Python para Trading Algorítmico: Descarga de Datos Históricos y Estrategias de Momentum

Por Quantitative Engineering Team • Intermedio • 26 min de lectura • Actualizado 2026-09-13

Lo Que Dominarás en Este Tutorial

Obtener datos históricos limpios de acciones y ETFs mediante APIs modernas de Python
Calcular indicadores técnicos vectorizados: Medias Móviles Exponenciales (EMA), MACD y RSI
Generar señales sistemáticas de compra y venta sin sesgo de anticipación (lookahead bias)
Calcular métricas cuantitativas clave: Máximo Drawdown, Ratio de Sharpe y CAGR

PYTHON

import pandas as pd
import numpy as np

def calculate_momentum_strategy(df: pd.DataFrame, fast: int = 20, slow: int = 50) -> pd.DataFrame:
    """
    Calcula cruces de EMA y evalúa la curva de capital de la estrategia.
    """
    df = df.copy()
    df['EMA_Fast'] = df['Close'].ewm(span=fast, adjust=False).mean()
    df['EMA_Slow'] = df['Close'].ewm(span=slow, adjust=False).mean()
    
    # Señal de posición (1 para Comprado, 0 para Liquidez)
    df['Signal'] = np.where(df['EMA_Fast'] > df['EMA_Slow'], 1, 0)
    df['Position'] = df['Signal'].shift(1) # Desplazar para evitar anticipación
    
    # Retornos logarítmicos diarios
    df['Market_Return'] = np.log(df['Close'] / df['Close'].shift(1))
    df['Strategy_Return'] = df['Position'] * df['Market_Return']
    
    df['Cumulative_Market'] = df['Market_Return'].cumsum().apply(np.exp)
    df['Cumulative_Strategy'] = df['Strategy_Return'].cumsum().apply(np.exp)
    return df

Preguntas Frecuentes

¿Por qué es fundamental evitar el sesgo de anticipación (lookahead bias)?

El sesgo de anticipación ocurre cuando un algoritmo toma decisiones con datos que aún no estaban disponibles al abrirse la vela. Desplazar las señales 1 período garantiza un backtest 100% realista.