21 november 2026 · research

En bättre strategi kan se sämre ut när du lägger till mer data

En bättre strategi kan se sämre ut när du lägger till mer data

Mer detaljerad marknadsdata kan göra en strategibacktest mindre tillförlitlig. Tickdata ger dig fler rader, men också fler sätt att missta mätprecision för kunskap om vad du hade kunnat handla.

Det låter bakvänt om du någon gång har sett ett stapelbaserat test missa en stop, en spreadökning eller en kort beröring av ditt limitpris. Det är verkliga problem. Frågan är om den mer detaljerade datan faktiskt löser dem, eller bara låter simulatorn berätta en mer självsäker historia.

Vad låter tickdata en backtest se?

En 1-minutsstapel komprimerar en sekvens av affärer till fyra priser och en volymsumma. Utifrån stapeln ensam kan du oftast inte avgöra om högsta kursen kom före lägsta kursen, hur länge priset låg nära någon av ytterligheterna eller om tillräckligt stor volym omsattes på ett visst pris för att din order skulle kunna fyllas.

Affärstick återger sekvensen av rapporterade affärer. Kurser lägger till den visade köp- och säljkursen över tid. Med båda kan du ställa mer precisa frågor om spreaden, kursförändringar och om en marknadsorder skulle ha gått igenom orderboken till ett rimligt pris.

Men en affärsnotering visar inte din plats i kön. Om din vilande order skulle ha lagts på en nivå där 18 BTC redan stod före den, bevisar det inte att din order fylldes bara för att 0,3 BTC handlades där. Tejpen visar vad som hände på marknaden; den visar sällan exakt var din hypotetiska order låg.

När kan mer detaljerad data försämra resultatet?

Den första risken är ojämn täckning. Tickarkiv har ofta luckor i tidsserierna, bortfall för handelsplatser, symbolbyten eller olika lagringsperioder mellan marknader. En strategi som bara testas där leverantören har komplett historik kan i det tysta bli en strategi för de tillgångar och perioder som är enklast att mäta.

Den andra risken är tidssättning. Tidsstämplar kan ange händelsetid på handelsplatsen, när leverantören tog emot data eller när en fil sattes ihop. Om simulatorn sorterar händelser från olika flöden som om deras klockor vore perfekt synkroniserade kan den reagera på en kurs innan den var tillgänglig för din process.

Fler rader gör det dessutom lättare att dölja implementeringsfel. En stapelstrategi kanske fattar ett beslut per minut. En tickstyrd version kan handla dussintals gånger den minuten och betala spread, avgifter och marknadspåverkan varje gång. Om simulatorn antar att varje signal kan exekveras till nästa observerade pris är precisionen bara kosmetisk.

60observationer med en sekunds intervall på en minut
1minutsstapel med en sammanfattning av samma intervall

De 60 observationerna innebär inte automatiskt 60 oberoende handelstillfällen. De kan alla beskriva samma kurs som förändras över tid, och din order kan påverka vilken volym som finns kvar att fylla mot. En högfrekvent simulering behöver en order- och latensmodell som använder den extra detaljen på ett ärligt sätt.

När är tickdata värd kostnaden?

Börja med frågan du inte kan besvara med din nuvarande data. Om den är ”vad kom först, min stop eller mitt målpris?” kan affärstick hjälpa. Om den är ”hur mycket kostade spreaden vid entry?” är kursdata mer relevant. Om den är ”skulle min passiva order ha fyllts?” kan du behöva djupdata och antaganden om köordning, och inte ens det återskapar vanligtvis hela den historiska kön.

ForskningsfrågaAnvändbar dataVad datan fortfarande inte kan bevisa
Handlades en tröskel innan en annan tröskel nåddes?AffärstickAtt din order fylldes vid någon av trösklarna
Vilken spread gick en marknadsorder igenom?Tidsstämplade köp- och säljkurserAtt den visade volymen fanns kvar tillgänglig
Kunde en passiv order ha fyllts?Kurser, djupdata och kömodellDin exakta plats i den livebaserade kön

För en daglig signal som hålls i flera veckor kan 1-minutsstaplar redan vara mer detaljerade än beslutsprocessen kräver. För en strategi vars edge beror på exekvering över sekunder kan staplar sudda ut just den effekt som undersöks. Anpassa datans upplösning efter strategins besluts- och exekveringshorisont.

Hur avgör jag om den extra detaljen hjälpte?

Håll strategin och testperioden fasta. Jämför versionerna baserade på staplar respektive mer detaljerad data utifrån samma beslut när det går. Följ förändringar i fyllnader, omsättning, betald spread, avgifter och marknadspåverkan tillsammans med avkastnings- och riskmått. Om Sharpe stiger samtidigt som antalet affärer tredubblas och exekveringsmodellen fortfarande fyller till nästa notering finns det skäl att vara misstänksam mot förbättringen.

Försämra sedan den detaljerade datan medvetet. Slumpa bort en liten andel händelser, lägg till realistisk fördröjning i dataflödet och öka den antagna spreaden eller marknadspåverkan. Ett resultat som faller ihop efter bara några millisekunders fördröjning kan bero på simulatorns händelseordning snarare än på en varaktig egenskap hos strategin.

En eftermiddag lade jag en gång på att spåra en spektakulär förbättring till ett dataflöde som hade duplicerat en kort serie affärsnoteringar. Modellen hade lärt sig att handla på dubbletterna. Mer data hade fått buggen att se ut som en edge.

Kritiker av staplarna har rätt i att aggregering kan dölja exekvering som beror på prisförloppet. Om stop och målpris ligger inom samma stapel går det inte att avgöra ordningen utifrån OHLC ensamt, och ögonblicksbilder av spreaden kan missa korta avvikelser. Tick- och kursdata kan besvara de frågorna mer tillförlitligt när dataflödet är komplett och simulatorn tar hänsyn till händelsetidpunkterna.

Den praktiska tumregeln är enkel: skaffa mer detaljrik data bara när den ändrar ett beslut som du kan beskriva, och visa vilka antaganden som gör att detaljen leder till en fyllnad. Annars har du en större datamängd och en backtest som ser mer precis ut, men inga starkare belägg för att strategin gick att handla.

datateknikbacktestingmarknadsmikrostrukturstrategiforskning
← Alla inlägg