Consejos Prácticos para el Trading Algorítmico

Ideas concretas que aplicamos con nuestros estudiantes desde 2019

No vamos a prometerte fórmulas mágicas. Lo que encontrarás aquí son observaciones reales de lo que funciona y lo que no cuando empiezas en este campo. Son cosas que hemos visto repetirse en cientos de estudiantes.

Lo que nadie te cuenta al principio

Después de trabajar con más de 300 estudiantes en Armenia y otras ciudades de Quindío, hay patrones que se repiten. Algunos cometen los mismos errores, otros encuentran soluciones similares. Aquí están las lecciones más frecuentes.

El papel y el mercado son dos mundos distintos

Tu estrategia puede verse perfecta en backtesting histórico. Pero cuando la pones en vivo, aparecen costos de transacción, slippage, latencia. Un estudiante nuestro tenía una estrategia con 78% de acierto en papel. En vivo bajó a 52% el primer mes. No había calculado los spreads correctamente.

Empezar con algo ridículamente simple

Los primeros tres meses deberías estar trabajando con estrategias que casi te parecen tontas. Cruces de medias móviles, rupturas de rango básicas. Porque si no puedes hacer que funcione algo simple, definitivamente no vas a poder con indicadores complejos y machine learning.

Documentar absolutamente todo desde el día uno

Vas a hacer cambios a tu código constantemente. Y en dos semanas no vas a recordar por qué modificaste ese parámetro. Tener un diario de trading donde anotas cada cambio, cada observación, cada resultado inesperado. Parece tedioso pero te ahorra meses de confusión después.

Las pérdidas consecutivas van a llegar

No importa qué tan buena sea tu estrategia. Vas a tener rachas malas. El mercado cambia, tu algoritmo no se adapta instantáneamente. La diferencia entre quienes continúan y quienes abandonan está en cómo reaccionan a esas cinco, seis, siete operaciones perdedoras seguidas. Tener un plan para esos momentos antes de que sucedan.

El camino que recomendamos (de mayor a menor prioridad)

1

Gestión de riesgo primero, rentabilidad después

Antes de preocuparte por cuánto puedes ganar, define cuánto estás dispuesto a perder. Position sizing, stop loss, máximo drawdown permitido. Si esto no está claro desde el inicio, ninguna estrategia va a salvarte.

2

Conocer tu mercado mejor que tu código

Puedes escribir Python perfecto, pero si no entiendes cómo funciona el mercado que estás operando, vas a perder dinero de formas creativas. Horarios de mayor volumen, eventos que afectan precio, correlaciones con otros activos. Eso no viene en tutoriales de programación.

3

Backtesting riguroso (y honesto)

Es fácil engañarte a ti mismo ajustando parámetros hasta que los resultados históricos se vean bien. Eso se llama overfitting y es mortal. Usar datos fuera de muestra, validación cruzada, períodos con diferentes condiciones de mercado. Si tu estrategia solo funciona en 2023, no funciona.

4

Automatización gradual, no total de entrada

No saltes directo a dejar tu algoritmo corriendo solo las 24 horas. Empieza con semi-automatización: el código te da señales, tú decides si ejecutas. Después automatizas la ejecución pero revisas diario. Eventualmente puedes soltar más control, pero necesitas ganar confianza primero.

5

Optimización y refinamiento continuo

Una vez que todo lo anterior está funcionando, ahí sí puedes pensar en optimizar velocidad de ejecución, probar indicadores más sofisticados, experimentar con machine learning. Pero esto va al final, no al principio. Y siempre manteniendo las bases sólidas.

Errores comunes que vemos repetirse

Cada uno de estos los hemos visto docenas de veces. No porque los estudiantes sean descuidados, sino porque son trampas naturales del proceso de aprendizaje.

Operar con dinero real demasiado pronto

+
La ansiedad por ver resultados reales hace que estudiantes salten de simulación a cuenta real en semanas. Recomendamos mínimo tres meses en paper trading antes de arriesgar capital. Y cuando empieces con real, montos pequeños que no te quiten el sueño si desaparecen. Vi a alguien perder 2.400 dólares en dos días porque no respetó este principio básico.

Cambiar de estrategia cada semana

+
Tu estrategia tiene dos malas operaciones y ya estás buscando otra. Esto es normal al principio, pero es contraproducente. Dale tiempo suficiente para ver si funciona. Al menos 100 operaciones o tres meses, lo que llegue primero. Si no, solo vas a coleccionar estrategias abandonadas sin aprender nada profundo sobre ninguna.

Ignorar los costos de transacción en los cálculos

+
Comisiones, spreads, slippage, costos de datos en tiempo real. Todo eso se come tus ganancias. Una estrategia que parece dar 2% mensual en backtesting puede terminar plana o negativa cuando incluyes costos reales. Siempre, siempre calcula con los costos más pesimistas que puedas imaginar. Mejor sorprenderte positivamente.

Sobrecomplicar desde el inicio

+
Querer usar redes neuronales, procesamiento de lenguaje natural, análisis de sentimiento de Twitter en tu primera estrategia. Eso viene después. Mucho después. Primero domina lo básico: una estrategia simple que entiendas completamente, que puedas explicar en dos frases. Si no puedes explicarla simple, no la entiendas lo suficiente para operarla.

No tener un plan para las cosas que salen mal

+
Tu conexión a internet se cae. El servidor del broker tiene problemas. Hay un flash crash. Tu computadora se reinicia. Todas estas cosas van a pasar eventualmente. ¿Tienes un plan? ¿Sabes cómo cerrar posiciones manualmente? ¿Tienes órdenes stop loss siempre activas? Muchos aprenden esto de la forma difícil. No seas uno de ellos.
Estudiante analizando gráficos de trading algorítmico en pantalla

Recursos que realmente usamos en clases

No vamos a recomendarte 50 libros que nadie lee. Estos son materiales que efectivamente asignamos a estudiantes y que vemos que les sirven en su progreso real.

  • Documentación oficial de pandas y numpy. Aburrido pero fundamental. La mayoría de problemas que vas a tener ya están resueltos ahí.

  • Papers académicos sobre backtesting methodology. Especialmente los de Lopez de Prado sobre overfitting y validación.

  • Foros y comunidades donde traders comparten código real. GitHub tiene repositorios invaluables si sabes buscar.

  • Datos históricos de calidad. Vale la pena pagar por datos limpios en lugar de perder tiempo arreglando datasets gratuitos llenos de errores.

  • Un cuaderno físico. En serio. Para dibujar, hacer cálculos rápidos, pensar sin distracciones digitales.

Ver programa completo

¿Esto te hace sentido?

Si lo que leíste aquí resuena contigo, si prefieres aprender de forma honesta sin promesas exageradas, el siguiente programa empieza en septiembre de 2025. Las inscripciones abren en julio.

Contactar para más información