Sesgo de supervivencia: quién falta en el resultado

Un ranking puede mostrar cuentas todavía activas, mientras que una formación anuncia a graduados elegidos. Para concluir algo sobre el conjunto, necesitas saber quién empezó y quién falta. El sesgo de supervivencia aparece cuando los casos que siguen observables representan indebidamente a un grupo del que desaparecieron otros.

No toda selección ni toda ausencia significa lo mismo

Excluir por supervivencia, elegir los mejores días de una cuenta continua y responder voluntariamente una encuesta son mecanismos distintos, aunque pueden coexistir. Una cuenta puede cerrar o dejar de publicarse por razones diferentes de perder. Un resultado desconocido no es cero ni negativo: pregunta si la ausencia se relaciona con aquello que quieres medir.

Brown, Goetzmann, Ibbotson y Ross estudiaron en 1992 rendimientos y volatilidad en muestras truncadas por supervivencia, mostrando apariencia de predictibilidad. Su investigación no estima el éxito de traders Forex actuales ni reconstruye una historia de aviones. La lección es examinar cómo entraron y salieron casos del análisis.

Población, universo y registro completo

En anuncios, rankings y publicaciones, comprueba criterio, periodo, costes, flujos y exposición abierta. Aquí no se cuantifica cuántas veces un algoritmo oculta pérdidas ni por qué alguien deja de publicar. Los registros visibles pueden ser auténticos y aun así insuficientes para estimar el grupo. La falta de datos por sí sola no demuestra engaño.

En una estrategia histórica de acciones, usar solo componentes actuales de un índice puede excluir instrumentos disponibles antes. El universo elegible debe corresponder a la regla en cada fecha. Estudiar un par de divisas fijado previamente no exige añadir todas las monedas desaparecidas. Elegir par, periodo o parámetros después de ver rendimientos introduce otro problema de selección y sobreajuste.

Cohorte ficticia con registro completo: de veinte cuentas visibles, dieciséis son positivas y cuatro negativas después de costes, el 80 % positivo. Las ochenta omitidas contienen catorce positivas y sesenta y seis negativas. El grupo original suma treinta positivas y setenta negativas: 30 %. La diferencia es de cincuenta puntos porcentuales. No todas las ausentes pierden; sus resultados se conocen solo porque este ejercicio dispone del registro completo.

En otro grupo, distinto, de veinte personas, conoces seis resultados positivos, seis no positivos y ocho desconocidos. Entre los doce observados son positivos el 50 %. Para las veinte personas, el mínimo posible es 6/20 = 30 % y el máximo (6 + 8)/20 = 70 %. Son límites de lo que podría mostrar el grupo completo, sin suponer distribución o mecanismo de ausencia.

Un ganador seleccionado no prueba una probabilidad mayor

Fija población, periodo y criterio antes de elegir ejemplos. Sin el registro completo del primer modelo no puedes asignar arbitrariamente los ochenta resultados omitidos. Los límites del segundo tampoco son un intervalo de confianza ni una previsión de éxito personal.

Otro modelo supone dieciséis personas, cuatro intentos independientes por persona, probabilidad de éxito 1/2 para todas e independencia entre personas. Alguien elegido antes tiene probabilidad (1/2)⁴ = 1/16 = 6,25 % de acertar los cuatro. La probabilidad de que nadie lo logre es (15/16)¹⁶ ≈ 35,61 %; de que al menos uno lo haga, 64,39 %.

Puedes seleccionar un ganador auténtico de cuatro aciertos sin diferencias de habilidad dentro del modelo. Bajo esos supuestos, su siguiente probabilidad sigue siendo 1/2. No es una estimación Forex ni demuestra que todo método real carezca de ventaja. Verificar la racha no resuelve cómo fue seleccionada.

Cuentas perdedoras y operaciones ganadoras tienen otras unidades

El comunicado de ESMA del 27 de marzo de 2018 citó análisis de autoridades de la UE donde habitualmente perdían el 74–89 % de cuentas minoristas CFD. Es un rango histórico europeo, sin carácter mundial actual ni probabilidad individual. En España, el anexo II de la resolución CNMV de 2019 delimita el cálculo de la advertencia aplicable al proveedor y su periodo, con la excepción prevista para advertencia estándar. Revisa entidad, producto y alcance.

Una tasa de acierto del 98 % por operación no se compara directamente con proporción de cuentas perdedoras. Modelo sin costes: noventa y ocho operaciones ganan una unidad cada una y dos pierden cien cada una. Aciertos: 98 %; resultado: 98 − 200 = −102 unidades. Ni la advertencia ni ese porcentaje prueban que un perfil concreto sea deshonesto, hábil o afortunado.

Obtén mejores datos en vez de imponer resultados

Busca un grupo definido antes del resultado y un tratamiento explícito de ausencias. Recoger solo fracasos espectaculares forma otra muestra seleccionada. Una anécdota puede sugerir preguntas, sin establecer probabilidad de éxito ni nivel de riesgo inicial apropiado para todos.

Conserva configuraciones fallidas y datos de evaluación separados. El resumen primario de Bailey y colaboradores de 2014 explica cómo probar múltiples variantes puede generar un backtest atractivo. Usar reiteradamente el mismo conjunto reservado debilita su separación, y reservar datos no repara un universo incompleto. Un historial largo verificado tampoco explica por qué se eligió mostrar esa cuenta.

Amplía el segundo ejercicio: recuperas cinco resultados antes desconocidos, tres positivos y dos no positivos. Ahora hay nueve positivos, ocho no positivos y tres desconocidos. La fracción observada es 9/17 ≈ 52,94 %, pero el grupo completo queda entre 9/20 = 45 % y 12/20 = 60 %. La cobertura pasa de 60 % a 85 %. Cambió la información, no los resultados originales ni la conducta de las personas.

Una revisión que puedas realizar esta semana

1. Elige un ranking y escribe grupo inicial, criterio de inclusión, periodo y definición del resultado. Marca desconocidos los campos sin evidencia y comprueba costes, flujos y posiciones abiertas; verificar una captura no responde por sí solo cómo se seleccionó.
2. Separa registros omitidos conocidos de resultados realmente ausentes, sin asignarles pérdidas o ceros. Calcula la fracción observada y límites del grupo completo con denominadores visibles; cuando recuperes datos, muestra qué parte del intervalo se estrecha y por qué.
3. Redacta una conclusión del alcance de la evidencia, como «esta cuenta fue positiva en este periodo». Conserva configuraciones fallidas y criterios anteriores al resultado, sin copiar operaciones ni convertir una selección de éxitos o fracasos en probabilidad personal de ganar.