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 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.
Komentáře
Okomentovat