El problema
Una estrategia de trading puede ganar más y, al mismo tiempo, ser demasiado arriesgada para usarse.
Muchas estrategias de trading se diseñan optimizando una sola cifra: retorno, Sharpe o beneficio acumulado. El problema es que esa única cifra puede esconder decisiones importantes. Una regla puede ganar mucho en el pasado, pero hacerlo con caídas fuertes, operaciones inestables o una exposición difícil de aceptar.
Además, los mercados no se mueven en un reloj limpio. A veces pasan horas sin información relevante y otras veces un movimiento breve cambia todo el contexto. Por eso el trabajo usa directional changes: en lugar de mirar solo velas de tiempo fijo, detecta eventos cuando el precio supera un umbral de movimiento.
La dificultad real está en unir ambas cosas: leer el mercado por eventos y evolucionar reglas que no solo busquen beneficio, sino también un riesgo razonable.
Por qué es difícil
El mercado es ruidoso
Una regla puede parecer brillante en una muestra y fallar cuando cambia el régimen de mercado.
Los objetivos chocan
Maximizar retorno y minimizar riesgo no suelen apuntar a la misma estrategia.
Hay demasiadas reglas posibles
La combinación de indicadores, umbrales y señales crea un espacio de búsqueda enorme.
Elegir al final importa
Después de generar un frente de Pareto, todavía hay que escoger una estrategia concreta según preferencias.
La idea principal
Los autores proponen MOO3, un marco que combina tres piezas. La primera es directional changes, una forma de resumir el mercado por eventos de movimiento de precio en vez de por intervalos fijos de tiempo.
La segunda pieza es la programación genética. En vez de escribir manualmente una regla de trading, el sistema evoluciona poblaciones de reglas candidatas, cruza soluciones, muta partes de la regla y conserva las que mejor se comportan.
La tercera pieza es NSGA-II, que permite optimizar varios objetivos al mismo tiempo. El resultado no es una única estrategia, sino un conjunto de soluciones Pareto-óptimas: alternativas donde mejorar un objetivo suele empeorar otro.
El trading se trata como una decisión multiobjetivo: no solo cuánto gana, sino qué riesgo acepta para ganar.
Una forma sencilla de verlo
Es como elegir un coche: no basta con mirar la velocidad máxima. También importan consumo, seguridad, mantenimiento y uso real.
Cómo se resolvió
El método evoluciona reglas de trading y las evalúa con varios objetivos antes de seleccionar una estrategia final.
Leer el mercado por eventos
Directional changes convierte la serie de precios en cambios relevantes de tendencia y tramos de continuación, reduciendo ruido de tiempo fijo.
Construir reglas candidatas
La programación genética genera reglas de trading combinando indicadores basados en directional changes e indicadores técnicos tradicionales.
Evolucionar la población
Las reglas compiten, se cruzan y mutan, de forma parecida a una selección evolutiva, para explorar combinaciones que una persona no probaría manualmente.
Optimizar tres objetivos
NSGA-II evalúa retorno total, tasa esperada de retorno y riesgo, evitando reducir todo el problema a una sola métrica.
Formar el frente de Pareto
El algoritmo conserva estrategias no dominadas: ninguna es claramente mejor en todo, pero cada una representa un compromiso distinto.
Elegir con Sharpe modificado
Los autores usan una versión modificada del Sharpe ratio para seleccionar una estrategia final desde el frente, permitiendo ajustar preferencias de retorno y riesgo.
Conclusión del enfoque
La aportación no es solo usar un algoritmo evolutivo, sino convertir el diseño de trading en una exploración explícita de compromisos entre objetivos.
Directional changes
Lectura del mercado por eventos: solo se registra un cambio cuando el precio supera un umbral relevante.
Programación genética
Técnica evolutiva que genera y mejora reglas como si fueran pequeños programas candidatos.
NSGA-II
Algoritmo evolutivo multiobjetivo que busca soluciones no dominadas y mantiene diversidad en el frente de Pareto.
Sharpe modificado
Métrica agregada para escoger una solución final del frente ajustando la importancia relativa de retorno y riesgo.
El experimento
La metodología se prueba sobre 110 conjuntos de datos de acciones pertenecientes a 10 mercados internacionales. Esto evita que el resultado dependa de una única acción o de un mercado concreto.
MOO3 se compara con métodos de optimización de un solo objetivo. La comparación es exigente porque incluso cuando se usa el mismo criterio agregado para escoger una estrategia final desde el frente de Pareto, el enfoque multiobjetivo mantiene ventaja.
El experimento analiza si la combinación de directional changes, programación genética e indicadores de tiempo físico puede producir reglas rentables y con menor riesgo.
Qué se descubrió
El resultado principal es que MOO3 supera de forma consistente y estadísticamente significativa a los enfoques de optimización de un solo objetivo usados como referencia.
El valor del enfoque aparece en dos niveles. Primero, la programación genética puede descubrir reglas de trading que combinan información basada en eventos y señales técnicas clásicas. Segundo, NSGA-II evita que toda la búsqueda quede atrapada en una única idea de éxito.
El frente de Pareto permite observar alternativas. Una estrategia puede priorizar más retorno, otra menor riesgo y otra un equilibrio intermedio. Esto es más útil para un operador real que recibir una sola regla sin contexto.
Los autores también apuntan futuras mejoras: incorporar objetivos adicionales, como el número de operaciones, o añadir fuentes alternativas de datos, como sentimiento en redes sociales.
- La optimización multiobjetivo supera a la optimización de un solo objetivo en el experimento.
- Combinar directional changes e indicadores tradicionales amplía el espacio de reglas posibles.
- El frente de Pareto hace visible el compromiso entre retorno y riesgo.
- La selección final puede adaptarse a preferencias del trader mediante el Sharpe modificado.
Más que maximizar retorno
El método busca estrategias que sean atractivas también desde el punto de vista del riesgo.
Reglas evolucionadas
La programación genética explora combinaciones que no se diseñan fácilmente a mano.
Decisión final explícita
El trader no recibe una caja negra: recibe un conjunto de compromisos y una forma de escoger.
La gran lección es que una estrategia de trading no debería optimizarse como si solo existiera una definición de éxito.
Por qué importa
Este trabajo conecta muy bien con ParetoInvest porque usa exactamente la lógica de decisión que hace útil a un frente de Pareto: mostrar alternativas eficientes en lugar de vender una respuesta única.
También es relevante para trading actual porque combina dos tendencias fuertes: lectura del mercado por eventos y algoritmos evolutivos capaces de buscar reglas complejas sin asumir una forma fija desde el principio.
La parte más práctica es la selección posterior. Optimizar produce un conjunto de estrategias, pero la decisión final depende de preferencias: más retorno, menos riesgo, más estabilidad o menos operaciones. Ese puente entre algoritmo y criterio humano es clave.
Aplicaciones reales
Trading algorítmico
Diseñar reglas que equilibren retorno y riesgo sin depender de un único indicador técnico.
ParetoInvest
Aplicar la lógica de frentes eficientes a estrategias, no solo a carteras de activos.
Gestión de riesgo
Comparar reglas que ganan más con reglas que sacrifican retorno para reducir exposición.
Investigación cuantitativa
Explorar automáticamente familias de reglas y seleccionar después según preferencias explícitas.
Qué podemos aprender
Optimizar trading no consiste solo en encontrar una regla ganadora en el pasado. Consiste en entender qué compromisos acepta la estrategia y si esos compromisos siguen teniendo sentido cuando el mercado cambia.
Preguntas frecuentes
¿Esto es una recomendación de trading?
No. Es una explicación divulgativa de una metodología científica. No constituye asesoramiento financiero ni una señal de compra o venta.
¿Por qué usar multiobjetivo en trading?
Porque retorno y riesgo suelen entrar en conflicto. Optimizar ambos a la vez permite ver varias estrategias eficientes, no solo una solución forzada.
¿Qué relación tiene con ParetoInvest?
Comparte la idea central de buscar alternativas no dominadas y elegir después según preferencias. En ParetoInvest se aplica a carteras; aquí se aplica a reglas de trading.
Publicación y recursos
Long, X.; Kampouridis, M.; Papastylianou, T. Multi-objective genetic programming-based algorithmic trading, using directional changes and a modified sharpe ratio score for identifying optimal trading strategies. Artificial Intelligence Review, 59, 39, 2026. https://doi.org/10.1007/s10462-025-11390-9.