia, sino también cómo ganó o perdió dinero.

Un backtest deficiente solo muestra una curva de capital uniforme sin explicar el riesgo.

Backtesting frente a forward testing

El backtesting utiliza datos históricos existentes.

El forward testing utiliza datos nuevos del mercado después de crear la estrategia.

El forward testing puede realizarse mediante paper trading, trading demo, trading en sombra o con operaciones reales de importe muy reducido.

La diferencia importa porque un backtest puede beneficiarse accidentalmente de la información conocida a posteriori.

Una estrategia puede ajustarse para encajar demasiado bien con el comportamiento pasado de los precios.

El forward testing permite comprobar si la estrategia sigue comportándose bien con datos que no se utilizaron durante su desarrollo.

Un trader cripto serio no debería basarse únicamente en un backtest.

Un proceso mejor consiste en hacer primero el backtest, después una prueba fuera de muestra, luego forward testing, operar con poco capital y solo entonces plantearse aumentar la escala.

Este proceso por etapas reduce la posibilidad de pasar directamente de un gráfico histórico perfecto a una pérdida en el mercado real.

El forward testing es más lento que el backtesting, pero a menudo ofrece una visión más realista.

Backtesting frente a paper trading

El backtesting aplica una estrategia a datos pasados.

El paper trading aplica una estrategia a las condiciones actuales o en tiempo real del mercado, sin arriesgar capital real.

El backtesting puede analizar rápidamente muchos años de historia del mercado.

El paper trading puede revelar problemas en tiempo real, como señales perdidas, retrasos en la ejecución, enrutamiento incorrecto de órdenes, errores de API, datos obsoletos y decisiones emocionales.

Una estrategia puede superar el backtest y fallar en paper trading porque la ejecución real es más difícil que la simulación histórica.

El paper trading también muestra si el trader puede seguir realmente las reglas.

Esto es importante porque una estrategia no sirve de nada si el usuario la anula cada vez que los precios se mueven rápidamente.

El backtesting y el paper trading deben complementarse.

El backtesting estudia el comportamiento histórico a largo plazo, mientras que el paper trading comprueba el funcionamiento actual en condiciones reales.

Backtesting frente a trading en real

El trading en real utiliza capital y ejecución reales.

Por eso es muy distinto de un backtest.

Un backtest puede suponer que las órdenes se ejecutan al precio de cierre de una vela.

En el mercado real, la ejecución puede producirse a un precio peor o no producirse.

Un backtest puede suponer que siempre hay liquidez disponible.

En el trading real, una orden grande puede mover el mercado.

Un backtest puede suponer que el bot está siempre en funcionamiento.

El trading real puede verse afectado por caídas del servidor, errores de wallet, fallos de RPC, límites de API y transacciones fallidas.

Un backtest puede ignorar las emociones.

El trading real genera miedo, codicia, arrepentimiento y presión.

El objetivo del backtesting no es sustituir la realidad del trading en real.

El objetivo es prepararse para operar en real con más conocimientos y menos puntos ciegos.

Datos históricos

Los datos históricos son la base de cualquier backtest.

Si los datos son incorrectos, el backtest también puede serlo, aunque el código sea perfecto.

Los datos históricos cripto pueden incluir precios, velas, operaciones, libros de órdenes, tasas de financiación, oferta de tokens, comisiones de transacción, precios de gas, estados de pools de liquidez, tasas de préstamo, precios de oráculos, recompensas de validadores y eventos de blockchain.

Las distintas fuentes de datos pueden discrepar por las zonas horarias elegidas, los métodos de construcción de velas, las operaciones ausentes, los cambios de símbolos, las diferencias de liquidez o los sistemas de recopilación defectuosos.

Además, los datos cripto están fragmentados entre blockchains, wallets, protocolos y plataformas de trading.

Esto dificulta más la calidad de los datos que en muchos mercados tradicionales.

Un buen backtest debe documentar la fuente de datos, el periodo, la frecuencia, las reglas para tratar datos ausentes y cualquier paso de limpieza.

Un trader debería desconfiar de cualquier backtest que no explique de dónde proceden los datos.

Los datos históricos no son solo una hoja de cálculo.

Son la base probatoria de toda la simulación.

Calidad de los datos

La calidad de los datos significa que estos son precisos, completos, coherentes y adecuados para la estrategia que se está probando.

Los datos de baja calidad pueden generar beneficios ficticios u ocultar pérdidas reales.

La ausencia de velas puede eliminar pérdidas de un backtest.

Los picos de precios incorrectos pueden generar señales falsas.

El sesgo de supervivencia puede eliminar del conjunto de datos los tokens fallidos y hacer que los resultados históricos parezcan demasiado buenos.

Las marcas de tiempo incorrectas pueden hacer que una estrategia opere con información que en realidad no tenía en ese momento.

Las migraciones de tokens sin ajustar pueden generar ganancias o pérdidas artificiales.

Probar una estrategia con velas diarias puede ser aceptable para una estrategia de cartera lenta.

Puede ser inútil para una estrategia de alta frecuencia que depende del comportamiento del libro de órdenes.

Los datos deben corresponder al estilo de trading de la estrategia.

Unos datos mejores no garantizan una estrategia rentable, pero unos datos deficientes pueden volver irrelevante la investigación.

Sesgo de anticipación

El sesgo de anticipación se produce cuando un backtest utiliza información que no habría estado disponible en el momento de la operación simulada.

Es uno de los errores más peligrosos del backtesting.

Por ejemplo, una estrategia podría comprar un token al inicio del día utilizando el precio de cierre de ese mismo día como si ya se conociera.

Otro ejemplo sería usar una futura inclusión en un listado, una futura pertenencia a un índice o una futura clasificación por capitalización de mercado para decidir qué habría mantenido la estrategia en el pasado.

El sesgo de anticipación puede hacer que una estrategia parezca extremadamente rentable porque, en secreto, conoce el futuro.

En el mercado cripto, puede aparecer mediante marcas de tiempo de datos on-chain, datos de oráculos con retraso, calendarios de desbloqueo de tokens o conjuntos de datos depurados que incluyen clasificaciones futuras.

Para evitarlo, cada dato debe estar disponible antes del momento de decisión simulado.

Las señales deben calcularse utilizando únicamente información pasada y presente.

La ejecución debe producirse después de conocerse la señal, no antes.

Un backtest con sesgo de anticipación no es investigación: es un viaje accidental en el tiempo.

Sesgo de supervivencia

El sesgo de supervivencia se produce cuando un backtest incluye únicamente activos que sobrevivieron hasta el final del periodo analizado.

Es un problema importante en el mercado cripto, ya que muchos tokens desaparecen, pierden liquidez, migran, se abandonan o se desploman tras su lanzamiento.

Si un backtest solo analiza los tokens que han tenido éxito hasta hoy, puede ignorar los que fracasaron y que un trader real podría haber comprado en el pasado.

Esto puede hacer que la rentabilidad de una estrategia parezca mucho mejor de lo que fue en realidad.

Por ejemplo, un backtest de altcoins de pequeña capitalización de años anteriores puede parecer sólido si solo incluye los tokens que siguen teniendo actividad de trading hoy.

Un backtest realista debe incluir los activos que existían en cada momento histórico, incluidos los que después fracasaron o perdieron liquidez.

Esto es difícil porque los universos históricos de tokens son complejos.

Sin embargo, ignorar el problema puede generar una falsa confianza.

El sesgo de supervivencia es especialmente peligroso para las estrategias de momentum, rotación sectorial y clasificación por capitalización de mercado.

Un buen backtest cripto debe explicar cómo se construyó el universo de activos en cada momento.

Sobreajuste

El sobreajuste se produce cuando una estrategia se adapta demasiado a los datos pasados y falla con datos nuevos.

Un trader puede probar muchos indicadores, marcos temporales, stop loss, filtros y parámetros hasta que una combinación parece extraordinaria.

El problema es que el resultado puede reflejar ruido histórico aleatorio en lugar de una ventaja real.

La resolución de 2024 del Federal Register que analiza las normas de comunicación de FINRA señala que el rendimiento obtenido mediante backtesting puede inducir a error a los inversores, porque las decisiones hipotéticas pueden optimizarse con información conocida a posteriori.

Estudios académicos como Statistical Overfitting and Backtest Performance también advierten de que repetir las pruebas puede producir resultados impresionantes, pero poco fiables.

Las estrategias cripto son especialmente vulnerables al sobreajuste porque los traders pueden probar muchos tokens, indicadores, marcos temporales y regímenes de mercado.

Una estrategia con muchos parámetros ajustables puede encajar perfectamente con los datos históricos y fallar de inmediato en real.

Una forma de reducir el sobreajuste es mantener sencillas las reglas de la estrategia.

Otra es utilizar pruebas fuera de muestra y análisis walk-forward.

La actitud más prudente es desconfiar de un backtest demasiado perfecto hasta que se demuestre su solidez.

Pruebas dentro y fuera de muestra

Las pruebas dentro de muestra utilizan el periodo de datos con el que se desarrolla y ajusta la estrategia.

Las pruebas fuera de muestra utilizan un periodo de datos separado que no se empleó para crear la estrategia.

Esta separación ayuda a comprobar si la estrategia ha aprendido un patrón real o simplemente ha memorizado un periodo histórico.

Por ejemplo, un trader puede desarrollar una estrategia con datos de 2019 a 2022 y probarla con datos de 2023 a 2025.

Si funciona bien dentro de muestra, pero falla fuera de muestra, puede estar sobreajustada.

Si obtiene resultados razonables en ambos periodos, podría ser más robusta.

El éxito fuera de muestra tampoco garantiza que vaya a funcionar en el futuro.

Solo aporta pruebas más sólidas que el éxito dentro de muestra por sí solo.

La estructura del mercado cripto cambia rápidamente, por lo que, siempre que sea posible, los periodos fuera de muestra también deben incluir distintos regímenes.

Una buena estrategia no debería depender de una única ventana histórica perfecta.

Pruebas walk-forward

El walk-forward testing es un método que entrena o ajusta repetidamente una estrategia en un periodo y la prueba en el siguiente.

Se aproxima más al trading real porque, al tomar decisiones futuras, el trader solo conoce los datos pasados.

Por ejemplo, un modelo puede entrenarse con seis meses de datos y operar durante el mes siguiente.

Después, la ventana avanza y el proceso se repite.

Un estudio reciente de 2026 sobre trading de Bitcoin basado en machine learning y costes de transacción utilizó un protocolo walk-forward y observó que los costes de transacción pueden convertir estrategias ingenuas basadas en previsiones, rentables sobre el papel, en estrategias no rentables una vez incluidos los costes.

Esto es muy relevante para el mercado cripto, donde los costes de trading y la rotación pueden dominar los resultados.

El walk-forward testing ayuda a estudiar cómo se adapta una estrategia a los cambios de régimen del mercado.

También puede revelar si un modelo necesita demasiados reajustes para seguir siendo útil.

Una estrategia que solo funciona tras cambiar constantemente sus parámetros puede ser frágil.

El análisis walk-forward no es perfecto, pero es más realista que probar un único modelo optimizado en un largo periodo histórico.

Costes de transacción

Los costes de transacción son uno de los principales motivos por los que los backtests cripto fallan al operar en real.

Pueden incluir comisiones de trading, spread, deslizamiento, pagos de financiación, tasas de préstamo, comisiones de gas, comisiones de bridge, comisiones de validadores, comisiones de retirada y costes de transacciones fallidas.

Una estrategia que opera con frecuencia puede parecer rentable antes de los costes y dejar de serlo después.

Esto es especialmente habitual en backtests de alta frecuencia, arbitraje, scalping y creación de mercado.

Los costes deben modelarse de forma realista para cada activo y periodo.

Un token de pequeña capitalización con poca liquidez no debería probarse con los mismos supuestos de costes que un activo importante y muy líquido.

Un swap DeFi debe incluir el impacto en el precio y los costes de gas.

Una estrategia similar a la de derivados debe incluir los pagos de financiación y la mecánica del riesgo de liquidación.

El estudio walk-forward de 2026 citado anteriormente muestra por qué filtrar operaciones teniendo en cuenta los costes puede ser fundamental al diseñar estrategias cripto.

Un backtest bruto rentable solo es un punto de partida; lo importante es el resultado neto de costes.

Deslizamiento

El deslizamiento es la diferencia entre el precio esperado de una operación y su precio de ejecución real.

Se produce cuando el mercado se mueve, la liquidez es escasa o el tamaño de la orden es grande en relación con la profundidad disponible.

En el mercado cripto, el deslizamiento puede ser considerable durante picos de volatilidad, noticias, liquidaciones, horas de poca liquidez y desequilibrios en pools DeFi.

Un backtest que presupone que todas las operaciones se ejecutan al cierre de la vela puede ignorar por completo el deslizamiento.

Esto puede hacer que las estrategias parezcan mucho mejores de lo que son.

El deslizamiento debe modelarse según el tamaño de la orden, el spread, el volumen, la profundidad del libro de órdenes, la profundidad del pool de liquidez y la volatilidad del mercado.

Un backtest para una pequeña operación minorista puede utilizar supuestos distintos a los de una operación de gran tamaño institucional.

El deslizamiento no es un detalle menor.

En estrategias cripto con mucha rotación, puede marcar la diferencia entre beneficios y pérdidas.

Todo backtest serio debería mostrar los resultados antes y después de aplicar los supuestos de deslizamiento.

Comisiones y costes de gas

Las comisiones son costes directos asociados al trading, las transferencias, los bridges, el staking, los préstamos o la interacción con contratos inteligentes.

En el trading centralizado con libro de órdenes, puede haber comisiones Maker y Taker.

En DeFi, puede haber comisiones de swap, comisiones para proveedores de liquidez, comisiones de gas, comisiones de bridge y costes de prioridad de transacción.

Los costes de gas son especialmente importantes en estrategias on-chain.

Un backtest DeFi que ignora el gas puede hacer que las operaciones pequeñas o el rebalanceo frecuente parezcan rentables cuando no lo son.

Las comisiones de gas también pueden variar mucho según las condiciones del mercado.

Una estrategia que funciona cuando las comisiones son bajas puede fallar durante la congestión.

Si una estrategia depende de la ejecución on-chain, los backtests deberían incluir supuestos variables de gas.

En las redes de tipo Ethereum y otras blockchains de contratos inteligentes, el coste de ejecución forma parte de la estrategia.

Una estrategia no se puede operar en real si el beneficio esperado es inferior al coste de transacción.

Tasas de financiación

Las tasas de financiación son pagos entre traders con posiciones long y short en mercados de swaps perpetuos.

Una estrategia de derivados que las ignore puede producir resultados engañosos.

Por ejemplo, una posición long puede parecer rentable por el movimiento del precio, pero perder gran parte de su rentabilidad debido a los pagos de financiación.

Una posición short puede obtener ingresos por financiación y, al mismo tiempo, perder por el movimiento del precio.

Las tasas de financiación pueden variar mucho en el mercado cripto, ya que las posiciones de los traders cambian rápidamente.

Siempre que sea posible, los backtests con contratos perpetuos deben incluir tasas de financiación históricas.

Si faltan datos históricos de financiación, el backtest debe indicar claramente el supuesto utilizado.

La financiación también debe aplicarse en las marcas de tiempo correctas.

Un error en el cálculo de la financiación puede distorsionar la rentabilidad, sobre todo en estrategias que mantienen posiciones durante días o semanas.

En el backtesting de derivados cripto, los datos de financiación no son opcionales.

Liquidez

La liquidez mide la facilidad con la que una estrategia puede abrir y cerrar posiciones sin mover demasiado el precio.

Un backtest puede mostrar una rentabilidad elevada en un token con poca liquidez porque presupone una ejecución ilimitada a precios históricos.

En realidad, puede ser imposible comprar o vender un volumen significativo sin un gran deslizamiento.

La liquidez es especialmente importante en altcoins de pequeña capitalización, activos relacionados con NFT, tokens de gobernanza DeFi, nuevos lanzamientos de tokens y activos cross-chain.

Un backtest realista debería limitar el tamaño de las órdenes según el volumen histórico, la profundidad del libro de órdenes o la liquidez del pool.

También debería considerar si la liquidez desapareció durante periodos de tensión.

Una estrategia que solo funciona con cantidades pequeñas quizá no pueda ampliarse.

Eso no la vuelve inútil, pero sí limita su capacidad.

La capacidad es la cantidad de capital que puede utilizarse antes de que el rendimiento se deteriore.

Un buen backtest debería estimar la capacidad, no solo la rentabilidad.

Regímenes de mercado

Un régimen de mercado es un periodo con características de mercado diferenciadas.

En el mercado cripto puede haber mercados alcistas y bajistas, mercados laterales, caídas de alta volatilidad, acumulación de baja volatilidad, expansiones o contracciones de liquidez y ciclos posteriores al halving.

Una estrategia que funciona bien en un régimen puede fallar en otro.

Las estrategias de seguimiento de tendencia pueden funcionar durante movimientos direccionales fuertes y tener dificultades en mercados erráticos.

Las estrategias de reversión a la media pueden funcionar en mercados con rangos definidos y fallar durante rupturas.

Las estrategias de arbitraje pueden funcionar en mercados fragmentados y perder oportunidades cuando mejora la eficiencia.

Siempre que sea posible, un backtest debería desglosar los resultados por régimen.

Esto ayuda al trader a entender cuándo se espera que funcione la estrategia y cuándo podría tener dificultades.

Una sola cifra de rentabilidad oculta demasiada información.

El análisis de regímenes convierte el backtesting en una herramienta para comprender el riesgo.

Métricas de riesgo

Las métricas de riesgo ayudan a explicar el peligro que puede esconder la rentabilidad de una estrategia.

La rentabilidad total no basta.

Una estrategia que duplica el capital, pero pierde un 80% por el camino, puede no ser aceptable para la mayoría de los usuarios.

Entre las métricas de riesgo útiles se encuentran la caída máxima, la volatilidad, la desviación bajista, los ratios de Sharpe, Sortino y Calmar, el valor en riesgo, la pérdida esperada, la tasa de aciertos y de pérdidas, la pérdida media, las pérdidas extremas y el tiempo bajo el máximo anterior.

La caída máxima muestra la mayor pérdida entre un máximo y un mínimo posterior durante la prueba.

El tiempo bajo el máximo anterior indica cuánto tiempo permaneció una estrategia por debajo de su máximo previo.

El ratio de Sharpe compara la rentabilidad con la volatilidad, pero puede inducir a error si la distribución de los rendimientos no es normal.

El ratio de Sortino se centra más en la volatilidad bajista.

En el mercado cripto, el riesgo de cola es importante porque las caídas pueden ser repentinas y profundas.

Un buen backtest debe mostrar tanto la recompensa como el coste asumido.

Caída (drawdown)

La caída es el descenso desde un máximo de la cartera hasta un mínimo posterior.

Es una de las métricas más importantes del backtesting porque muestra cuánta pérdida tuvo que soportar el trader.

Una estrategia con una rentabilidad y una caída elevadas puede ser psicológicamente imposible de seguir.

Por ejemplo, un backtest puede mostrar beneficios sólidos a largo plazo, pero incluir una caída del 70%.

Muchos usuarios abandonarían la estrategia antes de que se recuperase.

La caída también importa en las estrategias con apalancamiento porque las pérdidas grandes pueden provocar una liquidación.

En DeFi, una caída puede forzar liquidaciones de colateral o retiradas de emergencia.

Un backtest debería mostrar la caída máxima y media, su duración y el tiempo de recuperación.

La mejor estrategia no siempre es la que ofrece la mayor rentabilidad.

A menudo es mejor la que genera resultados que los usuarios pueden soportar.

Ratio de Sharpe

El ratio de Sharpe es una métrica habitual de rentabilidad ajustada al riesgo.

Compara la rentabilidad excedente con la volatilidad.

Un ratio de Sharpe más alto suele indicar que una estrategia generó más rentabilidad por unidad de volatilidad.

Sin embargo, el ratio de Sharpe tiene limitaciones en el mercado cripto.

Los rendimientos cripto pueden presentar asimetría, colas gruesas y dependencia del régimen de mercado.

Una estrategia puede tener un buen ratio de Sharpe en periodos tranquilos y aun así sufrir pérdidas grandes, aunque poco frecuentes.

El ratio también puede inflarse por el sobreajuste o por estrategias que acumulan pequeñas ganancias mientras ocultan riesgos de cola.

Por ejemplo, una estrategia que obtiene pequeños beneficios diarios, pero sufre pérdidas ocasionales importantes, puede parecer estable hasta que se produce la caída.

El ratio de Sharpe debe utilizarse junto con métricas de caída, riesgo de cola y pruebas de resistencia.

Ninguna métrica por sí sola permite explicar por completo una estrategia cripto.

Pruebas de resistencia

Las pruebas de resistencia comprueban cómo se comporta una estrategia en condiciones difíciles o extremas.

Una prueba de resistencia cripto puede modelar caídas repentinas de precios, brechas de liquidez, congestión de la blockchain, pérdida de paridad de stablecoins, subidas de las tasas de financiación, retrasos de oráculos o bridges y caídas de plataformas de trading.

Se diferencian del backtesting normal porque se centran en lo que puede salir mal.

Las pruebas históricas de resistencia utilizan acontecimientos reales del pasado.

Las pruebas sintéticas crean escenarios hipotéticos que quizá aún no se hayan producido.

Ambas son útiles.

Las pruebas históricas muestran cómo habría afrontado la estrategia crisis conocidas.

Las sintéticas muestran si puede resistir condiciones que no aparecen en la muestra histórica.

La alerta de la SEC para inversores sobre criptoactivos advierte de que las inversiones en criptoactivos pueden ser excepcionalmente volátiles y especulativas.

Las pruebas de resistencia son una forma de tomar en serio esa volatilidad antes de arriesgar capital.

Análisis de escenarios

El análisis de escenarios estudia cómo se comportaría una estrategia ante situaciones concretas de mercado.

Por ejemplo, un trader puede probar qué ocurre si Bitcoin cae un 25% en un día, mientras la liquidez de las altcoins disminuye y las comisiones de gas aumentan.

Otro escenario podría analizar la pérdida de paridad de una stablecoin al mismo tiempo que suben las tasas de préstamo y se ralentizan las retiradas de DeFi.

Otro podría evaluar un mercado lateral prolongado en el que las señales de tendencia fallan continuamente.

El análisis de escenarios ayuda a pensar más allá del caso medio.

Puede revelar dependencias ocultas que un backtest normal no detecta.

Por ejemplo, una estrategia puede depender de la liquidez de las stablecoins aunque parezca una estrategia de altcoins.

También puede depender de un gas barato aunque su señal principal sea el momentum de precios.

El análisis de escenarios resulta especialmente útil en el mercado cripto, donde los riesgos estructurales pueden aparecer de repente.

Un buen backtest pregunta qué ocurre cuando el mercado se comporta mal, no solo cuando se comporta con normalidad.

Backtesting en DeFi

El backtesting en DeFi consiste en probar estrategias on-chain mediante datos históricos de contratos inteligentes, liquidez y mercado.

Algunos ejemplos son la provisión de liquidez, los préstamos, el yield farming, el staking líquido, las estrategias de vaults y el rebalanceo automatizado.

Es más difícil que el backtesting simple de precios porque el estado de los contratos inteligentes cambia constantemente.

Una estrategia de pool de liquidez necesita reservas históricas, comisiones, precios de tokens, participaciones de proveedores de liquidez y cálculos de pérdida impermanente.

Una estrategia de préstamo necesita tasas de interés históricas, valores del colateral, umbrales de liquidación, comportamiento de oráculos y tasas de utilización.

Una estrategia de vault necesita reglas de depósito y retirada, comisiones de rendimiento, riesgo de contratos inteligentes y lógica de rebalanceo.

También hay que incluir los costes de gas, ya que las estrategias on-chain pueden requerir muchas transacciones.

Un backtest DeFi que ignore las transacciones fallidas, el MEV, los retrasos de oráculos y las salidas de liquidez puede ser poco realista.

El backtesting en DeFi puede ser potente, pero requiere modelar los datos con más profundidad que las pruebas básicas de trading spot.

La calidad de la estrategia depende de los supuestos on-chain en que se basa.

MEV y backtesting

MEV significa valor máximo extraíble y se refiere al valor que puede obtenerse ordenando, insertando o excluyendo transacciones de blockchain.

El MEV puede afectar al backtesting cuando una estrategia depende de la ejecución on-chain.

Un backtest de arbitraje DeFi puede suponer que el trader captura una diferencia de precio.

En los mercados reales, otros buscadores pueden adelantarse y capturar la oportunidad.

Un swap puede sufrir un ataque sandwich o ejecutarse en peores condiciones de las esperadas.

Un bot más rápido puede ganar a una estrategia de liquidación.

Un backtest que ignore el orden de las transacciones puede exagerar la rentabilidad.

En las estrategias on-chain importan la prioridad de ejecución, la inclusión en bloques, las pujas de gas, el enrutamiento de transacciones privadas y la competencia.

El MEV hace que el backtesting cripto se parezca más a una competición de infraestructura que a una simple prueba de señales.

Si el backtest presupone una ejecución perfecta frente a oportunidades on-chain, debe tratarse con cautela.

Backtesting de arbitraje

El backtesting de arbitraje prueba estrategias que buscan obtener beneficios de las diferencias de precio entre mercados o blockchains.

El arbitraje cripto puede incluir mercados spot, contratos perpetuos, tasas de financiación, pools de liquidez, bridges o diferencias entre oráculos.

Es fácil hacer que un backtest de arbitraje parezca rentable y difícil hacerlo realista.

La simulación debe incluir comisiones, latencia, retrasos de transferencia, financiación, costes de préstamo, ejecuciones fallidas, límites de inventario, finalidad de la blockchain, retrasos de bridges y bloqueo de capital.

Una diferencia de precio que aparece en velas históricas quizá no pudiera aprovecharse en tiempo real.

Otro trader o bot puede haber capturado antes la oportunidad.

La congestión de la red podría haber impedido la liquidación.

Un bridge podría haber tardado demasiado en transferir los fondos.

El backtesting de arbitraje debería utilizar datos con marcas de tiempo de alta calidad y supuestos de ejecución prudentes.

Una estrategia que solo resulta rentable antes de costes o latencia normalmente no tiene una ventaja de arbitraje real.

Backtesting de bots de trading

El backtesting de bots de trading prueba una estrategia automatizada antes de conectarla a cuentas o wallets reales.

El backtest del bot debe incluir exactamente las mismas reglas que utilizará el bot en real.

Si el bot real tiene límites de tamaño de orden, el backtest también debe tenerlos.

Si el bot se pausa durante periodos de alta volatilidad, el backtest debe modelar esa regla.

Si el bot utiliza stop loss, el backtest debe calcularlos con trayectorias de precios realistas.

El backtesting de bots también debe incluir problemas operativos como órdenes fallidas, límites de frecuencia de API, datos obsoletos, ejecuciones parciales y retrasos de reconexión.

La CFTC advierte de que los estafadores promocionan bots y sistemas de trading de criptoactivos con promesas de rentabilidades desproporcionadamente elevadas o garantizadas.

Los usuarios deberían desconfiar de los bots que solo se anuncian con capturas de pantalla de backtests perfectos.

Un bot real debería ofrecer supuestos transparentes, límites de riesgo y seguimiento de resultados en vivo.

El backtesting es necesario para desarrollar bots, pero no demuestra que un bot sea seguro.

Backtesting de machine learning

El backtesting de machine learning prueba modelos que utilizan datos para generar señales de trading o decisiones de cartera.

El machine learning puede analizar numerosas variables, como momentum de precios, volatilidad, flujo de órdenes, actividad on-chain, sentimiento, tasas de financiación y variables macroeconómicas.

Sin embargo, también aumenta el riesgo de sobreajuste.

Un modelo con muchas variables puede encontrar patrones que solo existen por casualidad.

Los conjuntos de datos cripto contienen ruido, no son estacionarios y se ven afectados por los cambios en la estructura del mercado.

Esto significa que un modelo que funciona en un periodo puede fallar en otro.

Los backtests de machine learning deberían utilizar validación adaptada a series temporales, pruebas fuera de muestra, walk-forward testing, comprobaciones de filtración de variables y modelado de costes de transacción.

El estudio walk-forward de Bitcoin de 2026 citado anteriormente observó que la precisión de las previsiones no basta si estas se convierten en demasiadas operaciones costosas.

Esta lección se aplica ampliamente al machine learning en el mercado cripto.

El modelo debe poder operarse después de los costes, no ser solo interesante desde el punto de vista estadístico.

Riesgo de implementación

El riesgo de implementación es la posibilidad de que los resultados del backtest cambien debido a la forma de codificar o simular la estrategia.

Dos motores de backtesting pueden generar resultados distintos con la misma estrategia si gestionan de forma diferente las comisiones, el momento de las órdenes, los datos ausentes, el tamaño de las posiciones o los redondeos.

Un estudio reciente de 2026 sobre riesgo de implementación en backtesting de carteras analizó cómo los distintos motores pueden producir divergencias cuantificables por detalles de implementación, especialmente cuando se incluyen costes de transacción.

Esto importa en el mercado cripto porque los pequeños detalles pueden tener un gran efecto.

Un bot que entra al cierre de una vela no es lo mismo que uno que entra en la apertura de la siguiente.

Una estrategia que capitaliza los beneficios a diario no es lo mismo que otra que utiliza un tamaño de posición fijo.

Un backtest DeFi que redondea incorrectamente las cantidades de tokens puede distorsionar la rentabilidad.

Un backtest de tasas de financiación que aplica los pagos en el momento equivocado puede generar resultados falsos.

El riesgo de implementación puede reducirse mediante revisiones de código, pruebas unitarias, replicación independiente y documentación clara.

Un backtest debe poder reproducirse antes de confiar en él.

Supuestos de ejecución

Los supuestos de ejecución definen cómo se realizan las operaciones dentro del backtest.

Incluyen el tipo de orden, el precio y la probabilidad de ejecución, el spread, el deslizamiento, la latencia, las ejecuciones parciales, el tamaño mínimo de orden y las operaciones fallidas.

Un supuesto erróneo habitual es que todas las señales se ejecutan al mejor precio visible y con un tamaño ilimitado.

Esto rara vez es realista en el mercado cripto.

Un backtest más realista puede suponer que las órdenes de mercado cruzan el spread, que las órdenes limitadas pueden no ejecutarse y que las órdenes grandes provocan más deslizamiento.

Los supuestos de ejecución deben corresponderse con la forma real en que operará la estrategia.

Una estrategia de rebalanceo mensual a largo plazo no requiere el mismo nivel de detalle que un bot de arbitraje de alta frecuencia.

Una estrategia de swaps DeFi debe modelar el impacto en el precio del pool y el gas.

Una estrategia con stop loss debe modelar las trayectorias de precios intradía, no solo los cierres diarios.

Al introducir supuestos de ejecución, muchos backtests atractivos se vuelven más realistas y menos impresionantes.

Tamaño de la posición

El tamaño de la posición determina cuánto capital se utiliza en cada operación.

Incluso una buena señal puede generar pérdidas si el tamaño de la posición es demasiado agresivo.

Una señal débil puede parecer rentable si el backtest utiliza una capitalización irreal durante un periodo afortunado.

El tamaño de las posiciones cripto debe tener en cuenta la volatilidad, la liquidez, la caída máxima, la correlación, el apalancamiento y el riesgo de liquidación.

Las posiciones de tamaño fijo son más fáciles de entender.

Las posiciones que representan un porcentaje del capital propio capitalizan las ganancias y las pérdidas.

Las posiciones ajustadas a la volatilidad reducen la exposición cuando esta aumenta.

Las posiciones de paridad de riesgo equilibran la exposición entre activos, pero pueden fallar si las correlaciones aumentan durante periodos de tensión.

Los backtests deben indicar claramente el método utilizado para determinar el tamaño de las posiciones.

El rendimiento de una estrategia suele depender tanto del tamaño de la posición como de la señal de entrada.

Reglas de rebalanceo

Las reglas de rebalanceo determinan cuándo se vuelve a asignar una cartera a sus ponderaciones objetivo.

Un backtest de cartera cripto puede rebalancearse a diario, semanalmente, mensualmente, trimestralmente o cuando las asignaciones superen ciertos límites.

Un rebalanceo frecuente puede mejorar el control del riesgo, pero aumenta los costes de transacción y los impuestos.

En DeFi también puede aumentar los costes de gas y la exposición a contratos inteligentes.

El backtest debe incluir la frecuencia de rebalanceo que el trader pueda ejecutar realmente.

También debe incluir tamaños de operación y costes realistas en cada rebalanceo.

Una estrategia que funciona con rebalanceos diarios gratuitos puede fallar con comisiones y deslizamiento reales.

Las reglas de rebalanceo deben ser lo bastante sencillas para seguirlas durante periodos de tensión del mercado.

Un buen backtest de rebalanceo explica el equilibrio entre control del riesgo y costes.

El rebalanceo es una regla de cartera, no un mecanismo mágico para generar rentabilidad.

Referencias de comparación

Una referencia de comparación (benchmark) sirve para evaluar si una estrategia aporta valor.

En el mercado cripto, puede consistir en mantener Bitcoin, una cesta ponderada por capitalización de mercado de activos principales, stablecoins, una regla sencilla basada en una media móvil o una cartera básica de comprar y mantener.

La estrategia debe compararse con una referencia justa.

Si asume un riesgo elevado en altcoins, compararla solo con efectivo puede inducir a error.

Si utiliza apalancamiento, la referencia debe tener en cuenta el nivel de riesgo.

Si opera con frecuencia, su referencia también debe incluir costes realistas.

Las referencias ayudan a responder una pregunta importante.

¿La estrategia aportó valor o solo se benefició de la exposición a un mercado alcista?

Muchas estrategias cripto parecen buenas en mercados alcistas porque casi todo sube.

Una referencia adecuada muestra si la estrategia superó a una alternativa más sencilla una vez considerados el riesgo y los costes.

Informes de backtesting

Un informe de backtesting debe explicar la estrategia, los datos, los supuestos, los resultados y los riesgos.

Debe incluir el periodo probado, los activos, la fuente de datos, las comisiones, el deslizamiento, los supuestos de órdenes, el tamaño de las posiciones y las reglas de rebalanceo.

Debe mostrar los resultados netos de costes.

Debe mostrar las caídas, no solo la rentabilidad.

Debe mostrar el rendimiento por año o régimen de mercado.

Debe indicar el número de operaciones y la rotación.

Debe mostrar la sensibilidad a los parámetros clave.

Debe explicar las debilidades conocidas.

Un informe que solo muestra una curva de capital ascendente está incompleto.

Un informe serio debería facilitar la detección de fallos, no dificultarla.

Backtesting y regulación

El rendimiento obtenido mediante backtesting puede plantear cuestiones regulatorias y de marketing.

Cuando se presentan resultados de backtesting a clientes o inversores, según la jurisdicción y las circunstancias pueden considerarse rendimientos hipotéticos o publicidad.

Las preguntas frecuentes de la SEC sobre cumplimiento de las normas de marketing explican que los anuncios de asesores de inversión que incluyen resultados deben cumplir requisitos específicos.

La resolución del Federal Register sobre las normas de comunicación de FINRA señala que los resultados de backtesting pueden aumentar el riesgo de inducir a error a los inversores porque la información conocida a posteriori permite optimizar decisiones de inversión hipotéticas.

Esto importa en el mercado cripto porque los bots de trading, vendedores de señales, influencers y proveedores de estrategias suelen anunciar resultados históricos.

Un backtest utilizado de forma privada para investigar no es lo mismo que uno utilizado públicamente para captar fondos o vender una estrategia.

Quien promocione resultados de backtesting cripto debe conocer las leyes aplicables y evitar afirmaciones exageradas.

Los usuarios deberían desconfiar de quienes promocionen un backtest sin explicar claramente los supuestos ni revelar los riesgos.

El rendimiento obtenido mediante backtesting no equivale a un rendimiento real auditado.

Los resultados simulados pasados nunca deben presentarse como una rentabilidad futura garantizada.

Estafas relacionadas con el backtesting

Las estafas de backtesting utilizan gráficos históricos para presentar un sistema de trading como seguro, automático y rentable.

Un estafador puede mostrar una curva de capital perfecta, sin caídas.

También puede ocultar comisiones, deslizamiento, operaciones fallidas y periodos de pérdidas.

Puede elegir únicamente la mejor ventana histórica.

Puede utilizar datos futuros por accidente o deliberadamente.

Puede afirmar que un bot de IA ha sido probado y, por tanto, no puede perder.

La advertencia de la CFTC señala que las promesas de rentabilidades altas o garantizadas procedentes de algoritmos creados con IA, señales de trading, algoritmos de arbitraje cripto o bots son señales de alerta habituales de fraude.

Los usuarios deberían solicitar resultados reales verificados, una metodología completa, métricas de riesgo, revisión del código y supuestos claros sobre los costes.

También deberían evitar entregar claves privadas o el control total de la cuenta al vendedor de un bot.

Un backtest puede respaldar una investigación, pero también puede utilizarse para engañar si se presenta sin contexto.

Errores habituales en el backtesting

Un error habitual es ignorar los costes de transacción.

Otro es ignorar el deslizamiento.

Un tercero es utilizar datos futuros por accidente.

Un cuarto es probar solo activos que sobrevivieron.

Un quinto es optimizar demasiados parámetros.

Un sexto es evaluar una estrategia únicamente por su rentabilidad total.

Un séptimo es ignorar las caídas y las pérdidas extremas.

Un octavo es suponer que la liquidez es ilimitada.

Un noveno es ignorar los impuestos y los costes de rebalanceo.

Un décimo es pasar directamente del backtest a operar con mucho capital real.

Estos errores son frecuentes porque las herramientas de backtesting pueden hacer que probar una estrategia parezca fácil.

Lo difícil no es generar un gráfico.

Lo difícil es que el gráfico sea realista.

Buenas prácticas para el backtesting cripto

Utiliza datos depurados de fuentes fiables.

Documenta la fuente, el periodo y las reglas de limpieza de los datos.

Utiliza datos disponibles en cada momento para evitar el sesgo de anticipación.

Incluye activos excluidos del listado o fallidos al probar estrategias de selección de activos.

Cuando corresponda, incluye comisiones de trading, deslizamiento, spreads, tasas de financiación, costes de gas y ejecuciones fallidas.

Utiliza pruebas fuera de muestra y walk-forward testing.

Mantén unas reglas de estrategia lo bastante sencillas para poder explicarlas.

Realiza pruebas de sensibilidad con los parámetros clave.

Compara la estrategia con una referencia justa.

Analiza las caídas, no solo la rentabilidad.

Haz forward testing antes de utilizar una cantidad significativa de capital real.

Nunca trates un backtest como una promesa de beneficios futuros.

Ventajas del backtesting

La primera ventaja del backtesting es la disciplina.

Obliga a definir reglas exactas en lugar de operar por emociones.

La segunda ventaja es la conciencia del riesgo.

Un backtest puede mostrar caídas, rachas de pérdidas, volatilidad y sucesos extremos.

La tercera ventaja es el análisis de costes.

Puede mostrar si las comisiones, el deslizamiento, la financiación y el gas eliminan los beneficios esperados.

La cuarta ventaja es la comparación de estrategias.

Los traders pueden comparar varios métodos con los mismos supuestos.

La quinta ventaja es la preparación operativa.

Los desarrolladores pueden detectar problemas de código y ejecución antes de la puesta en marcha.

La sexta ventaja es una confianza con límites.

Un backtest realista puede ayudar a seguir un plan, pero nunca debe generar una confianza ciega.

Limitaciones del backtesting

La primera limitación es que el futuro puede diferir del pasado.

La segunda es que los datos históricos pueden ser incompletos o incorrectos.

La tercera es que los costes y la liquidez pueden cambiar.

La cuarta es que ejecutar operaciones en mercados reales es más difícil que simularlas.

La quinta es que las reglas de una estrategia pueden estar sobreajustadas.

La sexta es que los backtests pueden ignorar fallos operativos.

La séptima es que las regulaciones cripto, la tokenomics y la estructura del mercado pueden cambiar rápidamente.

La octava es que un backtest no puede modelar por completo el pánico, la codicia o el comportamiento de los usuarios.

La novena es que los riesgos de contratos inteligentes y bridges pueden no aparecer en los datos de precios.

La décima es que unos rendimientos históricos atractivos pueden deberse al azar.

El backtesting solo es útil cuando se conocen sus limitaciones.

Términos cripto relacionados

Un bot de trading es un software que coloca operaciones automáticamente en función de reglas o señales.

El deslizamiento es la diferencia entre el precio esperado de una operación y su precio de ejecución real.

La tasa de financiación es un pago periódico entre traders long y short en mercados perpetuos.

La caída es el descenso desde un máximo de la cartera hasta un mínimo posterior.

El sobreajuste consiste en ajustar demasiado una estrategia a datos históricos, de modo que falla con datos nuevos.

El forward testing prueba una estrategia con datos nuevos del mercado en tiempo real, sin depender únicamente de datos pasados.

El paper trading es trading simulado en tiempo real sin capital real.

El ratio de Sharpe es una métrica de rentabilidad ajustada al riesgo que compara la rentabilidad excedente con la volatilidad.

La liquidez indica con qué facilidad puede negociarse un activo sin provocar un gran impacto en el precio.

DeFi son aplicaciones de finanzas descentralizadas creadas con contratos inteligentes.

Preguntas frecuentes

¿Qué significa backtesting en criptomonedas?

El backtesting en criptomonedas consiste en probar una estrategia de trading, un bot o una regla de cartera con datos históricos del mercado cripto antes de utilizar capital real.

¿Un backtest rentable garantiza beneficios futuros?

No. Un backtest rentable no garantiza beneficios futuros porque los mercados, los costes, la liquidez y el comportamiento pueden cambiar.

¿Por qué fallan los backtests cripto al operar en real?

A menudo fallan porque ignoran las comisiones, el deslizamiento, las tasas de financiación, los costes de gas, los límites de liquidez, el sobreajuste y los problemas de ejecución.

¿Qué es el sesgo de anticipación?

Se produce cuando un backtest utiliza información que no habría estado disponible en el momento de la operación simulada.

¿Qué es el sobreajuste en el backtesting?

Se produce cuando una estrategia se ajusta demasiado a datos pasados y obtiene malos resultados con datos nuevos.

¿Qué son las pruebas fuera de muestra?

Consisten en probar una estrategia con datos que no se utilizaron para crearla o ajustarla.

¿Qué es el walk-forward testing?

Consiste en entrenar o ajustar repetidamente una estrategia con un periodo histórico y probarla en el siguiente.

¿Los backtests deberían incluir el deslizamiento?

Sí. Deben incluirlo porque los precios de ejecución reales pueden ser peores que los precios históricos de las señales.

¿Hay que probar las estrategias DeFi de otra manera?

Sí. Necesitan datos on-chain, costes de gas, comportamiento de los pools de liquidez, supuestos sobre contratos inteligentes, comportamiento de oráculos y modelado de transacciones fallidas.

¿Cuál es una buena métrica de backtesting?

Ninguna métrica basta por sí sola. Los usuarios deberían revisar la rentabilidad, las caídas, la volatilidad, el ratio de Sharpe, la rotación, la tasa de aciertos, las pérdidas extremas y los resultados por régimen de mercado.

¿Se puede confiar en los bots de trading con IA si tienen backtests?

No. Un bot de IA con backtest sigue necesitando supuestos transparentes, validación en real y controles de riesgo; además, hay que desconfiar de las promesas de rentabilidad garantizada.

¿Cuál es la forma más prudente de utilizar el backtesting?

Utilizarlo como una etapa de investigación antes de las pruebas fuera de muestra, el forward testing, el despliegue inicial con poco capital y la supervisión continua.

Conclusión

El backtesting es una de las herramientas más importantes para los traders cripto, desarrolladores de bots, gestores de carteras y creadores de estrategias DeFi.

Permite probar reglas de estrategia con datos históricos antes de arriesgar capital real.

Un buen backtest puede revelar caídas, rachas de pérdidas, sensibilidad a los costes, límites de liquidez y debilidades en determinados regímenes de mercado.

También puede ayudar a comparar estrategias y evitar operar por emociones.

Sin embargo, el backtesting no demuestra el rendimiento futuro.

Los mercados cripto son volátiles, fragmentados y cambian constantemente.

Los datos históricos pueden estar incompletos, los costes pueden infravalorarse, la liquidez puede desaparecer y la ejecución real puede fallar.

Los mayores peligros del backtesting son el sesgo de anticipación, el sesgo de supervivencia, el sobreajuste, los supuestos de ejecución poco realistas y la omisión de costes de transacción.

Estos problemas pueden hacer que una estrategia débil parezca sólida.

Un backtest cripto realista debe incluir comisiones, deslizamiento, tasas de financiación, costes de gas, límites de liquidez, tamaño de las posiciones, caídas y validación fuera de muestra.

En las estrategias DeFi también debe incluir el estado de los contratos inteligentes, la liquidez de los pools, el gas, el MEV, el comportamiento de los oráculos y las transacciones fallidas cuando corresponda.

En las estrategias de machine learning debe incluir walk-forward testing y controles estrictos contra la filtración de datos.

En los bots de trading debe contemplar problemas operativos como fallos de API, datos obsoletos y ejecuciones parciales.

El backtesting es más útil cuando hace que resulte más difícil creer en una estrategia, no más fácil venderla.

Un buen backtest debería cuestionar los supuestos y revelar debilidades antes de que lo haga el mercado.

La lección fundamental para los usuarios cripto es que el backtesting es una herramienta de preparación, no una máquina de predicción.

Puede mejorar la toma de decisiones, pero no eliminar el riesgo.

Lo mejor es hacer backtesting con cuidado, probar la estrategia hacia delante, empezar con poco, supervisar los resultados en real y no confiar nunca en estrategias que prometan rentabilidades garantizadas.