---
title: "El pipeline completo"
description: "Aprende a montar un pipeline completo de test de robustez en StrategyQuant X, desde el filtrado inicial y la gestión de databanks hasta las pruebas Monte Carlo, multi-mercado, SPP y Walk-Forward Matrix para seleccionar estrategias finalistas."
url: https://wikisqx.com/test-robustez-pipeline-completo/
date: 2026-08-20
modified: 2026-08-21
author: "Wiki SQX"
image: https://wikisqx.com/wp-content/uploads/2026/08/WikiSQX-StrategyQuantX-Test-Robustez_Pipeline-completo.jpg
categories: ["Test de Robustez"]
tags: ["aleatorio", "almacén", "checklist", "criterio", "databank", "diagnóstico", "error", "estrategia", "filtro", "honestidad", "memoria", "Monte Carlo", "Multi-mercado", "objetivo", "operación", "parámetro", "pipeline", "procedimiento", "proyecto", "registro", "Retester", "robustez", "SPP", "test", "verificación", "Walk-Forward"]
type: post
lang: es
---

# El pipeline completo

Del databank a las finalistas: montaje, filtros, checklist y los errores que más caro salen.

#### Tabla de contenidos

Este artículo no tiene encabezados

## De las piezas al proceso

Los siete artículos anteriores han desmontado cada prueba por separado. Este las vuelve a montar en un proceso que puedas dejar corriendo.

El módulo donde ocurre todo es el Retester: ahí cargas estrategias ya generadas y las sometes a la batería. Su función más potente es la ejecución en cadena, donde los tests se aplican secuencialmente y cada estrategia que falla uno queda descartada automáticamente antes del siguiente.

## Entender los databanks

Antes del montaje conviene tener clara la pieza de fontanería. Un databank es el almacén donde las tareas guardan y recuperan estrategias. Cada módulo —Builder, Retester, Optimizer— tiene el suyo.

En un proyecto personalizado puedes crear tantos como quieras, y cada tarea se configura con un databank de origen (de dónde lee) y otro de destino (dónde escribe). Ahí es donde vive el embudo: cada etapa lee del almacén anterior y escribe en el siguiente, más pequeño.

Existen tareas específicas para gestionarlos: «Clear databanks» borra todas las estrategias de un databank dado y suele ser la primera tarea del flujo, para que cada vuelta empiece limpia. «Filter strategies» borra, copia o mueve estrategias de un databank a otro, opcionalmente aplicando condiciones.



#### Un detalle que sorprende a mucha gente

Los databanks guardan solo un número limitado de estrategias —las mejores 100, 500 o 1.000, según configuración— por razones de memoria. Si generas cien mil estrategias y tu databank está limitado a quinientas, las demás no existen. Comprueba ese límite antes de lanzar una generación larga.

## El montaje en el Retester

| **Etapa** | **Acción** |
| --- | --- |
| Carga inicial | File → Load Databank con las estrategias generadas |
| Aplicar configuración original | Ranking → Apply Strategy Config, para usar exactamente los mismos ajustes del backtest original |
| Configurar la cadena | Robustness Tests → Multiple Tests, añadiendo pruebas de menor a mayor coste |
| Verificación previa | Confirmar que todas las estrategias se backtestean correctamente antes de empezar |



#### CLAVE PRÁCTICA

El paso de aplicar la configuración original se salta con frecuencia y es fuente de resultados incoherentes. Si el Retester usa ajustes distintos de los del backtest original —otro spread, otra precisión, otro rango de fechas— no estás retesteando tu estrategia, estás probando otra cosa.

## Las seis fases

### Fase 1: Filtrado básico, sobre todas las estrategias

- Configura el reparto entre dentro y fuera de muestra: 30 % / 70 %
- Filtros: profit factor dentro de muestra > 1,3, profit factor fuera de muestra > 1,0, operaciones > 100
- Guarda el resultado con nombre descriptivo y anota cuántas estrategias sobrevivieron

### Fase 2: Manipulación de operaciones, sobre las supervivientes

- Randomize Trades Order con 1.000 simulaciones. Filtro: Ret/DD al 95 % de confianza > 50 % del original
- Skip Trades del 30 % con 500 simulaciones. Filtro: beneficio neto > 0 en el 70 % de las simulaciones

### Fase 3: Multi-mercado

- Añade retest en dos activos alternativos, sin reoptimizar los parámetros
- Si trabajas con EURUSD, usa GBPUSD o USDJPY. Si trabajas con SPX500, usa NAS100
- Filtro: beneficio neto > 0 en el activo alternativo



#### atención

Recuerda el artículo 7 [«Qué tests funcionan de verdad»](https://wikisqx.com/test-robustez-tests-que-funcionan/): esta es la fase que más aporta según la evidencia. Ponerla temprano en la cadena, y no al final, es una de las decisiones que más mejoran el pipeline.

### Fase 4: Aleatorización del histórico

- 100 – 200 simulaciones, probabilidad de cambio 15 %, magnitud 20 % del ATR
- Precisión de backtest de 1 minuto o tick real
- Filtro: beneficio neto al 95 % de confianza ≥ 50 % del original

### Fase 5: Aleatorización de parámetros (opcional, ver artículo 7)

- Probabilidad de cambio 15 %, cambio máximo 25 %, 200 simulaciones
- Filtro: beneficio neto > 0 en el 70 % de las simulaciones
- Considera medir primero si este filtro te aporta algo en tus datos

### Fase 6: SPP y Walk-Forward Matrix, solo finalistas

- SPP: mediana del beneficio neto > 0 y más del 55 % de variantes rentables
- WFM: runs de 5 a 15, OOS entre 20 % y 40 %. Criterio: al menos un cluster 3×3 con 7 de 9 celdas positivas

## Cómo se configura un filtro, paso a paso

Un filtro en StrategyQuant es una condición cuantitativa que la estrategia debe cumplir para pasar una prueba y seguir en el proceso. Definirlos con números concretos elimina la subjetividad y, sobre todo, previene el sesgo de confirmación: no puedes convencerte de que una estrategia «casi pasa» si el criterio es automático.

1. Abre la pestaña Robustness Tests en el Builder o en el Retester.
2. Pulsa Add Filter.
3. Selecciona el test sobre el que se aplica, por ejemplo Monte Carlo – Trades Manipulation.
4. Selecciona la métrica: Net Profit, Profit Factor, Return/Drawdown.
5. Define la condición, por ejemplo: el retorno del test con un 95 % de confianza debe ser mayor que el 50 % del retorno original.
6. El filtro se aplica automáticamente. Las estrategias que no lo cumplen quedan descartadas sin intervención.



#### atención

El error más frecuente en este punto es elegir el Monte Carlo equivocado en el desplegable. Hay varios y sus nombres se parecen. Antes de lanzar un proceso de horas, comprueba que el filtro apunta al test que realmente has configurado.

## Tabla completa de filtros recomendados

| **Test** | **Métrica** | **Condición** |
| --- | --- | --- |
| MC Trades Order | Net Profit | 95 % de confianza > 25 % del original |
| MC Trades Order | Ret/DD | 95 % de confianza > 50 % del original |
| MC Trades Order | Profit Factor | 95 % de confianza > 1,0 |
| MC Skip Trades (30 %) | Net Profit | > 0 en el 70 % de las simulaciones |
| Multi-mercado | Net Profit en activo alternativo | > 0, sin reoptimizar |
| MC Randomize OHLC | Net Profit | 95 % de confianza ≥ 50 % del original |
| MC Randomize OHLC | Profit Factor | > 1,0 en el 70 % de las simulaciones |
| MC Parameters | Net Profit | > 0 en el 70 % de las simulaciones |
| WFO | WF Efficiency | > 50 % |
| WFM | Cluster 3×3 | ≥ 7 de 9 celdas positivas |
| SPP | % de variantes rentables | > 55 % |
| SPP | Mediana del Net Profit | > 0 |
| Optimización secuencial | Fiabilidad | 80 % con desviación del 30 % |

## Gestión del proceso

### Reglas de guardado

- Guarda el databank tras cada fase con nombre descriptivo, por ejemplo EURUSD_H1_fase2_MC_trades.sqx
- Nunca sobrescribas el databank original. Trabaja siempre con copias por etapa
- Si el ordenador falla a mitad de proceso o quieres repetir una fase, sin guardados intermedios pierdes horas o días

### Diagnóstico por tasa de supervivencia

| **Sobreviven a un filtro** | **Diagnóstico** |
| --- | --- |
| Más del 30 % | El filtro es demasiado permisivo. No está filtrando nada |
| Entre el 5 % y el 30 % | Rango razonable |
| Cero estrategias | Revisa si el criterio es irreal o si la generación produjo pocas candidatas de calidad |

## Criterios de aceptación final

Para considerar una estrategia lista para operar en demo, debe superar todos estos mínimos:

- MC Trades Order: 90 % o más de simulaciones con beneficio neto positivo
- MC Trades Order: la curva original dentro de la nube, no en el extremo superior
- Skip Trades 30 %: beneficio neto > 0 en el 70 % o más de las simulaciones
- Multi-mercado: rentable en al menos un activo alternativo sin reoptimizar
- Randomize OHLC: profit factor > 1,0 en el 70 % o más de las simulaciones
- SPP: mediana > 0, más del 55 % de variantes rentables, y el original cerca de la mediana
- WFM: al menos un cluster 3×3 válido y superficie 3D gradual



#### atención

Una estrategia que falla cualquiera de estos criterios se descarta. No se intenta arreglar. Con un generador que produce miles de candidatas por hora, la escasez no es el problema.

## Los diez errores que más caro salen

| **Error** | **Lo correcto** |
| --- | --- |
| Aplicar WFM y SPP a todas las estrategias desde el principio | Reservar los tests intensivos para las 10-20 finalistas. El orden del pipeline no es opcional |
| Creer que más tests equivale a más robustez | Si un test detecta fragilidad, la estrategia es frágil aunque supere otros diez |
| Usar 50 simulaciones en Monte Carlo | Mínimo 200. Con 50 no hay significación estadística |
| Arreglar una estrategia que falla añadiendo condiciones | Problema estructural. Descartar y generar nuevas |
| Aplicar el multi-mercado reoptimizando | Sin reoptimizar. Si reoptimizas, no pruebas robustez: haces otro backtest |
| Usar un activo correlacionado como mercado alternativo | El test pierde su valor. Busca dinámicas distintas |
| Confundir Walk-Forward con SPP | Uno mide robustez temporal, el otro paramétrica. Son complementarios |
| No guardar databanks intermedios | Un fallo del equipo a mitad de proceso cuesta días de trabajo |
| Mirar solo los números e ignorar los gráficos | La nube del Monte Carlo y la superficie 3D del WFM aportan información que las métricas no capturan |
| **Modificar los filtros hasta que la estrategia pasa** | **Los criterios se definen antes de ejecutar. Cambiarlos después es p-hacking** |

## Llevar registro: la parte que casi nadie hace

Ejecutar el pipeline sin anotar nada convierte el proceso en una caja negra. No sabrás qué filtro está haciendo el trabajo, ni si la tasa de supervivencia que obtienes es normal, ni si un activo se comporta distinto de otro.

### Tabla de seguimiento por activo

Para cada combinación de activo y temporalidad, anota cuántas estrategias sobreviven a cada bloque del proceso:

| **Activo / TF** | **Estrategias iniciales** | **Tras fases 1-3** | **Finalistas (fases 4-6)** |
| --- | --- | --- | --- |
| EURUSD H1 | | | |
| GBPUSD H1 | | | |
| XAUUSD H4 | | | |
| SPX500 H4 | | | |

### Las cuatro preguntas que hay que responder al terminar

1. ¿Qué porcentaje de estrategias sobrevive a cada fase? ¿Es una proporción razonable o algún filtro está descartando casi todo o casi nada?
2. ¿Hay algún activo con muchos más supervivientes que otros? ¿A qué podría deberse: más datos, más volatilidad, un régimen más tendencial?
3. Las estrategias que superan el pipeline completo, ¿comparten alguna característica? ¿Mismo tipo de indicador, misma temporalidad de operación, sesgo hacia largos o cortos?
4. En el SPP de tus finalistas, ¿están cerca de la mediana o en el extremo superior de la distribución?



#### CLAVE PRÁCTICA

La tercera pregunta es la más productiva a medio plazo. Si descubres que todas tus supervivientes son sistemas de reversión a la media en temporalidades altas, has aprendido algo sobre dónde está la ventaja en ese mercado, y eso orienta tus siguientes generaciones mucho mejor que cualquier filtro.

## Un cierre honesto

Hemos recorrido ocho artículos de metodología, y conviene terminar recordando qué puede y qué no puede hacer todo esto.

Puede reducir sustancialmente la probabilidad de que te autoengañes. Puede eliminar del proceso estrategias que solo memorizaron el pasado. Puede darte una estimación mucho más honesta del rendimiento esperado que el backtest inicial, que es por construcción el mejor caso.

No puede convertir una estrategia sin ventaja real en una rentable. No puede garantizar rendimiento futuro. No puede protegerte de un cambio de régimen que invalide la lógica del sistema. Y, como vimos con datos en el artículo anterior, no todos sus componentes contribuyen igual: algunos pueden estar restando.



#### OBJETIVO

El objetivo de todo el proceso no es acumular sellos de aprobación. Es llegar a un puñado de estrategias sobre las que puedas defender, con argumentos y datos, por qué crees que tienen una ventaja real. Y saber, con la misma claridad, qué tendría que ocurrir para que dejaras de creerlo.

## Preguntas frecuentes (FAQs)

Las dudas que más se repiten sobre este tema, con la respuesta contrastada con la documentación oficial de StrategyQuant X.

##### ¿Cómo se monta el flujo con in-sample y out-of-sample en tareas separadas?

En un proyecto personalizado, cada bloque es una tarea con su propio rango de fechas y sus propios filtros. El esquema mínimo tiene cuatro pasos: construir usando solo el periodo in-sample; retestear en una tarea distinta que solo vea el periodo out-of-sample, filtrando por degradación; unificar la data para las pruebas de robustez; y dejar el Walk-Forward Matrix para el final.

> La ventaja de este montaje es que la separación deja de depender de casillas de configuración. Cada tarea usa exactamente los datos que le asignas, y la pregunta de si el programa «ve» o no el out-of-sample deja de tener sentido.

##### ¿Qué filtros pongo en la tarea de out-of-sample?

La misma exigencia de profit factor que pusiste en la construcción —si pediste 1,3 en in-sample, pide 1,3 en out-of-sample— y un mínimo de operaciones que dé significación estadística básica. La ventaja no debe desaparecer en datos no vistos.

Lo que no se debe hacer es copiar todas las métricas de la tarea anterior. El periodo out-of-sample tiene menos datos, así que el número total de operaciones, el drawdown absoluto y compañía no son directamente comparables.

Y una regla de calibración: si pasan demasiadas estrategias, añade condiciones progresivamente; si pasan muy pocas, relaja. El objetivo es quedarse con una muestra suficiente para continuar el flujo.

##### ¿Cuál es el mejor criterio para medir la degradación en out-of-sample?

La pendiente de la curva de capital. La regla es sencilla: la pendiente en el tramo out-of-sample debe ser igual o mayor que la del tramo in-sample. Dicho de otro modo, la velocidad a la que la estrategia gana dinero no debe caer en los datos que no ha visto.

**Por qué la pendiente y no el profit factor**

Las métricas habituales del out-of-sample están muy influidas por el número de operaciones. En un tramo de tres años con pocas operaciones, el profit factor es volátil por pura estadística pequeña, y el beneficio neto acumulado depende además del capital inicial. La pendiente es independiente de ambas cosas: mide trayectoria, no acumulación.

En la práctica funciona bien incluso con curvas accidentadas: si hay una caída en mitad del out-of-sample pero después se recupera y la inclinación general se mantiene, la estrategia pasa. Lo que descarta es la degradación sostenida.

##### ¿En qué orden coloco las tareas dentro del proyecto?

Arriba las pruebas rápidas, y de entre ellas primero las que más estrategias descartan. Abajo las que consumen más tiempo y recursos. El Walk-Forward Matrix va al final, cuando ya trabajas con decenas de candidatas.

En la última posición conviene reservar un retest con las condiciones reales del bróker donde vas a operar: spread real, tick real y las restricciones específicas de la cuenta. Una estrategia puede ser sólida en general y resultar inoperable en un bróker concreto.

##### ¿Merece la pena complicar el flujo para cubrir todos los regímenes de mercado?

En general, no. Un periodo in-sample de diez años ya contiene tendencias alcistas y bajistas, fases laterales, alta y baja volatilidad. Fragmentar los datos para «garantizar» esa cobertura añade decisiones —cuántos trozos, de qué tamaño, qué exigir en cada uno— que son grados de libertad adicionales.

Y los grados de libertad no están solo en los parámetros de los indicadores: operar solo largos o largos y cortos, cómo repartes in-sample y out-of-sample, qué porcentaje eliges, qué franja horaria excluyes. Todo eso se suma. Cuanto más simple sea el flujo, menor es el riesgo de sobreajustarlo.

##### ¿Cuántas estrategias deberían llegar al final?

Muy pocas, y eso es correcto. Es habitual lanzar mil candidatas construidas en in-sample y quedarse con dos o tres tras el retest fuera de muestra. Sobre esa base ya reducida se aplican las pruebas de robustez.

Conviene además no perder de vista el límite del databank: guarda solo un número limitado de estrategias —las mejores 100, 500 o 1.000 según configuración— por razones de memoria. Si generas cien mil y el límite está en quinientas, el resto no existe.

##### ¿Cuándo paso a demo y durante cuánto tiempo?

Cuando la estrategia ha superado el flujo completo, y con un horizonte de meses, no de semanas. Seis a ocho meses es el plazo que permite comparar poblaciones de estrategias con algún fundamento estadístico, y también el que necesita una cuenta para empezar a producir resultados interpretables.

Es tiempo bien invertido: la demo es la única fase que trabaja con datos que no existían cuando construiste el sistema.

##### ¿Puedo reutilizar la misma plantilla de filtros para todos los activos?

No sin recalibrar. Una configuración de Monte Carlo y de rangos de estrés afinada para índices y oro es demasiado estricta para divisas, y una pensada para divisas es demasiado laxa para índices. Lo que es muy exigente para un activo resulta trivial para otro.

Merece la pena mantener una plantilla por familia de instrumentos, anotando qué rangos de spread, qué filtros y qué mínimos de operaciones usas en cada una y por qué. Esa documentación es lo que convierte un conjunto de ajustes en un proceso.

## Sigue leyendo el contenido de esta serie

[![" srcset="https://wikisqx.com/wp-content/uploads/2026/08/WikiSQX-StrategyQuantX-Test-Robustez_Desconfia-Backtest.jpg 1200w, https://wikisqx.com/wp-content/uploads/2026/08/WikiSQX-StrategyQuantX-Test-Robustez_Desconfia-Backtest-980x408.jpg 980w, https://wikisqx.com/wp-content/uploads/2026/08/WikiSQX-StrategyQuantX-Test-Robustez_Desconfia-Backtest-480x200.jpg 480w" sizes="(min-width: 0px) and (max-width: 480px) 480px, (min-width: 481px) and (max-width: 980px) 980px, (min-width: 981px) 1200px, 100vw" decoding="async" fetchpriority="high" />](https://wikisqx.com/test-robustez-backtest/)[Test de Robustez](https://wikisqx.com/test-robustez/)

#### [Desconfía de tu propio backtest](https://wikisqx.com/test-robustez-backtest/)

La filosofía de las pruebas de robustez y por qué son el paso más importante del proceso. Tabla de...

[Aprender más](https://wikisqx.com/test-robustez-backtest/)

[