قد يجعل الاختبار الرجعي الأفضل بحث استراتيجيتك أسوأ

الاختبار الرجعي أنفع في استبعاد استراتيجية منه في اختيار واحدة. فما إن تستخدم الأداء التاريخي للاختيار بين نسخ متعددة، حتى يصبح الاختبار الرجعي جزءًا من التجربة، وتبدأ الاستراتيجية التي تبدو فائزة بتحمّل كلفة خفية: تحيز الاختيار.

قد يبدو هذا عكس المنطق. نجري الاختبارات الرجعية لأننا نريد معرفة أي الاستراتيجيات تنجح. لكن كل اختيار يستند إلى التاريخ نفسه يستهلك جزءًا من الأدلة التي يوفرها. غيّر فترة النظر إلى الخلف أو العتبة أو مجموعة الأصول أو يوم إعادة الموازنة أو قاعدة وقف الخسارة بعد الاطلاع على النتائج، وستكون قد طرحت على البيانات سؤالًا آخر. وفي نهاية المطاف، تكون قد طرحت عليها أسئلة كثيرة بما يكفي لتمنحك إجابة مقنعة بالمصادفة.

لماذا يجعل اختبار مزيد من الاستراتيجيات أفضل نتيجة أقل جدارة بالثقة؟

تخيّل اختبار 100 استراتيجية لا تحقق أي ميزة حقيقية. ستختلف عوائدها رغم ذلك. وإذا كانت تقديرات أدائها مستقلة تقريبًا والضوضاء موزعة طبيعيًا، فستكون أعلى قيمة Sharpe بينها موجبة رغم أن قيمة Sharpe الحقيقية لكل استراتيجية تساوي صفرًا.

كتقريب تقريبي، يُتوقع أن تكون القيمة القصوى لـ100 سحب مستقل من التوزيع الطبيعي المعياري أعلى من المتوسط بنحو 2.5 انحراف معياري. اعتبر ذلك للتوضيح، لا تصحيحًا يمكنك نسخه إلى تقريرك: فنسخ الاستراتيجيات الفعلية مترابطة، وتقديرات Sharpe لها خطأ معاينة خاص بها، ونادرًا ما تتصرف العوائد كسحوبات طبيعية صافية. لكن الفكرة العملية تظل قائمة رغم هذه التحفظات: كلما زاد عدد الخيارات التي تفحصها، زاد احتمال أن تعكس أعلى نتيجة ضوضاء مواتية.

و«الخيار» لا يعني فقط اختبارًا رجعيًا محفوظًا. بل يشمل كل قرار تتخذه بعد الاطلاع على نتيجة: توسيع مجموعة الأصول لأن الرسم يبدو متقلبًا، أو استبعاد سنة أضرت بالأداء، أو تغيير افتراض الرسوم حتى يتعافى المنحنى. تُحتسب هذه القرارات حتى لو لم يمنحها أحد رقم إصدار.

أنشئ سجلًا للبحث قبل تشغيل النسخة التالية

سجّل عملية البحث كاملة، بما فيها الأفكار المستبعدة وسبب كل تغيير. يمنحك ذلك وصفًا أصدق لمقدار ما جرى انتقاؤه من النتيجة، ويصعّب عليك تذكّر التجارب الجذابة وحدها.

لن يمحو السجل أثر البحث. لكنه يجعله واضحًا، وهذه أول خطوة للحكم على مقدار الثقة التي تستحقها الاستراتيجية الفائزة.

احتفظ ببيانات لا تعود عملية البحث إليها

قسّم البيانات زمنيًا، ثم احمِ الفترة النهائية. طوّر الاستراتيجية على فترة، واتخذ القرارات باستخدام فترة للتحقق، ثم قيّم الاستراتيجية بعد تجميدها مرة واحدة على مجموعة بيانات احتياطية لاحقة. مثلًا، يمكنك استخدام 2018–2022 للتطوير، و2023 للتحقق، ثم حجز 2024–2025. هذه التواريخ مجرد مثال: فالسوق وأفق الاستراتيجية ومدى توافر البيانات هي ما ينبغي أن يحدد التقسيم.

دوّن ما الذي يعنيه «مجمّدة»: الإشارة، ومجموعة الأصول، وتحديد حجم المراكز، وافتراضات التنفيذ، وأي قواعد للتعامل مع البيانات المفقودة. إذا خيّبتك نتائج مجموعة البيانات الاحتياطية ثم عدّلت الاستراتيجية استنادًا إليها، فقد أصبحت تلك الفترة بيانات تحقق. والتقييم النزيه التالي يحتاج إلى أدلة جديدة.

وهنا أيضًا تظهر مشكلة العينات الصغيرة. فالاستراتيجية التي نفذت 18 صفقة في مجموعة البيانات الاحتياطية لا تتيح حكمًا دقيقًا. اعرض عدد الصفقات ومستوى عدم اليقين إلى جانب إحصاءات العائد؛ فمتوسط واحد قد يجعل عينة صغيرة تبدو حاسمة.

هل يعني هذا أن الاختبارات الرجعية عديمة الفائدة في اختيار الاستراتيجيات؟

لا. ومحقّو الانتقاد حين يقولون إن مجموعات البيانات الاحتياطية الصارمة قد تهدر البيانات: فالأسواق تتغير، وسجلاتها قصيرة، وقد لا تمثل الفترة غير المستخدمة إلا نظامًا سوقيًا استثنائيًا واحدًا. ويمكن لعملية اختبار متدرج مصممة بعناية أن تُظهر كيف يتصرف أداء الاستراتيجية مع تقدّم السجل المتاح. لكنها لا تجعل تكرار التعديل مجانيًا. فإذا فحصت كل طية وعدّلت الاستراتيجية، فقد أثّرت تلك الطيات في البحث.

استخدم الاختبارات الرجعية لكشف أوجه الإخفاق، ومقارنة عدد قليل من الأفكار القائمة على آلية سوقية، واختبار صمود النتائج أمام افتراضات معقولة للرسوم والتمويل والأثر السعري وتغييرات المعلمات. احتفظ بسجل. واحمِ مجموعة بيانات احتياطية نهائية. ثم انقل نسخة واعدة ومجمّدة إلى التداول الورقي، حيث قد تظهر أوجه عدم التطابق التشغيلية.

غالبًا ما تكون أقوى إجابة للاختبار الرجعي: «تنهار هذه الفكرة في ظروف يمكننا رصدها بالفعل». وحين يقول: «هذه أفضل استراتيجية»، اسأل: كم إجابة أخرى طُلبت منه؟