Quali sono i diversi tipi di strategie di backtesting?
Esistono tre approcci tradizionali alle strategie di backtest: utilizzare i dati sui prezzi effettivi suddivisi in tre gruppi; bootstrap, che utilizza i dati sui prezzi effettivi ma li ricampiona; e simulazione Monte Carlo. Ci sono problemi teorici che dividono i costruttori di sistemi su quale metodo sia il migliore. Ciò che è importante per il trader è che impiega correttamente almeno una delle strategie di backtesting nel suo sistema prima di affidarsi al suo capitale di trading. Un problema critico nella scelta di una strategia di backtest è il numero di operazioni generate; sono necessarie almeno 1.000 operazioni in ogni fase del lavoro del builder di sistema.
L'utilizzo dei dati sui prezzi effettivi, suddivisi in tre parti, è il solito punto di partenza per la maggior parte dei costruttori di sistemi. Il sistema viene creato utilizzando il primo terzo dei dati. A questo punto, il costruttore ha trovato algoritmi che sembrano generare abbastanza profitto con un rischio abbastanza piccolo da offrire buone prospettive. Il secondo terzo dei dati viene utilizzato per ottimizzare il sistema.
Dopo che il sistema è stato ottimizzato, verrà applicato al restante terzo dei dati. Questo si chiama test fuori campione ed è dove la maggior parte dei sistemi fallisce. Se il sistema ha ancora buoni risultati in almeno 1.000 operazioni, il builder di sistema ha un sistema praticabile. Se il sistema genera meno di 1.000 operazioni nei test fuori campione, il builder dovrebbe prendere in considerazione un'altra strategia di backtest.
Il bootstrap è un metodo per estrarre alcuni dati dall'insieme totale, testare, reinserire i dati e disegnare più dati o ricampionare e ripetere il test. Il numero ideale di campioni è n n o n all'ennesima potenza, dove n è il numero di dati nel campione originale. Per un operatore che probabilmente ha a che fare con almeno 2.500 punti dati - 250 giorni all'anno per 10 anni - questo non è pratico. Fortunatamente, 100 campioni forniranno un alto livello di fiducia nel fatto che il campione bootstrap rispecchierà i dati originali, rendendo i risultati affidabili. Se prendere 100 campioni non fornisce le 1.000 operazioni necessarie, il trader deve continuare il ricampionamento fino a quando l'obiettivo non viene raggiunto se si aspetta che il sistema, piuttosto che solo il ricampionamento dei dati, sia affidabile.
L'ultimo metodo di backtesting è la simulazione Monte Carlo (MC). Questo metodo utilizza un computer per generare dati simulati e il sistema viene quindi testato su tali dati. Il vantaggio della simulazione MC è che si possono creare quantità illimitate di dati, consentendo di generare 10.000 operazioni o qualsiasi altro numero di operazioni. Un altro vantaggio è che ogni nuovo set di dati è fuori campione. Ciò offre l'opportunità di eseguire ripetute ripetizioni di ottimizzazione e test; è sufficiente ottimizzare su questo set di dati, quindi applicare quei parametri di sistema ai dati successivi generati dal computer.
Uno svantaggio della simulazione MC è che i dati potrebbero non avere esattamente la stessa funzione di distribuzione di probabilità dei dati di trading, il che potrebbe distorcere i risultati. Nel migliore dei mondi possibili, tutte e tre le strategie di backtest dovrebbero essere utilizzate nel processo di controllo del sistema. Il successo in tutti e tre dovrebbe offrire un'alta probabilità di successo nel trading nel mondo reale.