Täpsemad turuandmed võivad muuta strateegia tagantjärele testi vähem usaldusväärseks. Tehingupõhised andmed annavad sulle rohkem ridu, kuid ka rohkem võimalusi pidada mõõtmise detailsust ekslikult teadmisteks selle kohta, mida oleksid saanud kaubelda.
See kõlab kummaliselt, kui oled näinud, kuidas küünlapõhine test jätab märkamata stopi, spread'i laienemise või sinu limiithinna põgusa puudutamise. Need on tõelised probleemid. Küsimus on selles, kas täpsemad andmed lahendavad need päriselt või lasevad simulaatoril lihtsalt enesekindlama loo jutustada.
Mida võimaldavad tehingupõhised andmed tagantjärele testis näha?
Üheminutiline küünal koondab tehingute jada neljaks hinnaks ja mahusummaks. Üksnes küünla põhjal ei saa tavaliselt teada, kas tipp tuli enne põhja, kui kaua hind kummagi äärmuse lähedal püsis või kas konkreetsel hinnal kaubeldi piisava mahuga, et sinu orderit täita.
Tehingute hinnakirjed taastavad raporteeritud tehingute järjekorra. Hinnapakkumised lisavad ajas kuvatud ostu- ja müügihinnad. Mõlemaga saad täpsemalt uurida spread'i, hinnapakkumiste muutusi ja seda, kas turuhinnaga order oleks tõenäolise hinnaga orderiraamatu läbi käinud.
Kuid tehingu hinnakirje ei ütle sinu kohta järjekorras. Kui sinu ootel order oleks liitunud tasemega, kus selle ees oli juba 18 BTC, ei tõesta teadmine, et seal kaubeldi 0.3 BTC, sinu orderi täitumist. Tehinguvoog näitab, mis turul juhtus; harva selgub sellest täpselt, kus sinu hüpoteetiline order paiknes.
Kuidas võivad täpsemad andmed tulemust halvendada?
Esimene risk on ebaühtlane katvus. Tehingupõhistes arhiivides on tihti puuduvaid ajavahemikke, kauplemiskohtade katkestusi, sümbolimuudatusi või eri turgude jaoks erinevaid säilitusperioode. Kui testid strateegiat ainult seal, kus andmepakkujal on täielik ajalugu, võib sellest märkamatult saada strateegia kõige hõlpsamini mõõdetavate varade ja perioodide jaoks.
Teine risk on ajastus. Ajatemplid võivad tähistada kauplemiskoha sündmuse aega, andmepakkujani jõudmise aega või faili koostamise hetke. Kui simulaator järjestab eri voogude sündmused nii, nagu oleksid nende kellad täiesti sünkroonis, võib see reageerida hinnapakkumisele enne, kui see sinu protsessile kättesaadav oli.
Rohkem ridu muudab ka teostusvead lihtsamini peidetavaks. Küünlapõhine strateegia võib teha ühe otsuse minutis. Tehingupõhine versioon võib selle minuti jooksul kaubelda kümneid kordi, makstes iga kord spread'i, tasusid ja turumõju. Kui simulaator eeldab, et iga signaali saab täita järgmise vaadeldud hinnaga, on selle täpsus pelgalt dekoratiivne.
Need 60 vaatlust ei tähenda automaatselt 60 sõltumatut kauplemisvõimalust. Kõik need võivad kirjeldada sama muutuvat hinnapakkumist ning sinu order võib mõjutada seda, milline maht jääb täitmiseks saadavale. Kõrgsageduslik simulatsioon vajab orderi- ja latentsusmudelit, mis kasutab lisadetailsust ausalt.
Millal tasub tehingupõhiste andmete eest maksta?
Alusta küsimusest, millele sa praeguste andmetega vastata ei saa. Kui küsimus on „kumb saabus enne, stop või siht?”, võivad tehingute hinnakirjed aidata. Kui küsimus on „kui palju spread'i sisenemisel maksis?”, on hinnapakkumiste andmed asjakohasemad. Kui küsimus on „kas minu passiivne order oleks täitunud?”, võib vaja minna turusügavuse andmeid ja järjekorra eeldusi, kuid isegi nendega saab harva taastada kogu ajaloolise järjekorra.
| Uurimisküsimus | Sobivad andmed | Mida need ikkagi tõestada ei saa |
|---|---|---|
| Kas üks lävenditest saavutati enne teist? | Tehingute hinnakirjed | Et sinu order täitus kummagi lävendi juures |
| Millise spread'i turuorder ületas? | Ajatempliga ostu- ja müügihinna pakkumised | Et kuvatud maht oli endiselt saadaval |
| Kas passiivne order oleks täitunud? | Hinnapakkumised, turusügavus ja järjekorramudel | Sinu täpset kohta reaalajas järjekorras |
Päevase signaali puhul, mida hoitakse nädalaid, võivad üheminutilised küünlad olla otsustusprotsessi jaoks juba tarbetult täpsed. Strateegia puhul, mille eelis sõltub sekundite jooksul toimuvast täitmisest, võivad küünlad uuringu all peituva mõju kustutada. Vali andmete detailsus strateegia otsustamis- ja tehinguhorisondi järgi.
Kuidas teha kindlaks, kas lisadetailsusest oli kasu?
Hoia strateegia ja testiperiood samana. Võrdle küünlapõhist ja täpsemate andmetega versiooni võimaluse korral samade otsuste alusel. Jälgi koos tootluse ja riskinäitajatega täitmiste, käibekordaja, makstud spread'i, tasude ja turumõju muutusi. Kui Sharpe tõuseb, tehingute arv kolmekordistub ja täitmise mudel täidab orderid endiselt järgmise hinnakirje alusel, tasub paranemises kahelda.
Seejärel halvenda peenemaid andmeid teadlikult. Eemalda juhuslikult väike osa sündmustest, lisa realistlik viivitus andmevoos ning suurenda eeldatavat spread'i või turumõju. Tulemus, mis mõne millisekundilise viivituse korral kokku variseb, võib tuleneda simulaatori sündmuste järjestusest, mitte strateegia püsivast omadusest.
Kord kulutasin terve pärastlõuna, et jälitada muljetavaldava paranemise põhjust, ja leidsin andmevoo, mis oli lühikese tehingusarja duplikeerinud. Mudel oli õppinud duplikaatidega kauplema. Rohkem andmeid oli vea eelise moodi välja paistma pannud.
Küünalde kriitikud ütlevad õigusega, et koondamine võib varjata teekonnast sõltuvat täitmist. Ainuüksi OHLC põhjal ei saa sama küünla sees oleva stopi ja sihi järjekorda määrata ning spread'i hetkepildid võivad lühiajalised häired märkamata jätta. Tehingute ja hinnapakkumiste andmed aitavad neile küsimustele täpsemalt vastata, kui andmevoog on täielik ja simulaator arvestab sündmuste ajastusega.
Praktiline põhimõte on lihtne: hangi rohkem detailsust ainult siis, kui see muudab mõnda kirjeldatavat otsust, ja näita, millised eeldused muudavad selle detailsuse täidetud orderiks. Muidu on sul suurem andmestik ja näiliselt täpsem tagantjärele test, kuid mitte paremaid tõendeid selle kohta, et strateegiaga oleks saanud kaubelda.
← Kõik postitused


