Ley de los Grandes Números
Por qué el EV se realiza en el largo plazo, cuántos trades necesitas para que tu ventaja se materialice, y la relación con el Teorema Central del Límite.
La Ley: Media Muestral → Media Poblacional
La Ley de los Grandes Números (LLN, por sus siglas en inglés) es uno de los teoremas fundamentales de probabilidad. En su forma intuitiva dice: el promedio empírico de un número grande de observaciones independientes converge a la media teórica (esperada). Formalmente: si X₁, X₂, X₃, ..., Xₙ son variables aleatorias iid con media finita μ, entonces cuando n → ∞, la media muestral X̄ₙ = (X₁ + X₂ + ... + Xₙ) / n converge a μ. En términos del trading, si tu estrategia tiene valor esperado verdadero de $15 por trade, al ejecutar muchos trades independientes, el promedio observado de tu PnL por trade convergerá a $15. Esta es la razón matemática por la cual una ventaja positiva sostenida genera ganancias a largo plazo, aunque cada operación concreta pueda ganar o perder. La LLN es la justificación de fondo de la operativa sistemática y de la inversión a largo plazo. Fue probada rigurosamente en el siglo XVII por Jacob Bernoulli y extendida por Chebyshev y Kolmogorov. Es una piedra angular de la teoría de probabilidades, de la estadística inferencial, y de las finanzas cuantitativas modernas. Sin la LLN, no habría forma de construir ventajas estadísticas que rindan dinero de forma fiable: todo sería puro azar.
Ley Débil vs. Ley Fuerte
Matemáticamente hay dos versiones de la LLN, con importancia técnica pero implicaciones prácticas similares. (1) Ley Débil de los Grandes Números (Bernoulli 1713, Khinchin): afirma convergencia en probabilidad. Para cualquier ε > 0, Pr(|X̄ₙ − μ| > ε) → 0 cuando n → ∞. Intuitivamente: "la probabilidad de que la media muestral esté lejos de μ se hace arbitrariamente pequeña con n grande". (2) Ley Fuerte de los Grandes Números (Borel 1909, Kolmogorov): afirma convergencia casi segura (almost sure). Pr(X̄ₙ → μ) = 1 cuando n → ∞. Intuitivamente: "con probabilidad 1, la media muestral converge a μ". La Ley Fuerte es estrictamente más fuerte que la Ley Débil: implica la Débil, pero no viceversa. Para aplicaciones prácticas en trading, la distinción es académica —ambas garantizan que tu promedio a largo plazo converge al EV verdadero. Pero ambas versiones llevan una salvedad crítica: asumen que las variables tienen media finita. En distribuciones con colas extremadamente gordas (ej. Cauchy, con varianza infinita), la LLN puede fallar: la media muestral no converge. En finanzas, mientras los retornos tengan varianza finita (lo cual típicamente es el caso), LLN aplica, pero la convergencia puede ser mucho más lenta de lo que modelos normales sugieren.
Aplicación Directa en Trading
La LLN tiene implicaciones prácticas diarias para operadores. (1) Paciencia con la ventaja estadística: si tu estrategia tiene EV +$20 por trade y haces 200 trades al año, el EV anual es +$4,000, pero el resultado actual puede ser cualquiera dentro de un rango amplio en un año específico. La convergencia a EV requiere muchos trades —típicamente cientos o miles— y el proceso es ruidoso. Un buen operador con ventaja +$20 por trade puede perfectamente tener tres meses seguidos perdiendo dinero por pura varianza estadística. Entender esto es crucial para no abandonar estrategias correctas en caídas acumuladas. (2) La diversificación acelera la convergencia: ejecutar múltiples trades paralelos independientes aumenta el "n" efectivo y acelera la convergencia al EV de portafolio. Operar 1 trade por semana con ventaja +$20 es muy distinto de operar 20 trades por semana con la misma ventaja —el segundo converge 20× más rápido a su EV agregado. (3) Tiempo necesario para que la ventaja se manifieste: si la varianza σ² por trade es $500, el error estándar de la estimación del valor esperado tras n operaciones es σ/√n. Para tener un 95% de confianza en que tu valor esperado observado está a menos de 5 dólares del verdadero con σ=500, necesitas n ≈ (1.96 × 500 / 5)² ≈ 38,416 trades. Para una precisión de 10 dólares: n ≈ 9.604. Esto es un número sorprendentemente alto. Esto implica que la mayoría de operadores retail no acumula suficientes operaciones para alcanzar significación estadística sobre su estrategia; el que "funcionó por 50 trades" no prueba nada rigurosamente.
El Teorema Central del Límite
Relacionado pero distinto a la LLN está el Teorema Central del Límite (TCL), que posiblemente sea aún más potente. Mientras la LLN describe dónde converge la media muestral (a μ), el TCL describe cómo se distribuye alrededor de μ para n grande. El TCL dice: para X₁, X₂, ..., Xₙ iid con media μ y varianza σ² < ∞, la variable √n × (X̄ₙ − μ) / σ converge en distribución a una normal estándar N(0, 1) cuando n → ∞. Esto es extraordinario: sin importar la forma de la distribución original (normal, uniforme, exponencial, bimodal, la que sea), el promedio muestral se distribuye aproximadamente normal para n grande. Implicaciones: (1) Intervalos de confianza: podemos construirlos para μ basados en X̄ₙ ± z × σ/√n; es la base de prácticamente toda estadística inferencial. (2) Tests de hipótesis: bajo la hipótesis nula H₀: μ = μ₀, el estadístico (X̄ₙ − μ₀) / (σ/√n) sigue N(0,1) aproximadamente. (3) Por qué la normal aparece en todas partes: promedios de muchas variables independientes (mediciones, errores, retornos de muchos trades) naturalmente convergen a normal, razón por la cual la distribución normal es tan común. En trading, el TCL implica que los retornos anuales de una estrategia con muchos trades tienden a ser aproximadamente normales incluso si los retornos de trades individuales son altamente no-normales. Eso facilita modelar el rendimiento a nivel de cartera.
Cuántas Muestras Necesitas Realmente
Una pregunta frecuente pero pocas veces respondida con rigor: ¿cuántos trades necesito para probar que tengo ventaja? La respuesta depende del tamaño de la ventaja en relación con la varianza. Usando el TCL, el número de trades necesarios para distinguir estadísticamente una ventaja μ de cero con un 95% de confianza y una potencia del 80% es aproximadamente: n ≈ 8 × (σ/μ)². Ejemplos: (1) Ventaja de 15 dólares por operación, σ=$200: n = 8 × (200/15)² = 1,422 trades. (2) Ventaja de 5 dólares por operación, σ=$200: n = 8 × (200/5)² = 12,800 trades. (3) Ventaja de 20 dólares por operación, σ=$100: n = 8 × (100/20)² = 200 trades. La conclusión práctica es sobria: la mayoría de operadores no tienen suficientes trades para demostrar su ventaja con significación estadística. Esto tiene varias implicaciones: (a) no confíes en "tracks" de menos de 200-500 trades; son muy probablemente ruido; (b) los operadores sistemáticos de alta frecuencia —creadores de mercado, negociación algorítmica— acumulan evidencia con rapidez porque hacen miles de trades al día; (c) los inversores fundamentales a largo plazo, con una a cinco decisiones al año, nunca alcanzarán significación estadística sobre su método: dependen de una tesis cualitativa y del momento de entrada; (d) backtests pueden engañar: un backtest de 1,000 trades parece robusto pero puede estar sobre un solo régimen de mercado; necesitas datos que cubran varios ciclos.
LLN, Casinos y la Paradoja del Jugador
La LLN explica perfectamente por qué los casinos siempre ganan. Cada juego tiene valor esperado negativo para el jugador por diseño: la ruleta americana da a la casa una ventaja del 5,26%, el blackjack sin conteo en torno al 1% y las máquinas tragaperras entre el 5% y el 15%. Para cada apuesta individual, el resultado es incierto, pero a lo largo de miles de apuestas diarias y millones por año, la LLN garantiza que el resultado agregado converge a la ventaja de la casa. Un casino mediano genera $100M+ en ventaja de la casa anualmente por pura matemática. Interesantemente, el principio se invierte exactamente para el operador con una ventaja genuina: hace "casino" de sí mismo, jugando con ventaja estadística en su favor. Los hedge funds exitosos (Medallion, SAC, Citadel) operan millones de trades al año; la ley garantiza que, si realmente tienen ventaja, esa ventaja acaba materializándose en dinero. Una paradoja relacionada es la Paradoja del Jugador (Gambler's Fallacy): el sesgo cognitivo de creer que después de varias pérdidas, una ganancia es "más probable" para "balancear" las cosas. Esto es falso para variables iid —cada evento es independiente del anterior. Si has perdido 10 coin flips seguidos, la probabilidad del 11avo sigue siendo 50/50 (asumiendo fair coin). La LLN solo garantiza la convergencia de promedios en muestras grandes, no "compensación" en eventos individuales. Este sesgo destruye operadores que aumentan el tamaño después de perder ("martingale") —eventualmente una racha mala grande los elimina.