Evaluando Afirmaciones de Backtest: Ratio de Sharpe vs. Ratio de Sharpe Desinflado

Nota sobre las cifras citadas a continuación. Algunas estadísticas de este artículo provienen del cohorte del universo V12 (227,594 declaraciones de COMPRA, período hasta 2024). Desde 2025-01-01, el universo de COMPRA en vivo fuera de muestra (OOS) (28 mercados) muestra una tasa de éxito del 52.96 por ciento y un retorno medio a 90 días del +8.59 por ciento en 20,688 declaraciones. Consulte la metodología para ver los números actuales y el bloque STRATEGY_PROOF para la referencia de auditoría congelada.

Un backtest con un Sharpe atractivo y sin considerar el sesgo de selección no es evidencia, es marketing con decimales.

Sharpe vs DSR, cómo leer las afirmaciones de backtest con nuestros números publicados

Los backtests están llenos de cifras confiables producidas bajo condiciones sospechosamente indulgentes. El ratio de Sharpe es el protagonista habitual, ordenado, familiar y a menudo se le otorga más autoridad de la que merece. Es útil, pero solo de la misma manera que lo es una lectura de la presión arterial. Un número puede importar mucho y aun así ser un resumen deficiente del paciente en su totalidad.

Para una publicación que cubre transacciones de iniciados y publica páginas de rendimiento, esto es importante. Los lectores deben poder distinguir entre una estrategia que es genuinamente robusta y una que simplemente sobrevivió a un torneo de ajuste de parámetros. La distinción no es académica. Es la diferencia entre la evidencia y un teatro sobreajustado.

El Ratio de Sharpe Desinflado, o DSR, es una de las mejores herramientas para este trabajo. Introducido por David Bailey y Marcos López de Prado en 2014, plantea una pregunta simple y ligeramente descortés: dado el número de estrategias probablemente probadas, la forma de los retornos y la longitud de la muestra, ¿qué tan sorprendente es realmente este Sharpe? A muchos backtests no les gusta que se les pregunte.

El ratio de Sharpe es útil y peligrosamente fácil de sobrevender

El ratio de Sharpe sigue siendo estándar porque responde a una primera pregunta razonable: ¿cuánto exceso de retorno entregó una estrategia por unidad de volatilidad? Cuanto mayor, mejor, si todo lo demás es igual. Es lo suficientemente simple como para comparar entre estrategias, y lo suficientemente común como para que los lectores sepan aproximadamente qué se considera débil, decente o sospechosamente bueno.

Esa última categoría merece ser destacada.

Un Sharpe de 1.2 puede ser impresionante. También puede ser el mejor superviviente de 300 variantes, cada una con períodos de tenencia, filtros de universo, recortes de liquidez y ventanas de eventos ligeramente diferentes. Para cuando la especificación ganadora llega a la página, los primos fallidos han sido discretamente enterrados. El Sharpe publicado entonces no solo refleja la estrategia, sino el proceso de búsqueda que la encontró.

Qué mide el Sharpe

En su mejor momento, Sharpe es un resumen compacto del exceso de retorno medio realizado en relación con la volatilidad realizada. Es útil para:

• comparar variantes en el mismo conjunto de datos,
• verificar si un flujo de retorno es principalmente ruido,
• clasificar estrategias antes de una debida diligencia más profunda.

Si dos estrategias se construyen honestamente, con datos comparables, con supuestos de rotación e implementación similares, Sharpe es un punto de partida decente.

Qué no mide el Sharpe

Sharpe no sabe:

• cuántas ideas se probaron antes que esta,
• si la distribución de los retornos es asimétrica o de cola gruesa,
• si la estrategia depende de un período anómalo,
• si los costos de transacción se estimaron generosamente,
• si el investigador se detuvo cuando el gráfico se veía bien.

Esta es la primera regla práctica para leer cualquier afirmación de backtest: un ratio de Sharpe sin contexto es un adelanto, no una conclusión.

Por qué las estrategias de insider trading son especialmente vulnerables

Las estrategias basadas en eventos construidas a partir de informes de información privilegiada son un terreno fértil para el sobreajuste accidental. Hay muchos parámetros que ajustar:

• solo comprar, o comprar y vender,
• solo CEO, solo C-suite, o todos los insiders,
• agrupar operaciones vs operaciones individuales,
• umbrales de valor,
• supuestos de retraso en la presentación de informes,
• períodos de tenencia desde unos pocos días hasta varios meses,
• reglas de divulgación específicas de cada país,
• filtros de liquidez y capitalización de mercado.

Cada elección puede justificarse. Ese es el problema. Un gran espacio de investigación facilita el descubrimiento de algo que parece significativo solo por casualidad. Si el artículo informa solo al ganador, el Sharpe se ve favorecido por las pruebas múltiples ocultas.

El ratio de Sharpe desinflado es la auditoría incómoda del backtest

El ratio de Sharpe desinflado fue diseñado para abordar un problema que la industria había llegado a ignorar muy bien. Los investigadores presentaban atractivos ratios de Sharpe de grandes familias de estrategias probadas, a menudo bajo distribuciones de retorno no normales, y los lectores trataban esos ratios de Sharpe como si provinieran de una única prueba de hipótesis limpia.

Bailey y López de Prado propusieron una corrección que tiene en cuenta tres cosas a la vez:

1. el ratio de Sharpe observado,
2. el número de observaciones y las propiedades de la distribución de los retornos, especialmente la asimetría y la curtosis,
3. el número de pruebas, o variantes de estrategia efectivamente independientes, probadas.

El resultado no es solo un ratio más bonito. Es una evaluación basada en la probabilidad de si el Sharpe observado es probable que sea genuinamente superior a un punto de referencia una vez que se reconoce el problema de la minería de datos.

La intuición detrás del DSR

Supongamos que usted prueba una estrategia y obtiene un Sharpe de 1.0 en una muestra larga con retornos bastante bien comportados. Eso podría ser interesante.

Ahora supongamos que usted prueba 500 variantes y la mejor tiene un Sharpe de 1.0. Menos interesante. En una búsqueda lo suficientemente grande, alguien iba a parecer inteligente.

El DSR pregunta si el Sharpe observado excede el Sharpe que uno esperaría de la mejor de muchas selecciones afortunadas. Luego ajusta por efectos de muestra finita y no normalidad. El resultado es una lectura más escéptica del mismo registro de rendimiento.

Ese escepticismo suele ser saludable.

Por qué la no normalidad importa

Muchas estrategias basadas en eventos, incluidas aquellas basadas en presentaciones de información privilegiada, no producen flujos de retorno gaussianos ordenados. Pueden ser:

• asimétricas positiva o negativamente,
• expuestas a reducciones (drawdowns) agrupadas,
• dependientes de eventos escasos,
• sensibles a choques de liquidez.

Un ratio de Sharpe simple comprime todo eso en la media y la varianza. El DSR incorpora explícitamente la asimetría y la curtosis en el ajuste de significancia. Esto importa porque una estrategia con retornos irregulares puede parecer mejor en términos de Sharpe de lo que su verdadera fiabilidad estadística justifica.

El DSR no es magia, pero es más difícil de manipular accidentalmente

Ninguna métrica puede rescatar un diseño de investigación fundamentalmente deficiente. Si se omiten los costos, las marcas de tiempo son incorrectas o la señal filtra información futura, el DSR no salvará el documento. Pero sí aumenta la carga de la prueba. Obliga al autor a admitir que la estrategia no surgió de la nada.

Eso por sí solo es un progreso.

El testeo múltiple es el villano silencioso en la mayoría de las páginas de rendimiento

La frase suena técnica, pero el mecanismo es común. Si se intentan suficientes cosas, una de ellas funcionará por casualidad. La investigación financiera está especialmente expuesta porque el espacio de diseño es enorme y los incentivos no son sutiles.

Una publicación quiere una historia clara. Un fondo quiere una presentación convincente. Un investigador quiere evitar escribir: "probamos 84 variantes y la mayoría eran basura". El resultado es una asimetría familiar. Los éxitos son visibles, los fracasos son abono.

La familia de pruebas ocultas

Cuando evaluamos estrategias de transacciones de iniciados, el número real de pruebas suele ser mayor que el recuento formal de modelos. Incluye:

• definiciones de eventos alternativas,
• ajuste de umbrales,
• diferentes frecuencias de reequilibrio,
• exclusiones de subperíodos,
• elecciones de puntos de referencia (benchmarks),
• reglas de winsorización,
• supuestos de costos,
• subconjuntos regionales.

Incluso la decisión de informar un gráfico y no otro es parte del proceso de selección. El número efectivo de pruebas independientes puede ser difícil de estimar, pero pretender que es uno es claramente incorrecto.

Por qué los valores p no son suficientes

Las pruebas de significación tradicionales pueden ayudar, pero a menudo asumen una única hipótesis preespecificada. Los backtests rara vez merecen esa suposición. Para cuando se publica una estrategia, el camino hacia la publicación puede haber implicado muchas verificaciones y revisiones informales. El valor p nominal subestima entonces el verdadero riesgo de falso descubrimiento.

El DSR fue creado para esta realidad. No es la única corrección disponible, pero es una de las más prácticas para la evaluación de estrategias porque habla el lenguaje que los profesionales ya utilizan, el Sharpe.

El patrón de abuso estándar

El patrón es casi demasiado pulcro:

1. Comience con un universo de eventos amplio.
2. Pruebe varios filtros.
3. Conserve el subgrupo más fuerte.
4. Ajuste el período de tenencia.
5. Ajuste los supuestos de costos hasta que la línea neta siga siendo atractiva.
6. Publique el mejor Sharpe como si fuera la hipótesis original.

Esto no es necesariamente un fraude. A menudo es simplemente un comportamiento de investigación ordinario bajo la presión de los plazos. El efecto en los lectores es el mismo.

Qué deberíamos publicar en /rendimiento, y qué deberíamos dejar de implicar

Si una página de rendimiento existe para informar en lugar de impresionar, debería reportar lo suficiente para que el lector pueda juzgar la robustez. Esto significa que la métrica principal no puede ser toda la historia.

Nuestros números publicados para este artículo no están disponibles en el bloque de datos en vivo, por lo que los valores específicos de Sharpe y DSR son n/a. Está bien. Es mejor decir n/a que improvisar un número y esperar que nadie se dé cuenta. El marco de informes sigue siendo importante, porque determina cómo deben aparecer los números futuros.

El conjunto mínimo de métricas

Una página de rendimiento sensata para backtests de estrategias de insiders debería incluir:

• retorno anualizado,
• volatilidad anualizada,
• ratio de Sharpe,
• drawdown máximo,
• rotación,
• costos de transacción estimados,
• fechas de inicio y fin de la muestra,
• número de eventos u operaciones,
• benchmark utilizado,
• DSR o una verificación de significancia equivalente que tenga en cuenta pruebas múltiples.

Sin estos, un ratio de Sharpe flota sin contexto. Una estrategia con un Sharpe de 1.1 y una rotación brutal puede ser menos invertible que una estrategia con un Sharpe de 0.8 y un menor arrastre de implementación.

El conjunto mínimo de divulgaciones

Las métricas no son suficientes. También deberíamos divulgar:

• si la especificación fue pre-registrada o seleccionada después de la exploración,
• el número aproximado de variantes probadas,
• si el resultado reportado es in-sample, out-of-sample, o walk-forward,
• cómo se manejan las marcas de tiempo de presentación y los retrasos de publicación,
• si se incluyen valores deslistados,
• si los retornos están ponderados por valor o ponderados por igual.

Estos detalles no son decorativos. En la investigación de uso de información privilegiada, el manejo de las marcas de tiempo por sí solo puede decidir si una señal es plausible o ficticia.

Cómo debería ser el DSR en la práctica

Una implementación limpia no necesita abrumar a los lectores con notación. Puede presentar:

• Sharpe observado,
• número asumido de pruebas o tests independientes efectivos,
• longitud de la muestra,
• ajuste por asimetría y curtosis,
• DSR resultante o probabilidad de habilidad genuina.

Si el recuento de pruebas es incierto, informe un rango. Por ejemplo, "el DSR se mantiene por encima del umbral asumiendo de 20 a 50 pruebas efectivas, pero cae por debajo de 100". Esto es más informativo que un único número pulido sin suposiciones adjuntas.

Por qué debemos resistir la tentación de simplificar demasiado

Las páginas de rendimiento a menudo simplifican porque a los lectores les gustan los paneles de control limpios. Sensato. Pero la simplificación se convierte en distorsión cuando se oculta la incertidumbre. Una estrategia puede tener un Sharpe bruto respetable y un DSR débil. Eso no es una contradicción. Es una pista de que el resultado puede deberse más a la búsqueda que a la señal.

Los lectores pueden manejar esto. Ya entienden que los rendimientos brutos y netos difieren. También pueden entender que el Sharpe bruto y el deflactado difieren.

Leyendo nuestros propios números publicados sin halagarnos

Dado que no se obtuvieron datos de rendimiento en vivo para este artículo, no podemos discutir un Sharpe o DSR actual específico de nuestra página de rendimiento. El valor correcto es n/a. Todavía hay un ejercicio útil aquí: ¿cómo debería un lector interpretar los números una vez publicados?

Si el Sharpe bruto es alto y el DSR también es fuerte

Este es el mejor caso. Sugiere que el rendimiento de la estrategia sigue siendo notable incluso después de considerar las pruebas múltiples y los efectos de la forma del rendimiento. No prueba el éxito futuro, porque los mercados no están obligados a repetirse, pero sí indica que es menos probable que el resultado sea un espejismo estadístico.

Una interpretación robusta aún preguntaría:

• ¿Hubo un período limpio fuera de la muestra (OOS)?
• ¿Son realistas los costos?
• ¿Es la señal económicamente intuitiva?
• ¿El resultado sobrevive en diferentes regiones y subperíodos?

Si el Sharpe bruto es alto y el DSR es débil

Esto es común y más revelador que vergonzoso. Generalmente significa una de tres cosas:

1. se exploraron demasiadas variantes en relación con el tamaño de la muestra,
2. los retornos son demasiado irregulares para que el Sharpe observado sea persuasivo,
3. el efecto se concentra en una pequeña porción de los datos.

En ese caso, la postura editorial correcta no es descartar la estrategia. Es etiquetarla correctamente. "Interesante, pero aún no robusta" es una conclusión respetable. Mejor eso que pretender que un ganador de un concurso de belleza es una ley de la naturaleza.

Si ambos son modestos

Entonces la estrategia aún puede tener valor como señal componente, un diversificador de riesgo o una pista de investigación. No toda estrategia útil merece una página heroica independiente. Algunas pertenecen a compuestos, donde modestas ventajas independientes se combinan en algo más sólido.

Si la estrategia solo funciona después de muchos filtros

Trátela como un generador de hipótesis, no como un producto. Esto es especialmente cierto en los conjuntos de datos de transacciones de información privilegiada, donde la segmentación de subgrupos puede crear narrativas persuasivas en torno a muestras diminutas. "Los CEOs industriales franceses de microcapitalización que compran después de caídas agrupadas" puede que haya funcionado una vez. También puede ser el equivalente estadístico de encontrar a Jesús en una tostada.

Un marco práctico para lectores, editores e investigadores

El objetivo de todo esto no es reemplazar un número fetiche por otro. El DSR es útil porque impone disciplina, no porque otorgue certeza. Un buen estándar de informes debería hacer que la evidencia débil parezca débil y que la evidencia fuerte sea más difícil de falsificar.

Para los lectores: tres preguntas que deben hacerse de inmediato

Cuando vea una afirmación de backtest, pregunte:

1. ¿Cuántas variantes se probaron probablemente antes de esta?
2. ¿Existe alguna métrica que tenga en cuenta las pruebas múltiples, como el DSR?
3. ¿Son creíbles los supuestos de implementación?

Si la respuesta a la segunda es no, y la primera es obviamente "muchas", reduzca drásticamente su confianza.

Para los editores: qué exigir antes de la publicación

Una lista de verificación editorial debe exigir:

• una relación de Sharpe bruta,
• una verificación de significancia desinflada,
• la duración de la muestra y el recuento de eventos,
• supuestos de costos explícitos,
• al menos una prueba de robustez,
• una nota sobre el proceso de selección.

Esto no es una burocracia quisquillosa. Es lo mínimo necesario para dejar de publicar precisiones falsas.

Para los investigadores: cómo mejorar las probabilidades de que un resultado sobreviva al escrutinio

Pre-especifique siempre que sea posible. Mantenga un registro de investigación de las variantes probadas. Reserve un verdadero período fuera de la muestra (OOS). Utilice supuestos de ejecución realistas. Informe los hallazgos negativos internamente. Lo más importante, asuma que su resultado favorito es culpable hasta que se demuestre lo contrario.

Eso puede sonar severo. También es más barato que descubrir, después del lanzamiento, que el alfa era una elección de formato.

La lección más amplia para la investigación de transacciones de información privilegiada

Las declaraciones de información privilegiada son convincentes porque la historia económica subyacente es convincente. Los gerentes conocen sus empresas mejor que los inversores externos. A veces compran por razones importantes. A veces venden por razones que no lo son. La señal es plausible, pero la plausibilidad no es inmunidad al sobreajuste.

Un conjunto de datos grande, y el nuestro abarca 162,000 declaraciones según el resumen, aumenta tanto la oportunidad como la tentación. Más observaciones permiten una mejor inferencia. También permiten más segmentación, más historias de subgrupos y más descubrimientos accidentales. La escala es útil. No es una absolución.

Por qué esto importa más ahora

Las páginas de rendimiento viajan. Un gráfico publicado como investigación puede ser capturado y usado en marketing antes del almuerzo. Una vez que un ratio de Sharpe se desvincula de sus advertencias, adquiere una falsa dignidad. El remedio no es dejar de publicar el rendimiento. Es publicarlo con suficiente estructura para que las advertencias viajen con la afirmación.

Cómo sería un mejor estándar

Un estándar maduro para la presentación de informes de estrategias de información privilegiada haría rutinarios estos elementos:

• Sharpe bruto y DSR uno al lado del otro,
• la suposición del recuento de pruebas claramente establecida,
• el resultado fuera de muestra (OOS) separado del resultado dentro de la muestra,
• el rendimiento neto de costos priorizado sobre el bruto,
• la metodología de la marca de tiempo del evento documentada.

Eso no eliminaría el desacuerdo. Mejoraría la calidad del desacuerdo, que suele ser lo mejor que se puede hacer en finanzas empíricas.

La pregunta abierta que deberíamos seguir haciéndonos

La parte más difícil del DSR en la práctica es estimar el número efectivo de pruebas independientes. Los investigadores conocen el número literal de variantes probadas, pero no todas las variantes son distintas en un sentido estadístico. Un período de tenencia de 20 días y 21 días no son ideas independientes. Tampoco lo son "solo CEO" y "C-suite" si la superposición es grande.

Aquí es donde entra el juicio y donde la transparencia es más importante. Una publicación no debe pretender que la estimación es exacta. Debe explicar el rango y mostrar cuán sensible es la conclusión a ese rango.

Esa es la versión adulta de los informes cuantitativos. Menos glamour, más credibilidad.

El siguiente paso es concreto: en nuestras páginas de rendimiento, emparejar cada Sharpe publicado con una suposición de recuento de pruebas establecida y una verificación de significancia desinflada, luego revisar cualquier estrategia heredada cuyo número principal parezca robusto solo porque nadie preguntó cuántos intentos tomó encontrarlo.

Nota editorial: este artículo fue elaborado sin investigación web en vivo (Grok no disponible en esta generación). Las fuentes perennes se citan anteriormente; las afirmaciones numéricas se extraen de nuestra propia base de datos al 17-05-2026.

Cohorte de backtest Insiders Trades

El análisis de nuestros datos de backtest revela información crítica sobre el rendimiento de las estrategias de trading en un tamaño de muestra sustancial. Con 220,691 operaciones con precio en la cohorte de COMPRA que abarca 17 mercados, el rendimiento medio a 90 días se sitúa en -1.70%, acompañado de una tasa de éxito del 41.82%. El ratio de Sharpe anualizado para esta cohorte es de -0.08, lo que refleja los hallazgos agregados del universo global más amplio, que incluye 227,594 presentaciones de COMPRA y también reporta un rendimiento medio a 90 días de -1.70% y un ratio de Sharpe agregado de -0.08. Estas cifras subrayan los desafíos que enfrentan los traders para lograr rendimientos positivos y resaltan la relevancia de los ratios de Sharpe y Sharpe desinflado en la evaluación del rendimiento de la estrategia. Sin embargo, es esencial considerar que estos resultados se basan en un tamaño de muestra específico y un horizonte temporal de 90 días, lo que puede influir en la solidez de las conclusiones extraídas.

Profundizar

Este artículo forma parte de nuestra serie sobre trabajo con datos de insiders. Lecturas relacionadas:

• Construyendo un modelo cuantitativo con nuestra API REST: reproduzca los números usted mismo
• Sesgo de supervivencia en estudios de insiders: el otro asesino silencioso del backtest
• La auditoría de puntuación compuesta: los pesos detrás de la estrategia publicada
• Cómo leer una transacción de insider: la señal que miden estas estadísticas

Los resultados actuales fuera de muestra, la ventana de prueba y el registro de auditoría se encuentran en la página de rendimiento y la página de metodología.

Última revisión · 18-05-2026 · Por Simon Azoulay · Fuentes, SEC EDGAR, AMF BDIF, y otros 28 reguladores.