Jak poznat validitu trading strategie?

V své praxi dostávám nespočet backtest reportů automatických obchodních systémů (AOS) developerů z celého světa.  A vždy mají jedno společné a to equity jdoucí nahoru téměř dokonale. Ultimátním testem jsou však v naší společnosti pouze a jen výsledky z reálného obchodování, reportované po zahrnutí všech nákladů a auditované regulátorem. V investiční praxi se hodnotí výkonnost často dle výnos/ riziko poměrů jako Sharpeho, Sterlingův, Calmar a dalších o kterých jsem v minulosti již psal. Zde reporty mohou posloužit v jistém smyslu. Například Sharpeho poměr trading strategie větší jak 2-3, dle té ktere obchodní metody je s velkou pravděpodobností přeoptimalizovaná a v reálu nebude fungovat tak jak ukazuje backtest. Velmi výhodné je se podívat na obchody a zhodnotit četnost a pravděpodobnost ziskových a jejich velikost v komparaci se ztrátovými. Zajímavou práci v této oblasti prezentoval minulý rok Sid Browne z Columbia University: https://papers.ssrn.com/sol3/papers.cfm?abstract_id=4077305

Obecně v reálu u trendových strategií je neobvyklé, aby poměr četnosti ziskových ke ztrátpvým obchodům překročil 50%. Avšak průměrná dolarová velikost ziskpvých obchodů je 1,5 až několikanásobně vyšší než ztrátových, což rozhoduje hru tak říkajíc. U protitrendových AOS pak je nutná četnost ziskových obchodů i minimálně 70%, jelikož cílovéné ziskové obchody mají v průměru nižší profit než je velikost risku na obchod (stop loss). Častým problémem při vývoji systému je definování stop lossu záměrně mimo volatilní pásmo, aby k zasažení docházelo minimálně, plus snížení velikosti cílovaného profitu a tak k zlepšení backtest reportu. Samozřejmě se jedná o velmi nebezpečnou a špatnou techniku, jelikož v praxi se volatilita mění a zároveň přijde v reálu série ztrátových obchodů se kterou baktest nepracuje. Proto je nutné analyzovat riziko i metodami jako Monte Carlo analýza pro odhalení potenciálních scénářů. Příklad MC analýzy:

Dále pro zkoumání robustnosti je dobré zanalyzovat, zda racionální změny parametrů (inputů, např. délky indikátorů, apod.) strategie nezpůsobí výrazné změny ve výkonnosti:.

Je důležité, aby ukazetele rizika jako drawdown neměnily výrazně svou velikost při malé změně parametrů systému. O základech analýzy AOS jsem pro zajímavost dělal v minulosti kurz­ formou webináře (v AJ): https://systemtradingunleashed.com/

Dále přirozenou tendecí je pak uplatnit parametry, které ukazují největší zisk a nejnižší riziko. Nicméně, zde se jedná o možnou přeoptimalizaci a je výhodnějsí v praxi raději uplatnit jistý průměr těchto hodnot. Ideálně jak pak vhodné aplikovat podoblast umělé inteligence (AI) strojové učení pro výběr konkrétní sady parametrů/ inputů pro ten který režim trhu. Například metodu dohlíženého učení jako random forest, kde jednotlivé kombinace inputů trading strategie a dalších charakterických proměnných (indikátory trendovosti trhu, sentimentu, apod.) použijeme pro zjištění cílované proměnné, to jest zisku systému za dané období. Tato metoda by nám pak měla určit nejvýhodnějsí kombinaci inputů systému při stávající charakterisitce obchodovaného trhu. Ale podrobněji o tomto zase někdy příště.

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.