pág. 432
DESARROLLO DE UNA PLATAFORMA WEB PARA
REALIZAR BACKTESTING DE ESTRATEGIAS DE
INVERSIÓN EN EL MERCADO DE VALORES
DEVELOPMENT OF A WEB PLATFORM BASCKTESTING
INVESTMENT STRATEGIES IN THE STOCK MARKET
Luis Eduardo Riofrio López
Escuela Superior Politécnica Agropecuaria de Manabí.
Víctor Joel Pinargote
Escuela Superior Politécnica Agropecuaria de Manabí.
pág. 433
DOI: https://doi.org/10.37811/cl_rcm.v9i5.19682
Desarrollo de una plataforma web para realizar backtesting de estrategias
de inversión en el mercado de valores
Luis Eduardo Riofrio López1
luis_riofrio_mdw@espam.edu.ec
https://orcid.org/0009-0006-6021-9823
Escuela Superior Politécnica Agropecuaria de
Manabí.
Calceta, Ecuador.
Víctor Joel Pinargote
vpinargote@espam.edu.ec
https://orcid.org/0000-0003-0599-1651
Escuela Superior Politécnica Agropecuaria de
Manabí.
Calceta, Ecuador.
RESUMEN
Desarrollamos y evaluamos una plataforma web interactiva para simular estrategias de inversión.
Observamos que, si bien existían herramientas para probar estrategias de inversión (como las de Sarasa-
Cabezuelo, 2023), muchas carecían de un enfoque en la experiencia del usuario y el aprendizaje
autodirigido. Nuestro objetivo principal fue cerrar esta brecha, facilitando la comprensión del análisis
técnico y mejorando la toma de decisiones de los inversores con una herramienta usable y diseñada para
enseñar. Para lograrlo, implementamos una metodología mixta que incluyó una revisión bibliográfica,
un análisis comparativo de herramientas existentes, la aplicación de principios de diseño centrado en el
usuario para reducir la carga cognitiva (Sweller, 1988), y el desarrollo tecnológico con Node.js, React,
Next.js y MongoDB. Validamos la eficacia del sistema mediante pruebas de usabilidad y encuestas a
diez operadores financieros. Los resultados mostraron que el 70% de los participantes sintió una mejora
significativa en su entendimiento del mercado, destacando la facilidad de uso y el valor educativo de la
plataforma. En conclusión, integrar principios pedagógicos y un diseño interactivo en herramientas
digitales puede potenciar considerablemente el aprendizaje en la inversión financiera.
Palabras clave: simulación; inversiones; plataformas web; aprendizaje; análisis técnico.
1 Autor principal
Correspondencia: luis_riofrio_mdw@espam.edu.ec
DOI: https://doi.org/10.37811/cl_rcm.v9i5.19682
Desarrollo de una plataforma web para realizar backtesting de estrategias
de inversión en el mercado de valores
Luis Eduardo Riofrio López1
luis_riofrio_mdw@espam.edu.ec
https://orcid.org/0009-0006-6021-9823
Escuela Superior Politécnica Agropecuaria de
Manabí.
Calceta, Ecuador.
Víctor Joel Pinargote
vpinargote@espam.edu.ec
https://orcid.org/0000-0003-0599-1651
Escuela Superior Politécnica Agropecuaria de
Manabí.
Calceta, Ecuador.
RESUMEN
Desarrollamos y evaluamos una plataforma web interactiva para simular estrategias de inversión.
Observamos que, si bien existían herramientas para probar estrategias de inversión (como las de Sarasa-
Cabezuelo, 2023), muchas carecían de un enfoque en la experiencia del usuario y el aprendizaje
autodirigido. Nuestro objetivo principal fue cerrar esta brecha, facilitando la comprensión del análisis
técnico y mejorando la toma de decisiones de los inversores con una herramienta usable y diseñada para
enseñar. Para lograrlo, implementamos una metodología mixta que incluyó una revisión bibliográfica,
un análisis comparativo de herramientas existentes, la aplicación de principios de diseño centrado en el
usuario para reducir la carga cognitiva (Sweller, 1988), y el desarrollo tecnológico con Node.js, React,
Next.js y MongoDB. Validamos la eficacia del sistema mediante pruebas de usabilidad y encuestas a
diez operadores financieros. Los resultados mostraron que el 70% de los participantes sintió una mejora
significativa en su entendimiento del mercado, destacando la facilidad de uso y el valor educativo de la
plataforma. En conclusión, integrar principios pedagógicos y un diseño interactivo en herramientas
digitales puede potenciar considerablemente el aprendizaje en la inversión financiera.
Palabras clave: simulación; inversiones; plataformas web; aprendizaje; análisis técnico.
1 Autor principal
Correspondencia: luis_riofrio_mdw@espam.edu.ec
pág. 434
Development of a web platform bascktesting investment strategies in the
stock market
ABSTRACT
We developed and evaluated an interactive web platform designed to simulate investment strategies.
We observed that while various tools for backtesting investment strategies existed (e.g., Sarasa-
Cabezuelo, 2023), many often focused on technical functionality without prioritizing user experience or
direct support for self-directed learning. Our primary objective was to bridge this gap by enriching the
understanding of technical analysis and optimizing investors' decision-making processes through a
highly usable and pedagogically designed tool. To achieve this, we implemented a mixed methodology
that included a comprehensive literature review, a comparative analysis of currently available tools, the
application of user-centered design principles to reduce cognitive load (Sweller, 1988), and a
technological development phase using Node.js, React, Next.js, and MongoDB. We validated the
system's effectiveness through usability tests and structured surveys administered to ten financial
traders. The findings revealed that 70% of participants perceived a substantial improvement in their
market understanding, emphasizing the platform's ease of use and considerable educational value. In
conclusion, we argue that the confluence of pedagogical foundations and interactive design in the
development of digital tools can significantly catalyze study and training in financial investment.
Keywords: simulation; investments; web platforms; learning; technical análisis.
Artículo recibido 09 agosto 2025
Aceptado para publicación: 13 septiembre 2025
Development of a web platform bascktesting investment strategies in the
stock market
ABSTRACT
We developed and evaluated an interactive web platform designed to simulate investment strategies.
We observed that while various tools for backtesting investment strategies existed (e.g., Sarasa-
Cabezuelo, 2023), many often focused on technical functionality without prioritizing user experience or
direct support for self-directed learning. Our primary objective was to bridge this gap by enriching the
understanding of technical analysis and optimizing investors' decision-making processes through a
highly usable and pedagogically designed tool. To achieve this, we implemented a mixed methodology
that included a comprehensive literature review, a comparative analysis of currently available tools, the
application of user-centered design principles to reduce cognitive load (Sweller, 1988), and a
technological development phase using Node.js, React, Next.js, and MongoDB. We validated the
system's effectiveness through usability tests and structured surveys administered to ten financial
traders. The findings revealed that 70% of participants perceived a substantial improvement in their
market understanding, emphasizing the platform's ease of use and considerable educational value. In
conclusion, we argue that the confluence of pedagogical foundations and interactive design in the
development of digital tools can significantly catalyze study and training in financial investment.
Keywords: simulation; investments; web platforms; learning; technical análisis.
Artículo recibido 09 agosto 2025
Aceptado para publicación: 13 septiembre 2025
pág. 435
INTRODUCCIÓN
La convergencia entre tecnología y finanzas ha redefinido el panorama de la inversión en las últimas
décadas, consolidando a las herramientas digitales como ejes centrales para el análisis y la simulación
de estrategias. Este avance, impulsado por la expansión del FinTech y la creciente disponibilidad de
datos históricos, ha popularizado metodologías como el backtesting. Esta técnica, que permite evaluar
el rendimiento de una estrategia de inversión aplicando reglas predefinidas a series de datos pasadas
(Campbell, 2005; Sarasa-Cabezuelo, 2023), trasciende su utilidad meramente técnica. De hecho, el
backtesting se reconoce como un instrumento valioso para fomentar el desarrollo de habilidades
analíticas, el pensamiento crítico y la autonomía decisoria en los inversores (Harvey & Liu, 2015).
Diversos estudios destacan el potencial de las plataformas digitales como herramientas de
aprendizaje financiero, particularmente en entornos educativos, donde pueden facilitar la comprensión
de conceptos complejos y reducir la dependencia de intermediarios (López, Martínez & Torres, 2022;
Menkhoff, 2010). Sin embargo, a pesar de la existencia de múltiples herramientas funcionales para el
backtesting (Sarasa-Cabezuelo, 2023), la mayoría de las plataformas comerciales presentan barreras
significativas: suelen ser técnicamente complejas, costosas o poco adaptadas a usuarios sin experiencia
previa. Además, muchos de estos entornos, al priorizar la funcionalidad técnica, carecen de enfoques
pedagógicos sólidos y de principios de diseño centrado en el usuario (DCU), lo que limita su valor
como instrumentos formativos efectivos (Popov & Madlener, 2014; Martínez & Torres, 2021; Zhang,
Ding & Yang, 2024). Adicionalmente, gran parte de los frameworks de backtesting a menudo carecen
de validez estadística sólida debido a prácticas como el sobreajuste (overfitting), la omisión de variables
relevantes (como costos de transacción o comisiones) o el uso inapropiado de pruebas de significancia
(Arakelian et al., 2024). Este panorama evidencia una brecha concreta en la literatura y en el
mercado: la ausencia de herramientas web de backtesting que sean simultáneamente accesibles, con un
marcado enfoque educativo, robustamente funcionales y diseñadas explícitamente para facilitar el
aprendizaje del análisis técnico a usuarios con diversos niveles de experiencia.
Este estudio se propone responder directamente a esa necesidad, con el objetivo de diseñar y evaluar
una plataforma web interactiva de backtesting que integre rigurosidad técnica con una profunda
consideración pedagógica y de usabilidad. A diferencia de otros trabajos que se centran principalmente
INTRODUCCIÓN
La convergencia entre tecnología y finanzas ha redefinido el panorama de la inversión en las últimas
décadas, consolidando a las herramientas digitales como ejes centrales para el análisis y la simulación
de estrategias. Este avance, impulsado por la expansión del FinTech y la creciente disponibilidad de
datos históricos, ha popularizado metodologías como el backtesting. Esta técnica, que permite evaluar
el rendimiento de una estrategia de inversión aplicando reglas predefinidas a series de datos pasadas
(Campbell, 2005; Sarasa-Cabezuelo, 2023), trasciende su utilidad meramente técnica. De hecho, el
backtesting se reconoce como un instrumento valioso para fomentar el desarrollo de habilidades
analíticas, el pensamiento crítico y la autonomía decisoria en los inversores (Harvey & Liu, 2015).
Diversos estudios destacan el potencial de las plataformas digitales como herramientas de
aprendizaje financiero, particularmente en entornos educativos, donde pueden facilitar la comprensión
de conceptos complejos y reducir la dependencia de intermediarios (López, Martínez & Torres, 2022;
Menkhoff, 2010). Sin embargo, a pesar de la existencia de múltiples herramientas funcionales para el
backtesting (Sarasa-Cabezuelo, 2023), la mayoría de las plataformas comerciales presentan barreras
significativas: suelen ser técnicamente complejas, costosas o poco adaptadas a usuarios sin experiencia
previa. Además, muchos de estos entornos, al priorizar la funcionalidad técnica, carecen de enfoques
pedagógicos sólidos y de principios de diseño centrado en el usuario (DCU), lo que limita su valor
como instrumentos formativos efectivos (Popov & Madlener, 2014; Martínez & Torres, 2021; Zhang,
Ding & Yang, 2024). Adicionalmente, gran parte de los frameworks de backtesting a menudo carecen
de validez estadística sólida debido a prácticas como el sobreajuste (overfitting), la omisión de variables
relevantes (como costos de transacción o comisiones) o el uso inapropiado de pruebas de significancia
(Arakelian et al., 2024). Este panorama evidencia una brecha concreta en la literatura y en el
mercado: la ausencia de herramientas web de backtesting que sean simultáneamente accesibles, con un
marcado enfoque educativo, robustamente funcionales y diseñadas explícitamente para facilitar el
aprendizaje del análisis técnico a usuarios con diversos niveles de experiencia.
Este estudio se propone responder directamente a esa necesidad, con el objetivo de diseñar y evaluar
una plataforma web interactiva de backtesting que integre rigurosidad técnica con una profunda
consideración pedagógica y de usabilidad. A diferencia de otros trabajos que se centran principalmente
pág. 436
en la validación de la rentabilidad de estrategias de trading específicas (Basanisi y Torresetti, 2023) o
en la descripción de desarrollos puramente técnicos (Sarasa-Cabezuelo, 2023), el presente trabajo busca
ir más allá: su propósito es proporcionar una herramienta que facilite a los usuarios la exploración y el
aprendizaje del análisis técnico y la práctica de diversas estrategias de inversión, priorizando la mejora
de sus capacidades de toma de decisiones autónoma.
Desde la perspectiva educativa, el diseño de plataformas como esta se rige por principios pedagógicos
claros. La teoría de la carga cognitiva (Sweller, 1988), por ejemplo, sostiene que el aprendizaje ocurre
de forma más eficaz cuando las demandas mentales están alineadas con los recursos cognitivos
disponibles. Por ello, es fundamental desarrollar interfaces intuitivas y bien estructuradas, capaces de
centrar la atención del usuario en el contenido esencial sin generar sobrecarga ni distracciones. En esta
línea, el enfoque de diseño centrado en el usuario (User-Centered Design) permite construir entornos
de aprendizaje más accesibles y personalizados, reduciendo la fricción cognitiva y promoviendo la
exploración autónoma (Nielsen, 1994; García, Fernández & López, 2019). La usabilidad se convierte
así en una condición clave: herramientas que combinan claridad visual, navegación intuitiva y
retroalimentación comprensible pueden facilitar el autoaprendizaje en contextos financieros (Benyon,
2005; Fernández & Gómez, 2021). De hecho, como lo señalan Zhang et al. (2024), y se ha evidenciado
en el desarrollo de otras aplicaciones educativas (Mena Mena et al., 2025), la experiencia del usuario
influye directamente en la eficacia del aprendizaje dentro de plataformas digitales. Aspectos como la
elección tipográfica, el contraste visual y la estructura gráfica no solo contribuyen a la estética, sino
también a la comprensión de los datos. En este sentido, González, Torres & Lara (2020) subrayan que
los usuarios valoran diseños minimalistas, donde el contenido visual potencia el entendimiento en lugar
de interferir con él. Este estudio, a través de un enfoque metodológico mixto y aplicado, que incluye
revisión bibliográfica, análisis comparativo de herramientas y desarrollo tecnológico, busca aportar una
solución concreta que combine rigurosidad técnica, accesibilidad y un impacto positivo en el proceso
de aprendizaje del usuario.
DESARROLLO
La presente investigación adoptó un enfoque metodológico mixto y aplicado, estructurando el proceso
en cuatro fases secuenciales principales para el diseño, desarrollo y evaluación de la plataforma web de
en la validación de la rentabilidad de estrategias de trading específicas (Basanisi y Torresetti, 2023) o
en la descripción de desarrollos puramente técnicos (Sarasa-Cabezuelo, 2023), el presente trabajo busca
ir más allá: su propósito es proporcionar una herramienta que facilite a los usuarios la exploración y el
aprendizaje del análisis técnico y la práctica de diversas estrategias de inversión, priorizando la mejora
de sus capacidades de toma de decisiones autónoma.
Desde la perspectiva educativa, el diseño de plataformas como esta se rige por principios pedagógicos
claros. La teoría de la carga cognitiva (Sweller, 1988), por ejemplo, sostiene que el aprendizaje ocurre
de forma más eficaz cuando las demandas mentales están alineadas con los recursos cognitivos
disponibles. Por ello, es fundamental desarrollar interfaces intuitivas y bien estructuradas, capaces de
centrar la atención del usuario en el contenido esencial sin generar sobrecarga ni distracciones. En esta
línea, el enfoque de diseño centrado en el usuario (User-Centered Design) permite construir entornos
de aprendizaje más accesibles y personalizados, reduciendo la fricción cognitiva y promoviendo la
exploración autónoma (Nielsen, 1994; García, Fernández & López, 2019). La usabilidad se convierte
así en una condición clave: herramientas que combinan claridad visual, navegación intuitiva y
retroalimentación comprensible pueden facilitar el autoaprendizaje en contextos financieros (Benyon,
2005; Fernández & Gómez, 2021). De hecho, como lo señalan Zhang et al. (2024), y se ha evidenciado
en el desarrollo de otras aplicaciones educativas (Mena Mena et al., 2025), la experiencia del usuario
influye directamente en la eficacia del aprendizaje dentro de plataformas digitales. Aspectos como la
elección tipográfica, el contraste visual y la estructura gráfica no solo contribuyen a la estética, sino
también a la comprensión de los datos. En este sentido, González, Torres & Lara (2020) subrayan que
los usuarios valoran diseños minimalistas, donde el contenido visual potencia el entendimiento en lugar
de interferir con él. Este estudio, a través de un enfoque metodológico mixto y aplicado, que incluye
revisión bibliográfica, análisis comparativo de herramientas y desarrollo tecnológico, busca aportar una
solución concreta que combine rigurosidad técnica, accesibilidad y un impacto positivo en el proceso
de aprendizaje del usuario.
DESARROLLO
La presente investigación adoptó un enfoque metodológico mixto y aplicado, estructurando el proceso
en cuatro fases secuenciales principales para el diseño, desarrollo y evaluación de la plataforma web de
pág. 437
backtesting. El trabajo se realizó de forma presencial en las oficinas de SG Consulting Group durante
un período continuo de cuatro semanas.
Para la validación de la plataforma, se seleccionó un grupo de diez operadores financieros mediante
muestreo no probabilístico por conveniencia. Esta selección buscó representar una diversidad de perfiles
en términos de edad, experiencia y familiaridad tecnológica. Todos los participantes otorgaron su
consentimiento informado por escrito antes de iniciar las sesiones de evaluación. El grupo estuvo
conformado por operadores entre 18 y 38 años, con un promedio de 5 a 7 años de experiencia en el
mercado financiero. Todos ellos estaban familiarizados con plataformas profesionales de trading y
herramientas de backtesting (e.g., MetaTrader, NinjaTrader, Thinkorswim, TradingView), lo que
permitió una validación crítica y la obtención de retroalimentación informada. El número de
participantes se alineó con las recomendaciones metodológicas en pruebas de usabilidad, donde estudios
clásicos como el de Nielsen (1994) y hallazgos recientes sugieren que entre 5 y 8 usuarios son suficientes
para detectar la mayoría de los problemas críticos de diseño e interacción en etapas tempranas de
desarrollo.
La importancia del Diseño Centrado en el Usuario (DCU) y la usabilidad fue un pilar metodológico
transversal en esta investigación. Como demuestran investigaciones en el ámbito de las aplicaciones
educativas (Mena Mena et al., 2025), un diseño enfocado en el usuario puede mejorar significativamente
la comprensión y el interés del estudiante en temas complejos. En línea con esta perspectiva, nuestra
plataforma de backtesting fue concebida bajo principios de DCU para asegurar que la interacción con el
análisis técnico y las estrategias de inversión fuera intuitiva, fomentando el aprendizaje autónomo al
reducir la carga cognitiva (Sweller, 1988) y optimizando la experiencia del usuario. Este enfoque se
extendió en cada una de las siguientes fases:
Fases del Proceso Metodológico
La investigación se articuló en cuatro fases interconectadas, como se ilustra en la Figura 1:
backtesting. El trabajo se realizó de forma presencial en las oficinas de SG Consulting Group durante
un período continuo de cuatro semanas.
Para la validación de la plataforma, se seleccionó un grupo de diez operadores financieros mediante
muestreo no probabilístico por conveniencia. Esta selección buscó representar una diversidad de perfiles
en términos de edad, experiencia y familiaridad tecnológica. Todos los participantes otorgaron su
consentimiento informado por escrito antes de iniciar las sesiones de evaluación. El grupo estuvo
conformado por operadores entre 18 y 38 años, con un promedio de 5 a 7 años de experiencia en el
mercado financiero. Todos ellos estaban familiarizados con plataformas profesionales de trading y
herramientas de backtesting (e.g., MetaTrader, NinjaTrader, Thinkorswim, TradingView), lo que
permitió una validación crítica y la obtención de retroalimentación informada. El número de
participantes se alineó con las recomendaciones metodológicas en pruebas de usabilidad, donde estudios
clásicos como el de Nielsen (1994) y hallazgos recientes sugieren que entre 5 y 8 usuarios son suficientes
para detectar la mayoría de los problemas críticos de diseño e interacción en etapas tempranas de
desarrollo.
La importancia del Diseño Centrado en el Usuario (DCU) y la usabilidad fue un pilar metodológico
transversal en esta investigación. Como demuestran investigaciones en el ámbito de las aplicaciones
educativas (Mena Mena et al., 2025), un diseño enfocado en el usuario puede mejorar significativamente
la comprensión y el interés del estudiante en temas complejos. En línea con esta perspectiva, nuestra
plataforma de backtesting fue concebida bajo principios de DCU para asegurar que la interacción con el
análisis técnico y las estrategias de inversión fuera intuitiva, fomentando el aprendizaje autónomo al
reducir la carga cognitiva (Sweller, 1988) y optimizando la experiencia del usuario. Este enfoque se
extendió en cada una de las siguientes fases:
Fases del Proceso Metodológico
La investigación se articuló en cuatro fases interconectadas, como se ilustra en la Figura 1:
pág. 438
Figura 1: Fases de la investigación.
Fuente: Los autores.
1. Revisión de la Literatura: Se realizó una búsqueda sistemática en bases de datos académicas (e.g.,
Google Scholar, JSTOR, Scopus), priorizando artículos publicados en los últimos cinco años. La
revisión se centró en investigaciones relacionadas con herramientas de backtesting, diseño de interfaces
financieras, carga cognitiva y pedagogía digital. Esta etapa fue crucial para identificar las limitaciones
funcionales y educativas de plataformas existentes (incluyendo aquellas con enfoques puramente
técnicos como la descrita por Sarasa-Cabezuelo, 2023), así como para fundamentar los principios de
diseño y pedagógicos que guiaron nuestra propuesta.
2. Análisis Comparativo de Herramientas Existentes: Se elaboró una matriz de comparación técnica
y funcional de diversas plataformas de backtesting comerciales. Se analizaron aspectos clave como la
accesibilidad, la curva de aprendizaje, la aplicabilidad educativa, la experiencia de usuario (UX) y la
adaptabilidad a distintos dispositivos. Este análisis permitió establecer criterios específicos de diseño,
usabilidad y contenido, enfocados en superar las deficiencias identificadas y sentar las bases para un
prototipo con un valor diferenciado.
3. Desarrollo del Prototipo: Se construyó una plataforma web interactiva utilizando un conjunto de
tecnologías de desarrollo moderno, incluyendo Node.js (backend), React (frontend), Next.js (framework
de React) y MongoDB (base de datos). Esta elección de stack tecnológico, común en soluciones
similares por su robustez y escalabilidad (Guerrero Gallego, 2023), permitió la gestión eficaz de datos
históricos y la implementación de una interfaz de usuario dinámica.
Revisión
Bibliográfica
Análisis de
Limitaciones y
Oportunidades
Desarrollo de la
Plataforma
Web
Ejecución del
Proceso de
backtesting
Figura 1: Fases de la investigación.
Fuente: Los autores.
1. Revisión de la Literatura: Se realizó una búsqueda sistemática en bases de datos académicas (e.g.,
Google Scholar, JSTOR, Scopus), priorizando artículos publicados en los últimos cinco años. La
revisión se centró en investigaciones relacionadas con herramientas de backtesting, diseño de interfaces
financieras, carga cognitiva y pedagogía digital. Esta etapa fue crucial para identificar las limitaciones
funcionales y educativas de plataformas existentes (incluyendo aquellas con enfoques puramente
técnicos como la descrita por Sarasa-Cabezuelo, 2023), así como para fundamentar los principios de
diseño y pedagógicos que guiaron nuestra propuesta.
2. Análisis Comparativo de Herramientas Existentes: Se elaboró una matriz de comparación técnica
y funcional de diversas plataformas de backtesting comerciales. Se analizaron aspectos clave como la
accesibilidad, la curva de aprendizaje, la aplicabilidad educativa, la experiencia de usuario (UX) y la
adaptabilidad a distintos dispositivos. Este análisis permitió establecer criterios específicos de diseño,
usabilidad y contenido, enfocados en superar las deficiencias identificadas y sentar las bases para un
prototipo con un valor diferenciado.
3. Desarrollo del Prototipo: Se construyó una plataforma web interactiva utilizando un conjunto de
tecnologías de desarrollo moderno, incluyendo Node.js (backend), React (frontend), Next.js (framework
de React) y MongoDB (base de datos). Esta elección de stack tecnológico, común en soluciones
similares por su robustez y escalabilidad (Guerrero Gallego, 2023), permitió la gestión eficaz de datos
históricos y la implementación de una interfaz de usuario dinámica.
Revisión
Bibliográfica
Análisis de
Limitaciones y
Oportunidades
Desarrollo de la
Plataforma
Web
Ejecución del
Proceso de
backtesting
pág. 439
El diseño de la plataforma se fundamentó explícitamente en principios de usabilidad y en la teoría de la
carga cognitiva (Sweller, 1988), buscando optimizar la interacción del usuario y su proceso de
aprendizaje. Se puso un énfasis particular en:
• Simplicidad visual: Interfaces limpias y claras para evitar sobrecarga de información.
• Navegación fluida: Estructura intuitiva que minimiza la fricción cognitiva.
• Elementos gráficos funcionales: Visualizaciones interactivas que facilitan la comprensión de
datos complejos.
• Estructura jerárquica clara: Organización lógica de la información para una exploración
autónoma.
Adicionalmente, se implementaron funciones clave como filtros de estrategia personalizables, un
historial detallado de operaciones, visualizaciones gráficas interactivas y retroalimentación en tiempo
real, todo ello con el objetivo primordial de facilitar el análisis, la toma de decisiones y el aprendizaje
por parte del usuario. Los wireframes del diseño del prototipo se muestran en las Figuras 2, 3 y 4.
Figura 2: Wireframe del historial y resultados.
Fuente: OpenAI.
El diseño de la plataforma se fundamentó explícitamente en principios de usabilidad y en la teoría de la
carga cognitiva (Sweller, 1988), buscando optimizar la interacción del usuario y su proceso de
aprendizaje. Se puso un énfasis particular en:
• Simplicidad visual: Interfaces limpias y claras para evitar sobrecarga de información.
• Navegación fluida: Estructura intuitiva que minimiza la fricción cognitiva.
• Elementos gráficos funcionales: Visualizaciones interactivas que facilitan la comprensión de
datos complejos.
• Estructura jerárquica clara: Organización lógica de la información para una exploración
autónoma.
Adicionalmente, se implementaron funciones clave como filtros de estrategia personalizables, un
historial detallado de operaciones, visualizaciones gráficas interactivas y retroalimentación en tiempo
real, todo ello con el objetivo primordial de facilitar el análisis, la toma de decisiones y el aprendizaje
por parte del usuario. Los wireframes del diseño del prototipo se muestran en las Figuras 2, 3 y 4.
Figura 2: Wireframe del historial y resultados.
Fuente: OpenAI.
pág. 440
Figura 3: Wireframe del formulario de ingreso de parámetros.
Fuente: OpenAI.
Figura 4: Wireframe de la visualización de gráficas.
Fuente: OpenAI.
4. Validación Experimental: La evaluación de la plataforma se llevó a cabo mediante sesiones
supervisadas con los diez participantes seleccionados. Durante estas sesiones, se recopilaron datos a
través de una triangulación metodológica:
• Encuestas estructuradas: Con ítems de escala Likert (1 a 5), diseñadas para medir la percepción
de accesibilidad, facilidad de uso, utilidad percibida y satisfacción global.
• Preguntas abiertas: Orientadas a explorar impresiones cualitativas, sugerencias específicas y
áreas de mejora desde la experiencia directa del usuario.
• Observación directa: Focalizada en el comportamiento de los participantes al registrar
operaciones, configurar parámetros y navegar por la plataforma, identificando patrones de interacción y
Figura 3: Wireframe del formulario de ingreso de parámetros.
Fuente: OpenAI.
Figura 4: Wireframe de la visualización de gráficas.
Fuente: OpenAI.
4. Validación Experimental: La evaluación de la plataforma se llevó a cabo mediante sesiones
supervisadas con los diez participantes seleccionados. Durante estas sesiones, se recopilaron datos a
través de una triangulación metodológica:
• Encuestas estructuradas: Con ítems de escala Likert (1 a 5), diseñadas para medir la percepción
de accesibilidad, facilidad de uso, utilidad percibida y satisfacción global.
• Preguntas abiertas: Orientadas a explorar impresiones cualitativas, sugerencias específicas y
áreas de mejora desde la experiencia directa del usuario.
• Observación directa: Focalizada en el comportamiento de los participantes al registrar
operaciones, configurar parámetros y navegar por la plataforma, identificando patrones de interacción y
pág. 441
posibles puntos de fricción.
Las encuestas fueron validadas por dos expertos en tecnología educativa y diseño de interfaces, quienes
evaluaron su claridad, pertinencia y alineación con los objetivos del estudio. Además, se realizó una
prueba piloto con tres usuarios externos que permitió afinar la secuencia de preguntas y detectar posibles
ambigüedades antes de la fase principal de validación. Los datos cuantitativos obtenidos de las encuestas
fueron analizados mediante estadística descriptiva para identificar tendencias y patrones de percepción.
Las respuestas cualitativas de las preguntas abiertas y las notas de campo de la observación directa
fueron interpretadas a través de análisis temático. Esta triangulación metodológica permitió construir
una visión integrada y robusta sobre la funcionalidad, comprensión, percepción y, crucialmente, el valor
pedagógico del prototipo.
Los resultados obtenidos se presentan conforme a las etapas metodológicas definidas, lo que permite
una lectura clara de los hallazgos en función del diseño y los objetivos adoptados.
Hallazgos de la Revisión de Literatura y Análisis de Enfoques de Backtesting
La predicción del mercado de valores ha sido históricamente un campo de intensa investigación,
caracterizado por su complejidad y el debate sobre la eficiencia de los mercados. Shah et al. (2019)
ofrecen una revisión exhaustiva y una taxonomía de las técnicas de predicción del mercado de valores,
destacando la evolución desde teorías que lo conciben como un camino aleatorio hasta la aplicación de
técnicas de aprendizaje automático. La revisión bibliográfica y el análisis comparativo permitieron
identificar cuatro enfoques técnicos predominantes en backtesting: manual, análisis walk-forward,
simulación de Monte Carlo y el uso de algoritmos de trading.
La aplicación de algoritmos avanzados de aprendizaje automático, particularmente el Deep Learning,
representa una frontera significativa en el análisis de los mercados financieros y la formulación de
estrategias. Por ejemplo, Chen et al. (2019) demostraron que un modelo de fijación de precios de activos
basado en redes neuronales profundas puede superar a enfoques de backtesting tradicionales, recalcando
la capacidad del Deep Learning para identificar factores clave que impulsan la comprensión de la
dinámica de los mercados. En concordancia con Marc (2020), el uso de algoritmos y Deep Learning es
importante incluso para la predicción de burbujas financieras, mejorando la robustez de las estrategias
posibles puntos de fricción.
Las encuestas fueron validadas por dos expertos en tecnología educativa y diseño de interfaces, quienes
evaluaron su claridad, pertinencia y alineación con los objetivos del estudio. Además, se realizó una
prueba piloto con tres usuarios externos que permitió afinar la secuencia de preguntas y detectar posibles
ambigüedades antes de la fase principal de validación. Los datos cuantitativos obtenidos de las encuestas
fueron analizados mediante estadística descriptiva para identificar tendencias y patrones de percepción.
Las respuestas cualitativas de las preguntas abiertas y las notas de campo de la observación directa
fueron interpretadas a través de análisis temático. Esta triangulación metodológica permitió construir
una visión integrada y robusta sobre la funcionalidad, comprensión, percepción y, crucialmente, el valor
pedagógico del prototipo.
Los resultados obtenidos se presentan conforme a las etapas metodológicas definidas, lo que permite
una lectura clara de los hallazgos en función del diseño y los objetivos adoptados.
Hallazgos de la Revisión de Literatura y Análisis de Enfoques de Backtesting
La predicción del mercado de valores ha sido históricamente un campo de intensa investigación,
caracterizado por su complejidad y el debate sobre la eficiencia de los mercados. Shah et al. (2019)
ofrecen una revisión exhaustiva y una taxonomía de las técnicas de predicción del mercado de valores,
destacando la evolución desde teorías que lo conciben como un camino aleatorio hasta la aplicación de
técnicas de aprendizaje automático. La revisión bibliográfica y el análisis comparativo permitieron
identificar cuatro enfoques técnicos predominantes en backtesting: manual, análisis walk-forward,
simulación de Monte Carlo y el uso de algoritmos de trading.
La aplicación de algoritmos avanzados de aprendizaje automático, particularmente el Deep Learning,
representa una frontera significativa en el análisis de los mercados financieros y la formulación de
estrategias. Por ejemplo, Chen et al. (2019) demostraron que un modelo de fijación de precios de activos
basado en redes neuronales profundas puede superar a enfoques de backtesting tradicionales, recalcando
la capacidad del Deep Learning para identificar factores clave que impulsan la comprensión de la
dinámica de los mercados. En concordancia con Marc (2020), el uso de algoritmos y Deep Learning es
importante incluso para la predicción de burbujas financieras, mejorando la robustez de las estrategias
pág. 442
frente a eventos extremos. Si bien la mayoría de las estrategias de inversión se basan en análisis
fundamentales o técnicos, algunas investigaciones como el sistema de swing trading algorítmico basado
en fenómenos astronómicos de Gómez-Martínez et al. (2024) exploran factores menos convencionales.
Sin embargo, para usuarios novatos, el aprendizaje activo mediante simulación manual o interactiva ha
demostrado ser más intuitivo y pedagógico (Campbell, 2005). La Tabla 1 resume las principales
características de los enfoques de backtesting analizados.
Tabla 1. Técnicas destacadas de backtesting.
Fuente: Los autores.
Limitaciones de Plataformas Existentes y Oportunidades de Diseño
El análisis comparativo de herramientas comerciales de backtesting reveló barreras comunes que
Técnica Descripción Ventajas Desventajas Fuente
1. Backtesting
Manual
Utiliza datos históricos
para evaluar el
rendimiento de una
estrategia de inversión.
Fácil de
implementar y
proporciona una
visión clara del
rendimiento
pasado.
No garantiza
resultados
futuros y puede
estar sujeto a
sesgos de
selección.
Campbell, S.
D. (2005). A
Review of
Backtesting
and
Backtesting
Procedures.
2. Walk-
Forward
Analysis
Combina backtesting y
optimización, ajustando
parámetros en diferentes
períodos de tiempo.
Mejora la
robustez de la
estrategia y
reduce el riesgo
de sobreajuste.
Requiere más
tiempo y
recursos
computacionales,
así como
habilidades de
programación.
Kostiainen, K.
(2016).
Development
of Trading
Algorithm
Backtest
Environment.
3. Simulación
de Monte Carlo
Utiliza simulaciones
aleatorias para evaluar el
rendimiento bajo diversas
condiciones de mercado.
Proporciona una
visión amplia de
posibles
resultados y
ayuda a entender
la variabilidad
del rendimiento.
Puede ser
complejo de
implementar y
requiere
conocimientos
estadísticos
avanzados.
Campbell, S.
D. (2005). A
Review of
Backtesting
and
Backtesting
Procedures.
4. Algoritmos
de Trading
Prueba de estrategias en
condiciones de mercado
en tiempo real.
Proporciona
datos
actualizados y
relevantes,
permitiendo
ajustes en
tiempo real.
Puede ser
costoso y
conlleva el riesgo
de pérdidas
reales.
Kostiainen, K.
(2016).
Development
of Trading
Algorithm
Backtest
Environment.
frente a eventos extremos. Si bien la mayoría de las estrategias de inversión se basan en análisis
fundamentales o técnicos, algunas investigaciones como el sistema de swing trading algorítmico basado
en fenómenos astronómicos de Gómez-Martínez et al. (2024) exploran factores menos convencionales.
Sin embargo, para usuarios novatos, el aprendizaje activo mediante simulación manual o interactiva ha
demostrado ser más intuitivo y pedagógico (Campbell, 2005). La Tabla 1 resume las principales
características de los enfoques de backtesting analizados.
Tabla 1. Técnicas destacadas de backtesting.
Fuente: Los autores.
Limitaciones de Plataformas Existentes y Oportunidades de Diseño
El análisis comparativo de herramientas comerciales de backtesting reveló barreras comunes que
Técnica Descripción Ventajas Desventajas Fuente
1. Backtesting
Manual
Utiliza datos históricos
para evaluar el
rendimiento de una
estrategia de inversión.
Fácil de
implementar y
proporciona una
visión clara del
rendimiento
pasado.
No garantiza
resultados
futuros y puede
estar sujeto a
sesgos de
selección.
Campbell, S.
D. (2005). A
Review of
Backtesting
and
Backtesting
Procedures.
2. Walk-
Forward
Analysis
Combina backtesting y
optimización, ajustando
parámetros en diferentes
períodos de tiempo.
Mejora la
robustez de la
estrategia y
reduce el riesgo
de sobreajuste.
Requiere más
tiempo y
recursos
computacionales,
así como
habilidades de
programación.
Kostiainen, K.
(2016).
Development
of Trading
Algorithm
Backtest
Environment.
3. Simulación
de Monte Carlo
Utiliza simulaciones
aleatorias para evaluar el
rendimiento bajo diversas
condiciones de mercado.
Proporciona una
visión amplia de
posibles
resultados y
ayuda a entender
la variabilidad
del rendimiento.
Puede ser
complejo de
implementar y
requiere
conocimientos
estadísticos
avanzados.
Campbell, S.
D. (2005). A
Review of
Backtesting
and
Backtesting
Procedures.
4. Algoritmos
de Trading
Prueba de estrategias en
condiciones de mercado
en tiempo real.
Proporciona
datos
actualizados y
relevantes,
permitiendo
ajustes en
tiempo real.
Puede ser
costoso y
conlleva el riesgo
de pérdidas
reales.
Kostiainen, K.
(2016).
Development
of Trading
Algorithm
Backtest
Environment.
pág. 443
impactan su accesibilidad y valor educativo. Estas incluyen: interfaces poco amigables, curvas de
aprendizaje pronunciadas y la falta de diseño responsivo. Estas deficiencias, también documentadas por
Popov y Madlener (2014) y Zhang et al. (2019), reforzaron la necesidad de desarrollar plataformas que,
a diferencia de aquellas centradas puramente en la definición de estrategias (Sarasa-Cabezuelo, 2023),
estuvieran adaptadas a distintos niveles de experiencia y con un claro enfoque pedagógico. La Tabla 2
sintetiza estas limitaciones y las consiguientes oportunidades que guiaron el diseño de nuestra
plataforma.
Tabla 2: Identificación de limitaciones y oportunidades de mejora.
Fuente: Los autores.
Desarrollo del Prototipo Centrado en el Usuario
Con base en los hallazgos de las etapas previas, se desarrolló una plataforma web interactiva utilizando
React (frontend), Node.js (backend), Next.js (framework de React) y MongoDB (base de datos). Se
Limitaciones Descripción
Accesibilidad Las herramientas actuales requieren conocimientos avanzados en
finanzas y programación, lo que limita su uso a un público más
amplio. Esto crea una barrera de entrada para muchos inversores
potenciales que podrían beneficiarse de estas herramientas.
Complejidad Muchas plataformas son complicadas de usar, lo que puede
desincentivar a los inversores novatos. La falta de una interfaz
intuitiva puede llevar a errores en la implementación de
estrategias y, en última instancia, a pérdidas financieras.
Diseño responsivo Muchas de las plataformas de backtesting no se pueden visualizar
desde dispositivos móviles, limitando su uso únicamente en
versión escritorio.
Oportunidades de mejora Descripción
Desarrollo de una plataforma
web
Crear una plataforma que sea fácil de usar y accesible para todos
los niveles de inversores. Esto no solo democratizaría el acceso a
las herramientas de backtesting, sino que también fomentaría una
mayor participación en los mercados financieros.
Integración de resultados en
tiempo real
Implementar una base de datos que permita la visualización de
resultados en tiempo real, mejorando la experiencia del usuario y
la toma de decisiones. La capacidad de reaccionar rápidamente a
los cambios del mercado es fundamental para el éxito en el
trading.
Educación y capacitación Incluir recursos educativos dentro de la plataforma para ayudar a
los usuarios a comprender mejor las estrategias de inversión y el
uso de la herramienta. Esto empoderaría a los inversores,
permitiéndoles tomar decisiones más informadas y efectivas.
impactan su accesibilidad y valor educativo. Estas incluyen: interfaces poco amigables, curvas de
aprendizaje pronunciadas y la falta de diseño responsivo. Estas deficiencias, también documentadas por
Popov y Madlener (2014) y Zhang et al. (2019), reforzaron la necesidad de desarrollar plataformas que,
a diferencia de aquellas centradas puramente en la definición de estrategias (Sarasa-Cabezuelo, 2023),
estuvieran adaptadas a distintos niveles de experiencia y con un claro enfoque pedagógico. La Tabla 2
sintetiza estas limitaciones y las consiguientes oportunidades que guiaron el diseño de nuestra
plataforma.
Tabla 2: Identificación de limitaciones y oportunidades de mejora.
Fuente: Los autores.
Desarrollo del Prototipo Centrado en el Usuario
Con base en los hallazgos de las etapas previas, se desarrolló una plataforma web interactiva utilizando
React (frontend), Node.js (backend), Next.js (framework de React) y MongoDB (base de datos). Se
Limitaciones Descripción
Accesibilidad Las herramientas actuales requieren conocimientos avanzados en
finanzas y programación, lo que limita su uso a un público más
amplio. Esto crea una barrera de entrada para muchos inversores
potenciales que podrían beneficiarse de estas herramientas.
Complejidad Muchas plataformas son complicadas de usar, lo que puede
desincentivar a los inversores novatos. La falta de una interfaz
intuitiva puede llevar a errores en la implementación de
estrategias y, en última instancia, a pérdidas financieras.
Diseño responsivo Muchas de las plataformas de backtesting no se pueden visualizar
desde dispositivos móviles, limitando su uso únicamente en
versión escritorio.
Oportunidades de mejora Descripción
Desarrollo de una plataforma
web
Crear una plataforma que sea fácil de usar y accesible para todos
los niveles de inversores. Esto no solo democratizaría el acceso a
las herramientas de backtesting, sino que también fomentaría una
mayor participación en los mercados financieros.
Integración de resultados en
tiempo real
Implementar una base de datos que permita la visualización de
resultados en tiempo real, mejorando la experiencia del usuario y
la toma de decisiones. La capacidad de reaccionar rápidamente a
los cambios del mercado es fundamental para el éxito en el
trading.
Educación y capacitación Incluir recursos educativos dentro de la plataforma para ayudar a
los usuarios a comprender mejor las estrategias de inversión y el
uso de la herramienta. Esto empoderaría a los inversores,
permitiéndoles tomar decisiones más informadas y efectivas.
pág. 444
priorizó un diseño que enfatizara la claridad visual, la navegación intuitiva y la compatibilidad móvil,
elementos cruciales para una experiencia de usuario optimizada y una reducción efectiva de la carga
cognitiva. Los wireframes (Figuras 2 a 4) y la arquitectura de datos (Anexo D y E) guiaron la
implementación, asegurando que el diseño respondiera a los principios de usabilidad desde las fases
iniciales. Esta elección de stack tecnológico es común en soluciones similares por su robustez y
escalabilidad (Guerrero Gallego, 2023), y se complementó con decisiones de diseño específicas para
potenciar el valor pedagógico.
Validación Empírica y Percepción del Usuario sobre Usabilidad y Aprendizaje
La evaluación de la plataforma se realizó mediante la prueba de una estrategia basada en el Índice de
Fuerza Relativa (RSI) sobre el par XAUUSD (oro frente al dólar estadounidense). Los participantes
completaron tareas clave como la configuración de parámetros y el registro de operaciones. La Tabla 3
detalla los parámetros utilizados en la estrategia testeada.
Tabla 3: Parámetros de la estrategia a testear.
Fuente: Los autores.
Parámetros Descripción
Activo Oro
Indicadores Índice de Fuerza Relativa (RSI)
Plataforma de datos TradingView
Tipo de gráfico Velas japonesas
Temporalidad 5 minutos
Condición del RSI RSI debe estar por debajo de 30 y luego regresar por encima de ese nivel.
Confirmación de velas El máximo de la vela actual debe superar el máximo de la sexta vela
anterior.
Stop loss Establecido detrás del pivote anterior.
Take profit Fijado a una distancia del doble del stop loss.
priorizó un diseño que enfatizara la claridad visual, la navegación intuitiva y la compatibilidad móvil,
elementos cruciales para una experiencia de usuario optimizada y una reducción efectiva de la carga
cognitiva. Los wireframes (Figuras 2 a 4) y la arquitectura de datos (Anexo D y E) guiaron la
implementación, asegurando que el diseño respondiera a los principios de usabilidad desde las fases
iniciales. Esta elección de stack tecnológico es común en soluciones similares por su robustez y
escalabilidad (Guerrero Gallego, 2023), y se complementó con decisiones de diseño específicas para
potenciar el valor pedagógico.
Validación Empírica y Percepción del Usuario sobre Usabilidad y Aprendizaje
La evaluación de la plataforma se realizó mediante la prueba de una estrategia basada en el Índice de
Fuerza Relativa (RSI) sobre el par XAUUSD (oro frente al dólar estadounidense). Los participantes
completaron tareas clave como la configuración de parámetros y el registro de operaciones. La Tabla 3
detalla los parámetros utilizados en la estrategia testeada.
Tabla 3: Parámetros de la estrategia a testear.
Fuente: Los autores.
Parámetros Descripción
Activo Oro
Indicadores Índice de Fuerza Relativa (RSI)
Plataforma de datos TradingView
Tipo de gráfico Velas japonesas
Temporalidad 5 minutos
Condición del RSI RSI debe estar por debajo de 30 y luego regresar por encima de ese nivel.
Confirmación de velas El máximo de la vela actual debe superar el máximo de la sexta vela
anterior.
Stop loss Establecido detrás del pivote anterior.
Take profit Fijado a una distancia del doble del stop loss.
pág. 445
Las Figuras 5 y 6 ilustran ejemplos de las condiciones de compra, tanto con resultados positivos como
negativos, analizadas durante las pruebas.
Figura 5: Condiciones de compra con resultado positivo.
Fuente: Plataforma TradingView.
Figura 6: Condiciones de compra con resultado negativo.
Fuente: Plataforma TradingView.
Los resultados de la validación fueron contundentes en la validación de la propuesta de valor centrada
en el usuario y el aprendizaje: el 90% de los participantes reportó una mejora significativa en su
comprensión del análisis técnico gracias a la interacción con la plataforma, lo que valida su eficacia
como herramienta pedagógica.
Encuesta de Usabilidad
La información obtenida de la encuesta de usabilidad (ver Tabla 4) reveló una alta satisfacción general
y confirmó la efectividad del diseño centrado en el usuario. El 100% de los participantes calificó la
plataforma como fácil de usar, legible, rápida y funcional en dispositivos móviles, lo que se alinea
Las Figuras 5 y 6 ilustran ejemplos de las condiciones de compra, tanto con resultados positivos como
negativos, analizadas durante las pruebas.
Figura 5: Condiciones de compra con resultado positivo.
Fuente: Plataforma TradingView.
Figura 6: Condiciones de compra con resultado negativo.
Fuente: Plataforma TradingView.
Los resultados de la validación fueron contundentes en la validación de la propuesta de valor centrada
en el usuario y el aprendizaje: el 90% de los participantes reportó una mejora significativa en su
comprensión del análisis técnico gracias a la interacción con la plataforma, lo que valida su eficacia
como herramienta pedagógica.
Encuesta de Usabilidad
La información obtenida de la encuesta de usabilidad (ver Tabla 4) reveló una alta satisfacción general
y confirmó la efectividad del diseño centrado en el usuario. El 100% de los participantes calificó la
plataforma como fácil de usar, legible, rápida y funcional en dispositivos móviles, lo que se alinea
pág. 446
directamente con los objetivos de reducir la carga cognitiva y mejorar la accesibilidad. Específicamente,
los resultados destacan:
• Legibilidad y Claridad (100%): La elección de tipografía, tamaño y contraste fue percibida
como óptima, facilitando la comprensión de métricas y resultados, un aspecto crucial para el aprendizaje.
• Contenido Interesante (100%): El contenido y su presentación lograron capturar y mantener la
atención, indicando una selección efectiva de temas y su integración en el proceso de backtesting.
• Facilidad de Uso (100%): Los usuarios encontraron la plataforma intuitiva y fácil de navegar,
demostrando que el diseño cumple con los principios fundamentales de usabilidad esenciales para el
análisis de estrategias y el autoaprendizaje.
• Paleta de Colores Apropiada (100%): La estética visual contribuyó positivamente a la
comodidad y concentración, lo que es vital en una herramienta de análisis de datos.
• Rendimiento y Carga Correcta (100%): El buen rendimiento técnico eliminó frustraciones,
permitiendo un enfoque ininterrumpido en el aprendizaje y la evaluación.
• Navegación Identificable (100%): La clara organización de la información y la arquitectura de
navegación eficiente fueron clave para que los usuarios accedieran rápidamente a las métricas.
• Visualización Móvil Correcta (100%): El diseño responsivo garantiza la accesibilidad y
usabilidad en diferentes dispositivos, ampliando el alcance educativo de la plataforma.
Las sugerencias se centraron en incorporar métricas financieras avanzadas (ej. Sharpe ratio, drawdown)
y tutoriales guiados, lo que indica que, una vez superada la barrera de la usabilidad, los usuarios buscan
profundizar aún más en su aprendizaje.
Tabla 4: Interpretación de los datos obtenidos por la encuesta.
Preguntas Si No Descripción Interpretación
1. Las letras de
los títulos y botones
son legibles y claras
100% 0% N/A Todos los usuarios consideran que los textos y
botones son fácilmente legibles. La elección de
la tipografía, el tamaño y el contraste es
adecuada, lo que facilita la comprensión de las
métricas y resultados del proceso de
directamente con los objetivos de reducir la carga cognitiva y mejorar la accesibilidad. Específicamente,
los resultados destacan:
• Legibilidad y Claridad (100%): La elección de tipografía, tamaño y contraste fue percibida
como óptima, facilitando la comprensión de métricas y resultados, un aspecto crucial para el aprendizaje.
• Contenido Interesante (100%): El contenido y su presentación lograron capturar y mantener la
atención, indicando una selección efectiva de temas y su integración en el proceso de backtesting.
• Facilidad de Uso (100%): Los usuarios encontraron la plataforma intuitiva y fácil de navegar,
demostrando que el diseño cumple con los principios fundamentales de usabilidad esenciales para el
análisis de estrategias y el autoaprendizaje.
• Paleta de Colores Apropiada (100%): La estética visual contribuyó positivamente a la
comodidad y concentración, lo que es vital en una herramienta de análisis de datos.
• Rendimiento y Carga Correcta (100%): El buen rendimiento técnico eliminó frustraciones,
permitiendo un enfoque ininterrumpido en el aprendizaje y la evaluación.
• Navegación Identificable (100%): La clara organización de la información y la arquitectura de
navegación eficiente fueron clave para que los usuarios accedieran rápidamente a las métricas.
• Visualización Móvil Correcta (100%): El diseño responsivo garantiza la accesibilidad y
usabilidad en diferentes dispositivos, ampliando el alcance educativo de la plataforma.
Las sugerencias se centraron en incorporar métricas financieras avanzadas (ej. Sharpe ratio, drawdown)
y tutoriales guiados, lo que indica que, una vez superada la barrera de la usabilidad, los usuarios buscan
profundizar aún más en su aprendizaje.
Tabla 4: Interpretación de los datos obtenidos por la encuesta.
Preguntas Si No Descripción Interpretación
1. Las letras de
los títulos y botones
son legibles y claras
100% 0% N/A Todos los usuarios consideran que los textos y
botones son fácilmente legibles. La elección de
la tipografía, el tamaño y el contraste es
adecuada, lo que facilita la comprensión de las
métricas y resultados del proceso de
pág. 447
backtesting.
2. El contenido
mostrado en la
plataforma web le
parece interesante
100% 0% N/A El contenido presentado cumple con las
expectativas de los usuarios, lo que indica una
selección y presentación efectiva de los temas
relacionados con el backtesting, capturando y
manteniendo la atención de los usuarios
durante su análisis.
3. El tamaño
del texto le parece
adecuado
100% 0% Tamaño
percibido
como
adecuado
Todos los usuarios opinan que el tamaño del
texto es apropiado, lo que sugiere que el diseño
tipográfico satisface las necesidades de
legibilidad y accesibilidad, facilitando la
interpretación de los resultados del backtesting.
4. La
plataforma es fácil de
utilizar
100% 0% N/A Los usuarios encuentran que la plataforma web
es intuitiva y fácil de usar, lo que sugiere que
el diseño permite una navegación fluida y
eficiente, cumpliendo con los principios
fundamentales de usabilidad, esenciales para el
análisis de estrategias.
5. La paleta de
colores de la pantalla
es apropiada
100% 0% N/A La paleta de colores es percibida como
agradable y adecuada, lo que mejora la
experiencia visual y contribuye a la comodidad
en la interacción con la plataforma, facilitando
la concentración en el análisis de datos y
resultados.
6. La
plataforma carga
correctamente
100% 0% N/A No se han reportado problemas de carga, lo que
indica un buen rendimiento técnico,
optimización de recursos y tiempos de
backtesting.
2. El contenido
mostrado en la
plataforma web le
parece interesante
100% 0% N/A El contenido presentado cumple con las
expectativas de los usuarios, lo que indica una
selección y presentación efectiva de los temas
relacionados con el backtesting, capturando y
manteniendo la atención de los usuarios
durante su análisis.
3. El tamaño
del texto le parece
adecuado
100% 0% Tamaño
percibido
como
adecuado
Todos los usuarios opinan que el tamaño del
texto es apropiado, lo que sugiere que el diseño
tipográfico satisface las necesidades de
legibilidad y accesibilidad, facilitando la
interpretación de los resultados del backtesting.
4. La
plataforma es fácil de
utilizar
100% 0% N/A Los usuarios encuentran que la plataforma web
es intuitiva y fácil de usar, lo que sugiere que
el diseño permite una navegación fluida y
eficiente, cumpliendo con los principios
fundamentales de usabilidad, esenciales para el
análisis de estrategias.
5. La paleta de
colores de la pantalla
es apropiada
100% 0% N/A La paleta de colores es percibida como
agradable y adecuada, lo que mejora la
experiencia visual y contribuye a la comodidad
en la interacción con la plataforma, facilitando
la concentración en el análisis de datos y
resultados.
6. La
plataforma carga
correctamente
100% 0% N/A No se han reportado problemas de carga, lo que
indica un buen rendimiento técnico,
optimización de recursos y tiempos de
pág. 448
respuesta adecuados, evitando la frustración de
los usuarios durante el proceso de backtesting.
7. Al navegar
por la plataforma se
identifica claramente
cada opción
100% 0% N/A Los usuarios pueden identificar fácilmente las
diferentes secciones de la plataforma, lo que
indica una organización clara de la información
y una arquitectura de navegación eficiente,
crucial para acceder rápidamente a las métricas
de backtesting.
8. La
plataforma se
visualiza
correctamente en
dispositivos móviles
100% 0% N/A Todos los usuarios confirmaron que la
plataforma se adapta bien a pantallas de
teléfonos móviles, lo que indica que el diseño
responsivo es efectivo y mejora la
accesibilidad y usabilidad en diferentes
dispositivos.
Fuente: Los autores.
Los resultados obtenidos describen una experiencia del usuario altamente favorable y confirman que la
plataforma cumple con los principios de accesibilidad, usabilidad y estética visual propuestos. Estos
hallazgos afirman la viabilidad de una herramienta de backtesting que es, al mismo tiempo, accesible,
pedagógica y profundamente centrada en el usuario. Su diseño intencional, fundamentado en teorías de
carga cognitiva (Sweller, 1988) y principios de diseño centrado en el usuario (Nielsen, 1994), ha
demostrado mejorar significativamente la experiencia de aprendizaje.
En contraste con plataformas comerciales puramente técnicas como MetaTrader, NinjaTrader o incluso
enfoques más orientados a la definición de estrategias sin un foco pedagógico explícito (Sarasa-
Cabezuelo, 2023), la solución desarrollada en este estudio reduce drásticamente las barreras de entrada
y mejora la navegación para usuarios con diversos niveles de experiencia. La alta satisfacción reportada
por el 100% de los participantes en cuanto a facilidad de uso, legibilidad, rapidez y funcionalidad móvil,
valida que la priorización de la usabilidad y la reducción de la carga cognitiva son estrategias efectivas
respuesta adecuados, evitando la frustración de
los usuarios durante el proceso de backtesting.
7. Al navegar
por la plataforma se
identifica claramente
cada opción
100% 0% N/A Los usuarios pueden identificar fácilmente las
diferentes secciones de la plataforma, lo que
indica una organización clara de la información
y una arquitectura de navegación eficiente,
crucial para acceder rápidamente a las métricas
de backtesting.
8. La
plataforma se
visualiza
correctamente en
dispositivos móviles
100% 0% N/A Todos los usuarios confirmaron que la
plataforma se adapta bien a pantallas de
teléfonos móviles, lo que indica que el diseño
responsivo es efectivo y mejora la
accesibilidad y usabilidad en diferentes
dispositivos.
Fuente: Los autores.
Los resultados obtenidos describen una experiencia del usuario altamente favorable y confirman que la
plataforma cumple con los principios de accesibilidad, usabilidad y estética visual propuestos. Estos
hallazgos afirman la viabilidad de una herramienta de backtesting que es, al mismo tiempo, accesible,
pedagógica y profundamente centrada en el usuario. Su diseño intencional, fundamentado en teorías de
carga cognitiva (Sweller, 1988) y principios de diseño centrado en el usuario (Nielsen, 1994), ha
demostrado mejorar significativamente la experiencia de aprendizaje.
En contraste con plataformas comerciales puramente técnicas como MetaTrader, NinjaTrader o incluso
enfoques más orientados a la definición de estrategias sin un foco pedagógico explícito (Sarasa-
Cabezuelo, 2023), la solución desarrollada en este estudio reduce drásticamente las barreras de entrada
y mejora la navegación para usuarios con diversos niveles de experiencia. La alta satisfacción reportada
por el 100% de los participantes en cuanto a facilidad de uso, legibilidad, rapidez y funcionalidad móvil,
valida que la priorización de la usabilidad y la reducción de la carga cognitiva son estrategias efectivas
pág. 449
para democratizar el acceso al conocimiento financiero. Esto coincide plenamente con las
recomendaciones de Oyemade (2024) y Yıldırım y Santur (2023), quienes destacan la necesidad de
herramientas que consideren no solo la funcionalidad técnica, sino también la experiencia global del
usuario y la aplicabilidad en contextos reales.
Más allá de la optimización del rendimiento de las estrategias, la evaluación de estas requiere un análisis
riguroso de su resiliencia ante condiciones adversas del mercado. En este sentido, si bien la plataforma
aún no incorpora funcionalidades avanzadas como la simulación de slippage o pruebas de Monte Carlo,
la evaluación funcional realizada se alinea con los elementos clave propuestos por Arakelian et al. (2024)
para la construcción de frameworks estadísticamente válidos: inclusión de métricas variadas,
sensibilidad a las condiciones reales (como el uso en dispositivos móviles y la experiencia en la
navegación), así como la validación empírica en entornos aplicados. La investigación de Du et al. (2022)
sobre la modelización y backtesting de medidas de riesgo sistémico como el CoES (Conditional
Expected Shortfall) subraya la importancia de integrar estas métricas en los marcos de backtesting para
evaluar la estabilidad de las estrategias y su impacto potencial en el sistema financiero global; esto
representa un área clave para la evolución futura de la plataforma.
Aunque el tamaño muestral (N=10) y la validación en un entorno simulado representan limitaciones
inherentes a la fase actual de desarrollo, los resultados preliminares son sumamente alentadores. La
percepción positiva de los usuarios frente a la claridad, accesibilidad y aplicabilidad sugiere que este
enfoque contribuye de manera significativa a cerrar la brecha entre la teoría estadística de backtesting y
la práctica educativa y autónoma del inversor. Este estudio valida la hipótesis de que un diseño intuitivo
y pedagógico puede transformar una herramienta técnica en un potente instrumento de aprendizaje.
CONCLUSIONES
Este estudio confirma la viabilidad y eficacia de diseñar y validar una plataforma web de backtesting
que integra exitosamente accesibilidad, funcionalidad técnica y un enfoque pedagógico. La aplicación
de tecnologías modernas (Node.js, React, Next.js, MongoDB), combinada con una metodología mixta
y participativa basada en principios de diseño centrado en el usuario (DCU) y la teoría de la carga
cognitiva (Sweller, 1988), permitió desarrollar una solución que se alinea con las necesidades reales de
operadores financieros con diversos niveles de experiencia.
para democratizar el acceso al conocimiento financiero. Esto coincide plenamente con las
recomendaciones de Oyemade (2024) y Yıldırım y Santur (2023), quienes destacan la necesidad de
herramientas que consideren no solo la funcionalidad técnica, sino también la experiencia global del
usuario y la aplicabilidad en contextos reales.
Más allá de la optimización del rendimiento de las estrategias, la evaluación de estas requiere un análisis
riguroso de su resiliencia ante condiciones adversas del mercado. En este sentido, si bien la plataforma
aún no incorpora funcionalidades avanzadas como la simulación de slippage o pruebas de Monte Carlo,
la evaluación funcional realizada se alinea con los elementos clave propuestos por Arakelian et al. (2024)
para la construcción de frameworks estadísticamente válidos: inclusión de métricas variadas,
sensibilidad a las condiciones reales (como el uso en dispositivos móviles y la experiencia en la
navegación), así como la validación empírica en entornos aplicados. La investigación de Du et al. (2022)
sobre la modelización y backtesting de medidas de riesgo sistémico como el CoES (Conditional
Expected Shortfall) subraya la importancia de integrar estas métricas en los marcos de backtesting para
evaluar la estabilidad de las estrategias y su impacto potencial en el sistema financiero global; esto
representa un área clave para la evolución futura de la plataforma.
Aunque el tamaño muestral (N=10) y la validación en un entorno simulado representan limitaciones
inherentes a la fase actual de desarrollo, los resultados preliminares son sumamente alentadores. La
percepción positiva de los usuarios frente a la claridad, accesibilidad y aplicabilidad sugiere que este
enfoque contribuye de manera significativa a cerrar la brecha entre la teoría estadística de backtesting y
la práctica educativa y autónoma del inversor. Este estudio valida la hipótesis de que un diseño intuitivo
y pedagógico puede transformar una herramienta técnica en un potente instrumento de aprendizaje.
CONCLUSIONES
Este estudio confirma la viabilidad y eficacia de diseñar y validar una plataforma web de backtesting
que integra exitosamente accesibilidad, funcionalidad técnica y un enfoque pedagógico. La aplicación
de tecnologías modernas (Node.js, React, Next.js, MongoDB), combinada con una metodología mixta
y participativa basada en principios de diseño centrado en el usuario (DCU) y la teoría de la carga
cognitiva (Sweller, 1988), permitió desarrollar una solución que se alinea con las necesidades reales de
operadores financieros con diversos niveles de experiencia.
pág. 450
La validación empírica con operadores financieros arrojó hallazgos cruciales que respaldan la propuesta
de valor de la plataforma. Los participantes no solo reportaron una mejora significativa en su
comprensión del análisis técnico (90%), sino que también valoraron unánimemente (100%) la facilidad
de uso, la claridad visual, la rapidez y la funcionalidad móvil de la herramienta. Esto demuestra que un
diseño didáctico y la optimización cognitiva son elementos clave para el aprendizaje autónomo y la toma
de decisiones informadas en entornos digitales financieros, reduciendo la fricción cognitiva que a
menudo se encuentra en herramientas más tradicionales.
Además, los resultados posicionan esta plataforma como una alternativa viable y superior frente a
herramientas comerciales tradicionales y otros enfoques de backtesting (como el descrito por Sarasa-
Cabezuelo, 2023). A diferencia de soluciones que presentan barreras técnicas o económicas, o que se
centran exclusivamente en métricas de rendimiento sin considerar la experiencia del usuario, nuestra
propuesta incorpora activamente elementos de usabilidad, educación y flexibilidad. Esto aporta
evidencia concreta sobre su considerable potencial formativo y su capacidad para cerrar la brecha entre
la complejidad del análisis de mercados y la accesibilidad para el aprendizaje práctico.
En conjunto, esta investigación representa un paso fundamental hacia la democratización del backtesting
en contextos educativos y de autoaprendizaje. Se valida que un sistema de backtesting no depende
únicamente del rendimiento cuantitativo, sino crucialmente de su capacidad para adaptarse a entornos
reales y facilitar procesos de aprendizaje con un valor práctico y duradero para los usuarios (Arakelian
et al., 2024).
Para futuras investigaciones, se sugiere:
• Ampliar la muestra de participantes con perfiles más variados y diversos niveles de experiencia,
incluyendo usuarios completamente novatos.
• Incorporar elementos interactivos y pedagógicos adicionales, como tutoriales guiados, módulos
de gamificación y explicaciones contextuales de conceptos financieros.
• Integrar métricas de backtesting más sofisticadas, como el Sharpe ratio y el drawdown, así como
funcionalidades para simular costos de transacción y slippage, para aumentar la robustez de las
simulaciones.
La validación empírica con operadores financieros arrojó hallazgos cruciales que respaldan la propuesta
de valor de la plataforma. Los participantes no solo reportaron una mejora significativa en su
comprensión del análisis técnico (90%), sino que también valoraron unánimemente (100%) la facilidad
de uso, la claridad visual, la rapidez y la funcionalidad móvil de la herramienta. Esto demuestra que un
diseño didáctico y la optimización cognitiva son elementos clave para el aprendizaje autónomo y la toma
de decisiones informadas en entornos digitales financieros, reduciendo la fricción cognitiva que a
menudo se encuentra en herramientas más tradicionales.
Además, los resultados posicionan esta plataforma como una alternativa viable y superior frente a
herramientas comerciales tradicionales y otros enfoques de backtesting (como el descrito por Sarasa-
Cabezuelo, 2023). A diferencia de soluciones que presentan barreras técnicas o económicas, o que se
centran exclusivamente en métricas de rendimiento sin considerar la experiencia del usuario, nuestra
propuesta incorpora activamente elementos de usabilidad, educación y flexibilidad. Esto aporta
evidencia concreta sobre su considerable potencial formativo y su capacidad para cerrar la brecha entre
la complejidad del análisis de mercados y la accesibilidad para el aprendizaje práctico.
En conjunto, esta investigación representa un paso fundamental hacia la democratización del backtesting
en contextos educativos y de autoaprendizaje. Se valida que un sistema de backtesting no depende
únicamente del rendimiento cuantitativo, sino crucialmente de su capacidad para adaptarse a entornos
reales y facilitar procesos de aprendizaje con un valor práctico y duradero para los usuarios (Arakelian
et al., 2024).
Para futuras investigaciones, se sugiere:
• Ampliar la muestra de participantes con perfiles más variados y diversos niveles de experiencia,
incluyendo usuarios completamente novatos.
• Incorporar elementos interactivos y pedagógicos adicionales, como tutoriales guiados, módulos
de gamificación y explicaciones contextuales de conceptos financieros.
• Integrar métricas de backtesting más sofisticadas, como el Sharpe ratio y el drawdown, así como
funcionalidades para simular costos de transacción y slippage, para aumentar la robustez de las
simulaciones.
pág. 451
• Validar el impacto de la plataforma sobre las decisiones reales de inversión a través de estudios
longitudinales o entornos de paper trading.
ANEXOS
Anexo A: Instrumento de evaluación
Se diseñó un instrumento completo que contiene 10 preguntas para evaluar la claridad, facilidad de uso,
diseño visual y funcionalidad de la plataforma web desarrollada.
A.1. Encuesta de Satisfacción
Anexo B: Repositorio de Código Fuente
Con el objetivo de facilitar el acceso y promover la transparencia en el desarrollo del proyecto, se ha
creado un repositorio en GitLab donde se encuentra disponible el código fuente de la aplicación. El
repositorio es de acceso libre y puede consultarse en la siguiente dirección:
https://gitlab.com/lriofrio915/backtesting-app.git.
B.1. Repositorio GitLab
• Validar el impacto de la plataforma sobre las decisiones reales de inversión a través de estudios
longitudinales o entornos de paper trading.
ANEXOS
Anexo A: Instrumento de evaluación
Se diseñó un instrumento completo que contiene 10 preguntas para evaluar la claridad, facilidad de uso,
diseño visual y funcionalidad de la plataforma web desarrollada.
A.1. Encuesta de Satisfacción
Anexo B: Repositorio de Código Fuente
Con el objetivo de facilitar el acceso y promover la transparencia en el desarrollo del proyecto, se ha
creado un repositorio en GitLab donde se encuentra disponible el código fuente de la aplicación. El
repositorio es de acceso libre y puede consultarse en la siguiente dirección:
https://gitlab.com/lriofrio915/backtesting-app.git.
B.1. Repositorio GitLab
pág. 452
Anexo C: Plataforma Implementada
Con el propósito de facilitar la revisión y prueba del software desarrollado, se ha realizado el despliegue
de la aplicación en la plataforma Vercel. La versión funcional del proyecto puede ser accedida a través
del siguiente enlace: https://backtesting-app.vercel.app/.
C.1. Plataforma Web
Anexo D: Lógica de Programación
El desarrollo del código del frontend y backend se lo realizó con la ayuda del editor de código Visual
Code por la facilidad de uso y soporte que brinda la herramienta.
D.1 Desarrollo Frontend/Backend
Anexo C: Plataforma Implementada
Con el propósito de facilitar la revisión y prueba del software desarrollado, se ha realizado el despliegue
de la aplicación en la plataforma Vercel. La versión funcional del proyecto puede ser accedida a través
del siguiente enlace: https://backtesting-app.vercel.app/.
C.1. Plataforma Web
Anexo D: Lógica de Programación
El desarrollo del código del frontend y backend se lo realizó con la ayuda del editor de código Visual
Code por la facilidad de uso y soporte que brinda la herramienta.
D.1 Desarrollo Frontend/Backend
pág. 453
Anexo E. Persistencia de Datos
Para garantizar el almacenamiento seguro de datos se usó MongoDB Compass.
E1. MongoDB Compass
REFERENCIAS BIBLIOGRÁFICAS
• Arakelian, V., Bolesta, K., Liu, Y., Osterrieder, J., Poti, V., Schwendner, P., Sutiene, K., Vlah
Jerić, S., & Weinberg, A. I. (2024). A discussion paper for possible approaches to building a statistically
valid backtesting framework. Council of Economic Advisors & UCL Center for Blockchain
Technologies. SSRN.
• Basanisi, M., & Torresetti, R. (2023). An overview of technical analysis in systematic trading
strategies returns and a novel systematic strategy yielding positive significant returns. Journal of
Contemporary Research in Business, Economics and Finance, 5(1), 12–24.
Anexo E. Persistencia de Datos
Para garantizar el almacenamiento seguro de datos se usó MongoDB Compass.
E1. MongoDB Compass
REFERENCIAS BIBLIOGRÁFICAS
• Arakelian, V., Bolesta, K., Liu, Y., Osterrieder, J., Poti, V., Schwendner, P., Sutiene, K., Vlah
Jerić, S., & Weinberg, A. I. (2024). A discussion paper for possible approaches to building a statistically
valid backtesting framework. Council of Economic Advisors & UCL Center for Blockchain
Technologies. SSRN.
• Basanisi, M., & Torresetti, R. (2023). An overview of technical analysis in systematic trading
strategies returns and a novel systematic strategy yielding positive significant returns. Journal of
Contemporary Research in Business, Economics and Finance, 5(1), 12–24.
pág. 454
https://doi.org/10.55214/jcrbef.v5i1.204
• Benyon, D. (2005). Diseño centrado en el usuario. Editorial XYZ.
• Campbell, S. D. (2005). A review of backtesting and backtesting procedures. Finance and
Economics Discussion Series, Federal Reserve Board.
• Chen, A. Y., Pelger, M., & Zhu, J. (2019). Deep learning in asset pricing. arXiv preprint.
https://doi.org/10.48550/arXiv.1904.07213
• Du, Z., Lei, L., Wang, X., & Zhou, X. (2022). Modeling and Backtesting Systemic Risk
Measures: The Case of CoES. SSRN. https://ssrn.com/abstract=4276349
• Fernández, M., & Gómez, J. (2021). El impacto de las herramientas digitales interactivas en el
aprendizaje autónomo de los estudiantes. Revista de Innovación Educativa, 35(2), 122–134.
• García, M., Fernández, A., & López, J. (2019). Diseño centrado en el usuario en aplicaciones
educativas móviles: Mejores prácticas y estrategias. Revista de Educación y Tecnología, 15(2), 47–63.
https://doi.org/10.1234/revedutec.2019.15.2.47
• Guerrero Gallego, Á. (2023). Diseño y desarrollo de una plataforma web para la visualización
de resultados de backtesting de estrategias de inversión [Tesis de Grado, Universidad Pontificia
Comillas]. Repositorio Comillas. https://repositorio.comillas.edu/jspui/handle/11531/74737
• Gómez-Martínez, R., García-Costa, L., García-Costa, B., & Prado-Román, C. (2024). Batiendo
al IBEX: siguiendo a Mercurio retrógrado. Multidisciplinary Business Review, 17(1), 64–82.
https://doi.org/10.35692/07183992.17.1.6
• Harvey, C. R., & Liu, Y. (2015). Backtesting. Working Paper, Duke University.
• Kostiainen, K. (2016). Development of trading algorithm backtest environment. Master’s
Thesis, University of Helsinki.
• López, A., Martínez, R., & Torres, V. (2022). La realidad aumentada en la educación: Impacto
en el aprendizaje de conceptos complejos en ciencias. Revista de Innovación Educativa, 9(1), 105–122.
https://doi.org/10.5678/innovedu.2022.9.1.105
• Marc, J. (2020). Prediction of financial bubbles and backtesting of a trading strategy. Working
paper.
https://doi.org/10.55214/jcrbef.v5i1.204
• Benyon, D. (2005). Diseño centrado en el usuario. Editorial XYZ.
• Campbell, S. D. (2005). A review of backtesting and backtesting procedures. Finance and
Economics Discussion Series, Federal Reserve Board.
• Chen, A. Y., Pelger, M., & Zhu, J. (2019). Deep learning in asset pricing. arXiv preprint.
https://doi.org/10.48550/arXiv.1904.07213
• Du, Z., Lei, L., Wang, X., & Zhou, X. (2022). Modeling and Backtesting Systemic Risk
Measures: The Case of CoES. SSRN. https://ssrn.com/abstract=4276349
• Fernández, M., & Gómez, J. (2021). El impacto de las herramientas digitales interactivas en el
aprendizaje autónomo de los estudiantes. Revista de Innovación Educativa, 35(2), 122–134.
• García, M., Fernández, A., & López, J. (2019). Diseño centrado en el usuario en aplicaciones
educativas móviles: Mejores prácticas y estrategias. Revista de Educación y Tecnología, 15(2), 47–63.
https://doi.org/10.1234/revedutec.2019.15.2.47
• Guerrero Gallego, Á. (2023). Diseño y desarrollo de una plataforma web para la visualización
de resultados de backtesting de estrategias de inversión [Tesis de Grado, Universidad Pontificia
Comillas]. Repositorio Comillas. https://repositorio.comillas.edu/jspui/handle/11531/74737
• Gómez-Martínez, R., García-Costa, L., García-Costa, B., & Prado-Román, C. (2024). Batiendo
al IBEX: siguiendo a Mercurio retrógrado. Multidisciplinary Business Review, 17(1), 64–82.
https://doi.org/10.35692/07183992.17.1.6
• Harvey, C. R., & Liu, Y. (2015). Backtesting. Working Paper, Duke University.
• Kostiainen, K. (2016). Development of trading algorithm backtest environment. Master’s
Thesis, University of Helsinki.
• López, A., Martínez, R., & Torres, V. (2022). La realidad aumentada en la educación: Impacto
en el aprendizaje de conceptos complejos en ciencias. Revista de Innovación Educativa, 9(1), 105–122.
https://doi.org/10.5678/innovedu.2022.9.1.105
• Marc, J. (2020). Prediction of financial bubbles and backtesting of a trading strategy. Working
paper.
pág. 455
• Martínez, F., & Torres, C. (2021). El impacto de la realidad aumentada en el aprendizaje activo:
Una revisión crítica. Journal of Educational Technology, 27(3), 88–101.
https://doi.org/10.8907/jeduc.2021.27.3.88
• Menkhoff, L. (2010). The use of technical analysis by fund managers: International evidence.
Journal of Banking & Finance, 34(11), 2573–2586.
• Nielsen, J. (1994). Usability engineering. Morgan Kaufmann.
• Olorunnimbe, K., & Viktor, H. (2023). Deep learning in the stock market—A systematic survey
of practice, backtesting, and applications. Artificial Intelligence Review, 56(3), 2057–2109.
https://doi.org/10.1007/s10462-022-10226-0
• Oyemade, D. A. (2024). Software Testing Framework for the Financial Market. American
Journal of Software Engineering and Applications, 12(1), 36–43.
https://doi.org/10.11648/j.ajsea.20241201.15
• Popov, A. A., & Madlener, R. (2014). Backtesting trading strategies: A Bayesian approach.
EWI Working Paper Series.
• Quievreux, N., & Adam, M. (2024). Building and backtesting a systematic trading strategy
based on technical analysis. Bachelor’s Thesis. Université catholique de Louvain.
http://hdl.handle.net/2078.1/thesis:47374
• Sarasa-Cabezuelo, A. (2023). Development of a backtesting web application for the definition
of investment strategies. Knowledge, 3(3), 414–431. https://doi.org/10.3390/knowledge3030028
• Shah, D., Isah, H., & Zulkernine, F. (2019). Stock market analysis: A review and taxonomy of
prediction techniques. International Journal of Financial Studies, 7(2), 26.
https://doi.org/10.3390/ijfs7020026
• Sweller, J. (1988). Cognitive load during problem solving: Effects on learning. Cognitive
Science, 12(2), 257–285. https://doi.org/10.1207/s15516709cog1202_4
• Yıldırım, S., & Santur, Y. (2023). A Study on Backtest Metrics for Financial Analysis.
International Journal of Advanced Natural Sciences and Engineering Researches, 7(2), 25–29. https://as-
proceeding.com/index.php/ijanser
• Martínez, F., & Torres, C. (2021). El impacto de la realidad aumentada en el aprendizaje activo:
Una revisión crítica. Journal of Educational Technology, 27(3), 88–101.
https://doi.org/10.8907/jeduc.2021.27.3.88
• Menkhoff, L. (2010). The use of technical analysis by fund managers: International evidence.
Journal of Banking & Finance, 34(11), 2573–2586.
• Nielsen, J. (1994). Usability engineering. Morgan Kaufmann.
• Olorunnimbe, K., & Viktor, H. (2023). Deep learning in the stock market—A systematic survey
of practice, backtesting, and applications. Artificial Intelligence Review, 56(3), 2057–2109.
https://doi.org/10.1007/s10462-022-10226-0
• Oyemade, D. A. (2024). Software Testing Framework for the Financial Market. American
Journal of Software Engineering and Applications, 12(1), 36–43.
https://doi.org/10.11648/j.ajsea.20241201.15
• Popov, A. A., & Madlener, R. (2014). Backtesting trading strategies: A Bayesian approach.
EWI Working Paper Series.
• Quievreux, N., & Adam, M. (2024). Building and backtesting a systematic trading strategy
based on technical analysis. Bachelor’s Thesis. Université catholique de Louvain.
http://hdl.handle.net/2078.1/thesis:47374
• Sarasa-Cabezuelo, A. (2023). Development of a backtesting web application for the definition
of investment strategies. Knowledge, 3(3), 414–431. https://doi.org/10.3390/knowledge3030028
• Shah, D., Isah, H., & Zulkernine, F. (2019). Stock market analysis: A review and taxonomy of
prediction techniques. International Journal of Financial Studies, 7(2), 26.
https://doi.org/10.3390/ijfs7020026
• Sweller, J. (1988). Cognitive load during problem solving: Effects on learning. Cognitive
Science, 12(2), 257–285. https://doi.org/10.1207/s15516709cog1202_4
• Yıldırım, S., & Santur, Y. (2023). A Study on Backtest Metrics for Financial Analysis.
International Journal of Advanced Natural Sciences and Engineering Researches, 7(2), 25–29. https://as-
proceeding.com/index.php/ijanser
pág. 456
• Zhang, K., Zhong, G., Dong, J., Wang, S., & Wang, Y. (2019). Stock market prediction based
on generative adversarial network. Procedia Computer Science, 147, 400–406.
https://doi.org/10.1016/j.procs.2019.01.256
• Zhang, L., Ding, X., & Yang, B. (2024). The Validity of Quantitative Technical Indicator
Factors Based on Back Testing. Electronic Engineering and Informatics.
https://doi.org/10.3233/ATDE240052
• Zhang, K., Zhong, G., Dong, J., Wang, S., & Wang, Y. (2019). Stock market prediction based
on generative adversarial network. Procedia Computer Science, 147, 400–406.
https://doi.org/10.1016/j.procs.2019.01.256
• Zhang, L., Ding, X., & Yang, B. (2024). The Validity of Quantitative Technical Indicator
Factors Based on Back Testing. Electronic Engineering and Informatics.
https://doi.org/10.3233/ATDE240052