آپ کے بیک ٹیسٹ کا سلپیج ماڈل جان بوجھ کر غلط ہونا چاہیے

اکثر سب سے دیانت دار سلپیج ماڈل جان بوجھ کر غلط ہوتا ہے۔ ایسا بیک ٹیسٹ جو غیر تفصیلی تاریخی ڈیٹا سے ایگزیکیوشن کی ایک دقیق لاگت بتائے، وہ ایسا دعویٰ کر رہا ہوتا ہے جس کی ڈیٹا تائید نہیں کرتا۔

یہ بات سادہ مفروضوں کے حق میں دلیل لگ سکتی ہے۔ حقیقت اس کے برعکس ہے: ایک ایسا سادہ ماڈل استعمال کریں جس کی وضاحت کر سکیں، پھر اسے اپنے ہی نتائج سے اختلاف کرنے دیں۔ اگر کوئی حکمتِ عملی صرف آرڈر فل کی ایک سہولت بخش اور موافق قیمت پر کام کرتی ہے، تو یہ غیر یقینی بھی نتیجے کا حصہ ہے۔

سلپیج کا دقیق تخمینہ گمراہ کن کیوں ہو سکتا ہے؟

فرض کریں آپ کے پاس 1 منٹ کے OHLCV بارز ہیں اور آپ 2,000 حصص کا مارکیٹ آرڈر بھیجتے ہیں۔ بار آپ کو 1 منٹ کے دوران قیمت کی حد اور کل حجم بتاتا ہے۔ یہ نہیں بتاتا کہ آپ کا آرڈر پہنچنے پر بولی اور طلب کی قیمت کیا تھی، آپ سے آگے قطار میں کون تھا، 1 منٹ میں حجم کس طرح تقسیم ہوا، یا آپ کے آرڈر سے اس میں سے کتنا استعمال ہوتا۔

آپ پھر بھی سلپیج کو ایک عدد دے سکتے ہیں۔ ممکن ہے آپ اگلے بار کے آغاز پر ایک مقررہ بیسس پوائنٹ لاگت جمع کر کے آرڈر بھریں، یا آرڈر کے حجم کو بار کے حجم پر تقسیم کر کے لاگت کا پیمانہ بنائیں۔ یہ مفید تخمینے ہیں، مشاہدات نہیں۔ نتیجہ “سلپیج: 3.2 بیسس پوائنٹس” کے طور پر پیش کرنے سے ماڈل کے انتخاب کو پیمائش کا روپ مل جاتا ہے۔

ایک مثال دیکھیں: ایک حکمتِ عملی ایسے اسٹاک میں فی آرڈر $20,000 کی ٹریڈ کرتی ہے جس کے اگلے بار کا حجم $400,000 ہے۔ اس کی شرکت کی شرح 5% ہے۔ 2 بیسس پوائنٹس چارج کرنے والے ماڈل میں فی آرڈر $4 لاگت آتی ہے؛ 10 بیسس پوائنٹس والے ماڈل میں $20۔ 500 راؤنڈ ٹرپس میں کمیشن سے پہلے یہ فرق $16,000 بنتا ہے۔ اگر بیک ٹیسٹ میں حکمتِ عملی کا مجموعی منافع $18,000 ہو، تو ایگزیکیوشن کا مفروضہ سگنل جتنا ہی اثر ڈال رہا ہے۔

ایسی حد بنائیں جو آپ کے ڈیٹا کی گنجائش کے مطابق ہو

ایسے بنیادی مفروضے سے آغاز کریں جو حکمتِ عملی کے آرڈر کی قسم اور ڈیٹا کی تفصیل سے میل کھاتا ہو۔ مارکیٹ آرڈر کے لیے اسپریڈ اور امپیکٹ درکار ہیں۔ لمٹ آرڈر کے لیے یہ اصول درکار ہے کہ آیا آرڈر بھرتا بھی ہے؛ یہ فرض کرنا کہ قیمت چھونے پر ہر آرڈر بھر جائے گا، ایگزیکیوشن کی ایک الگ غلطی ہے۔

پھر اسی بیک ٹیسٹ کو چند واضح صورتوں میں چلائیں۔ سگنل، سائزنگ اور ٹائم اسٹیمپس یکساں رکھیں تاکہ تبدیلیوں کا سبب ایگزیکیوشن کو قرار دے سکیں:

جب تک آپ نے ان کی شماریاتی بنیاد پر پیمائش نہ کی ہو، یہ اعتماد کے وقفے نہیں ہیں۔ یہ منظرناموں کے ٹیسٹ ہیں۔ رپورٹ میں ان کا مطلب واضح کریں، اور امکانات کے حق میں شواہد کے بغیر ان کا اوسط نکال کر کوئی من گھڑت “متوقع سلپیج” نہ بنائیں۔

ماڈل کو آرڈر کے مطابق بدلنے دیں

چھوٹے آرڈرز کے لیے مقررہ بیسس پوائنٹ چارج ایک مناسب ابتدائی تخمینہ ہو سکتا ہے۔ مگر شرکت بڑھنے کے ساتھ یہ وضاحت کمزور پڑ جاتی ہے۔ کم از کم آرڈر کی مالیت، دستیاب بار کا حجم، اور شرکت کی شرح درج کریں۔ اگر حکمتِ عملی فیوچرز میں ٹریڈ کرتی ہے تو کنٹریکٹ کی قدر اور متعلقہ حجمی اکائیاں درج کریں؛ اگر اسپاٹ کرپٹو میں ٹریڈ کرتی ہے تو کوٹ کرنسی اور ایکسچینج واضح کریں۔

امپیکٹ کا ایک سادہ منحنی ماڈل آرڈر بک کی نقل کرنے کا دعویٰ کیے بغیر گنجائش پر دباؤ دکھا سکتا ہے۔ مثال کے طور پر، لاگت کو بنیادی اسپریڈ چارج اور شرکت کے مربع جذر کے ساتھ بڑھنے والے امپیکٹ جزو کے مجموعے کے طور پر متعین کریں۔ اس کے پیرامیٹر صرف اسی صورت میں فٹ کریں جب آپ کے پاس مناسب ایگزیکیوشن ڈیٹا ہو۔ ورنہ پیرامیٹرز بدل کر دکھائیں کہ نتیجہ کتنی تیزی سے خراب ہوتا ہے۔

اور فل ماڈل کو خاموشی سے حکمتِ عملی کو بچانے نہ دیں۔ تیزی سے قیمت بڑھنے کے بعد آنے والے لانگ سگنل کو صرف اس لیے بار کی کم ترین قیمت پر آرڈر نہیں ملنا چاہیے کہ وہ کینڈل کے اندر ہے۔ سبب اور نتیجے کے مطابق فل کا اصول اپنائیں، پھر قیمت کو سخت آزمائش میں ڈالیں اور آرڈر میں تاخیر کریں۔ اگر تاخیر سے آرڈر کو حرکت کا موقع نہ ملے، تو یہ ایگزیکیوشن کا نتیجہ ہے، ایسی الجھن نہیں جسے ہموار کر کے چھپا دیا جائے۔

حد کو بہتر بنانے کے لیے پیپر ٹریڈنگ استعمال کریں

پیپر ٹریڈنگ یہ نہیں بتائے گی کہ لائیو میچنگ انجن میں آپ کا آرڈر کس قیمت پر بھرتا۔ پھر بھی یہ بتا سکتی ہے کہ بیک ٹیسٹ کے آرڈرز کا سلسلہ سسٹم کے حقیقی فیصلوں سے میل کھاتا ہے یا نہیں: آرڈر کب بنتے ہیں، ان کا حجم کتنا ہے، اور وہ کتنی دیر تک قابلِ عمل رہتے ہیں۔

سمولیٹ کیے گئے آرڈر کی قیمت کا اسی وقت کے کوٹس یا پیپر سسٹم کے ریکارڈ کردہ مارکیٹ ڈیٹا سے موازنہ کریں۔ فرق کو انسٹرومنٹ، دن کے وقت، آرڈر کے حجم اور آرڈر کی قسم کے لحاظ سے ریکارڈ کریں۔ یہ مشاہدات اس سیٹ اپ کے مفروضوں کی حد کم کر سکتے ہیں۔ یہ نتائج خود بخود کسی دوسرے ایکسچینج، مارکیٹ کے مختلف دور یا بڑے آرڈر پر لاگو نہیں ہوتے۔

ناقدین کی یہ بات درست ہے کہ ناموافق منظرنامے من مانے ہو سکتے ہیں۔ جان بوجھ کر سخت ماڈل کسی قابلِ عمل حکمتِ عملی کو بھی رد کر سکتا ہے، جیسے موافق ماڈل کمزور حکمتِ عملی کو بہتر دکھا سکتا ہے۔ اس لیے سخت ترین صورت کو حقیقت نہ سمجھیں۔ مفروضے شائع کریں، حساسیت دکھائیں، اور اندازوں کی جگہ پیمائش سے طے شدہ تخمینے لانے کے لیے درکار ڈیٹا جمع کریں۔

بیک ٹیسٹ کسی کینڈل سے تاریخی قطار میں اپنی جگہ نہیں جان سکتا۔ وہ یہ دکھا سکتا ہے کہ جب ایگزیکیوشن ان طریقوں سے خراب ہو جنہیں آپ کا ڈیٹا رد نہیں کر سکتا، تب بھی یہ خیال مربوط دکھائی دیتا ہے یا نہیں۔ یہ جواب اعشاریے کے ایک ہندسے سے زیادہ مفید ہے۔