Un modelo de trading es un proceso sistemático que toma datos como entrada y produce una decisión de trading como salida. No necesita ser complejo. Un modelo que diga "compre Bitcoin cuando la media móvil de 50 días cruce por encima de la media móvil de 200 días y venda cuando cruce por debajo" es un modelo de trading completo. Tiene reglas claras, produce señales inequívocas y puede probarse históricamente.
Las fuentes de datos públicas para cripto son abundantes. Las API de los exchanges proporcionan datos históricos de precio y volumen. CoinGecko y CoinMarketCap ofrecen datos agregados entre exchanges. Los datos on-chain de fuentes como Glassnode proporcionan métricas específicas de la blockchain. Los datos económicos de FRED (Federal Reserve Economic Data) proporcionan insumos macro. Todos estos datos están disponibles gratuitamente y son suficientes para construir modelos útiles.
Comience con una sola hipótesis. En lugar de tratar de construir un modelo que capture todo, elija una relación que usted crea que existe. Por ejemplo: Bitcoin tiende a rendir bien en los meses siguientes a períodos donde la razón entre tenedores de corto plazo y tenedores de largo plazo alcanza mínimos extremos. Esta es una hipótesis específica y comprobable basada en datos on-chain. Puede verificarla con datos históricos antes de arriesgar dinero en ella.
La preparación de datos es donde ocurre la mayor parte del trabajo. Los datos brutos deben limpiarse (eliminando errores obvios y huecos), alinearse (sincronizando las marcas de tiempo de diferentes fuentes) y transformarse en características que su modelo pueda usar. Una característica puede ser una media móvil, un cambio porcentual durante un período específico, una razón entre dos métricas o un indicador binario de si se cumple una condición. Dedique más tiempo a la calidad de los datos que a la complejidad del modelo.
Los modelos simples superan a los complejos con más frecuencia de lo que usted esperaría. Una combinación lineal de tres características bien elegidas frecuentemente supera a una red neuronal entrenada con docenas de características. La razón es el sobreajuste: los modelos complejos tienen más capacidad para memorizar el ruido en los datos históricos. Los modelos simples se ven forzados a capturar solo los patrones más fuertes, que tienen mayor probabilidad de persistir en el futuro.
La prueba walk-forward es esencial. Divida sus datos en fragmentos secuenciales. Entrene (o calibre) su modelo en el primer fragmento. Pruébelo en el siguiente fragmento. Luego añada ese fragmento a sus datos de entrenamiento y pruebe en el siguiente. Repita a través de todo su conjunto de datos. Esto simula cómo habría funcionado el modelo si lo hubiera estado usando en tiempo real, recalibrando a medida que nuevos datos estuvieran disponibles. Los resultados de la prueba walk-forward son mucho más realistas que un solo backtest.
Los costos de transacción, el deslizamiento y el impacto en el mercado deben incluirse en sus pruebas. Un modelo que genera un 2% de retorno anual antes de costos es una estrategia perdedora después de tener en cuenta las comisiones del exchange, el diferencial entre la oferta y la demanda, y el impacto de sus órdenes en el mercado. Para los mercados cripto, asumir costos de ida y vuelta del 0,1 al 0,2% para los pares principales es razonable. Para activos menos líquidos, asuma más.
La gestión del riesgo debe ser parte del modelo, no una idea tardía. Defina reglas de dimensionamiento de posiciones, límites máximos de drawdown y niveles de stop-loss dentro del propio modelo. Un modelo que genera excelentes retornos pero tiene drawdowns del 50% no es útil para la mayoría de los traders porque lo abandonarían durante el drawdown mucho antes de que los retornos se materializaran.
El paso final es ejecutar su modelo con datos en vivo sin dinero real (paper trading) durante un período suficiente para validar que se comporta como se espera. Observe discrepancias entre los resultados en papel y lo que predijo su backtest. Si el modelo se comporta significativamente diferente en tiempo real, investigue por qué antes de comprometer capital. Las causas comunes incluyen fugas de datos en el backtest, suposiciones de ejecución poco realistas o cambios de régimen que los datos históricos no capturaron.