Los mercados son sistemas adaptativos y altamente dinámicos que dependen de la entrada de una multitud de actitudes de riesgo, ideas de inversión, frecuencias de negociación, expectativas económicas y mucho más.
Una forma de entender la dinámica del mercado es asumiendo que se tiene un modelo parametrizado para explicar o negociar el mercado, $m$ que depende de un conjunto de parámetros $\eta_i$ , $i \in \{1,2,\ldots, n\}$ . Este modelo podría ser el modelo CAPM en el que el tipo de interés de un activo $r$ se decide a través de $$r = \alpha + \beta r_{market} + \epsilon, \quad\epsilon \sim N(0,\sigma)$$ donde su conjunto de parámetros es $\{\alpha, \beta, \sigma\}$ . Si se estima este modelo (a través de OLS, por ejemplo), se asume implícitamente que el conjunto de parámetros no cambiará significativamente en el período fuera de la muestra, de lo contrario el modelo no es utilizable para el comercio, ya que el mundo que se ha observado es muy diferente del mundo en el futuro, y sólo es bueno para explicar el pasado. Si se utilizan datos de rentabilidad diaria y se estima el $\beta$ variable durante los últimos 30 años, lo más probable es que haya pasado por una serie de tipos de mercado diferentes que se agrupan en su estimación de parámetros estáticos. Por lo tanto, a menudo se desea crear modelos que cambien dinámicamente a lo largo del tiempo, como el uso de una estimación continua de $\beta$ . Y, por supuesto, el modelo anterior es bastante inútil a frecuencias extremadamente altas, y no le importará demasiado la política de tipos de interés cuando trabaje con datos de ticks.
También se reduce a lo que se supone que es una estrategia de negociación $do$ . Si asumimos que no está haciendo mercado, entonces estará explotando algún patrón o anomalía que se produce regularmente a través de algún tipo de indicador que le da señales. Esta pauta puede desaparecer si otros operadores se aferran a ella, o si la dinámica del mercado cambia debido a un acontecimiento externo.
Si quiere detectar cambios de régimen en los parámetros, hay varios métodos. Este documento ofrece un gran número de métodos diferentes desarrollados para este fin. Algunos de los más populares en finanzas son los modelos de Markov (ocultos) y el análisis de puntos de cambio. Puede encontrar buenas preguntas sobre esto bajo la etiqueta de régimen de mercado aquí.
Debo señalar que no creo que un backtest pueda ser demasiado largo si se trata de frecuencias más bajas, ya que los datos más largos sólo le darán más confianza en que su modelo realmente podría ser útil en una multitud de regímenes de mercado y no sólo en el pasado reciente. Mucha gente se esfuerza por generar datos artificiales con propiedades particulares para aumentar enormemente la duración de su backtest, de forma sintética.