Jälkitesti voi näyttää vakuuttavammalta sen jälkeen, kun heikennät sen dataa. Poista rumat hintamerkinnät, täytä aukot siisteillä hinnoilla, niin Sharpe-suhde voi nousta. Tällainen parannus voi olla varoitus: puhdistussääntö on saattanut pyyhkiä pois juuri ne markkinaolosuhteet, joissa strategiasi on selvittävä.
Datan laadulla on väliä. Ristikkäinen noteeraus tai kahteen kertaan kirjattu kauppa voi synnyttää täytön, jota kukaan ei olisi voinut saada. Mutta suodatin, joka saa hankalat havainnot katoamaan, on myös mallivalinta. Suhtaudu siihen yhtä epäilevästi kuin uuteen signaalipiirteeseen.
Milloin huono hinta on oikeasti huonoa dataa?
Aloita kysymällä, mitä havainto edustaa. Vallitsevasta markkinahinnasta kaukana oleva kauppa voi olla vioittunut tietue, aito toimeksiantojen pyyhkäisy ohuessa likviditeetissä tai kaupankäyntipaikkakohtainen tapahtuma. Yhden minuutin kynttilä, jonka volyymi on nolla, voi tarkoittaa, ettei kauppoja tehty, kun taas puuttuva kynttilä voi kertoa syötekatkosta. Näitä tapauksia on käsiteltävä eri tavoin.
Ajatellaan yksinkertaista keskiarvoon palautumiseen perustuvaa strategiaa, joka ostaa hinnan pudottua 1 % lyhyen liukuvan keskiarvon alapuolelle ja sulkee position keskiarvon kohdalla. Yön hiljaisena aikana yksi kauppa kirjautuu 1,2 % edellistä hintaa alemmaksi, minkä jälkeen markkina ponnahtaa takaisin. Jos hintamerkintä on aito, lepäävällä rajahintatoimeksiannolla toimiva strategia olisi voinut saada täytön. Jos kyseessä on virheellinen hintatikki, jota mikään toteuttamiskelpoinen noteeraus ei tukenut, täytön laskeminen mukaan keksii strategialle edun.
Palkin poistaminen ei automaattisesti ole turvallisempaa. Strategialla on silti voinut olla toimeksianto markkinoilla, ja seuraava aito kauppa olisi voinut täyttää sen. Perusteltavan uusinnan on mallinnettava, mitä strategia olisi voinut havaita ja mitä vastaan sen toimeksianto olisi uskottavasti voitu toteuttaa.
Miten puhdistussääntö vaikuttaa tulokseen?
Aja strategia selkeästi määritellyillä datankäsittelytavoilla ja vertaa muutoksia. Säilytä raakadata ja kirjaa jokainen poissulku tai korjaus perusteluineen. Raportoi sitten, kuinka paljon tulos riippuu näistä päätöksistä.
| Datan käsittely | Mahdollinen hyöty | Jälkitestiin kohdistuva riski |
|---|---|---|
| Poista hintamerkintä, joka ylittää dokumentoidun pörssivirheen rajan | Estää tunnettua virheellistä tietuetta asettamasta ääriarvoa | Sääntö voi luokitella aidot kaupat väärin nopeassa markkinassa |
| Jatka viimeistä hintaa puuttuvan jakson yli | Pitää indikaattorit toiminnassa aukoista huolimatta | Luo hinnan, jolla kauppaa ei ehkä ole tapahtunut |
| Käytä yhdistettyjä noteerauksia viimeisimpien kauppahintojen sijaan | Antaa paremman kuvan näytetyistä toteutushinnoista | Noteerattu koko, pääsy kaupankäyntipaikalle ja jonosija ovat silti merkityksellisiä |
| Poista kaikki poikkeavat palkit tilastollisen kynnysarvon perusteella | Vähentää herkkyyttä ääriarvoille | Voi poistaa todellisia stressijaksoja, jolloin strategia häviää eniten |
Oletetaan, että suodattamattoman ajon Sharpe-suhde on 0,9 ja 0,8 % palkeista poissulkevan ajon suhde nousee 1,4:ään. Se ei yksinään todista datan laadun parantuneen. Tarkista, kasautuvatko poistetut palkit volatiliteettipiikkien ympärille, muodostavatko ne merkittävän osuuden P&L:stä ja määriteltiinkö poissulkusääntö ennen tuloksen näkemistäsi.
Pidä datapoikkeamien lokia: lähde, aikaleima, muuttuneet kentät, toimenpiteen syy sekä tieto siitä, tehtiinkö päätös ennen strategian suorituskyvyn tarkastelua vai sen jälkeen.
Miten testaan, muuttiko puhdistus strategian edun?
Lukitse strategia ja vertaa useita uskottavia käsittelytapoja samoilta päiviltä. Ota mukaan mahdollisuuksien mukaan uusinta raakadatalla, dokumentoitu korjausjoukko sekä konservatiivinen toteutustapaus havainnoille, jotka jäävät monitulkintaisiksi. Raportoi jokaisesta ajosta kauppojen määrä, kiertonopeus, suurin arvonlasku ja muutettujen jaksojen P&L-osuus Sharpe-suhteen rinnalla.
Tarkastele sitten muuttuvia kauppoja. Jos strategian parhaat voitot katoavat, kun pieni joukko epäilyttäviä hintamerkintöjä suljetaan pois, käy tietueet läpi yksitellen. Jos tappiot katoavat, tarkastele niitä yhtä huolellisesti. Sääntö, jota tutkitaan tarkasti vain jälkitestin kärsiessä, tekee jo tutkimustyötä.
Jotta tutkimus olisi toistettavissa, versioi datatoimittajan tiedostot tai niiden tarkistussummat, puhdistuskoodi ja poikkeuslista. Datatoimittaja voi muuttaa historiaa; seuraavan ajon on voitava paljastaa, muuttuiko strategia vai syötedata.
Mutta eikö puhdistaminen ole välttämätöntä?
On. Ilmeisen vioittuneen tietueen säilyttäminen voi synnyttää olemattoman kaupan, vääristää volatiliteettia tai rikkoa indikaattorin. Eikä kenenkään pidä teeskennellä, että raakasyöte olisi absoluuttinen totuus. Käytännön ydin on rajatumpi: puhdistuksen on perustuttava näyttöön, lukittuun sääntöön ja herkkyystarkasteluun, koska se voi muuttaa sitä, millaisia markkinaolosuhteita jälkitestin väitetään kuvaavan.
Kun datakorjaus parantaa suorituskykyä, kysy, minkä havainnon se poisti ja olisitko tehnyt saman päätöksen näkemättä pääomakäyrää. Jos et ole varma, säilytä molemmat versiot tutkimusmuistiinpanoissa. Niiden välinen ero on osa tulosta.
← Kaikki kirjoitukset
