Un backtest puede estar perfectamente programado y aun así ser discretamente deshonesto. Si el dataset se quedó solo con los instrumentos, fondos o sistemas que sobrevivieron hasta hoy, el reporte está midiendo a los ganadores y fingiendo que los perdedores nunca existieron.
Eso es survivorship bias. Para un trader de prop firm que compara sistemas, bots o listas de estrategias, casi siempre hace que el edge parezca más limpio, más seguro y más repetible de lo que fue la trayectoria real.
Qué es de verdad el survivorship bias
El survivorship bias aparece cuando un backtest estudia solo los nombres que llegaron vivos al final de la muestra y deja fuera a los que murieron por el camino.
La versión clásica es la investigación sobre índices. La guía de research de QuantConnect lo advierte sin rodeos: si tomas los constituyentes actuales de un índice y los backtesteas en el pasado, el resultado probablemente saldrá mejor que la realidad porque los rezagados fueron expulsados con el tiempo y los ganadores fueron entrando. La muestra ya fue limpiada a posteriori.
Por eso algunas bases de datos anuncian la solución en el propio nombre del producto. La CRSP Survivor-Bias-Free US Mutual Fund Database sigue de forma explícita tanto los fondos activos como los deslistados, porque los fondos retirados también cambian el resultado histórico. Si necesitas una base de datos especial solo para mantener visibles los fondos muertos, el problema claramente no es una manía académica.
Esto no es lo mismo que el overfitting. El overfitting dobla la regla para que encaje en la muestra histórica. El survivorship bias edita primero la muestra. Uno distorsiona el modelo. El otro distorsiona el mundo sobre el que probaste ese modelo.
Dónde se cuela el sesgo
El survivorship bias casi nunca llega con un cartel de aviso. Normalmente entra en el stack de research disfrazado de comodidad.
| Muestra | Qué desapareció en silencio | Por qué el resultado sale halagado |
|---|---|---|
| Constituyentes actuales de un índice | Nombres deslistados, quiebras, salidas del índice | Los regímenes malos parecen más suaves porque los nombres débiles ya no están |
| Rankings de fondos o bots | Productos cerrados y sistemas muertos | La calidad media sube después de que los perdedores desaparecen de la página |
| Colecciones de "mejores settings" | Configuraciones de parámetros que dejaron de funcionar | La estabilidad queda exagerada porque solo se enseñan los supervivientes |
| Cestas de estrategias construidas hoy | Mercados o instrumentos que luego fueron descartados | El universo histórico queda más limpio que el que un trader realmente afrontó |
La literatura sobre fondos demuestra que el efecto no es menor. Un paper de 2002 en Review of Financial Studies sobre fondos encontró que el sesgo anual por survivorship bias subía desde 0.07% en muestras de 1 año hasta alrededor de 1% en muestras de más de 15 años, precisamente porque los fondos débiles tienden a desaparecer y dejan la muestra con mejor cara de la que realmente tenía. Ese resultado salió de un estudio completo, no de una página de ventas intentando impresionar a nadie. (paper)
La misma lógica pasa directa al research de trading. Si los fracasos se caen de la base de datos, la rentabilidad media sale halagada. Más importante para un trader de prop firm: también puede desaparecer la trayectoria fea que debía haberte avisado.
Por qué un trader de prop firm debería preocuparse
Una cuenta de prop firm no falla porque tu shortlist quedara elegante. Falla cuando la trayectoria en real toca la regla de pérdida antes de que el edge te pague.
Por eso el survivorship bias es más peligroso para un trader de prop firm que para alguien que solo admira una curva de equity bonita. Tiende a infravalorar justo lo que más importa bajo reglas estilo prop firm:
- con qué frecuencia los sistemas débiles dejan simplemente de funcionar en vez de limitarse a hacerlo peor
- qué profundidad alcanza el clúster malo antes de la recuperación
- cuánto más suave parece la muestra superviviente frente a la población completa
Esa es la misma razón por la que el riesgo de ruina para traders de prop firm importa más que una rentabilidad de portada, y por la que por qué los trades correlacionados rompen cuentas de prop firm no es una simple nota de teoría de portfolio. La cuenta se juzga por la cola izquierda. El research hecho solo con supervivientes edita esa cola en silencio.
Las páginas de vendedores son especialmente vulnerables aquí. Los bots muertos casi nunca se enseñan. Los sistemas que fueron retirados, renombrados o dejados morir en silencio suelen estar ausentes de la comparativa, y eso hace que el lineup actual parezca más inteligente de lo que probablemente fue el proceso real de research.
Cómo reducir el survivorship bias
No hay un atajo ingenioso. El survivorship bias se corrige negándote a que el universo reescriba su propio pasado.
- Usa universos point-in-time, no los constituyentes de hoy pegados sobre fechas antiguas.
- Incluye nombres deslistados y retornos de delisting cuando la clase de activo lo requiera.
- Pregunta qué desapareció de la muestra: fondos, símbolos, sistemas o parámetros.
- Separa la fecha de selección de la fecha de evaluación para que los supervivientes de hoy no se cuelen hacia atrás.
- Trata a los perdedores archivados como datos, no como una vergüenza que hay que borrar.
La prueba rápida es simple: pregunta si la muestra contiene los nombres muertos. Si la respuesta es no, el backtest puede seguir sirviendo para explorar, pero no es una estimación limpia de rendimiento.
Eso importa incluso cuando el sistema es reproducible. Un backtest reproducible también puede estar construido sobre el universo equivocado. La reproducibilidad responde "¿puedo rehacer esto?" El survivorship bias pregunta "¿qué rehice exactamente?"
Cómo es en cambio un research honesto
Un stack de research honesto te dice qué mantuvo dentro, qué costes cargó y cómo se verificó.
En realbacktesting, el arnés publicado es explícito: additive %-risk sobre una base modelo de 80,000 EUR, datos M1 de bróker de cTrader desde 2021-06-01 hasta 2026-06-20, spread real por símbolo, comisión, swap y 1 bps de slippage. Los techos de drawdown se sostienen en el percentil 95 de 20,000 caminos de Monte Carlo y luego se vuelven a comprobar sobre un hold-out out-of-sample del 30%. Los motores de research y del cBot también muestran 100% de signal parity en 13 estrategias y 175,401 barras. El método exacto está en nuestra página de metodología, y el encaje con cuentas de prop firm está en el modelo de fondeo.
Esas cifras no garantizan éxito en real. Hacen algo más útil: te dicen qué intenta no ocultar el backtest.
Si quieres los fallos vecinos, el look-ahead bias en backtesting, el overfitting en backtests para traders de prop firm y por qué importa el walk-forward testing para traders de prop firm son la continuación natural. Esos resuelven problemas distintos. El survivorship bias es el que borra el cementerio de la muestra.
Preguntas frecuentes
¿El survivorship bias es solo un problema de bolsa?
No. Cualquier dataset o ranking que elimine a los miembros muertos a posteriori puede sufrirlo. Eso incluye fondos, bots, cestas de estrategias y listas de parámetros, no solo acciones.
¿El survivorship bias es lo mismo que el look-ahead bias?
No exactamente, aunque están emparentados. El look-ahead bias mete información futura en la decisión. El survivorship bias mete en el pasado el universo superviviente de hoy.
¿Un backtest reproducible puede seguir teniendo survivorship bias?
Sí. Puedes reproducir un resultado sesgado a la perfección si el universo subyacente ya estaba filtrado a supervivientes. Una mecánica limpia no rescata una muestra censurada.
¿Cuál es la forma más rápida de detectarlo?
Pregunta qué desapareció. Si el research no puede mostrar nombres deslistados, fondos cerrados o sistemas muertos donde deberían existir, la muestra histórica probablemente está más limpia que el mundo real.
La conclusión terca
Un backtest construido solo con supervivientes no es conservador. Está editado.