Golden Sky
Data & Machine Learning
Data & Machine Learning
Simular el azar para reconocer la señal.
Cuando una probabilidad es difícil de calcular con una fórmula, se puede estimar simulándola muchas veces. Monte Carlo es ese método: repetir un experimento aleatorio y mirar la distribución de resultados. En el pipeline es la forma de responder "¿este edge es real o es lo que daría el puro azar?".
Estimar por repetición aleatoria
Cuando el cálculo exacto es difícil o imposible, se simula el fenómeno miles de veces y se promedia. Por la ley de los grandes números, ese promedio converge al valor real.
El ejemplo clásico: estimar π tirando puntos al azar en un cuadrado y contando cuántos caen dentro del círculo. El método nació en Los Álamos (Ulam y von Neumann) y lleva el nombre del casino: la idea es que el azar controlado resuelve lo que la fórmula no. Su precisión crece con √N, no con N: cuadruplicar las simulaciones reduce el error a la mitad.
El test de permutación
El uso que más importa acá: en vez de asumir una distribución teórica del estadístico bajo la hipótesis nula, se la construye barajando o remuestreando los datos.
Si el estadístico real queda enterrado entre los nulos, la "ventaja" es lo que da el azar (p alto). Si queda en la cola, es difícil de explicar por casualidad (p bajo). El +1 (corrección de Phipson-Smyth) trata al real como una simulación más y evita un p = 0 exacto imposible de sostener.
Permutación que respeta el tiempo
En el walk-forward, cada combo se testea contra su propio azar. Pero barajar los datos de cualquier forma sería trampa: las series financieras tienen rachas (autocorrelación).
estadístico = PF pooleado · N = 1000 · significativo si p < 0.05
El circular_shift desplaza la señal en el tiempo (la "rota") en lugar de redibujarla al azar: preserva la estructura de rachas y solo rompe el alineamiento señal↔precio. Un null ingenuo (iid, redibujar cada señal) destruiría esa autocorrelación y daría p-values demasiado optimistas. Es la diferencia entre un test honesto y uno que se auto-engaña.
La misma idea, otros problemas
| Dónde | Qué simula |
|---|---|
| Calibración TP/SL | Miles de entradas aleatorias sobre una grilla de TP×SL (dimensionada por la volatilidad del activo) para rankear las celdas por su Sharpe, en vez de elegir el TP/SL a ojo. |
| Placebo del filtro de régimen | Excluir N trades al azar muchas veces y comparar: así se distingue si la mejora del filtro es una señal real o solo el efecto-N (menos varianza al sacar cualquier subconjunto). |
Potente, pero no gratis
No exige que los retornos sean normales ni nada por el estilo: construye la distribución nula directamente de los datos. Y el null puede diseñarse para preservar lo que importa (las rachas).
Cada test son miles de simulaciones. Por eso en el walk-forward solo el top-N por robustez recibe Monte Carlo (screening por costo) — una limitación documentada, no escondida.