Simulación de Monte Carlo — Guía del usuario y referencia
La simulación de Monte Carlo reproduce tu historial de operaciones en miles de órdenes aleatorizados. Esta guía explica cómo funciona, cada entrada y un ejemplo práctico de lectura de la distribución.
Disclaimer: Esta guía se proporciona únicamente con fines educativos y no constituye asesoramiento de inversión.
Qué hace Monte Carlo
La simulación reordena (o remuestrea) tus operaciones históricas miles de veces, produciendo una distribución de trayectorias de capital y drawdowns. Responde a una pregunta que un solo backtest no puede: ¿cuánto dependió el resultado del orden específico en que cayeron las operaciones?
Por qué tu backtest es una sola tirada afortunada
Cualquier secuencia de operaciones es una sola extracción aleatoria del conjunto de órdenes posibles. Monte Carlo traza la familia de trayectorias que las mismas operaciones podrían haber producido, incluida la cola donde las pérdidas se agrupan al principio.
Cómo funciona la simulación
A partir de tu tasa de acierto, ganancia media y pérdida media, el simulador genera miles de secuencias de operaciones y trayectorias de capital, y luego resume la distribución: mediana, drawdowns en el peor caso y bandas de confianza.
Ejemplo práctico: una tasa de acierto del 45%
Tu estrategia gana el 45% con una ganancia media de $100 y una pérdida de $60 en 100 operaciones. La simulación reproduce esas operaciones miles de veces. La trayectoria mediana se parece a tu historial, pero algunos órdenes desafortunados agrupan las pérdidas al principio y producen drawdowns mucho más profundos. Si muchas trayectorias simuladas pierden fuertemente, el resultado histórico puede haber sido afortunado.
Cómo usar la calculadora
Introduce el resumen de tus operaciones y ejecuta miles de simulaciones. Lee la distribución y céntrate en la cola: el peor 5% de los drawdowns simulados es el número para dimensionar.
Errores comunes
El error más común es tratar el resultado histórico como el único resultado posible. Otro es pensar que más simulaciones arreglan entradas malas. Y leer Monte Carlo como una predicción del futuro pierde el punto.
Parámetros explicados
| Parámetro | Qué significa |
|---|---|
| Saldo inicial | El saldo de la cuenta desde el que comienza la simulación. |
| Tasa de acierto | La probabilidad de una operación ganadora, extraída de tu historial. |
| Relación riesgo-beneficio | La relación media entre ganancia y pérdida. |
| Riesgo por operación | La fracción de la cuenta arriesgada en cada operación. |
| Número de operaciones | Cuántas operaciones muestrea cada trayectoria simulada. |
| Número de simulaciones | Cuántas trayectorias aleatorizadas generar. |
Conceptos clave
Aleatorización
Reordenar o remuestrear resultados históricos para generar nuevos caminos de resultados.
Distribución de drawdown
La dispersión de posibles drawdowns, no solo el observado históricamente.
Banda de confianza
El rango dentro del cual caen la mayoría de los resultados simulados.
Errores que cometen los traders
✗ Tratar el resultado histórico como el único resultado posible
✓Tu secuencia de operaciones es una extracción aleatoria. Monte Carlo muestra la familia de caminos que las mismas operaciones podrían haber producido.
✗ Pensar que más simulaciones arreglan entradas malas
✓Miles de ejecuciones refinan la distribución, pero no pueden arreglar una tasa de acierto o un pago inexactos. Basura entra, basura sale.
✗ Leer Monte Carlo como una predicción del futuro
✓Mapea la sensibilidad del pasado al orden y la suerte. No dice nada sobre cambios futuros en el régimen de mercado.
Cuándo encaja esta herramienta — y cuándo no
Úsalo cuando
- ✓Después de un backtest, para ver cuánto depende el resultado del orden de las operaciones.
- ✓Al decidir si una cifra de drawdown es robusta o una casualidad de la secuencia.
- ✓Antes de escalar capital, para entender el rango de caminos plausibles.
Evítalo cuando
- ✗Usarlo antes de tener una muestra de operaciones significativa.
- ✗Asumir que el camino mediano es 'el resultado esperado' e ignorar la cola.
- ✗Tratarlo como un reemplazo de la validación fuera de muestra.
Consejos prácticos que realmente ayudan
Enfócate en la cola, no en la mediana
El peor 5% de los drawdowns simulados es el número para dimensionar. La mediana favorece a todas las estrategias.
Compara reorganización vs remuestreo
La reorganización mantiene tus operaciones exactas; el remuestreo con reemplazo prueba un supuesto diferente. Ejecuta ambos para acotar la incertidumbre.
Combínalo con pruebas fuera de muestra
Monte Carlo te habla de la suerte dentro de tus operaciones; fuera de muestra te habla de la suerte en los datos. Responden preguntas diferentes.
Relacionado y próximos pasos
Preguntas frecuentes
¿Monte Carlo hace que los backtests sean más fiables?▾
Amplía el panorama al mostrar la sensibilidad al orden de las operaciones y a la suerte, pero sigue usando las mismas entradas históricas.
¿Cuántas ejecuciones de simulación son suficientes?▾
Más ejecuciones implican una distribución más estable. Si los números resumen dejan de cambiar a medida que añades ejecuciones, has muestreado lo suficiente.
¿Cuál es la diferencia entre reordenar y remuestrear?▾
Reordenar mantiene tu conjunto exacto de operaciones pero cambia su orden. Remuestrear extrae operaciones con reemplazo.
¿Qué debo mirar en la salida de la simulación?▾
Céntrate en la dispersión, especialmente en los drawdowns del peor caso en la cola.
¿Monte Carlo es lo mismo que las pruebas fuera de muestra?▾
No. Las pruebas fuera de muestra validan con datos no vistos; Monte Carlo reordena las operaciones que ya tienes.
¿Por qué la cola importa más que la mediana?▾
La mediana favorece a todas las estrategias. El peor 5% de los drawdowns simulados es lo que debes poder sobrevivir.
- Tipo
- Guía del usuario
- Actualizado
- 2026-09
- Fuente
- Contenido educativo de SoloTrade.io
Los resultados de Monte Carlo son escenarios generados estadísticamente, no predicciones del rendimiento futuro.