Mer detaljerte markedsdata kan gjøre en strategibacktest mindre pålitelig. Tick-data gir deg flere rader, men også flere måter å forveksle måledetaljer med kunnskap om hva du faktisk kunne ha handlet.
Det høres bakvendt ut hvis du noen gang har sett en barbasert test overse en stop, en økning i spreaden eller et kortvarig treff på limitprisen din. Dette er reelle problemer. Spørsmålet er om de mer detaljerte dataene faktisk løser dem, eller bare lar simulatoren fortelle en mer overbevisende historie.
Hva lar tick-data en backtest se?
En 1-minuttsbar komprimerer en rekke handler til fire priser og et samlet volum. Ut fra baren alene kan du vanligvis ikke vite om toppen kom før bunnen, hvor lenge prisen holdt seg nær noen av ytterpunktene, eller om det ble handlet nok volum på en bestemt pris til å dekke ordren din.
Handelsticks gjenoppretter rekkefølgen på de rapporterte handlene. Kvoter viser kjøps- og salgskursen som var oppgitt gjennom tidsforløpet. Med begge deler kan du stille mer presise spørsmål om spread, endringer i kvoter og om en markedsordre ville ha gått gjennom ordreboken til en plausibel pris.
Men en handel er ikke en køposisjon. Hvis den hvilende ordren din ville ha kommet inn på et nivå med 18 BTC foran seg, beviser ikke en handel på 0,3 BTC på dette nivået at ordren din ble fylt. Handelsloggen forteller deg hva som skjedde i markedet; den viser sjelden nøyaktig hvor den hypotetiske ordren din lå.
Når kan mer detaljerte data gi et dårligere resultat?
Den første risikoen er ujevn dekning. Tick-arkiver har ofte manglende intervaller, hull i dekningen på enkelte børser, symbolendringer eller ulike lagringsperioder på tvers av markeder. En strategi som bare testes der leverandøren har full historikk, kan ubemerket bli en strategi for aktivaene og periodene som er enklest å måle.
Den andre risikoen er tidsangivelse. Tidsstemplene kan vise tidspunktet for en hendelse på børsen, når leverandøren mottok den, eller når en fil ble satt sammen. Hvis simulatoren sorterer hendelser fra ulike feeder som om klokkene deres var perfekt synkroniserte, kan den reagere på en kvote før den var tilgjengelig for systemet ditt.
Flere rader gjør det dessuten enklere å skjule implementeringsfeil. En barstrategi kan ta én beslutning per minutt. En tickstyrt versjon kan handle flere titalls ganger i løpet av det minuttet, og betale spread, gebyrer og markedspåvirkning hver gang. Hvis simulatoren antar at hvert signal kan utføres til neste observerte pris, er presisjonen bare pynt.
De 60 observasjonene er ikke automatisk 60 uavhengige handlingsmuligheter. De kan alle beskrive den samme kvoten i utvikling, og ordren din kan påvirke hvilke fyllinger som fortsatt er tilgjengelige. En høyfrekvent simulering trenger en modell for ordrer og forsinkelser som håndterer de ekstra detaljene på en realistisk måte.
Når er tick-data verdt kostnaden?
Begynn med spørsmålet du ikke kan besvare med dataene du har nå. Hvis spørsmålet er «hvilken kom først, stoppen min eller målet mitt?», kan handelsticks hjelpe. Hvis spørsmålet er «hvor mye kostet spreaden ved inngang?», er kvotedata mer relevant. Hvis spørsmålet er «ville den passive ordren min ha blitt fylt?», kan du trenge dybde og køforutsetninger, og selv da er det sjelden mulig å rekonstruere hele den historiske køen.
| Forskningsspørsmål | Nyttige data | Hva dataene fortsatt ikke kan bevise |
|---|---|---|
| Ble én terskel handlet før en annen terskel? | Handelsticks | At ordren din ble fylt ved en av tersklene |
| Hvilken spread krysset en markedsordre? | Tidsstemplede kjøps- og salgskurser | At den oppgitte størrelsen fortsatt var tilgjengelig |
| Kunne en passiv ordre ha blitt fylt? | Kvoter, dybde og kømodell | Den nøyaktige plassen din i den levende køen |
For et daglig signal som holdes i flere uker, kan 1-minuttsbarer allerede være mer detaljerte enn beslutningsprosessen trenger. For en strategi der fordelen avhenger av utførelse over sekunder, kan bars viske ut selve effekten du undersøker. Tilpass dataoppløsningen til strategiens beslutnings- og utførelseshorisont.
Hvordan finner jeg ut om de ekstra detaljene hjalp?
Hold strategien og testperioden fast. Sammenlign den barbaserte versjonen med versjonen som bruker mer detaljerte data, med de samme beslutningene der det er mulig. Følg med på endringer i fyllinger, omsetning, betalt spread, gebyrer og markedspåvirkning, sammen med avkastnings- og risikostatistikk. Hvis Sharpe stiger samtidig som antall handler tredobles, mens utførelsesmodellen fortsatt fyller til neste handel, bør forbedringen vekke mistanke.
Deretter kan du bevisst forringe de detaljerte dataene. Fjern en liten tilfeldig andel av hendelsene, legg til realistisk forsinkelse i datafeeden, og øk antatt spread eller markedspåvirkning. Et resultat som kollapser etter noen millisekunders forsinkelse, kan skyldes hendelsesrekkefølgen i simulatoren, ikke en varig egenskap ved strategien.
En ettermiddag brukte jeg en gang på å spore en spektakulær forbedring tilbake til en feed som hadde duplisert en kort serie med handler. Modellen hadde lært seg å handle på duplikatene. Flere data hadde fått feilen til å se ut som en fordel.
Kritikerne av bars har rett i at aggregering kan skjule utførelse som avhenger av prisforløpet. Ut fra OHLC alene kan du ikke avgjøre rekkefølgen på en stop og et mål som begge ble nådd innenfor samme bar, og øyeblikksbilder av spreaden kan gå glipp av kortvarige ubalanser. Tick- og quotedata kan besvare disse spørsmålene mer presist når datafeeden er komplett og simulatoren tar hensyn til hendelsestidspunktene.
Den praktiske standarden er enkel: Skaff mer detaljerte data bare når de endrer en beslutning du kan beskrive, og vis hvilke forutsetninger som gjør at detaljene kan føre til en fylling. Ellers sitter du igjen med et større datasett og en backtest som ser mer presis ut, uten bedre belegg for at strategien kunne ha blitt handlet.
← Alle innlegg


