Backtesting de estrategias en mercados de predicción: guía honesta (2026)

El backtesting —ejecutar una estrategia contra datos históricos para ver cómo habría funcionado— es una de las herramientas más útiles y, a la vez, más mal utilizadas del trading. Esta guía explica cómo hacer backtesting de estrategias para mercados de predicción de forma honesta, qué hace que los backtests mientan y cómo se ven los resultados realistas.

## Lo que el backtesting te dice (y lo que no)

El backtesting puede responder: "Si hubiera ejecutado exactamente esta estrategia en los mercados que existieron en el pasado, ¿cómo me habría ido?"

No puede responder: - "¿Funcionará esta estrategia en el futuro?" (El rendimiento pasado ≠ el futuro) - "¿Cuál es la estrategia óptima?" (El riesgo de overfitting es enorme) - "¿Cuánto puedo ganar?" (Los costos de ejecución del mundo real se comen los rendimientos) - "¿Es seguro?" (Los cisnes negros, por definición, no están en el historial)

Un buen backtest es una verificación de cordura de que tu estrategia no está obviamente rota. Un mal backtest es un ejercicio que infla la confianza y te lleva a apostar de más por algo que fracasará en producción.

## El flujo de trabajo del backtest

### Paso 1: Define la estrategia con precisión

Reglas vagas: "Operar cuando haya una buena oportunidad con +EV"

Reglas precisas: "Comprar YES al precio de mercado cuando (1) la estimación de probabilidad de la IA supere el precio de mercado por más de 5 puntos porcentuales Y (2) el volumen de 24h supere los $10,000 Y (3) falten al menos 7 días para la resolución. Tamaño de posición: 3% del bankroll inicial por operación. Stop-loss: 25% de caída desde la entrada. Take profit: 40% por encima de la entrada O la resolución, lo que ocurra primero."

No puedes hacer backtesting de la versión vaga. Sí puedes hacerlo de la versión precisa. La mayoría de las estrategias fracasan en este paso porque el trader en realidad no sabe qué haría.

### Paso 2: Consigue datos históricos

Para mercados de predicción: - Precios históricos de Polymarket a través de su API pública - Resultados de resolución a partir de los metadatos del mercado - Capturas de volumen y liquidez a lo largo del tiempo - Estimaciones de probabilidad de la IA (si tu estrategia las usa, necesitas calcularlas históricamente también)

Nota: la API histórica de Polymarket tiene límites de tasa y no cubre todo. La herramienta de backtest de Predite usa capturas de mercado en caché generadas por nuestro cron de escaneo, lo que significa que el historial crece con el tiempo. Los resultados de backtest iniciales tienen menos datos que los resultados tras meses de operación de la plataforma.

### Paso 3: Simula la ejecución

Recorre los datos históricos día a día. En cada marca de tiempo: - Comprueba si alguna posición abierta debe cerrarse (stop-loss, take profit, resolución) - Comprueba si alguna posición nueva debe abrirse (cumplimiento de los criterios de la estrategia) - Actualiza el bankroll según las resoluciones - Registra cada acción y el P&L

La simulación debe ser determinista: las mismas entradas siempre producen las mismas salidas. Si estás probando varias estrategias, ejecútalas sobre datos idénticos.

### Paso 4: Calcula las métricas

Para entender cómo se ven los rendimientos realistas, consulta nuestra [guía de trading con +EV](/blog/what-is-positive-ev-trading) y nuestra [guía de gestión de riesgo](/blog/risk-management-prediction-markets).

Para cada ejecución de la estrategia: - Rendimiento total (% de ganancia sobre el bankroll inicial) - Número de operaciones ejecutadas - Tasa de aciertos (% de posiciones cerradas que generaron ganancia) - Rendimiento promedio por operación - Drawdown máximo (mayor pérdida de pico a valle) - Ratio de Sharpe (rendimiento por unidad de varianza) - Ratio de Calmar (rendimiento por unidad de drawdown máximo)

Una estrategia con un 10% de rendimiento anual y un 50% de drawdown máximo es mucho peor que una con un 8% de rendimiento y un 15% de drawdown, aunque el rendimiento absoluto sea menor.

### Paso 5: Compara con una línea base

Siempre haz backtesting de una línea base de "no hacer nada" u "operar al azar" junto con tu estrategia. Si tu estrategia no supera a la aleatoria por un margen significativo, en realidad no es una estrategia.

## Qué hace que los backtests mientan

Esta es la sección más importante. La mayoría de los backtests se ven excelentes y fracasan en producción por estos problemas:

### Sesgo de supervivencia

Tu conjunto de datos histórico podría incluir solo mercados que se resolvieron limpiamente. Los que fueron retirados, cancelados o resueltos de forma ambigua faltan. El trading del mundo real incluye todos estos, y a menudo son las pérdidas.

Mitigación: incluye en tus datos los mercados cancelados y los de resolución ambigua. Trátalos como pérdidas (la mayoría de las estrategias no tienen una salida limpia cuando un mercado se vuelve raro).

### Sesgo de anticipación (look-ahead)

Usas información en el momento T que no habría estado disponible en el momento T. Ejemplo: usar el resultado final de la resolución para filtrar "buenos mercados" antes de operarlos. Por supuesto que la estrategia gana: estás filtrando por ganadores.

Mitigación: en cada marca de tiempo de la simulación, usa solo datos que existieran hasta esa marca de tiempo. Estrictamente cronológico. Sin espiar.

### Overfitting

Ajustas los parámetros de tu estrategia hasta que rinde de maravilla con tus datos históricos. La estrategia solo está memorizando el ruido del pasado, no capturando un edge real.

Mitigación: divide los datos en períodos de entrenamiento (ajuste de parámetros) y de validación (pruebas fuera de muestra). Si el rendimiento en validación es peor que en entrenamiento, has hecho overfitting. La mayoría de las estrategias que se ven excelentes dentro de muestra tienen un edge fuera de muestra negativo o nulo.

### Supuestos de ejecución

Para más información sobre la ejecución y el slippage del mundo real, consulta nuestra [guía del CLOB](/blog/understanding-clob-order-book).

Tu backtest asume que ejecutas al precio medio de mercado. En realidad, ejecutas al ask (peor para las compras). Tu backtest asume liquidez infinita. En realidad, tu tamaño mueve el precio. Tu backtest ignora las gas fees. Estas se comen entre el 5% y el 10% de las ganancias pequeñas.

Mitigación: añade fricción realista a los backtests. Asume que ejecutas al ask, no al medio. Resta el gas estimado. Limita los tamaños de posición a cantidades que realmente se puedan ejecutar.

### Sesgo de selección en las estrategias

Solo haces backtesting de ideas que parecen prometedoras. Estrategias que descartas sin probar podrían haber sido las verdaderas ganadoras. No estás generando la "mejor estrategia", solo la "mejor estrategia de las que se me ocurrió probar".

Mitigación: haz backtesting también de ideas raras. A veces las estrategias contraintuitivas funcionan. La selección en la etapa de generación de ideas es difícil de detectar.

## Cómo se ve un backtest realista

Para una estrategia típica con +EV en Polymarket sobre 30-90 días de datos históricos:

Buenas señales: - 15-30 operaciones cerradas (muestra suficiente para tener significado estadístico) - Tasa de aciertos del 50-65% - Ganancia promedio mayor que la pérdida promedio (rendimientos asimétricos) - Drawdowns por debajo del 30% del bankroll - Rendimiento consistente en diferentes períodos de mercado

Señales de alerta: - Menos de 10 operaciones (muestra demasiado pequeña) - Tasa de aciertos superior al 80% (probablemente overfit) - Un único gran ganador aporta la mayor parte de los rendimientos - Drawdowns superiores al 50% (varianza demasiado alta para dinero real) - Rendimientos concentrados en un evento o ciclo de noticias específico

Una estrategia que en el backtest da entre un 8% y un 15% de rendimiento anual tras costos realistas es plausible. Una estrategia que en el backtest da un 300% anual está casi con certeza rota o con overfitting.

## Herramientas de backtesting

### Widget de backtest de Predite

La plataforma Predite tiene una función de backtest integrada para configuraciones de bots. Tú defines las reglas de entrada/salida y el sistema simula contra datos de mercado en caché. Es honesta sobre las limitaciones de los datos: muestra claramente si el período histórico tiene cobertura suficiente para resultados significativos.

Limitaciones: solo cubre los datos de Polymarket que hemos guardado en caché (normalmente entre 7 y 90 días, según cuándo empieces). No simula las gas fees de forma explícita (deberías restar entre un 1% y un 3% de los resultados brutos para obtener estimaciones realistas).

### Backtests personalizados en Python

Para desarrolladores con experiencia, crear tu propio backtest en Python te da control total. Librerías que conviene conocer: - pandas (manipulación de datos) - numpy (cálculo numérico) - requests (llamadas a la API de Polymarket) - matplotlib (visualización)

Inversión de tiempo: de 1 a 2 semanas para construirlo, más el mantenimiento continuo a medida que las APIs cambian.

### Backtests en hoja de cálculo

Para estrategias simples, Excel/Google Sheets funcionan. Ingresa manualmente los datos históricos del mercado, define las fórmulas de entrada/salida y calcula el P&L.

Es tedioso pero transparente: ves exactamente qué ocurre en cada paso. Bueno para aprender.

## El forward test

La forma correcta de hacer un forward test es el paper trading. Nuestra [guía de paper trading](/blog/paper-trading-prediction-markets) explica cómo hacerlo correctamente.

Incluso un backtest perfecto no demuestra que una estrategia funcione en el futuro. La única validación honesta es el forward testing: haz paper trading de la estrategia en mercados en vivo durante 30-60 días, con las mismas reglas que en tu backtest.

Compara el P&L del forward test con el P&L del backtest. Si están cerca, tu backtest es realista. Si el forward test es mucho peor, tu backtest tenía errores ocultos (supervivencia, look-ahead, etc.).

La mayoría de las estrategias que se ven excelentes en el backtest rinden entre un 30% y un 50% peor en el forward testing. Ese es el costo de toda la fricción realista que no tuviste en cuenta.

## Un flujo de trabajo realista

1. Define la estrategia con precisión (escribe las reglas) 2. Construye un backtest básico contra 30-60 días de datos 3. Revisa errores obvios (look-ahead, etc.) 4. Si los resultados se ven bien, haz paper trading en vivo durante 30 días 5. Compara los resultados del paper trading con la proyección del backtest 6. Si están cerca, despliega con tamaños de posición reales pequeños 7. Continúa el seguimiento y los ajustes según el rendimiento real

Este flujo de trabajo toma de 2 a 3 meses en total. La mayoría de los traders se saltan los pasos 4-5 y pasan directamente del backtest a posiciones reales grandes. Pierden dinero.

## En resumen

Los backtests son útiles para descartar estrategias obviamente rotas y obtener estimaciones aproximadas de rendimiento. NO son una prueba de que tu estrategia funcione. La única prueba es operar de verdad durante meses, con dinero real a precios reales.

Construye los backtests con cuidado. Ten en cuenta las fees, el slippage y la supervivencia. Valida con forward testing antes de escalar. Registra todo.

Las mejores estrategias en los mercados de predicción suelen ser simples. Nuestra [guía sobre cómo encontrar mercados con +EV](/blog/how-to-find-ev-markets-polymarket) recorre uno de esos flujos de trabajo: identifica una categoría en la que tengas un edge informativo, dimensiona las posiciones de forma conservadora y ejecuta con consistencia. Ninguna cantidad de backtesting compensa la falta de un edge real.