¿Qué es la simulación de Monte Carlo?
La simulación de Monte Carlo es una técnica computacional que utiliza muestreo aleatorio repetido para modelar la probabilidad de diferentes resultados en un sistema que involucra incertidumbre. Nombrada en honor al famoso distrito de casinos de Mónaco, la técnica fue desarrollada originalmente durante el Proyecto Manhattan en los años 1940. Hoy se utiliza en finanzas, ingeniería, seguros y — lo que nos interesa — en la gestión de cartera para inversiones deportivas.
La idea central es simple: en lugar de intentar predecir un único futuro para tu cartera, simulas miles de futuros posibles. Cada simulación reproduce aleatoriamente tu historial de posiciones (o un modelo de posiciones futuras) con varianza realista. El resultado no es una sola línea en un gráfico, sino una nube de miles de líneas, cada una representando un camino plausible que tu cartera podría seguir. De esa nube puedes extraer bandas de percentiles, probabilidades de ruina e intervalos de confianza mucho más informativos que cualquier estimación puntual.
Piénsalo así: si tienes una tasa de acierto del 55% a rendimientos promedio de 1.90, tu valor esperado es positivo. Pero el valor esperado no te dice nada sobre el viaje. ¿Qué tan profundos podrían ser tus drawdowns? ¿Cuál es la probabilidad de perder el 40% de tu cartera antes de duplicarla? Monte Carlo responde estas preguntas permitiéndote observar la distribución completa de caminos posibles, no solo el promedio.
Por qué las proyecciones estáticas de cartera fallan
La mayoría de los inversores piensan en su ventaja en términos de valor esperado: “Tengo una ventaja del 3%, así que en 1,000 posiciones de $100 cada una debería ganar $3,000.” Esto es matemáticamente correcto en promedio, pero es peligrosamente incompleto. El valor esperado es un solo número — la media de una distribución. No te dice nada sobre la varianza alrededor de esa media, y la varianza es lo que destruye carteras.
Un inversor con una ventaja genuina del 3% puede experimentar drawdowns del 30% o más durante varios cientos de posiciones. Si ese inversor ha dimensionado sus posiciones demasiado agresivamente en relación con su cartera, una racha perdedora perfectamente normal puede provocar la ruina antes de que la ventaja tenga tiempo de manifestarse. Las proyecciones estáticas tratan el futuro como si la cartera siguiera la línea de valor esperado suavemente hacia arriba, pero los resultados reales son irregulares, volátiles y a menudo aterradores a corto plazo.
La simulación de Monte Carlo reemplaza esta falsa certeza con incertidumbre honesta. En lugar de decir “ganarás $3,000”, dice “hay un 90% de probabilidad de que tu cartera esté entre $800 y $6,200 después de 1,000 posiciones, con un 4% de probabilidad de alcanzar un drawdown del 40%.” Esa segunda afirmación es infinitamente más útil para tomar decisiones reales sobre el dimensionamiento de posiciones.
Cómo ejecutar una simulación de Monte Carlo en tu historial de posiciones
El procedimiento básico para ejecutar una simulación de Monte Carlo en un registro de posiciones implica varios pasos. Primero, necesitas tus datos históricos: los rendimientos que apostaste, los resultados y tus tamaños de posición. De estos datos extraes la distribución de rendimientos por posición — no solo la media y la desviación estándar, sino idealmente la forma completa de la distribución, incluyendo qué tan gruesas son las colas.
Luego, generas un gran número de secuencias simuladas. Para cada simulación, extraes resultados de posiciones aleatorios de tu distribución estimada y los aplicas secuencialmente a una cartera inicial. Normalmente quieres al menos 1,000 simulaciones, aunque 10,000 dan estimaciones de percentiles más suaves. Cada simulación produce una curva de cartera en el tiempo, y del conjunto de todas las curvas puedes calcular estadísticas en cualquier punto: la cartera mediana, el percentil 5 (tu riesgo a la baja), el percentil 95 (tu potencial al alza) y la probabilidad de ruina.
Por ejemplo, supongamos que tienes un registro de 500 posiciones con una ventaja promedio del 2.5% y una desviación estándar de rendimientos de 1.0 por unidad. Ejecutar 1,000 simulaciones de las próximas 500 posiciones podría mostrar que la cartera mediana crece 25 unidades, pero el camino del percentil 5 en realidad está abajo 8 unidades en algún momento. Sin la simulación, habrías asumido un crecimiento suave. Con ella, sabes prepararte para posibles valles.
¿Quieres aplicar esto?
Yoseri pone estas herramientas a trabajar en cada posición.
Bandas de confianza y rangos de percentiles explicados
La salida de una simulación de Monte Carlo se visualiza típicamente como un gráfico de abanico o banda de confianza. La línea central representa el resultado mediano (el percentil 50), y bandas sombreadas se extienden hacia afuera para mostrar el rango de resultados a varios niveles de confianza. Una configuración común usa bandas en los percentiles 10/90 (intervalo de confianza del 80%) y los percentiles 5/95 (intervalo de confianza del 90%).
Interpretar correctamente estas bandas es crucial. La línea del percentil 5 no representa el peor caso — representa el resultado que es peor que el 95% de las simulaciones. Aún hay un 5% de probabilidad de hacerlo peor que esa línea. Para decisiones de gestión de cartera, el percentil 5 es a menudo el número más importante: te dice cómo podría verse tu cartera en un escenario realista desfavorable.
El ancho de las bandas de confianza también transmite información crítica. Bandas anchas significan alta incertidumbre. Bandas estrechas significan que el resultado es más predecible. Como regla general, mayor volumen (más posiciones) y menor varianza por posición producen bandas más estrechas. Por eso los inversores profesionales están obsesionados con el volumen: no se trata solo de acumular ventaja, sino de estrechar el intervalo de confianza alrededor de esa ventaja.
Colas gruesas y persistencia de régimen
Un error común en la simulación de Monte Carlo es asumir que los resultados de las posiciones siguen una distribución normal (gaussiana). En realidad, los rendimientos de las inversiones deportivas exhiben colas gruesas — los resultados extremos (tanto positivos como negativos) ocurren con más frecuencia de lo que una distribución normal predice.
El motor de simulación de Yoseri aborda esto usando distribuciones t de Student con grados de libertad calibrados para modelar las colas gruesas observadas en datos reales de posiciones. La distribución t de Student tiene un parámetro (grados de libertad) que controla qué tan gruesas son las colas. Grados de libertad más bajos significan colas más gruesas y resultados más extremos.
Además, Yoseri incorpora persistencia de régimen — la observación empírica de que las rachas ganadoras y perdedoras tienden a agruparse más de lo que la pura aleatoriedad predeciría. El motor de simulación modela esta autocorrelación, lo que significa que los drawdowns simulados son más profundos y sostenidos que los que produciría una simulación ingenua de posiciones independientes. El resultado es una estimación más conservadora y realista del riesgo a la baja.
Por qué todo inversor serio debería simular antes de aumentar posiciones
El momento más peligroso en el camino de un inversor es cuando las cosas van bien. Después de un período rentable, la tentación de aumentar las posiciones es enorme. Pero aumentar las posiciones sin entender el rango completo de resultados posibles es cómo los inversores rentables destruyen sus carteras. La simulación de Monte Carlo proporciona el control de disciplina: antes de duplicar tu unidad de posición, simula 1,000 futuros al nuevo nivel de posición y mira el drawdown del percentil 5.
La simulación también te ayuda a establecer expectativas realistas. Muchos inversores abandonan demasiado pronto porque sus resultados no coinciden con su proyección de valor esperado. Pero si hubieran ejecutado una simulación primero, habrían visto que sus resultados actuales están bien dentro del rango normal de varianza.
Para una exploración más profunda de cómo la varianza afecta la trayectoria de tu cartera, lee nuestra guía sobre simulación de varianza en la gestión de cartera. Combinar los resultados de simulación con un dimensionamiento disciplinado de posiciones es la base de la rentabilidad sostenible a largo plazo.