La lista de trades puede ser larga y, aun así, repetir la misma historia varias veces. Cuando una ganancia o una pérdida guarda relación con lo ocurrido antes, contar filas no equivale a contar pruebas independientes.
La autocorrelación estudia esa memoria dentro de una serie ordenada. En un backtest sirve para cuestionar la muestra efectiva, el ratio de Sharpe y la forma en que se agrupan las pérdidas. No decide si la estrategia es buena; decide cuánto crédito merece cierta lectura estadística.
Contar operaciones no basta
Dos historiales con el mismo número de trades pueden contener cantidades muy distintas de información. Si las observaciones vecinas dependen entre sí, parte de la muestra está agrupada y no aporta una confirmación completamente nueva.
El NIST advierte sobre las consecuencias de la falta de aleatoriedad: con autocorrelación, el número de observaciones independientes puede ser menor que el tamaño bruto y las estimaciones habituales de incertidumbre dejan de ser fiables. En trading, la curva no avisa de ese problema por sí sola.
Hay causas muy distintas capaces de dejar esa huella. Varias posiciones pueden coincidir durante un mismo movimiento; un filtro puede mantener la estrategia dentro de un régimen persistente; un shock puede cerrar varias entradas; el sizing puede responder al resultado anterior. También puede existir un error en los datos o en el código.
Por eso no conviene confundir dependencia temporal con correlación entre estrategias. La primera mira una serie contra su propio pasado. La segunda compara series distintas. Ambas pueden concentrar riesgo en la misma cuenta.
La secuencia conserva información
La definición de autocorrelación del NIST compara una variable con valores anteriores de esa misma variable. El lag indica la distancia dentro de la secuencia.
En un sistema de trading puedes estudiar retornos diarios del portfolio o retornos por trade. No responden a lo mismo. La serie diaria mantiene los días sin operaciones y reúne las posiciones simultáneas; la serie por trade enseña el orden de las salidas, pero sus intervalos de tiempo pueden ser irregulares.
Una dependencia positiva indica que resultados del mismo signo tienden a aparecer juntos en el lag medido. Una dependencia negativa apunta a alternancia. Una lectura cercana a cero solo descarta una relación lineal clara en ese lag; no certifica independencia total.
El lag 1 es un buen punto de partida, no una auditoría completa. Un patrón ligado a sesiones o a una rutina semanal puede aparecer más lejos. Abrir una búsqueda indiscriminada de lags tampoco arregla nada: añade otra oportunidad para seleccionar por azar el gráfico más llamativo.
El Sharpe y el drawdown fallan de manera distinta
El Sharpe resume retorno frente a volatilidad, pero su conversión entre frecuencias presupone ciertas propiedades de la serie. Andrew Lo explica en The Statistics of Sharpe Ratios que la regla habitual basada en la raíz del tiempo solo es válida bajo condiciones especiales. La dependencia serial cambia el cálculo adecuado.
Esto no es la misma discusión que elegir una métrica por trade o por día. Primero decides qué serie representa el riesgo que quieres medir. Después compruebas si sus observaciones se comportan como muestras independientes.
El drawdown exige otro cuidado porque vive en el orden de los retornos. Si barajas cada trade de forma independiente, destruyes las rachas que existían en el historial. Un Monte Carlo así puede dibujar rutas suaves que no respetan la dinámica del sistema.
En una cuenta de prop firm, esa diferencia es práctica. La expectativa total puede ser positiva y, aun así, las pérdidas pueden reunirse dentro de una ventana que incumple las reglas. La página de fondeo sitúa el recorrido de la equity junto al resultado final.
Qué revisar antes de creer a la curva
La auditoría útil no busca una autocorrelación bonita. Busca que el método de validación respete la dependencia que realmente existe.
- Fija la unidad de análisis. Para presión diaria, Sharpe de cuenta y posiciones solapadas, empieza por retornos diarios del portfolio. Revisa la secuencia de trades aparte.
- Mantén el orden original. Traza la función de autocorrelación en lags coherentes con el tiempo de mantenimiento y el ciclo operativo de la estrategia.
- Abre la caja del portfolio. Separa sleeves, posiciones simultáneas, sesiones, cambios de sizing y regímenes. El estadístico señala dónde mirar; no explica por sí solo qué ocurrió.
- Compara dos formas de remuestreo. El barajado independiente rompe la memoria. Un block bootstrap conserva bloques contiguos. Si las conclusiones cambian mucho, el orden era parte importante del riesgo.
- Lleva la prueba fuera de muestra. Repite el diagnóstico sobre datos intactos y usa estimaciones de incertidumbre que admitan dependencia serial.
La pregunta cuántos trades hacen falta para confiar en un backtest queda incompleta sin este paso. El tamaño bruto importa, pero no sustituye a la muestra efectiva.
Lo que el gráfico no puede resolver
Una autocorrelación visible no demuestra una ventaja operable. Puede venir de una exposición tendencial, de precios obsoletos, de labels solapados, de un cambio de régimen o de una implementación defectuosa.
Tampoco hay una señal moral en el signo. La dependencia positiva puede encadenar beneficios y también pérdidas. La negativa puede acortar rachas y coexistir con expectativa negativa. Incluso una autocorrelación lineal débil permite otras formas de dependencia.
Además, cada coeficiente es una estimación. Con poco historial, el ruido puede parecer estructura. Convertir cada pico del gráfico en un filtro nuevo sería otra forma de sobreajuste.
La metodología de realbacktesting documenta la ejecución y mantiene un 30% out-of-sample hold-out para comprobar el recorrido de drawdown publicado. Ese bloque aporta evidencia intacta; no convierte automáticamente cada retorno en una observación independiente.
Preguntas habituales
¿La autocorrelación vuelve inválida una estrategia?
No. Describe dependencia dentro de la secuencia. El defecto aparece cuando el análisis cuenta observaciones relacionadas como pruebas independientes o elimina sus rachas del test de riesgo.
¿Conviene usar retornos diarios o trades?
Conviene revisar ambos, con preguntas separadas. Los retornos diarios representan mejor el riesgo de cuenta; los trades muestran cómo se encadenan las operaciones cerradas.
¿Un shuffle de trades soluciona el problema?
No. El shuffle elimina la autocorrelación al destruir el orden. Sirve como comparación, pero puede ocultar precisamente el agrupamiento que necesitas medir.
¿El out-of-sample elimina la dependencia?
No. Comprueba una estrategia congelada sobre datos que no participaron en el diseño. Permite ver si el patrón continúa, pero no vuelve independientes las observaciones.
La conclusión testaruda: una lista larga de trades no es una muestra grande hasta que examinas su orden.