21 نوامبر 2026 · پژوهش

وقتی داده‌های بیشتری اضافه می‌کنیم، یک استراتژی بهتر ممکن است بدتر به نظر برسد

وقتی داده‌های بیشتری اضافه می‌کنیم، یک استراتژی بهتر ممکن است بدتر به نظر برسد

داده‌های بازار با جزئیات بیشتر می‌توانند بک‌تست یک استراتژی را کم‌اعتمادتر کنند. داده‌های تیک ردیف‌های بیشتری در اختیارتان می‌گذارند، اما راه‌های بیشتری هم پیش پایتان می‌گذارند تا جزئیات اندازه‌گیری را با شناختی از آنچه می‌توانستید معامله کنید اشتباه بگیرید.

اگر تا به حال دیده باشید که یک آزمون مبتنی بر کندل، حد ضرر، بازترشدن فاصله خریدوفروش یا برخورد کوتاه‌مدت قیمت به سفارش محدودتان را از قلم می‌اندازد، این حرف عجیب به نظر می‌رسد. این‌ها مشکلات واقعی‌اند. پرسش این است که آیا داده‌های ریزتر واقعاً آن‌ها را حل می‌کنند، یا فقط به شبیه‌ساز اجازه می‌دهند داستانی مطمئن‌تر تعریف کند.

داده‌های تیک چه چیزی را در معرض دید بک‌تست می‌گذارند؟

یک کندل یک‌دقیقه‌ای دنباله‌ای از معاملات را به چهار قیمت و یک جمعِ حجم فشرده می‌کند. معمولاً فقط از روی کندل نمی‌توانید بفهمید سقف پیش از کف ثبت شده یا برعکس، قیمت چه مدت نزدیک هر یک از این دو حد مانده، یا آیا در قیمتی مشخص آن‌قدر حجم معامله شده که سفارش شما را پشتیبانی کند.

تیک‌های معاملات، ترتیب معاملات گزارش‌شده را دوباره آشکار می‌کنند. مظنه‌ها هم قیمت‌های خریدوفروشِ نمایش‌داده‌شده را در گذر زمان اضافه می‌کنند. با هر دو می‌توانید پرسش‌های دقیق‌تری درباره فاصله خریدوفروش، تغییر مظنه‌ها و این‌که آیا یک سفارش بازارپذیر با قیمتی باورپذیر از دفتر سفارش عبور می‌کرد مطرح کنید.

اما ثبت یک معامله به معنی جایگاه شما در صف نیست. اگر سفارش در حال انتظارتان به سطحی می‌پیوست که از قبل 18 BTC سفارش جلوتر از آن بود، دیدن معامله 0.3 BTC در آن قیمت ثابت نمی‌کند سفارش شما پر شده است. نوار معاملات می‌گوید در بازار چه رخ داده؛ به‌ندرت دقیقاً نشان می‌دهد سفارش فرضی شما کجا قرار داشت.

داده‌های ریزتر کجا می‌توانند نتیجه را بدتر کنند؟

اولین خطر، پوشش نابرابر است. آرشیوهای تیک اغلب بازه‌های ازدست‌رفته، وقفه در پوشش صرافی‌ها، تغییر نمادها یا دوره‌های نگهداری متفاوت میان بازارها دارند. استراتژی‌ای که فقط در جاهایی آزموده شود که فروشنده داده تاریخچه کامل دارد، ممکن است بی‌سروصدا به استراتژی‌ای برای دارایی‌ها و دوره‌هایی تبدیل شود که اندازه‌گیری‌شان آسان‌تر است.

خطر دوم، زمان‌بندی است. زمان‌مهرها ممکن است زمان رویداد در صرافی، زمان دریافت از سوی فروشنده یا لحظه ساخت فایل را نشان دهند. اگر شبیه‌سازتان رویدادهای فیدهای مختلف را طوری مرتب کند که انگار ساعت‌هایشان کاملاً هماهنگ است، ممکن است پیش از آن‌که یک مظنه به فرایند شما برسد، به آن واکنش نشان دهد.

ردیف‌های بیشتر، پنهان‌کردن خطاهای پیاده‌سازی را هم آسان‌تر می‌کنند. یک استراتژی مبتنی بر کندل ممکن است در هر دقیقه یک تصمیم بگیرد. نسخه‌ای که با تیک پیش می‌رود می‌تواند در همان دقیقه ده‌ها بار معامله کند و هر بار فاصله خریدوفروش، کارمزد و اثر بازار بپردازد. اگر شبیه‌ساز فرض کند هر سیگنال با قیمت مشاهده‌شده بعدی اجرا می‌شود، این دقت فقط ظاهری است.

60مشاهده یک‌ثانیه‌ای در یک دقیقه
1کندل یک‌دقیقه‌ای با خلاصه همان بازه

این 60 مشاهده خودبه‌خود 60 فرصت مستقل برای معامله نیستند. ممکن است همه‌شان یک مظنه در حال تغییر را توصیف کنند و سفارش شما هم بر حجمِ باقی‌مانده برای اجرا اثر بگذارد. شبیه‌سازی پربسامد برای استفاده صادقانه از جزئیات اضافه، به مدل سفارش و تأخیر نیاز دارد.

داده‌های تیک چه وقت ارزش هزینه را دارند؟

با پرسشی شروع کنید که با داده‌های فعلی‌تان نمی‌توانید پاسخ دهید. اگر پرسش این است که «حد ضررم زودتر فعال شد یا حد سودم؟»، تیک‌های معاملات می‌توانند کمک کنند. اگر می‌پرسید «هنگام ورود، فاصله خریدوفروش چقدر هزینه داشت؟»، داده مظنه مناسب‌تر است. اگر می‌پرسید «آیا سفارش غیرفعالم پر می‌شد؟»، شاید به عمق بازار و فرض‌هایی درباره صف نیاز داشته باشید؛ حتی آن‌ها هم به‌ندرت صف تاریخی را به‌طور کامل بازسازی می‌کنند.

پرسش پژوهشیداده مفیدآنچه هنوز نمی‌تواند ثابت کند
آیا یک آستانه پیش از آستانه‌ای دیگر معامله شد؟تیک‌های معاملاتاین‌که سفارش شما در هر یک از آستانه‌ها پر شده است
سفارش بازار از چه فاصله خریدوفروشی عبور کرد؟مظنه‌های زمان‌دار خریدوفروشاین‌که حجم نمایش‌داده‌شده همچنان در دسترس بوده است
آیا سفارش غیرفعال می‌توانست پر شود؟مظنه‌ها، عمق بازار و مدل صفجایگاه دقیق شما در صف زنده

برای سیگنالی روزانه که هفته‌ها نگه داشته می‌شود، ممکن است کندل‌های یک‌دقیقه‌ای از چیزی که فرایند تصمیم‌گیری نیاز دارد هم ریزتر باشند. اما برای استراتژی‌ای که مزیتش به اجرا در چند ثانیه وابسته است، کندل‌ها می‌توانند همان اثری را که بررسی می‌کنید محو کنند. دقت داده را با افق تصمیم‌گیری و اجرای استراتژی هماهنگ کنید.

چطور بفهمم جزئیات اضافه مفید بوده‌اند؟

استراتژی و دوره آزمون را ثابت نگه دارید. هر جا ممکن است، نسخه مبتنی بر کندل و نسخه مبتنی بر داده ریزتر را با تصمیم‌های یکسان مقایسه کنید. تغییرات تعداد و کیفیت اجراها، گردش معاملات، فاصله خریدوفروش پرداخت‌شده، کارمزدها و اثر بازار را در کنار بازده و آمار ریسک دنبال کنید. اگر Sharpe بالا می‌رود، در حالی که تعداد معاملات سه برابر شده و مدل اجرا همچنان سفارش را با قیمت ثبت بعدی پر می‌کند، باید به این بهبود شک کرد.

بعد عمداً کیفیت داده ریزتر را پایین بیاورید. سهم کوچکی از رویدادها را تصادفی حذف کنید، تأخیر واقع‌بینانه فید را اضافه کنید و فاصله خریدوفروش یا اثر بازار فرض‌شده را افزایش دهید. نتیجه‌ای که با چند میلی‌ثانیه تأخیر فرو می‌ریزد، شاید حاصل ترتیب رویدادها در شبیه‌ساز باشد، نه ویژگی بادوام استراتژی.

یک بعدازظهر، زمانی را صرف کردم تا بهبود چشمگیری را ردیابی کنم که ریشه‌اش فیدی بود که موج کوتاهی از ثبت معاملات را تکرار کرده بود. مدل یاد گرفته بود روی نسخه‌های تکراری معامله کند. داده‌های بیشتر باعث شده بودند باگ شبیه یک مزیت معاملاتی به نظر برسد.

منتقدان کندل‌ها درست می‌گویند که تجمیع می‌تواند اجرای وابسته به مسیر قیمت را پنهان کند. از روی OHLC به‌تنهایی نمی‌توان ترتیب فعال‌شدن حد ضرر و حد سودی را که در یک کندل قرار دارند تعیین کرد و نمونه‌برداری از فاصله خریدوفروش هم ممکن است ناهنجاری‌های کوتاه را از دست بدهد. داده‌های تیک و مظنه، وقتی فید کامل باشد و شبیه‌ساز زمان‌بندی رویدادها را رعایت کند، می‌توانند صادقانه‌تر به این پرسش‌ها پاسخ دهند.

معیار عملی ساده است: جزئیات بیشتر را فقط وقتی بخرید که تصمیمی را تغییر می‌دهد که بتوانید توضیحش دهید، و نشان دهید کدام فرض‌ها این جزئیات را به یک اجرا تبدیل می‌کنند. وگرنه فقط مجموعه‌داده‌ای بزرگ‌تر و بک‌تستی دارید که دقیق‌تر به نظر می‌رسد، بی‌آن‌که شواهد بهتری داشته باشید که استراتژی واقعاً قابل معامله بوده است.

مهندسی داده، بک‌تست، ریزساختار بازار، پژوهش استراتژی
اشتراک‌گذاریXLinkedInFacebookRedditHacker NewsWhatsAppTelegramEmail
← همهٔ مطالب