Sergi Sánchez: cómo convirtió los datos y la validación en la base de Sersan Sistemas

De la curiosidad universitaria a dedicar su carrera a los sistemas

La trayectoria de Sergi Sánchez en los mercados financieros comenzó mucho antes de que el trading algorítmico tuviera la presencia que tiene hoy. Su interés apareció durante sus años universitarios, en una época en la que encontrar formación especializada, herramientas avanzadas o contenidos sobre desarrollo sistemático era bastante más complicado que ahora.

Según explica en una entrevista, inicialmente compaginaba ese interés con su trabajo en la empresa familiar. Lo que empezó como una afición fue ocupando cada vez más espacio hasta que tomó una decisión importante: abandonar aquella actividad y dedicarse profesionalmente a los mercados.

Ese salto llegó en 2002.

No se trataba todavía del ecosistema actual, lleno de plataformas, comunidades, cursos y programas capaces de generar estrategias automáticamente. Sergi entró en un entorno en el que gran parte del aprendizaje dependía de investigar por cuenta propia, leer documentación especializada y enfrentarse directamente a los errores.

Aprender trading algorítmico cuando casi no había formación

Buena parte de sus primeros conocimientos fueron autodidactas.

Sánchez recuerda que cuando comenzó existían muy pocos recursos especializados en español. Empezó utilizando software de análisis y posteriormente fue aprendiendo programación a través de libros, documentación y material procedente principalmente de Estados Unidos, donde la industria cuantitativa estaba bastante más desarrollada.

Esto terminó moldeando una forma particular de acercarse a los mercados.

En lugar de depender exclusivamente de la interpretación visual de un gráfico o de decisiones tomadas en el momento, empezó a interesarse por algo diferente: convertir ideas en reglas que pudieran medirse, programarse y ponerse a prueba con datos históricos.

Ahí aparece uno de los elementos que posteriormente definiría a Sersan Sistemas.

Una hipótesis podía parecer lógica. Una entrada podía resultar atractiva. Incluso un backtest podía mostrar números espectaculares.

Pero ninguna de esas cosas era suficiente por sí sola.

Había que comprobarlas.

El mercado como parte del proceso de aprendizaje

Sergi tampoco presenta aquellos primeros años como un camino libre de errores. Al hablar de su formación, señala que la práctica y las pérdidas fueron una parte importante del proceso.

Su reflexión sobre este punto resulta especialmente interesante porque no considera que perder sea algo que deba buscarse para aprender. Más bien plantea que comenzar sin conocimientos suficientes aumenta considerablemente el riesgo de cometer errores que podrían evitarse con mejores fundamentos.

Con los años, esa experiencia parece haber reforzado una idea que hoy ocupa un lugar central en su trabajo: antes de asignar dinero a una hipótesis, hay que someterla a un proceso de evaluación suficientemente riguroso.

No basta con que una estrategia haya funcionado algunas veces.

Hay que intentar descubrir por qué funcionó, en qué condiciones podría dejar de hacerlo y cuánto riesgo existe de que los resultados históricos sean simplemente producto del azar o de una mala optimización.

Ese cambio de perspectiva —pasar de buscar operaciones a estudiar procesos— terminaría convirtiéndose en uno de los pilares de la filosofía de Sergi Sánchez y de Sersan Sistemas.

Por qué Sergi Sánchez apostó por un enfoque basado en datos y reglas

Una de las grandes diferencias en la forma de trabajar de Sergi Sánchez está en cómo entiende la toma de decisiones.

En lugar de depender de interpretaciones hechas en tiempo real, su enfoque busca definir previamente qué condiciones deben cumplirse para entrar, salir, reducir exposición o descartar una idea. Después, esas reglas se someten a análisis estadístico para comprobar si realmente existe una ventaja que merezca ser operada.

Esa forma de pensar es la base del trading algorítmico y sistemático.

Para Sergi, una de sus principales ventajas es que permite trabajar con expectativas medibles. Si un sistema ha sido correctamente estudiado, el operador puede conocer aproximadamente qué frecuencia de aciertos, rachas negativas, drawdowns o comportamientos anómalos podrían formar parte de su funcionamiento normal.

Esto cambia bastante la relación con cada operación individual.

Una pérdida deja de ser necesariamente una señal de que algo está mal. Puede ser simplemente uno de los resultados contemplados dentro de la distribución estadística del modelo.

Saber qué esperar antes de poner capital en riesgo

Durante la entrevista, Sánchez pone un ejemplo especialmente ilustrativo: uno de sus sistemas había acumulado nueve operaciones negativas consecutivas.

Visto de forma aislada, una racha así podría hacer que muchos operadores abandonaran el modelo o modificaran sus reglas.

Sin embargo, en su caso esos resultados seguían estando dentro de los parámetros esperados.

Esa es precisamente una de las fortalezas que Sergi encuentra en trabajar con sistemas correctamente evaluados. Las decisiones no dependen únicamente de cómo se siente después de varias pérdidas, sino de comparar lo que está ocurriendo en tiempo real con lo que previamente mostraron los datos.

Si el comportamiento continúa dentro de los límites estudiados, el algoritmo sigue ejecutándose.

Si aparece una desviación verdaderamente significativa, entonces existe una razón objetiva para investigar qué está pasando.

La diferencia parece pequeña, pero supone pasar de reaccionar ante cada resultado a trabajar con un marco definido de antemano.

Automatizar no significa eliminar la psicología

Puede parecer que un sistema automático elimina por completo las emociones, pero Sergi Sánchez sostiene prácticamente lo contrario.

La psicología sigue siendo relevante.

El operador todavía puede sentir la tentación de detener un algoritmo después de varias pérdidas, modificar parámetros porque una entrada parece poco convincente o intervenir cuando aparece una noticia importante.

El problema es que cada una de esas decisiones puede introducir nuevamente la subjetividad que inicialmente se intentaba reducir.

Sergi explica que incluso en la operativa algorítmica existe el riesgo de transmitir los propios sesgos al diseño del sistema.

Por eso considera importante que las reglas construidas sean compatibles con el perfil de quien posteriormente tendrá que utilizarlas.

Una persona con poca tolerancia a determinados drawdowns probablemente encontrará difícil mantener un modelo que atraviese largos periodos negativos, aunque estadísticamente siga funcionando según lo esperado.

Un sistema también debe ser soportable para quien lo opera

Este punto añade una dimensión interesante al desarrollo cuantitativo.

No se trata únicamente de encontrar la combinación que produce mejores estadísticas históricas.

También hay que preguntarse si esa estructura podrá mantenerse cuando llegue una mala racha real.

Sergi insiste en que existe una diferencia entre observar una caída dentro de un gráfico histórico y vivirla con dinero expuesto.

Cuando conocemos el resultado final del backtest, sabemos que después de una caída llegó una recuperación. En tiempo real no existe esa certeza.

Por eso el riesgo debe evaluarse no solo matemáticamente, sino también desde la capacidad del operador o del inversor para soportarlo.

Ese equilibrio entre datos, control emocional y gestión monetaria conecta con las conocidas “tres M” que Sergi utiliza como referencia: mente, método y dinero.

Ninguna funciona completamente aislada.

Un buen algoritmo con una exposición excesiva puede terminar siendo inviable. Una gestión prudente aplicada a un modelo sin ventaja tampoco soluciona el problema. Y un sistema robusto puede perder todo su valor si quien lo administra modifica constantemente sus reglas.

En Sersan Sistemas, esa combinación termina formando una filosofía bastante clara: primero definir el proceso, después medirlo y, solo entonces, decidir si merece capital.

El gran enemigo de un sistema: la sobreoptimización

Uno de los temas que Sergi Sánchez más destaca cuando habla de desarrollo cuantitativo es la sobreoptimización, también conocida como overfitting.

El problema aparece cuando una idea se ajusta tanto a los datos históricos que termina funcionando casi a la perfección en el pasado, pero pierde capacidad de adaptación cuando se enfrenta a condiciones nuevas.

Sobre el papel, todo puede verse excelente.

El backtest muestra una curva limpia, pocas pérdidas y estadísticas llamativas.

Pero eso no significa necesariamente que exista una ventaja real.

Un buen backtest no siempre es un buen sistema

Sergi insiste en que conseguir resultados históricos atractivos puede ser relativamente sencillo si se modifican suficientes parámetros.

Se pueden añadir filtros, cambiar horarios, ajustar entradas, variar salidas y seguir optimizando hasta encontrar una combinación que encaje extraordinariamente bien con lo que ya ocurrió.

El problema es que cada ajuste adicional puede aumentar el riesgo de estar construyendo una solución demasiado específica para el pasado.

Ahí aparece una de las ideas centrales de Sersan Sistemas: no se trata de buscar el backtest más bonito, sino el comportamiento más robusto.

Eso implica aceptar, en muchos casos, que una versión aparentemente “peor” en el histórico puede ser más interesante si depende de menos variables y tiene mayor capacidad de mantenerse estable fuera de muestra.

Validar significa intentar demostrar que la idea puede fallar

La filosofía de Sergi resulta especialmente útil porque cambia la forma de evaluar una estrategia.

En lugar de preguntarse únicamente:

“¿Cómo puedo mejorar estos resultados?”

La pregunta pasa a ser:

“¿Qué pruebas puedo hacer para descubrir si esto es demasiado bueno para ser verdad?”

Ese cambio obliga a someter cada propuesta a distintos escenarios.

Backtesting, pruebas fuera de muestra, forward testing, análisis de sensibilidad y otras técnicas estadísticas sirven precisamente para poner presión sobre la hipótesis inicial.

El objetivo no es confirmar continuamente que funciona.

Es intentar encontrar sus debilidades antes de arriesgar capital real.

La robustez importa más que la perfección

Sánchez explica que, dentro de su propio trabajo, han llegado a desarrollar varias versiones de un mismo algoritmo sin ponerlas todas en producción.

Una versión nueva puede mostrar mejores estadísticas históricas y aun así no ser suficientemente superior como para justificar el cambio.

Eso demuestra una forma de trabajar bastante distinta a la búsqueda permanente de optimización.

A veces, tocar menos es mejor.

Un modelo sencillo, con reglas comprensibles y un comportamiento relativamente estable en diferentes periodos, puede ofrecer más información que otro extremadamente ajustado cuya rentabilidad depende de parámetros muy específicos.

Por eso, dentro del trading algorítmico, la calidad no debería medirse únicamente por cuánto ganó una simulación.

También importa cómo consiguió esos resultados.

Cuántas variables utiliza.

Qué ocurre cuando se modifican ligeramente sus parámetros.

Cómo responde en periodos que no participaron en su desarrollo.

Y, sobre todo, si el comportamiento en real permanece razonablemente cerca de lo que mostraban las pruebas.

De programar estrategias a evaluar hipótesis

Este punto ayuda a entender por qué Sergi Sánchez no reduce su trabajo a saber programar.

La programación es una herramienta.

Lo realmente difícil aparece antes y después del código: formular una idea con sentido, definir reglas claras, comprobarla con información histórica y someterla a suficientes pruebas como para decidir si merece seguir adelante.

De hecho, en la entrevista señala que el verdadero valor está mucho más en el proceso de evaluación, optimización y validación que en encontrar continuamente nuevos filtros para mejorar una curva pasada.

Esa filosofía también explica el enfoque actual de Sersan Sistemas.

No se busca enseñar únicamente a crear algoritmos.

La intención es desarrollar criterio para distinguir entre una estrategia que simplemente luce bien en pantalla y otra que ha pasado por un proceso suficientemente serio como para considerar su uso con dinero real.

Del sistema individual a una cartera de estrategias

Una de las ideas más importantes dentro del enfoque de Sergi Sánchez es que la solidez no depende únicamente de tener un algoritmo que funcione bien.

También importa cómo se combina con otros.

Por eso, dentro de Sersan Sistemas, el desarrollo cuantitativo no termina cuando una estrategia supera sus pruebas. El siguiente paso es estudiar cómo puede convivir con otras dentro de una cartera más amplia, intentando evitar que todo el resultado dependa de una sola lógica, un único activo o una única condición de mercado.

Esta forma de trabajar acerca el proceso a una gestión mucho más profesional.

Diversificar también significa diversificar comportamientos

Cuando se habla de diversificación, muchas veces se piensa únicamente en repartir el dinero entre distintos instrumentos.

Pero en una cartera sistemática el problema es más profundo.

Dos algoritmos pueden operar activos diferentes y, aun así, reaccionar de manera muy parecida ante determinados movimientos. Si ambos pierden al mismo tiempo, la supuesta diversificación puede desaparecer justo cuando más se necesita.

Por eso, el análisis de una cartera debe observar no solo qué mercados utiliza cada modelo, sino también cómo se relacionan sus resultados, sus periodos de caída y su exposición al riesgo.

El objetivo es construir una estructura donde las distintas piezas aporten comportamientos complementarios.

SYO y OYS dentro de la gestión de Sersan Sistemas

Esta filosofía también puede verse en los vehículos que Sergi Sánchez ha gestionado a través de Darwinex, entre ellos los Darwin SYO y OYS.

En la entrevista se habla especialmente de SYO como una cartera construida a partir de distintos sistemas y con exposición a diferentes tipos de movimientos.

Más que depender de acertar la dirección general de la bolsa, la intención es utilizar enfoques capaces de trabajar bajo condiciones diversas.

Sergi explica que dentro de sus carteras han utilizado estrategias sobre activos como el Nasdaq y el oro, además de operar tanto posiciones largas como cortas.

Eso permite entender mejor qué significa realmente una gestión algorítmica diversificada.

No se trata de tener diez algoritmos haciendo prácticamente lo mismo.

Se trata de intentar construir fuentes de comportamiento suficientemente distintas como para que una mala etapa de una parte de la cartera no necesariamente arrastre a todo el conjunto.

El riesgo se estudia a nivel de portfolio

Cuando varias estrategias empiezan a trabajar juntas, la gestión monetaria adquiere todavía más importancia.

Ya no basta con saber cuánto arriesga cada una de forma individual.

Hay que analizar cuánto riesgo existe en conjunto, qué puede ocurrir si varias entran simultáneamente en drawdown y qué nivel de apalancamiento puede soportar la estructura completa.

Por eso aparecen conceptos como VaR, CVaR, correlación, volatilidad y probabilidad de ruina.

No son términos añadidos únicamente para hacer más sofisticado el análisis.

Sirven para responder preguntas muy concretas.

¿Cuánto podría perder una cartera bajo determinadas condiciones?

¿Qué estrategias están aportando realmente diversificación?

¿Cuánto capital debería recibir cada sistema?

¿Y qué ocurriría si aparece un escenario extremo?

Ese tipo de preguntas forman parte de la transición desde simplemente crear algoritmos hasta empezar a pensar como un gestor cuantitativo.

Una cartera no se termina cuando empieza a operar

Otro aspecto importante es la supervisión.

Que un sistema haya superado un proceso de validación no significa que vaya a mantenerse sin cambios para siempre.

Los mercados evolucionan y las condiciones pueden variar.

Sin embargo, para Sergi Sánchez esa supervisión tampoco significa modificar constantemente las reglas ante cualquier racha negativa.

La clave está en comparar el comportamiento real con lo que ya se esperaba estadísticamente.

Si una caída permanece dentro de los parámetros estudiados, intervenir únicamente por miedo puede terminar siendo contraproducente.

Si aparece una desviación relevante, entonces sí existe una razón para analizar qué está ocurriendo.

Esa diferencia entre supervisar e improvisar es fundamental dentro del trabajo de Sersan Sistemas.

El algoritmo ejecuta.

Los datos permiten evaluar.

Y el gestor decide únicamente cuando existe suficiente evidencia para hacerlo.

Pensar como una empresa, no como una colección de estrategias

Esta visión termina llevando el enfoque de Sergi a un nivel más amplio.

Una cartera de sistemas necesita protocolos, criterios de asignación de capital, reglas para situaciones anómalas y mecanismos de seguimiento.

En otras palabras, necesita una estructura.

Por eso su forma de trabajar se acerca más a la lógica de una empresa de gestión cuantitativa que a la idea de encontrar continuamente nuevas entradas.

Cada algoritmo es solo una pieza.

Lo verdaderamente importante es cómo se diseña, cómo se valida, cuánto capital recibe y qué función cumple dentro del conjunto.

La psicología del trader algorítmico: automatizar no elimina el miedo

Una de las ideas más interesantes en la visión de Sergi Sánchez es que automatizar una operativa no significa dejar de sentir presión.

A primera vista, podría parecer que un algoritmo resuelve el componente emocional porque ejecuta las reglas sin dudar. Sin embargo, Sergi explica que la verdadera dificultad aparece en otro momento: cuando el operador siente la tentación de intervenir.

Después de varias pérdidas consecutivas, una noticia importante o un movimiento brusco, es fácil empezar a cuestionar el sistema.

Y ahí vuelve a entrar la psicología.

Seguir el plan cuando todo invita a tocarlo

En la entrevista, Sergi cuenta que uno de sus modelos llegó a acumular nueve fallos consecutivos y, aun así, seguía dentro de los parámetros estadísticos previstos.

Para alguien que trabaja de forma discrecional, una racha así puede ser muy difícil de soportar.

En un enfoque sistemático existe una ventaja: las reglas ya están definidas y el histórico permite tener una referencia de lo que puede considerarse normal.

Pero incluso así, la persona sigue teniendo que decidir si confía en el proceso.

Sergi insiste en que la clave está en no modificar una operativa simplemente porque una secuencia de resultados genera incomodidad.

Si el comportamiento sigue dentro de lo esperado, intervenir por miedo puede terminar destruyendo precisamente aquello que se validó antes.

Las pérdidas afectan, pero no deberían dirigir las decisiones

Sánchez reconoce que los resultados negativos siguen molestando incluso después de muchos años.

La diferencia está en que la emoción no debería convertirse en una orden.

Sentirse incómodo es una cosa.

Cambiar parámetros, detener estrategias o ignorar señales solo por esa incomodidad es otra muy distinta.

Desde su experiencia, la disciplina consiste en seguir haciendo lo correcto incluso cuando el resultado reciente no acompaña.

Ese punto conecta directamente con una de sus ideas más repetidas: mente, método y dinero deben funcionar juntos.

Un buen diseño cuantitativo puede reducir parte de la incertidumbre, pero no sustituye la capacidad de respetar el plan.

Los eventos extremos ponen a prueba la convicción

Otro aspecto especialmente interesante es cómo ha actuado Sergi durante momentos de alta tensión financiera.

En la entrevista menciona haber estado expuesto al mercado durante episodios como la crisis de 2008, la pandemia o eventos de fuerte dislocación.

Su postura es clara: si no existe un protocolo previo que indique detener un sistema, no debería hacerse únicamente porque el contexto parece excepcional.

Eso no significa ignorar el riesgo.

Significa haberlo estudiado antes.

Si existe un fallo técnico, problemas de ejecución o una condición que realmente invalida el funcionamiento, entonces sí debe intervenirse.

Pero si el mercado sigue operando y las variables permanecen dentro de lo contemplado, la reacción emocional no debería sustituir al proceso cuantitativo.

La ventaja real está en separar emoción y ejecución

Aquí aparece uno de los beneficios más importantes del enfoque algorítmico.

El algoritmo no siente miedo.

No intenta recuperar una pérdida.

No aumenta el tamaño de una posición porque “esta vez seguro funciona”.

No se salta una señal porque una noticia genera incertidumbre.

Pero quien está detrás del sistema sí puede caer en todas esas conductas.

Por eso, la automatización no elimina la psicología: cambia el lugar donde aparece.

En vez de decidir constantemente cuándo entrar o salir, el reto pasa a ser respetar un modelo previamente analizado y evitar intervenir sin evidencia suficiente.

Ese principio ayuda a entender por qué Sergi Sánchez pone tanto énfasis en la validación.

Cuanto mejor conoce una persona las características de su estrategia —sus rachas negativas, drawdowns, frecuencia de aciertos y escenarios extremos—, más herramientas tiene para mantener la disciplina cuando llega una etapa difícil.

Y ahí, más que en cualquier indicador o señal puntual, es donde empieza a aparecer una operativa verdaderamente profesional.

Sersan Sistemas 2025: aprender a construir y validar sistemas con criterio

Después de repasar la trayectoria de Sergi Sánchez, su curso se entiende mejor como una extensión directa de la forma en que lleva años trabajando: primero formular una idea, después convertirla en reglas, someterla a pruebas y solo entonces decidir si merece capital.

Ese enfoque está presente en Sersan Sistemas 2025, una formación centrada en trading algorítmico, desarrollo de sistemas, validación estadística, gestión monetaria y construcción de carteras.

No se limita a enseñar cómo automatizar una entrada.

El programa entra también en temas como backtesting, forward testing, walk forward, optimización, análisis Monte Carlo, control de drawdown y diversificación entre estrategias.

Para alguien que quiere dejar atrás la improvisación y empezar a trabajar con procesos más medibles, puede ser una formación especialmente interesante.

Del diseño de una idea a su puesta en marcha

Uno de los puntos fuertes del curso es que recorre prácticamente todo el proceso.

Empieza con fundamentos de mercados financieros y evolución del trading, pasa por diseño de sistemas y programación en EasyLanguage, y después profundiza en la parte realmente crítica: comprobar si lo que se ha construido tiene suficiente robustez.

Ahí aparece uno de los mayores diferenciales de la propuesta de Sergi Sánchez.

No basta con que un backtest gane.

Hay que estudiar si está sobreoptimizado, cómo se comporta fuera de muestra, qué ocurre cuando cambian ligeramente los parámetros y si las pérdidas esperadas son compatibles con el capital y con el perfil del operador.

Ese tipo de análisis es precisamente lo que permite pasar de una idea atractiva a una metodología más profesional.

Gestión monetaria y construcción de cartera

La formación también dedica una parte importante a la asignación de capital.

Dentro del temario aparecen modelos como Fixed Size, Fixed Fractional, Fixed Ratio y Percent Volatility, además de conceptos relacionados con probabilidad de ruina.

Más adelante, el foco pasa del sistema individual al portfolio completo.

Diversificación, MPT, PMPT, VaR, CVaR, apalancamiento y supervisión forman parte de esa etapa.

Esto resulta especialmente coherente con la experiencia de Sersan Sistemas gestionando carteras sistemáticas y con la importancia que Sergi da a controlar el riesgo a nivel global, no únicamente operación por operación.

Una formación para quien quiere entender el proceso completo

Si quieres profundizar en este enfoque, en TOULH puedes encontrar Sersan Sistemas 2025 de Sergi Sánchez.

Puede tener sentido especialmente para quienes quieren aprender a diseñar sus propios modelos, evaluar estrategias con datos y entender por qué una curva histórica atractiva no garantiza que exista una ventaja real.

También puede resultar útil para operadores discrecionales que quieran acercarse progresivamente a una forma de trabajo más sistemática.

Eso sí, conviene tener una expectativa realista.

El trading algorítmico no convierte automáticamente una mala idea en una buena estrategia. La automatización ejecuta reglas con precisión, pero el verdadero trabajo sigue estando en la calidad del diseño, la validación, la gestión del riesgo y la capacidad de descartar aquello que no supera las pruebas.

Menos intuición, más evidencia

La carrera de Sergi Sánchez ayuda a entender por qué Sersan Sistemas terminó construyéndose alrededor de los datos.

Empezó en una época donde había poca formación especializada, aprendió gran parte de manera autodidacta y fue desarrollando una forma de trabajar cada vez más orientada a reglas, programación y análisis estadístico.

Después de más de dos décadas dedicadas a los mercados, su filosofía parece resumirse en una idea sencilla:

no confiar en una estrategia solo porque parece buena.

Hay que intentar romperla.

Probarla en diferentes escenarios.

Medir cuánto puede perder.

Estudiar qué ocurre cuando cambian las condiciones.

Y solo después decidir si merece ponerse en real.

Ese enfoque probablemente sea una de las razones por las que su trabajo resulta diferente dentro del panorama hispanohablante del trading algorítmico.

No parte de la búsqueda de señales perfectas.

Parte de algo mucho más difícil: construir suficiente evidencia para saber cuándo una idea puede ser utilizada y cuándo debería descartarse.