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.