Vaš makro backtest je trgoval na podlagi popravljenega poročila o zaposlovanju

Dragi snovalec strategije, ki filtrira na podlagi podatkov o zaposlovanju,

Zasnovali ste preprosto pravilo: po poročilu o zaposlovanju v ZDA vaša strategija 5 trgovalnih sej drži ETF na delnice, če mesečna rast števila zaposlenih presega 175,000. Sicer ostane v gotovini. Vstop ste načrtovali po odprtju delniškega trga, upoštevali stroške trgovanja in ohranili nespremenjen prag. Nato ste prenesli zgodovinsko serijo podatkov o zaposlovanju in z njo rekonstruirali vsak signal.

Preostala težava je prenos podatkov. Zgodovinska ekonomska serija lahko vsebuje popravljene ocene, ki na datume, ko naj bi vaša strategija trgovala, še niso bile na voljo. Če želite makro signal pošteno backtestirati, potrebujete različico, ki je bila na voljo ob vsakem trenutku odločitve. Če vstop premaknete za 1 svečko, s tem ne popravite številke, objavljene 2 meseca pozneje.

Vaš januarski podatek ima več rojstnih dni

Oglejmo si to izmišljeno zgodovino objav. Ti datumi in spremembe števila zaposlenih ponazarjajo mehaniko; ne gre za objavljene ekonomske rezultate.

Če vaš prenos podatkov za januar vsebuje +210,000, bo vaš ponovni zagon simulacije februarja vstopil v ETF. Vaše dejansko pravilo bi ostalo v gotovini. Vse cene, časovni žigi naročil in provizije so lahko pravilni, pa je celotna trgovina še vedno izmišljena.

Ne morete predpostavljati, da ta kontaminacija izboljša uspešnost. Popravki lahko ustvarijo dobičkonosne ali izgubaške posle oziroma katere koli od njih odstranijo. Napaka je v tem, da vaša simulacija odgovarja na vprašanje, ki ga vaša strategija takrat ni mogla zastaviti.

Januar je samo obdobje, za katero merite podatek. Ni pa datum, ko ste podatek izvedeli. Vrstica z oznako 1. januar vam ne daje pravice, da bi na podlagi nje trgovali že 1. januarja.

Za vsako vrednost zabeležite, kdaj je bila na voljo

Vaša raziskovalna tabela potrebuje več kot mesec in številko. Zabeležite referenčno obdobje, vrednost, časovni žig objave, identifikator različice in vir. Pri sprotnem zbiranju podatkov zabeležite tudi, kdaj je objava prispela v vaš sistem. Stare različice ohranite, namesto da njihove vrednosti prepisujete.

Ob časovnem žigu odločitve za vsako opazovanje izberite najnovejšo ustrezno različico, katere časovni žig razpoložljivosti ni poznejši od časa odločitve. Nato iz tako rekonstruiranega posnetka izračunajte značilke.

Petdnevno obdobje držanja ne pomeni, da je to evidenco mogoče zanemariti. Daje vam več možnosti za konservativen čas vstopa, ne pa zgodnjega dostopa do popravkov.

Pri starejših raziskavah imate morda dokaz o času javne objave, ne pa podatka o času prejema v vaš sistem. To razliko jasno ohranite. Dostop lahko modelirate po dokumentiranem času objave in upoštevate izrecno navedeni zamik. Te predpostavke pa ne morete opisovati kot izmerjenega zgodovinskega časa dostave.

Uporabite tudi časovni žig, ki upošteva časovni pas. Zabeležite dokumentirani krajevni čas objave in ga pravilno pretvorite; fiksni odmik od UTC za New York ne bo deloval pri prehodih na poletni čas. Prihodnjemu sebi izkažite to majhno uslugo. Septembrskemu vam ne bi bilo treba ugibati, kaj pomeni marčevski stolpec z imenom date_actual_final2.

Pri drsečih značilkah potrebujete celotno zgodovino različic

Recimo, da fiksni prag zamenjate s pravilom »rast števila zaposlenih presega povprečje zadnjih 12 mesecev«. Zdaj potrebujete pretekle podatke takšne, kot so bili ob času odločitve, vključno s popravki, objavljenimi do takrat.

Če za vedno uporabljate prvo objavo vsakega meseca, določite drugačno značilko. To je lahko povsem legitimna zasnova, če izrecno želite zgodovino prvih objav. Ne rekonstruira pa ekonomske zgodovine, ki je bila vidna na določeno jutro, saj so takratni nabor informacij morda že sestavljali popravki prejšnjih mesecev.

Če mesečne spremembe števila zaposlenih izpeljujete iz ravni zaposlenosti, pred izračunom razlik rekonstruirajte serijo ravni za ustrezno različico. Če združite na novo objavljeno raven s podatkom o ravni za prejšnji mesec iz starejše različice, lahko ustvarite spremembo, ki je ni vseboval noben objavljeni posnetek.

Zato morate opredeliti, kaj vaša značilka pomeni: prve objave, najnovejšo razpoložljivo sliko gospodarstva ali same popravke. Izraz »rast števila zaposlenih« pušča preveč odprtih vprašanj.

Popravite eno objavo, preden znova zaženete 10 let podatkov

Začnete lahko pri ALFRED, ki za številne ekonomske serije ponuja zgodovino različic. Preverite, ali so za vašo točno določeno serijo in obdobje na voljo ustrezni podatki. Sam datum različice ne dokazuje razpoložljivosti znotraj dneva; preden ga uporabite za signal istega dne, ga povežite z dokumentiranim časom objave.

Za prvo revizijo izberite eno objavo in jo ročno rekonstruirajte:

1. Poiščite arhivirano objavo in zabeležite čas objave, referenčni mesec ter prvotno vrednost.
2. Obnovite posnetek vhodnih podatkov, ki bi ga vaša strategija prejela pred vstopom.
3. Ročno izračunajte signal in ga primerjajte z rezultatom ponovnega zagona simulacije.
4. V shrambo podatkov dodajte poznejši popravek in preverite, ali je prejšnja odločitev ostala nespremenjena.

Ta zadnja preverba je še posebej uporabna v avtomatiziranem raziskovalnem cevovodu. Raziskovalnemu agentu posredujte časovni prag posnetka in izbrane identifikatorje različic skupaj z vrednostmi značilk. Potrebujete dovolj dokazov, da lahko trgovino povežete z določeno objavo tudi potem, ko se je osnovna podatkovna zbirka povečala.

Ko lahko ponovite to posamezno odločitev, znova zaženite celotno zgodovino in primerjajte razhajanja med signali, preden primerjate donose. Preštejte vstope, ki jih je popravek ustvaril, odstranil ali časovno premaknil. Iz spremenjenih odločitev boste izvedeli več kot iz ene same primerjave Sharpe.

Vaša februarska trgovina mora temeljiti na februarskih informacijah. Aprilski popravek naj ostane v aprilu.