Quais são os diferentes tipos de estratégias de backtesting?
Existem três abordagens principais para estratégias de backtesting: usando dados de preços reais divididos em três grupos; bootstrap, que usa dados reais de preços, mas os amostram novamente; e simulação de Monte Carlo. Existem questões teóricas que dividem os construtores de sistemas sobre o melhor método. O que é importante para o profissional é que ele emprega corretamente pelo menos uma das estratégias de backtest no sistema antes de confiar seu capital de negociação. Uma questão crítica na escolha de uma estratégia de backtesting é o número de negociações geradas; são necessárias pelo menos 1.000 negociações em cada fase do trabalho do construtor de sistemas.
O uso de dados reais de preços, divididos em três partes, é o ponto de partida usual para a maioria dos criadores de sistemas. O sistema é criado usando o primeiro terço dos dados. Nesse ponto, o construtor encontrou algoritmos que parecem gerar lucro suficiente com riscos pequenos o suficiente para oferecer boas perspectivas. O segundo terço dos dados é usado para otimizar o sistema.
Após a otimização do sistema, ele será aplicado ao terço restante dos dados. Isso é chamado de teste fora da amostra e é onde a maioria dos sistemas falha. Se o sistema ainda tiver bons resultados em pelo menos 1.000 negociações, o criador do sistema possui um sistema viável. Se o sistema gerar menos de 1.000 negociações nos testes fora da amostra, o construtor deve considerar outra estratégia de backtesting.
O bootstrapping é um método de extrair alguns dados do conjunto total, testar, colocar os dados novamente e extrair mais dados, ou reamostrar e testar novamente. O número ideal de reamostragens é n n ou n à enésima potência, onde n é o número de dados na amostra original. Para um profissional que provavelmente lida com pelo menos 2.500 pontos de dados - 250 dias por ano, durante 10 anos - isso não é prático. Felizmente, 100 reamostragens fornecerão um alto nível de confiança de que a amostra de bootstrap espelhará os dados originais, tornando os resultados confiáveis. Se a coleta de 100 reamostragens não fornecer as 1.000 negociações necessárias, o comerciante precisará continuar reamostrando até que essa meta seja atingida se ele espera que o sistema, em vez de apenas reamostrar os dados, seja confiável.
O último método de estratégias de backtesting é a simulação de Monte Carlo (MC). Este método usa um computador para gerar dados simulados e o sistema é testado com esses dados. A vantagem da simulação de MC é que é possível criar quantidades ilimitadas de dados, permitindo gerar 10.000 negócios ou qualquer outro número de negócios. Outra vantagem é que cada novo conjunto de dados está fora de amostra. Isso oferece a oportunidade de executar repetidas otimizações e testes; simplesmente otimize esse conjunto de dados e aplique esses parâmetros do sistema aos próximos dados que o computador gerar.
Uma desvantagem da simulação de MC é que os dados podem não ter exatamente a mesma função de distribuição de probabilidade dos dados de negociação, o que pode distorcer os resultados. No melhor dos mundos possíveis, todas as três estratégias de backtest devem ser usadas no processo de verificação do sistema. O sucesso nos três deve oferecer uma probabilidade muito alta de sucesso no comércio no mundo real.