Todas las guías de opciones
Por qué un modelo explica el pasado y falla en el siguiente periodo15 min de lectura
Sesgo–Varianza y Sobreajuste de Modelos Financieros
Entiende el sesgo predictivo, la varianza de estimación, el ruido irreducible, la complejidad, la validación temporal, el data snooping, el sobreajuste de backtests y el gobierno de modelos financieros
Preparado por Mark · Fuentes principales al final
Respuesta directa
El equilibrio sesgo–varianza separa el error predictivo por una incompatibilidad sistemática del modelo del error por sensibilidad a la muestra de entrenamiento. El sobreajuste aparece cuando un modelo o estrategia confunde ruido específico de una muestra con estructura repetible. En finanzas, los backtests reiterados y los cambios de régimen agravan de forma excepcional ambos problemas
El error predictivo tiene varias fuentes
Con pérdida cuadrática y una entrada fija x, el error de prueba esperado se descompone en sesgo al cuadrado, varianza del estimador y ruido condicional irreducible
El sesgo compara la predicción ajustada media entre hipotéticas muestras de entrenamiento con la verdadera media condicional
La varianza mide cuánto cambia la predicción ajustada entre esas muestras; no es la varianza de los rendimientos del mercado
Un sesgo alto omite estructura persistente
Un modelo demasiado rígido puede ignorar pagos no lineales, interacciones, variación temporal o factores de riesgo importantes
Los errores de entrenamiento y prueba pueden ser malos, y añadir estructura relevante o mejores variables puede reducir el error sistemático
Una varianza baja no implica éxito si el modelo predice sistemáticamente la cantidad equivocada o usa un objetivo ajeno a la decisión
Una varianza alta aprende detalles accidentales
Un modelo flexible puede ajustar valores atípicos, ruido, artefactos de microestructura y patrones de régimen aislados que no se repiten
El error de entrenamiento cae, pero el rendimiento cambia mucho entre remuestreos, ventanas, semillas o pequeñas decisiones de especificación
Regularización, agrupamiento, variables simples, más muestra efectiva y promedios reducen la varianza, aunque pueden introducir o conservar sesgo
La complejidad es más que contar parámetros
La amplitud de búsqueda, la creación de variables, las reglas de parada, el ajuste de hiperparámetros y la iteración del analista aumentan la flexibilidad efectiva
Los modelos modernos no siempre siguen una curva de error en U, pero la interpolación o el doble descenso no eliminan el riesgo de validación
La complejidad relevante es todo el proceso adaptativo de investigación, incluidos los modelos descartados que no aparecen en el informe final
La validación financiera debe respetar el tiempo
Dividir filas al azar puede filtrar etiquetas solapadas, normalización futura, cambios de componentes e información de regímenes cercanos
Usa reservas cronológicas, evaluación walk-forward, embargos cuando se solapen etiquetas y supuestos de costes fijados antes de probar
El rendimiento debe ser estable entre subperiodos, activos, costes plausibles, retrasos y perturbaciones, no solo positivo en un backtest
El data snooping multiplica los falsos descubrimientos
Probar muchas estrategias y publicar solo la mejor hace que su ratio de Sharpe, estadístico t o drawdown parezca mejor únicamente por selección
El Reality Check de White y otros métodos de pruebas múltiples abordan la búsqueda entre alternativas bajo sus respectivos supuestos
Una reserva final ayuda solo mientras no se consulte; mirarla repetidamente la convierte en otra muestra de entrenamiento
El gobierno debe contar el recorrido de investigación
Registra cada hipótesis, variable, universo, ventana, coste y rechazo probados para no infravalorar el número aparente de ensayos
Separa exploración de confirmación, preregistra pruebas decisivas cuando sea práctico y exige mecanismos económicos y casos de fallo
Informa distribuciones de rendimiento, rangos de confianza, rotación, capacidad, pérdidas de cola y deterioro entre investigación y operativa real
Preguntas frecuentes
¿Qué es el equilibrio entre sesgo y varianza?
Es la tensión entre el error sistemático de supuestos restrictivos y la inestabilidad de ajustar variación específica de la muestra
¿Qué es el sobreajuste en un modelo financiero?
Es aprender ruido histórico o estructura aislada que mejora el backtest, pero no se generaliza a decisiones futuras
¿Por qué es arriesgado dividir al azar entrenamiento y prueba en finanzas?
La dependencia temporal, las etiquetas solapadas, el preprocesamiento y la cercanía de regímenes pueden filtrar información futura
¿Una reserva final evita todo sobreajuste del backtest?
No. Solo ayuda mientras no se consulte y no corrige una búsqueda oculta enorme, un cambio de régimen, malos costes ni un objetivo equivocado
Fuentes
Aplique esta idea a una opción
Elija un contrato y un objetivo para mantener visibles los supuestos de precio, tiempo y volatilidad en un mismo análisis
Analizar mi opción en inglés