Důležité faktory pro funkčnost AOS v praxi
Na trhu jistě existuje mnoho softwarů pro tvorbu quant strategií (AOS) a
marketingově se nabízí jako snadné a rychlé řešení pro vývoj a testování AOS. Obvykle pak s aplikací na jednom druhu trhu
nebo druhu aktiv bez možnosti cross-validace robustnosti strategie na jiných aktivech současně (za
předpokladu podobné charakteristiky datové řady) a dalších nutných testů. Problematice
data snoopingu se nedá nikdy vyhnout (ledaže bychom měli nekonečnou datovou
řadu pro každý trh) a tak počítač při stavbě nových strategií, tak říkajíc,
vždy najde řešení pro equity křivku jdoucí strmě vzhůru. A to ať už následně pak
u úspěšných, tak i u neúspěšných AOS v reálném obchodování. Proto je nuté být při stavbě AOS
mnohem více důslednější.
Je tedy dobré se minimálně poučit z praxe, které základní faktory je
dobré při tvorbě AOS zohlednit:
•
Je těžké rozeznat dle backtest equity křivky, zda
bude systém funkční nebo nefunkční v reálu.
•
Obvykle nefunkční AOS s velkým množstvím
parametrů anebo nedostatečnou datovou řadou pro backtest. V prvním případě hrozí “data snooping”, v
druhém náhlé změny v trhu nejsou reflektovány.
•
Hypoteticky ideální nekonečná datová řada - není
reálné, tudíž nutné využít datových řad z jiných trhů. Umělé simulace
dat rovněž nejsou ideální - možné porušení charakteristik přirozené pozitivní
nebo negativní autokorelace dané řady v čase.
•
AOS by měl vycházet z konceptu na základě dlouhodobé
zkušenosti tradera/developera a výzkumu datové řady, tj. “idea first”.
Pouhé nechání PC pro nalezení AOS “data first” spíše pro rychlejší
vysokofrekvenční trading a bude nutná velmi častá repotimalizace. PC je vždy
schopno něco najít pro ideální backtest, otázka je reál a jak dlouho pak
funkční.
Dále například u intradenních
trendových strategií je důležité, aby
stop loss (SL) byl v rámci racionálního násobku ATR pro daný timeframe. Vývoj AOS se SL mimo dané
pásmo může ukázat výrazně zajímavější equity v backtestech, jelikož hypoteticky
je SL na backtestu nezasažen vůbec nebo zřídka kdy. V reálu pak může samozřejmě
dojít k sérii neočekávaných ztrát, tudíž cílovaný profit by měl být vyšší než
SL, aby série ziskových obchodů více jak “zaplatila” ztráty a došlo ve finále k
čistému zisku (trochu odlišná situace je u swing counter-trend strategií typu
mean-reversion, kde je obvykle SL vyšší hodnoty než cílovaný profit, ale také existuje
předpoklad vyššího procenta profitabilních obchodů).
Příklad z praxe, kde developer přišel se
strategií, která měla ztrácet dle backtestu jen zřídkakdy a větší SL měl
zabránit výstupům z hypoteticky nakonec profitabilních obchodů (vývoj equity v
čase v reálu modře s počátečním kapitálem 2 tis. USD, komparativní vývoj S&P
500 žlutě):
Systém s
neracionálně velkým SL mimo obvyklé ATR již první měsíc v reálu naznačil
problém. Následně dva měsíce profitoval. Nicméně po změně charakteru trhu pak série velkých ztrát nakumulovala opětovný
prudký pokles equity.
Tzn. přehnaný optimismus v % profitabilních
obchodů, Sharpeho poměru nad 2 apod. v backtestech a z toho plynoucí
nedostatečný risk management může znamenat v reálu nefunkční systém
dlouhodoběji. Z toho vyplývá poučení: Nesnažit se obětovat důsledný risk
management ideální equity v backtestu. Při vývoji AOS klást důraz na ukazatele
výnos/riziko jako GAIN to PAIN = průměrný roční výnos/průměrný roční max. drawdown
a podobně.
To je v podstatě jen náznak možných úskalí při tvorbě kvalitních AOS. Těch faktorů je mnohem více a některé další bych zmínil zase jindy.
Upozornění: Nejedná se o investiční
doporučení, článek má jen a pouze vzdělávací charakter. Obchodování instrumentů
ať již burzovních nebo mimoburzovních s sebou nese potenciální velké riziko,
nejen výnos a není vhodné pro každého. Rozhodnutí
obchodovat je odpovědností každého jednotlivce a jedině on/ ona sám(a) nese za
svá rozhodnutí plnou odpovědnost. Nikdy se nepouštějte do obchodů, jejichž
podstatě plně nerozumíte. Minulé výnosy nejsou garancí výnosů budoucích.
Komentáře
Okomentovat