Mere detaljerede markedsdata kan gøre en backtest af en strategi mindre pålidelig. Tickdata giver dig flere rækker, men også flere måder at forveksle måledetaljer med viden om, hvad du faktisk kunne have handlet.
Det lyder bagvendt, hvis du nogensinde har set en bartest overse et stop, en udvidelse af spreadet eller et kortvarigt touch af din limitpris. Det er reelle problemer. Spørgsmålet er, om de finere data faktisk løser dem, eller blot lader simulatoren fortælle en mere overbevisende historie.
Hvad kan tickdata vise en backtest?
En 1-minutsbar komprimerer en række handler til fire priser og en samlet volumen. Ud fra baren alene kan du som regel ikke se, om højeste pris kom før laveste pris, hvor længe prisen lå nær et af yderpunkterne, eller om der blev handlet tilstrækkelig volumen på en bestemt pris til at kunne understøtte din ordre.
Handelsticks genskaber rækkefølgen af de rapporterede handler. Quotes viser den viste bid og ask over tid. Med begge dele kan du stille mere præcise spørgsmål om spread, ændringer i quotes, og om en marketable-ordre ville have krydset ordrebogen til en plausibel pris.
Men et handelstryk fortæller ikke, hvor du står i køen. Hvis din hvilende ordre ville være blevet lagt på et niveau med 18 BTC foran sig, beviser det ikke, at din ordre blev udført, at der blev handlet 0.3 BTC dér. Tape fortæller dig, hvad der skete på markedet; den afslører sjældent præcis, hvor din hypotetiske ordre lå.
Hvor kan finere data gøre resultatet dårligere?
Den første risiko er ujævn dækning. Tickarkiver har ofte manglende intervaller, huller for bestemte handelspladser, symbolændringer eller forskellige opbevaringsperioder på tværs af markeder. En strategi, der kun testes dér, hvor leverandøren har en komplet historik, kan ubemærket blive en strategi for de aktiver og perioder, der er lettest at måle.
Den anden risiko er timing. Tidsstempler kan angive tidspunktet for hændelsen på børsen, tidspunktet hvor leverandøren modtog den, eller tidspunktet hvor en fil blev sammensat. Hvis din simulator sorterer hændelser fra forskellige feeds, som om deres ure var perfekt synkroniserede, kan den reagere på et quote, før det var tilgængeligt for din proces.
Flere rækker gør det også lettere at skjule implementeringsfejl. En barstrategi træffer måske én beslutning i minuttet. En tickdrevet version kan handle snesevis af gange i det minut og betale spread, gebyrer og market impact hver gang. Hvis simulatoren antager, at hvert signal kan udføres til den næste observerede pris, er præcisionen kun til pynt.
De 60 observationer er ikke automatisk 60 uafhængige muligheder for at handle. De kan alle beskrive det samme quote, der udvikler sig, og din ordre kan påvirke, hvilke udførelser der stadig er tilgængelige. En højfrekvenssimulering kræver en ordre- og latensmodel, der bruger de ekstra detaljer på en redelig måde.
Hvornår er tickdata prisen værd?
Begynd med det spørgsmål, du ikke kan besvare med dine nuværende data. Hvis det er »hvilken blev nået først, mit stop eller mit take profit?«, kan handelsticks hjælpe. Hvis det er »hvor meget kostede spreadet ved indgangen?«, er quotedata mere relevant. Hvis det er »ville min passive ordre være blevet udført?«, har du måske brug for dybde og antagelser om køen, og selv det genskaber sjældent hele den historiske kø.
| Forskningsspørgsmål | Nyttige data | Hvad de stadig ikke kan bevise |
|---|---|---|
| Blev en tærskel handlet før en anden tærskel? | Handelsticks | At din ordre blev udført ved en af tærsklerne |
| Hvilket spread krydsede en markedsordre? | Tidsstemplede bid- og ask-quotes | At den viste volumen stadig var tilgængelig |
| Kunne en passiv ordre blive udført? | Quotes, dybde og kømodel | Din præcise placering i den levende kø |
For et dagligt signal, der holdes i ugevis, kan 1-minutsbarer allerede være mere detaljerede, end beslutningsprocessen kræver. For en strategi, hvis edge afhænger af eksekvering over sekunder, kan bars udviske selve effekten, du undersøger. Tilpas dataenes opløsning til strategiens beslutnings- og eksekveringshorisont.
Hvordan kan jeg se, om de ekstra detaljer hjalp?
Hold strategien og testperioden fast. Sammenlign versionerne baseret på bars og finere data ud fra de samme beslutninger, hvor det er muligt. Følg ændringer i udførelser, omsætning, betalt spread, gebyrer og market impact sammen med afkast- og risikomål. Hvis Sharpe stiger, mens antallet af handler tredobles, og eksekveringsmodellen stadig udfører til næste handelstryk, bør forbedringen vække mistanke.
Forring derefter bevidst de fine data. Fjern en lille tilfældig andel af hændelserne, tilføj realistisk feedforsinkelse, og øg det antagne spread eller market impact. Et resultat, der kollapser ved blot nogle få millisekunders forsinkelse, kan skyldes simulatorens rækkefølge af hændelser og ikke en holdbar egenskab ved strategien.
En eftermiddag brugte jeg engang på at spore en spektakulær forbedring tilbage til et feed, der havde duplikeret en kort serie handelstryk. Modellen havde lært at handle på dubletterne. Flere data havde fået fejlen til at ligne en edge.
Kritikere af bars har ret i, at aggregering kan skjule eksekvering, der afhænger af prisforløbet. Et stop og et take profit i samme bar kan ikke sættes i rækkefølge ud fra OHLC alene, og spredøjebliksbilleder kan overse kortvarige dislokationer. Tick- og quotedata kan besvare de spørgsmål mere præcist, når feedet er komplet, og simulatoren respekterer hændelsernes timing.
Den praktiske målestok er enkel: køb kun flere detaljer, når de ændrer en beslutning, du kan beskrive, og vis, hvilke antagelser der gør, at detaljerne fører til en udførelse. Ellers har du et større datasæt og en backtest, der ser mere præcis ud, uden bedre belæg for, at strategien kunne handles.
← Alle indlæg


