Principales tipos de estrategias de trading algorítmico
5/5/2026 · R. B. Atai
El trading algorítmico no empieza con la pregunta "dónde compro" ni con la elección de un indicador. Empieza con una hipótesis sobre por qué el mercado a veces no se comporta de forma aleatoria: continúa un movimiento, vuelve a una media, se separa temporalmente entre instrumentos relacionados, paga por proporcionar liquidez o recompensa la distribución del riesgo entre activos.
Por eso un tipo de estrategia no es una receta lista para usar, sino una descripción de la fuente de edge que se supone que existe. Un enfoque vive de las tendencias, otro de desviaciones de corto plazo, un tercero de la microestructura del libro de órdenes, un cuarto de la diversificación de cartera. Cada uno tiene su propia frecuencia de operaciones, requisitos de datos, modelo de ejecución, perfil de drawdown y riesgo de que la regularidad desaparezca.
A continuación se presenta una visión general de los principales tipos de estrategias, sin señales de trading y sin promesas de rentabilidad. El objetivo no es elegir la "mejor", sino entender qué hipótesis de mercado prueba cada grupo y dónde suele romperse.
Trend following
Trend following se basa en la idea de que un movimiento fuerte puede durar más de lo que parece razonable para un observador. La estrategia no intenta atrapar el mínimo ni el máximo. Espera una confirmación de dirección y entra cuando una parte del movimiento ya ha ocurrido.
En una forma sencilla, puede ser una regla basada en medias móviles, canales, filtros de breakout o rentabilidad positiva en un periodo anterior. En una forma más estricta, se acerca al time-series momentum: el instrumento se evalúa frente a su propia dinámica pasada, no frente a otros activos. Moskowitz, Ooi y Pedersen documentaron la persistencia de este efecto en distintas clases de futuros, aunque eso no lo convierte en una ley permanente del mercado. 1
El principal coste del trend following es el retraso. La estrategia a menudo compra no "barato", sino después de una subida, y vende no en el máximo, sino después de un giro. En un mercado lateral recibe una serie de entradas falsas: el precio sale un poco del rango, se activa la señal y luego el mercado vuelve. Por eso estos sistemas suelen depender de tendencias fuertes poco frecuentes que compensan muchas pérdidas pequeñas.
La pregunta de ingeniería aquí no es "qué indicador es mejor", sino si la estrategia resiste largos periodos de vaivén, si incorpora comisiones y slippage, si no aumenta demasiado el tamaño de la posición después de una tendencia exitosa y si no se rompe cuando cambia la volatilidad.
Mean reversion
Mean reversion parte de la idea opuesta: una desviación respecto a cierto estado medio no siempre continúa; a veces el mercado vuelve. La media puede ser una moving average, un valor razonable, un spread entre instrumentos relacionados, una estimación factorial, un rango intradía o una norma estadística de volatilidad.
Estas estrategias suelen parecer intuitivas: si el precio se ha alejado demasiado, puede esperarse una vuelta. Pero la palabra "demasiado" es peligrosa. Una desviación puede ser ruido temporal o puede ser el inicio de un nuevo régimen. Lo que ayer era una extensión, hoy puede ser una revaloración de información por parte del mercado.
Mean reversion es especialmente sensible al horizonte. En intervalos cortos, la reversión puede estar relacionada con microestructura, order flow y desequilibrios temporales de liquidez. En intervalos más largos, se acerca más a value, estimaciones fundamentales o saturación de factores. Un error de horizonte convierte la estrategia en promediar contra el mercado: la posición crece justo cuando la hipótesis ya ha dejado de funcionar.
Por eso mean reversion necesita reglas estrictas de parada. No basta con una señal de desviación; también hace falta un criterio para reconocer el error: cuándo la desviación dejó de ser ruido y se convirtió en un nuevo estado del mercado.
Momentum
Momentum se parece al trend following, pero el énfasis es distinto. Trend following suele mirar la dinámica de un instrumento frente a sí mismo: si hay una dirección persistente. Momentum compara a menudo instrumentos entre sí: qué activos fueron más fuertes o más débiles en un periodo pasado y si esa fuerza relativa se mantiene.
El trabajo clásico de Jegadeesh y Titman mostró que comprar antiguos "ganadores" y vender antiguos "perdedores" en horizontes de 3 a 12 meses producía resultados estadísticamente significativos en la muestra estudiada de acciones estadounidenses. 2 Para la práctica, lo importante no es una rentabilidad histórica concreta, sino el hecho de que momentum no es el ánimo de un trader: es un efecto de mercado investigado, con mucha literatura y límites igual de grandes.
El punto débil de momentum son las operaciones saturadas y los giros bruscos. Cuando muchos participantes mantienen posiciones parecidas, su salida puede convertirse en un movimiento autorreforzado en dirección contraria. Además, momentum soporta mal los periodos en los que el mercado cambia rápidamente entre líderes y rezagados.
En una implementación algorítmica, momentum casi siempre exige una mirada de cartera: cómo se ordenan los instrumentos, con qué frecuencia se hace rebalanceo, cuánto turnover genera la estrategia, si la señal sobrevive a las comisiones y si el resultado no es consecuencia de survivorship bias.
Breakout strategies
Breakout strategies trabajan con el momento en que el precio sale de un rango, nivel, canal o régimen de baja volatilidad. La hipótesis es simple: si el mercado estuvo mucho tiempo comprimido o contenido dentro de límites, una salida puede indicar nueva información, un desequilibrio de órdenes o el inicio de un movimiento.
El problema es que todos ven el breakout. Los máximos, mínimos y números redondos suelen convertirse en zonas de mucho ruido: allí se activan stop orders, aparecen órdenes agresivas, los market makers reajustan cotizaciones y los participantes de corto plazo intentan capturar el impulso. Por eso un falso breakout no es una excepción, sino una parte normal de esta clase de estrategias.
Para los enfoques de breakout, el modelo de ejecución es especialmente importante. En el gráfico, la entrada parece un cruce limpio de un nivel. En la realidad, después del breakout se amplía el spread, la liquidez disponible puede desaparecer y una market order puede recibir un precio peor que el supuesto del backtest. La documentación de mercado y libro de órdenes de los exchanges muestra que el mercado existe como un flujo de órdenes, operaciones y actualizaciones de profundidad, no como una línea de precio ordenada. 3
Por eso en la prueba no importa solo el hecho del breakout. Hay que entender qué ocurrió dentro de la vela, con qué retraso apareció la señal, a qué precio podía ejecutarse realmente la orden y cómo sobrevive la estrategia a una serie de entradas falsas.
Arbitrage
Arbitrage, en sentido estricto, es el intento de ganar con una diferencia de precio entre instrumentos o venues relacionados. El ejemplo más simple es el mismo activo negociándose a precios distintos en dos exchanges. Versiones más complejas incluyen cash-and-carry, funding arbitrage, cadenas triangulares, diferencias entre spot y derivados, o entre un ETF y la cesta de activos subyacente.
Sobre el papel, el arbitraje parece casi sin riesgo: comprar más barato y vender más caro. En un sistema de trading se convierte rápidamente en una conversación sobre infraestructura. Hay que ver precios al mismo tiempo, tener en cuenta comisiones, funding, límites de retiro, riesgo de custodia o transferencia, latencia, ejecuciones parciales, límites de API y la posibilidad de que una pata se ejecute y la otra no.
En el mercado cripto se suma la fragmentación de venues. El mismo símbolo puede tener distinta profundidad, distintas comisiones, distintas reglas de margen y distintos retrasos en la actualización de datos. Una diferencia de cotización no siempre es una oportunidad; a veces es simplemente compensación por riesgo de transferencia, baja liquidez o acceso limitado.
Por eso las estrategias de arbitraje no se evalúan por una diferencia de precio atractiva en una pantalla, sino por la posibilidad de ejecutar el ciclo completo: datos, ejecución, todos los costes, control de saldos, gestión de fallos y lógica de emergencia cuando las posiciones se separan.
Market making
Market making es proporcionar liquidez mediante cotizaciones simultáneas de bid y ask. La idea no es prever la dirección, sino cotizar el mercado de forma sistemática y recibir compensación por el spread, asumiendo inventory risk y adverse selection.
Inventory risk aparece cuando la estrategia acumula una posición demasiado grande en una dirección. Si el mercado sigue moviéndose en contra, esa posición acumulada convierte "ganar el spread" en una apuesta direccional. Adverse selection significa que el market maker a menudo se ejecuta justo cuando la otra parte tiene más información: le golpean el bid antes de una caída o el ask antes de una subida.
Avellaneda y Stoikov formalizaron market making como un problema de cotización en un limit order book, teniendo en cuenta el inventario y la intensidad de llegada de órdenes. 4 La conclusión práctica de estos modelos no es que exista una fórmula universal de cotización, sino que market making es sobre todo gestión del riesgo de posición, de la cola y de la probabilidad de ejecución.
Este tipo de estrategia exige especialmente a la infraestructura. Necesita datos rápidos del libro de órdenes, conexión estable con el exchange, control de límites, lógica de cancelación y reposición de órdenes, protección frente a stale quotes y monitorización de desviaciones. Sin eso, una estrategia puede verse estable en simulación y perder dinero en ejecución real.
Pairs trading
Pairs trading es un caso particular de trading relativo. La estrategia elige dos instrumentos relacionados, observa su spread y supone que una divergencia temporal puede cerrarse. Un ejemplo clásico son dos acciones del mismo sector, dos ETF con exposición parecida, o spot y un derivado sobre el mismo activo subyacente.
La palabra importante es "relacionados". Una simple correlación de rentabilidades no garantiza que los precios vayan a volver a una relación estable. En pairs trading se suele mirar cointegration, estabilidad del spread, factores comunes, liquidez de ambas patas y el historial de rupturas de la relación. Gatev, Goetzmann y Rouwenhorst estudiaron pairs trading como una regla relative-value sobre una larga historia de acciones estadounidenses, pero incluso ese planteamiento no elimina la necesidad de considerar costes e inestabilidad del efecto. 5
El principal riesgo de pairs trading es que el spread no tiene por qué converger. Las empresas pueden separarse fundamentalmente, un activo puede perder liquidez, un evento regulatorio puede cambiar la relación, y en una crisis las correlaciones suelen comportarse de forma distinta a como lo hacían en una muestra tranquila.
Por eso pairs trading no es "una posición compensa a la otra", sino una doble tarea: comprobar que la relación es estable y limitar de antemano el daño si esa relación deja de existir.
Statistical arbitrage
Statistical arbitrage es más amplio que pairs trading. Es una familia de estrategias en la que el edge se construye a partir de muchas desviaciones estadísticas débiles: residuos factoriales, rankings cross-sectional, componentes PCA, carteras sector-neutral, señales de reversión de corto plazo, variables de imbalance y otros modelos.
El nombre puede sonar demasiado seguro. "Arbitrage" aquí normalmente no significa una operación sin riesgo. Más a menudo es una apuesta a que muchas regularidades pequeñas, diversificadas por instrumentos y tiempo, producirán una distribución estable de resultados. Avellaneda y Lee estudiaron statistical arbitrage en acciones estadounidenses mediante PCA y modelos factoriales con ETF, mostrando no solo la metodología, sino también la degradación de resultados en ciertos periodos. 6
El mayor riesgo de statistical arbitrage es el overfitting. Cuantas más variables, instrumentos, filtros y parámetros prueba el investigador, mayor es la probabilidad de encontrar una ilusión histórica bonita. En el backtest parecerá un edge limpio; en trading real puede desaparecer después de comisiones, slippage y un cambio de régimen.
Aquí son especialmente importantes out-of-sample, walk-forward, control de data snooping, modelado honesto de transaction costs y análisis de si la señal se mantiene en parámetros cercanos. Si una estrategia funciona solo en una configuración estrecha, eso suele ser señal de fragilidad, no de precisión.
Portfolio strategies
Portfolio strategies no son una señal concreta, sino una capa de distribución de capital entre activos, factores y las propias estrategias. A veces esa capa de cartera determina el comportamiento final del sistema más que las entradas y salidas individuales.
El marco clásico empieza con la Modern Portfolio Theory: el riesgo de una cartera depende no solo del riesgo de los activos individuales, sino también de su covarianza. 7 En el trading algorítmico esta idea se amplía: se pueden diversificar no solo activos, sino también horizontes, fuentes de alpha, regímenes de mercado, tipos de ejecución y presupuestos de riesgo.
Las estrategias de cartera prácticas incluyen risk parity, volatility targeting, factor allocation, rebalanceo periódico, límites de concentración, drawdown-based de-risking y distribución de capital entre varios sistemas independientes. Su objetivo no es adivinar el siguiente tick, sino evitar que una sola fuente de riesgo determine el destino de todo el capital.
Pero la diversificación suele sobreestimarse. Diez estrategias en un mismo mercado pueden resultar ser una sola apuesta por liquidez o por un régimen de volatilidad. En una historia tranquila, las correlaciones parecen bajas; en un periodo de estrés, convergen. Por eso un enfoque de cartera necesita stress tests, escenarios y una pregunta honesta: cuántas fuentes de riesgo realmente independientes tiene el sistema.
En herramientas como ai-trader, esta capa es útil no como escaparate de "muchas estrategias", sino como disciplina: límites de exposición, control de correlaciones, registro de rebalanceos, monitorización de drawdown y comparación reproducible de estrategias mediante métricas risk-adjusted.
Cómo comparar tipos de estrategias
No se pueden comparar estrategias de forma honesta solo por su rentabilidad histórica. Distintas clases ganan en distintas condiciones y se rompen de maneras distintas.
Para una primera evaluación conviene hacer preguntas de ingeniería:
- qué datos necesita la estrategia: OHLCV, tick data, libro de órdenes, funding, corporate actions, métricas on-chain o noticias;
- cuál es el horizonte de decisión: segundos, minutos, días, semanas o meses;
- cuánto depende el resultado de comisiones, spread, slippage, funding y borrow costs;
- si la señal puede ejecutarse con un tamaño real sin market impact significativo;
- cómo se comporta la estrategia en tendencia, mercado lateral, crisis de liquidez y subida brusca de volatilidad;
- si existe capacity: cuánto capital puede colocarse antes de que desaparezca el edge;
- cómo es el tail risk: pérdidas raras, gap risk, liquidation risk, una pata de la operación bloqueada;
- si la estrategia es estable con parámetros cercanos y otras muestras de datos;
- qué pre-trade y post-trade controls hacen falta antes de lanzarla en live.
El último punto suele subestimarse. Los reguladores no tratan el automated trading como "una señal más una API", sino como un sistema con pruebas, límites, monitorización, control de acceso, resiliencia y procedimientos ante fallos. Las guidelines de ESMA sobre automated trading describen expresamente requisitos de sistemas y controles para plataformas de negociación y firmas de inversión. 8
La conclusión práctica es que el tipo de estrategia define no solo la idea de entrada, sino todo el marco de validación. Trend following puede probarse con datos más gruesos, pero exige tolerancia a largos periodos de vaivén. Market making necesita datos de libro de órdenes e infraestructura. Statistical arbitrage requiere protección estricta contra overfitting. Portfolio strategies requieren análisis de correlaciones y pensamiento en regímenes de estrés.
Conclusión
En el trading algorítmico no existe el mejor tipo de estrategia fuera de contexto. Trend following y momentum viven de la continuación del movimiento. Mean reversion y pairs trading buscan el cierre de desviaciones. Breakout strategies intentan capturar el paso de compresión a movimiento. Arbitrage y market making dependen de microestructura, velocidad y ejecución. Statistical arbitrage reúne regularidades débiles en una cartera. Portfolio strategies gestionan cómo se distribuye el capital entre todas esas fuentes de riesgo.
El denominador común es simple: una estrategia debe ser una hipótesis comprobable, no una descripción bonita de un gráfico. Necesita datos adecuados, un backtest honesto, un modelo de costes, control de ejecución, límites de riesgo y comprensión del régimen de mercado en el que deja de funcionar.
Eso es lo que separa el trading algorítmico como práctica de ingeniería del intento de adivinar el siguiente movimiento del mercado.