Cómo Crear una Estrategia de Trading Algorítmico desde Cero

Tienes la motivación para hacer trading algorítmico. Has visto las herramientas disponibles. Pero hay una pregunta que nadie responde bien: ¿cómo se crea una estrategia desde cero?

La mayoría de recursos saltan directamente al backtest. Te enseñan a probar estrategias, pero no a generarlas. Es como enseñar a corregir un texto sin explicar cómo escribirlo. Y sin embargo, más del 90% del volumen de operaciones en los mercados bursátiles globales ya se ejecuta mediante trading algorítmico (SEC), lo que demuestra que dominar este proceso es más relevante que nunca.

Este artículo cubre el proceso completo de CREACIÓN: desde dónde obtener ideas hasta tener código funcional listo para probar. Empezamos por lo básico.

"La mayoría de traders pasan el 90% del tiempo optimizando estrategias y el 10% generándolas. Debería ser al revés." — Ernest Chan, Quantitative Trading

Las ideas no aparecen de la nada. Los traders profesionales tienen fuentes sistemáticas donde buscar. Aquí las principales, ordenadas por accesibilidad y calidad.

1. Literatura académica

Los papers académicos documentan anomalías de mercado que contradicen la teoría de mercados eficientes. Hay más de 150 anomalías documentadas en la literatura financiera. Aunque muchas desaparecen tras su publicación, son un punto de partida sólido.

Andreas Clenow, autor de Following the Trend y Stocks on the Move, recomienda empezar por papers clásicos como Jegadeesh & Titman (1993) sobre momentum o Fama & French sobre value. Son ideas probadas con décadas de evidencia.

2. Libros clásicos de trading

Los libros antiguos son oro para el trader algorítmico. ¿Por qué? Porque si una estrategia fue publicada hace 20 o 30 años, puedes validarla con décadas de datos reales. Si sigue funcionando, tienes evidencia de robustez que ningún paper reciente puede ofrecer.

Larry Williams ganó el Robbins World Cup Championship convirtiendo $10,000 en $1,100,000 en un año. Sus estrategias de volatility breakout siguen siendo estudiadas hoy. El libro de Toby Crabel es tan valorado que el autor intentó recomprar todas las copias, disparando su precio en el mercado secundario.

Curtis Faith, en Way of the Turtle, documenta cómo el legendario experimento de los Turtle Traders demostró que un sistema de reglas simples (breakout de Donchian Channels con position sizing basado en volatilidad) podía generar retornos extraordinarios de forma consistente. Faith enfatiza que el éxito del sistema no estaba en la complejidad de las reglas, sino en la disciplina para seguirlas y en un position sizing adecuado.

3. Anomalías de mercado documentadas

Las anomalías son patrones empíricos que contradicen la hipótesis de mercados eficientes. Son la base de muchas estrategias cuantitativas.

Sin embargo, no todas las anomalías son explotables. Según Hou et al. (2020), el 65% de 452 anomalías documentadas no superan el umbral de significancia estadística, cifra que asciende al 82% cuando se aplican ajustes por test múltiple.

Además, según McLean & Pontiff (2016), los retornos de estrategias académicas caen un 26% fuera de muestra y un 58% tras su publicación, lo que indica que buena parte del alfa desaparece una vez que el mercado conoce la anomalía. Esto refuerza la necesidad de trabajar con datos de mercado de calidad para verificar cualquier patrón antes de operarlo.

4. Observación directa del mercado

A veces las mejores ideas vienen de observar el mercado en tiempo real. Patrones que ves repetirse, comportamientos en ciertos horarios, reacciones a noticias.

Kevin Davey, autor de Building Winning Algorithmic Trading Systems y ganador del World Cup Trading Championship, cuenta que algunas de sus mejores estrategias vinieron de observar cómo se comportaban los futuros de petróleo en las primeras horas de sesión. Davey estima que solo 1 de cada 20 ideas de estrategia sobrevive el proceso completo de validación hasta operar en real, lo que subraya la importancia de generar muchas ideas de calidad y no apegarse emocionalmente a ninguna.

5. Adaptación de estrategias existentes

No necesitas inventar la rueda. Estrategias clásicas como el cruce de medias, RSI, Bollinger Bands o Breakouts tienen décadas de uso porque capturan conceptos fundamentales del mercado.

• Trend Following: Seguir tendencias establecidas (Turtle Trading, medias móviles)
• Mean Reversion: Apostar por el retorno a la media (RSI extremos, Bollinger Bands)
• Breakout: Entrar cuando el precio rompe un rango (Donchian Channels)
• Momentum: Comprar los ganadores recientes (cruce de medias, ROC)

La clave no es copiar, sino entender por qué funcionan y adaptarlas a tu mercado, timeframe y estilo.

6. Intuición + experiencia

Si tienes experiencia en trading discrecional, ya tienes hipótesis implícitas. El proceso es hacerlas explícitas y testeables.

"Cuando el VIX sube mucho, el mercado tiende a rebotar" es una intuición. Convertirla en "Si el VIX sube >30% en un día, comprar SPY al cierre tiene un retorno medio positivo a 5 días" es una hipótesis testeable.

Una idea no es una hipótesis. "El momentum funciona" es una idea. Una hipótesis es específica, medible y falsificable.

Criterios de una hipótesis testeable

El problema del HARKing

HARKing = Hypothesizing After the Results are Known. Es formular la hipótesis después de ver qué funcionó en los datos. Parece legítimo pero garantiza overfitting.

Marcos López de Prado, en Advances in Financial Machine Learning, documenta cómo más del 90% de estrategias académicas fallan en implementación real precisamente por este problema.

Template de hipótesis

HIPÓTESIS: [Nombre descriptivo]
FECHA: [Fecha de formulación - ANTES de probar]

PREMISA:
[¿Por qué debería funcionar? ¿Qué ineficiencia explota?]

REGLAS:
- Mercado: [Ej: SPY, ES, EURUSD]
- Timeframe: [Ej: Diario, 1H]
- Entrada: [Condición específica]
- Salida: [Condición específica]
- Stop Loss: [Si aplica]
- Position Sizing: [Fijo o variable]

MÉTRICAS OBJETIVO (definir ANTES de probar):
- Profit Factor mínimo: [Ej: > 1.3]
- Sharpe Ratio mínimo: [Ej: > 0.8]
- Max Drawdown máximo: [Ej: < 20%]
- Número mínimo de trades: [Ej: > 100]

HIPÓTESIS NULA:
"La estrategia no es mejor que el azar/buy-and-hold"

Sin edge, no hay estrategia. Solo hay ruido estadístico que funcionó por casualidad en el pasado. El edge es la razón por la que tu estrategia debería seguir funcionando en el futuro.

Tipos de edge explotables

¿Es real o es ruido?

Pregúntate: ¿Puedo explicar POR QUÉ este patrón debería persistir? Si la respuesta es "porque funcionó en el backtest", no tienes edge.

La simplicidad es una ventaja, no una limitación. Las estrategias más robustas suelen tener entre 2 y 4 reglas principales. Añadir más incrementa el riesgo de overfitting sin mejorar el rendimiento real.

"Si necesitas más de 5 reglas para describir tu estrategia, probablemente estés ajustando ruido, no señal." — Robert Pardo, Design, Testing, and Optimization of Trading Systems

Componentes esenciales

Toda estrategia necesita estos componentes básicos. Puedes revisar la anatomía de una estrategia para más detalle.

Qué NO incluir en la fase de creación

• Filtros optimizados: "Añadí este filtro porque mejoró el backtest" → HARKing
• Parámetros ajustados: Si cambias RSI de 14 a 12 porque "funciona mejor", estás optimizando, no creando
• Reglas de excepción: "Excepto los lunes" o "solo en meses pares" → Señales de overfitting
• Múltiples timeframes complejos: Añaden complejidad sin edge claro

El código es la implementación de tu hipótesis. Errores en el código = resultados engañosos. Buenas prácticas ahora ahorran dolor después.

Elegir plataforma y lenguaje

La elección de herramienta depende de tu experiencia y objetivo. Las opciones más populares incluyen Python con Backtrader para estrategias custom, TradingView con Pine Script para prototipado visual rápido, MetaTrader para Forex/CFDs, y QuantConnect para estrategias institucionales. Puedes ver una comparativa completa de herramientas de trading algorítmico en nuestro artículo dedicado.

Estructura de código mantenible

# Ejemplo: Estructura clara en Python

class MomentumStrategy:
    """
    Estrategia de momentum simple.

    Hipótesis: Activos con mayor retorno en los últimos N días
    continúan superando en los próximos M días.

    Autor: [Tu nombre]
    Fecha creación: 2026-01-24
    Versión: 1.0.0
    """

    def __init__(self, lookback_period=20, holding_period=5):
        """
        Parámetros con valores por defecto justificados:
        - lookback_period=20: ~1 mes de trading, estándar en literatura
        - holding_period=5: 1 semana, balance entre señal y costes
        """
        self.lookback = lookback_period
        self.holding = holding_period

    def generate_signal(self, prices):
        """Genera señal de entrada basada en momentum."""
        returns = prices.pct_change(self.lookback)
        signal = returns > 0  # Simplificado: momentum positivo
        return signal

    def calculate_position_size(self, capital, risk_per_trade=0.02):
        """Position sizing fijo: 2% del capital por trade."""
        return capital * risk_per_trade

Control de versiones con Git

Git no es opcional. Sin control de versiones, no puedes reproducir resultados pasados ni entender qué cambió cuando algo dejó de funcionar.

Documentación que tu yo futuro agradecerá

Documenta mientras creas, no después. En 6 meses no recordarás por qué usaste esos parámetros.

# CHANGELOG.md

## v1.0.0 - 2026-01-24 (Versión inicial)
- Implementación de momentum simple
- Lookback: 20 días (1 mes de trading)
- Holding: 5 días (1 semana)
- Sin filtros adicionales
- Justificación: Probar hipótesis base antes de añadir complejidad

## v1.1.0 - 2026-02-01 (En desarrollo)
- TODO: Añadir filtro de volatilidad si v1.0 muestra edge
- Justificación: Limitar exposición en periodos de alta volatilidad

Antes de pasar a la validación formal, necesitas saber si la idea tiene potencial. Pero hay una regla crítica: en esta fase de creación NO se optimiza NADA.

Qué hacer en la primera prueba

Prueba "groso modo": Ejecuta un backtest simple con los parámetros por defecto o valores estándar de la literatura. No busques el profit factor perfecto, busca señales de vida.

Interpretación de resultados

Fórmulas clave para evaluar tu primera prueba

Aunque no optimices en esta fase, necesitas saber qué mirar. Estas tres fórmulas son las métricas de trading algorítmico esenciales para interpretar tu primer backtest:

Antes de pasar a validar, asegúrate de no cometer estos errores. Son los más frecuentes y cada uno puede arruinar meses de trabajo. Muchos de estos errores se manifiestan como problemas del backtest que hacen mentir a tus resultados.

• Saltar a código sin hipótesis: Programar antes de tener una idea clara es exploración aleatoria. Encuentras algo que "funciona" en el backtest pero falla en real porque no tiene lógica económica.
• Optimizar antes de diseñar: Ajustar parámetros (RSI de 14 a 12) antes de que la lógica base funcione es HARKing encubierto. Overfitting garantizado.
• Añadir filtros sin lógica: "Mejoró el backtest" no es razón válida. Cada filtro sin justificación económica es una oportunidad de overfitting.
• Ignorar el edge: Si no puedes responder "¿por qué debería seguir funcionando?", no tienes edge, solo ruido estadístico.

La regla de oro: Primero CREAR, después VALIDAR. La optimización y los filtros pertenecen a la fase de validación, no a la creación.

Antes de pasar a la fase de validación, asegúrate de tener todo esto:

Si cumples todo: Tu estrategia está lista para la validación formal.

El siguiente paso: Validación

Has completado la fase de creación. Ahora es cuando empiezan las cosas serias: probar si tu estrategia realmente funciona o es solo ruido estadístico.

La validación incluye todo lo que NO hemos hecho aquí:

• Backtesting riguroso: Con datos de mercado de calidad y métricas profesionales
• Walk Forward Analysis: Probar en datos que la estrategia nunca vio
• Simulación Monte Carlo: Estresar la estrategia bajo miles de escenarios
• Optimización de parámetros: Ahora sí, buscar los valores óptimos (sin overfitting)
• Paper Trading: Probar en tiempo real sin arriesgar capital
• Análisis de drawdown: Entender y controlar las caídas máximas del capital

Conclusión

Crear una estrategia es un proceso estructurado, no inspiración aleatoria. Empieza con fuentes de ideas probadas (papers académicos, libros clásicos, anomalías), formula hipótesis específicas, identifica el edge que explotas, diseña lógica simple, y codifica con buenas prácticas.

La tentación de saltar directamente al backtest y optimizar es fuerte. Pero sin una hipótesis clara formulada ANTES de ver resultados, cualquier estrategia "rentable" es probablemente ruido estadístico. Recuerda: en la fase de creación no se optimiza.

Has aprendido el proceso completo de creación. Ahora tienes las herramientas para generar ideas sólidas, convertirlas en hipótesis testeables, y codificarlas correctamente. El siguiente paso es la validación, donde probarás si tu estrategia realmente tiene edge.

Una estrategia simple que funciona vale más que una compleja que parece funcionar.