Cómo usar simulaciones de Monte Carlo para decisiones de posiciones más inteligentes

¿Qué es una simulación de Monte Carlo?

Una simulación de Monte Carlo es una técnica computacional que utiliza muestreo aleatorio repetido para modelar la probabilidad de diferentes resultados en un proceso inherentemente incierto. Nombrada en honor al famoso distrito de casinos de Mónaco, el método fue desarrollado en la década de 1940 por científicos que trabajaban en proyectos de armas nucleares y necesitaban modelar sistemas complejos con muchas variables aleatorias.

La idea central es elegante: en lugar de intentar resolver analíticamente un problema complejo de probabilidad (lo cual es frecuentemente imposible), simulas el proceso miles o millones de veces, cada vez usando entradas aleatorias extraídas de distribuciones de probabilidad conocidas. La agregación de todas esas simulaciones te da una imagen estadística de lo que es probable que ocurra, lo que podría pasar en el mejor caso y lo que podría pasar en el peor caso.

Los métodos de Monte Carlo se usan en finanzas, ingeniería, física e inteligencia artificial. En las inversiones deportivas, son una de las herramientas más potentes disponibles para entender el riesgo, dimensionar posiciones y establecer expectativas realistas para la trayectoria de tu cartera.

Cómo se aplica Monte Carlo a las posiciones

Los resultados de las inversiones deportivas son probabilísticos. Incluso si tienes una ventaja genuina — digamos, un 54 % de tasa de acierto en posiciones a -110 — no puedes predecir la secuencia de aciertos y fallos que experimentarás. Dos inversores con ventajas idénticas tendrán resultados a corto plazo radicalmente diferentes dependiendo del orden aleatorio de sus resultados.

Aquí es donde la simulación de Monte Carlo se vuelve invaluable. En lugar de preguntar "¿cuáles serán mis resultados?", preguntas "¿cuáles son todas las cosas que podrían ser mis resultados?". Al simular tu estrategia exacta de posiciones — tu ventaja, el tamaño de tu posición, tu número de posiciones — a través de miles de secuencias aleatorias, construyes una distribución de resultados posibles que revela el rango verdadero de lo que puedes esperar.

Las entradas de una simulación de Monte Carlo para posiciones son directas:

• Cartera inicial — cuánto capital tienes al empezar
• Ventaja estimada por posición — tu valor esperado promedio, frecuentemente derivado de tu CLV o ventaja basada en modelos
• Rendimientos promedio — los rendimientos decimales típicas de tus posiciones
• Método de dimensionamiento — posición fija, porcentaje del cartera o criterio de Kelly
• Número de posiciones — cuántas posiciones por simulación (por ej. una temporada de 500 posiciones)
• Número de simulaciones — cuántos "futuros" paralelos generar (típicamente 1,000 a 5,000)

Un ejemplo práctico: 1,000 temporadas simuladas

Supongamos que tienes una cartera inicial de 10,000 $, una ventaja estimada del 3 % por posición, rendimientos promedio de 2.00, posiciones fijas del 2 % de la cartera inicial (200 $ por posición), y planeas hacer 400 posiciones en una temporada. Ejecutar 1,000 temporadas simuladas produce una distribución de valores finales de la cartera.

En una simulación típica con estos parámetros, podrías ver resultados como:

Estos números cuentan una historia que ninguna estimación puntual puede contar. Sí, tu beneficio esperado es positivo, pero hay un 17 % de probabilidad de que termines la temporada en pérdida a pesar de tener una ventaja real. Hay un 18 % de probabilidad de que experimentes un drawdown del 20 % o más en algún punto de la temporada. Y la diferencia entre los mejores y peores resultados es enorme — del +76 % al -28 %.

Esta es la realidad de las posiciones que muchos subestiman. Una ventaja no garantiza beneficio a corto plazo. La simulación de Monte Carlo hace esto visceralmente claro al mostrarte el rango completo de lo que podría ocurrir.

Interpretando distribuciones de probabilidad

El resultado de una simulación de Monte Carlo no es un número único — es una distribución. Entender cómo leer esta distribución es crítico.

Métricas clave para extraer de la distribución:

• Resultado mediano: El percentil 50 de los carteras finales. Es una estimación más robusta de tu resultado "típico" que la media, porque es menos influenciada por valores extremos atípicos.
• Intervalos de confianza: El rango entre, por ejemplo, el percentil 10 y el 90 te dice que el 80 % de los resultados simulados caen dentro de esta banda. Esta es tu rango de planificación realista.
• Probabilidad de beneficio: Qué porcentaje de simulaciones terminan por encima de tu cartera inicial. Incluso con una ventaja genuina, esto rara vez es 100 % en horizontes temporales cortos.
• Distribución del drawdown máximo: ¿Cuán profunda podría llegar tu peor racha perdedora? Esto es crucial para la preparación psicológica y el dimensionamiento de la cartera.
• Riesgo de ruina: La probabilidad de que tu cartera llegue a cero (o a un umbral crítico). Debería mantenerse por debajo del 1-2 % para cualquier estrategia de posiciones responsable.

Análisis del riesgo de ruina

El riesgo de ruina es uno de los resultados más importantes de una simulación de Monte Carlo. Responde a la pregunta existencial: "¿Cuál es la probabilidad de que quede completamente en bancarrota?"

El riesgo de ruina depende de tres factores que interactúan:

• Tamaño de la ventaja: Una ventaja mayor reduce la probabilidad de ruina exponencialmente. Pasar de una ventaja del 1 % al 3 % puede reducir el riesgo de ruina del 15 % a menos del 1 %.
• Dimensionamiento de posiciones: Posiciones más grandes en relación al cartera aumentan dramáticamente el riesgo de ruina. Un inversor que posición el 10 % de su cartera por posición enfrenta mucho más riesgo que uno que posición el 2 %, incluso con la misma ventaja. Por eso el ratio de Sharpe importa — mide el retorno en relación al riesgo.
• Profundidad de la cartera: Una cartera inicial más grande (en términos de unidades de posición) proporciona más colchón para absorber rachas perdedoras. Como exploramos en nuestra guía de simulación de varianza y cartera, la relación entre el tamaño de la cartera y la supervivencia no es lineal.

Una simulación de Monte Carlo bien calibrada te permite ajustar el dimensionamiento de tus posiciones para mantener el riesgo de ruina en un nivel aceptable. Para la mayoría de los inversores serios, el objetivo es inferior al 2 %. Esto generalmente significa invertir entre el 1 y el 3 % de tu cartera por posición, dependiendo de tu ventaja y las rendimientos que juegas habitualmente.

Cómo Yoseri ejecuta hasta 5,000 escenarios

El motor de simulación de Yoseri genera hasta 5,000 escenarios aleatorios basados en tu historial real de posiciones y parámetros. No es una calculadora de juguete — utiliza tus datos reales para producir proyecciones significativas.

Así es como funciona:

• Calibración histórica: El simulador extrae tu tasa de acierto real, rendimientos promedio, CLV y patrón de dimensionamiento de posiciones de tus posiciones rastreadas. Esto significa que la simulación refleja tu estrategia real, no una hipotética.
• Proyección futura: Usando esos parámetros calibrados, el motor simula tus próximas N posiciones a través de 5,000 secuencias independientes. Cada secuencia es un futuro posible diferente donde tu ventaja se desarrolla contra un orden aleatorio diferente de resultados.
• Distribución de resultados: Los resultados se agregan en bandas de percentiles (10, 25, 50, 75, 90) que muestran el rango realista de dónde podría terminar tu cartera.
• Métricas de riesgo: La distribución del drawdown máximo, el riesgo de ruina en varios umbrales y la probabilidad de alcanzar objetivos de beneficio específicos se calculan todos a partir de los resultados de la simulación.

¿Por qué 5,000 escenarios y no 500 o 50,000? Con 5,000 simulaciones, las estimaciones estadísticas de las métricas clave (mediana, percentiles, riesgo de ruina) se estabilizan con una precisión de aproximadamente el 1 %. Ir más arriba agrega precisión marginal con un costo computacional significativo. Ir más abajo arriesga estimaciones ruidosas, particularmente para eventos de cola como el riesgo de ruina donde necesitas muchas simulaciones para capturar resultados raros de manera confiable.

Casos de uso prácticos

Dimensionamiento de la cartera

¿Qué tan grande necesita ser tu cartera? Monte Carlo responde esto directamente. Ejecuta simulaciones con diferentes carteras iniciales hasta encontrar la cantidad que mantenga el riesgo de ruina por debajo de tu tolerancia. Si planeas invertir 200 $ por posición, podrías descubrir que una cartera de 5,000 $ tiene un 8 % de riesgo de ruina mientras que un cartera de 10,000 $ lo reduce a menos del 1 %.

Optimización del dimensionamiento de posiciones

¿Deberías invertir el 1 %, 2 % o 3 % de tu cartera? Monte Carlo muestra el compromiso. Posiciones más altas significan crecimiento más rápido de la cartera en el caso mediano pero distribuciones más amplias y mayor riesgo de ruina. Posiciones más bajas significan crecimiento más lento pero mucha más estabilidad. La guía de simulaciones de Monte Carlo demuestra este compromiso en detalle.

Proyecciones de temporada

Antes de que comience una nueva temporada, ejecuta una simulación con tu número esperado de posiciones, ventaja estimada y cartera actual. La distribución resultante te da un rango realista de resultados alrededor de los cuales planificar. Si el escenario del percentil 10 no es aceptable para ti, necesitas reducir el dimensionamiento de tus posiciones, aumentar tu cartera o mejorar tu ventaja antes de comenzar.

Comparación de estrategias

La simulación de Monte Carlo te permite comparar dos estrategias lado a lado. Por ejemplo, posición fija al 2 % de la cartera inicial versus criterio de Kelly al cuarto de Kelly. Al pasar ambas por las mismas 5,000 secuencias simuladas, puedes ver exactamente cómo difieren las distribuciones en términos de crecimiento esperado, riesgo y resultados en el peor caso.

Preparación para drawdowns

La simulación revela el drawdown máximo más probable que enfrentarás. Si el 80 % de las temporadas simuladas incluyen un drawdown de al menos el 15 %, sabes que debes esperarlo y prepararte psicológicamente. Los drawdowns son inevitables — Monte Carlo te dice cuán profundos es probable que sean para que no te tome por sorpresa.

Limitaciones y expectativas honestas

Las simulaciones de Monte Carlo son poderosas, pero son tan buenas como sus datos de entrada. Si tu ventaja estimada es incorrecta (lo cual ocurre frecuentemente, especialmente para inversores más nuevos), la distribución completa se desplaza. Una simulación que muestra un 85 % de probabilidad de beneficio asume que tu ventaja del 3 % es real — si tu ventaja real es del 1 %, el panorama cambia dramáticamente.

Por eso Yoseri calibra sus simulaciones a partir de tu rendimiento real rastreado en lugar de pedirte que adivines tu ventaja. Tu historial de CLV, como se describe en nuestro artículo sobre metodología de simulación, proporciona la estimación más confiable de tu verdadera ventaja, y usarlo como entrada de la simulación produce las proyecciones más realistas.