Simulación de Monte Carlo para Trading: Guía Práctica

¿Qué es la Simulación de Monte Carlo?

La simulación de Monte Carlo es una técnica computacional que utiliza muestreo aleatorio para estimar la probabilidad de distintos resultados. Nombrada en honor al famoso casino de Mónaco, funciona ejecutando miles de escenarios simulados basados en modelos estadísticos y contando cuántos producen un resultado en particular.

En el trading, la simulación de Monte Carlo responde preguntas como:

• ¿Cuál es la probabilidad de que BTC esté por encima de $80,000 en 3 días?
• Dada la volatilidad histórica, ¿cuál es la probabilidad de una caída del 10% en 1 semana?
• ¿Cuál es el tamaño de posición óptimo dada la distribución de probabilidad de los resultados?

Estas son exactamente las preguntas que los hedge funds cuantitativos se hacen todos los días — y ahora, con las herramientas adecuadas, los traders minoristas también pueden hacérselas.

Cómo Funciona: Movimiento Browniano Geométrico

El modelo estándar para simular precios de acciones/criptomonedas es el Movimiento Browniano Geométrico (GBM):

S(T) = S(0) × exp((μ - 0.5σ²)T + σ√T × Z)

Donde:

• S(0) = Precio actual
• μ = Deriva anualizada (retorno esperado) estimada a partir de datos históricos
• σ = Volatilidad anualizada estimada a partir de datos históricos
• T = Horizonte temporal (en años)
• Z = Número aleatorio extraído de una distribución normal estándar

Al generar miles de valores Z aleatorios, se crean miles de posibles trayectorias de precio futuras. El porcentaje de trayectorias donde el precio termina por encima de tu objetivo = la probabilidad de alcanzar ese objetivo.

Un Ejemplo Concreto

Supongamos que BTC está en $70,000. La volatilidad histórica de 30 días anualizada es del 65%. Quieres saber: ¿cuál es la probabilidad de que BTC alcance $73,500 (5% al alza) en 3 días?

Ejecuta 1,500 trayectorias simuladas. Si 980 de ellas terminan por encima de $73,500, la probabilidad estimada es 980/1500 = 65.3%.

Este es el mismo motor de muestreo aleatorio detrás de nuestro simulador de equity Monte Carlo, que lo aplica a tu propia estrategia — ejecutando miles de secuencias de operaciones para revelar la curva de equity probable, el drawdown y el riesgo de ruina.

Por Qué el MC Estándar No Es Suficiente

El Monte Carlo básico tiene varios problemas bien conocidos en la práctica:

Problema 1: Ruido

Con 1,000 simulaciones, la probabilidad estimada podría ser del 65% en una vela y del 58% en la siguiente, incluso con un cambio de precio mínimo. Esto es ruido de muestreo derivado de simulaciones finitas.

Solución: Técnicas de Reducción de Varianza

• Variables Antitéticas — Por cada Z aleatorio, simula también -Z. Estas trayectorias emparejadas están correlacionadas negativamente, reduciendo la varianza en ~50% sin sesgo alguno.
• Variables de Control — Usa la probabilidad de Black-Scholes en forma cerrada como "variable de control". Ajusta la estimación de MC utilizando la solución analítica conocida, reduciendo la varianza entre 50-90% cuando la distribución es cercana a log-normal.
• Muestreo Estratificado — En lugar de muestrear aleatoriamente sobre toda la distribución, se divide en estratos y se muestrea uniformemente de cada uno. Garantiza cobertura de todo el espacio de probabilidad.

Problema 2: Eventos Raros

Si la probabilidad real de una caída es del 3%, necesitarías más de 10,000 simulaciones para obtener suficientes muestras de caída para una estimación estable. Con 1,000 simulaciones, podrías obtener entre 20-40 muestras de caída — muy pocas para una estimación confiable.

Solución: Muestreo por Importancia

En lugar de muestrear a partir de la distribución real, se desplaza la distribución de muestreo hacia la región del evento raro (la caída). Luego se reponderan las muestras según la razón de verosimilitud para corregir el sesgo de muestreo. Resultado: 10-100 veces más muestras de caída con el mismo número de simulaciones.

Problema 3: Fluctuación entre Velas

El MC recalcula desde cero en cada vela, provocando que las estimaciones de probabilidad salten incluso cuando el mercado no ha cambiado materialmente.

Solución: Filtro de Partículas (Estimación Bayesiana de Estado)

Un Filtro de Partículas mantiene un enjambre de "partículas" de probabilidad que se actualizan de forma incremental a medida que llegan nuevos datos de precio. A diferencia del MC, que empieza de cero en cada vela, el Filtro de Partículas aprende continuamente, produciendo estimaciones de probabilidad más suaves y receptivas.

De las Probabilidades a las Decisiones de Trading

Las cifras de probabilidad en bruto no son útiles de forma aislada. Un marco de decisión robusto requiere múltiples confirmaciones independientes:

El Motor de Decisión de 4 Factores

1. Ventaja Significativa de MC — El lado ganador debe tener una probabilidad > 33% (mínimo de equilibrio de 1.5:1)
2. Acuerdo del Filtro de Partículas — El PF debe coincidir de forma independiente con la dirección del MC en > 54%
3. Ventaja de Sesgo — La brecha entre P(ALCISTA) y P(BAJISTA) debe ser > 5 puntos porcentuales
4. Convergencia de Modelos — El MC y la solución analítica de Black-Scholes deben coincidir dentro de una tolerancia. Una gran divergencia = colas gruesas o simulaciones insuficientes

Solo cuando 3-4 factores se alinean se emite una señal de alta confianza. Esto elimina la mayoría de las señales falsas y el ruido.

Pon esto en práctica: el simulador de equity Monte Carlo ejecuta miles de secuencias de operaciones aleatorizadas para mostrar la curva de equity probable de tu estrategia, el drawdown máximo y el riesgo de ruina.

Dimensionamiento de Posición con el Criterio de Kelly

Una vez que tienes estimaciones de probabilidad confiables, el dimensionamiento óptimo de posición surge de forma natural. El Criterio de Kelly calcula el porcentaje de capital a asignar:

f* = (p × b - q) / b

• p = Probabilidad de ganancia estimada
• q = 1 - p (probabilidad de pérdida)
• b = Razón de momios
• f* = Fracción de capital a apostar

Importante: el Kelly completo es matemáticamente óptimo pero agresivamente volátil. La implementación práctica utiliza el Kelly Fraccional (10-20% del Kelly completo) para equilibrar el crecimiento con la gestión del drawdown.

Gestión de Riesgo: Riesgo de Cola y VaR

Monte Carlo no solo estima la probabilidad direccional. La misma simulación produce una distribución completa de P&L para la gestión del riesgo:

• Valor en Riesgo (VaR 95%) — El nivel de pérdida que no será superado el 95% de las veces
• Pérdida Esperada (ES 95%) — La pérdida promedio en el peor 5% de los escenarios
• Probabilidad de Caída — La probabilidad específica de un movimiento catastrófico (por ejemplo, BTC -10%)

Cuando la probabilidad de caída cruza un umbral específico del mercado, todas las señales alcistas deben suprimirse sin importar cuán fuerte parezca la ventaja direccional. Ninguna ventaja vale la pena tomar cuando el riesgo de cola es demasiado alto.

Calibración: ¿Son Precisas las Probabilidades?

La métrica más importante para cualquier sistema basado en probabilidades es la calibración. El Brier Score mide la precisión del pronóstico:

BS = (1/N) × Σ(pronóstico - resultado)²

• < 0.10 = Calibración excelente — los pronósticos son muy precisos
• 0.10-0.20 = Buena calibración — los pronósticos son utilizables para el trading
• > 0.20 = Calibración deficiente — los parámetros necesitan ajuste

Antes de arriesgar capital real, observa el Brier Score en más de 50 predicciones. Un Brier Score en aumento significa que el régimen del mercado ha cambiado y el modelo necesita recalibración.

Aplicación Práctica: Mercados de Predicción

Con plataformas como Polymarket y Kalshi que ofrecen contratos binarios reales, las estimaciones de probabilidad de Monte Carlo se vuelven directamente negociables:

1. Polymarket muestra "BTC > $80K para el viernes" a 58¢
2. Tu modelo de MC estima P(ALCISTA) en 72% con un Brier Score de 0.11
3. La ventaja implícita = +14 puntos porcentuales
4. El dimensionamiento de Kelly te indica asignar el 8.2% del capital
5. Acción: Comprar el contrato ALCISTA a 58¢, esperando una tasa de acierto del 72%

Esto es arbitraje entre la probabilidad implícita del mercado y la probabilidad estimada por tu modelo.

Limitaciones a Tener en Cuenta

• El GBM asume retornos log-normales — Los mercados reales tienen colas gruesas, especialmente las criptomonedas durante caídas repentinas
• La volatilidad histórica tiene rezago — Cuando cambian los regímenes, la ventana retrospectiva puede no reflejar las condiciones actuales
• No es para eventos — Los resultados de ganancias, las decisiones de la FOMC y los anuncios regulatorios crean discontinuidades que ningún modelo de MC puede predecir
• Resolución del Filtro de Partículas — 200 partículas ofrecen un seguimiento de probabilidad razonable, pero no preciso