Sharpe của chiến lược có thể tăng khi dữ liệu kém đi

Kết quả kiểm thử ngược có thể trông thuyết phục hơn sau khi bạn làm dữ liệu tệ đi. Loại bỏ những bản ghi xấu xí, lấp các khoảng trống bằng mức giá ngay ngắn, và Sharpe có thể tăng. Mức cải thiện đó có thể là dấu hiệu cảnh báo: quy tắc làm sạch đã xóa mất chính những điều kiện thị trường mà chiến lược của bạn cần vượt qua.

Chất lượng dữ liệu rất quan trọng. Báo giá bị chéo hoặc giao dịch bị trùng có thể tạo ra một mức khớp lệnh mà không ai có thể nhận được. Nhưng bộ lọc khiến những quan sát bất tiện biến mất cũng là một lựa chọn mô hình. Hãy xem xét nó với mức độ nghi ngờ như khi đánh giá một đặc trưng tín hiệu mới.

Khi nào một mức giá xấu thực sự là dữ liệu sai?

Trước tiên, hãy hỏi quan sát đó phản ánh điều gì. Một giao dịch lệch xa thị trường đang thịnh hành có thể là bản ghi lỗi, một giao dịch quét qua vùng thanh khoản mỏng có thật, hoặc một sự kiện riêng của sàn. Nến 1 phút có thanh khoản bằng 0 có thể nghĩa là không có giao dịch nào diễn ra, trong khi nến bị thiếu có thể là do nguồn dữ liệu gặp sự cố. Những trường hợp này cần được xử lý khác nhau.

Hãy xét một chiến lược hồi quy về trung bình đơn giản: mua khi giá giảm 1% dưới đường trung bình động ngắn hạn và thoát ở mức trung bình. Trong một khoảng thời gian qua đêm thanh khoản mỏng, có giao dịch được ghi nhận ở mức thấp hơn giá trước đó 1,2%, rồi thị trường bật tăng trở lại. Nếu giao dịch đó có thật, chiến lược đặt lệnh giới hạn chờ sẵn có thể đã được khớp. Nếu đó là một tick sai mà không báo giá khớp được nào hỗ trợ, việc tính giao dịch đó vào sẽ tạo ra lợi thế tưởng tượng.

Xóa cả cây nến không tự động làm cho kết quả an toàn hơn. Lệnh của chiến lược có thể vẫn đang chờ trên thị trường, và giao dịch thật tiếp theo có thể khớp lệnh đó. Một mô phỏng lại có cơ sở cần mô hình hóa những gì chiến lược có thể quan sát và những gì lệnh của nó có khả năng được khớp.

Quy tắc làm sạch ảnh hưởng thế nào đến kết quả?

Chạy chiến lược với các cách xử lý dữ liệu được xác định rõ ràng rồi so sánh những thay đổi. Giữ lại dữ liệu nguồn thô và ghi rõ lý do cho từng trường hợp loại bỏ hoặc chỉnh sửa. Sau đó báo cáo kết quả phụ thuộc vào những quyết định đó đến mức nào.

Giả sử lần chạy không lọc có Sharpe là 0.9, trong khi lần chạy loại trừ 0,8% số nến tăng lên 1.4. Điều đó tự nó chưa chứng minh chất lượng dữ liệu đã được cải thiện. Hãy kiểm tra xem các nến bị loại có tập trung quanh những đợt biến động tăng vọt hay không, chúng chiếm tỷ trọng đáng kể trong P&L hay không, và quy tắc loại trừ đã được xác định trước khi bạn thấy kết quả hay chưa.

Làm sao kiểm tra việc làm sạch có làm thay đổi lợi thế hay không?

Cố định chiến lược rồi so sánh một số cách xử lý hợp lý trên cùng khoảng thời gian. Nếu có thể, hãy đưa vào mô phỏng lại với dữ liệu thô, một bộ chỉnh sửa đã được ghi nhận và một trường hợp khớp lệnh thận trọng cho các quan sát vẫn còn mơ hồ. Với mỗi lần chạy, hãy báo cáo số lượng giao dịch, vòng quay, mức sụt giảm và phần đóng góp P&L từ các khoảng thời gian bị ảnh hưởng cùng với Sharpe.

Sau đó xem xét những giao dịch thay đổi. Nếu các giao dịch thắng lớn nhất của chiến lược biến mất khi loại một nhóm nhỏ các bản ghi đáng ngờ, hãy kiểm tra từng bản ghi. Nếu các khoản lỗ biến mất thì cũng áp dụng mức độ xem xét tương tự. Một quy tắc chỉ được xem xét kỹ khi nó làm tổn hại kết quả kiểm thử ngược thì đã bắt đầu chi phối quá trình nghiên cứu.

Để nghiên cứu có thể tái lập, hãy quản lý phiên bản các tệp của nhà cung cấp hoặc checksum của chúng, mã làm sạch và danh sách ngoại lệ. Nhà cung cấp có thể chỉnh sửa dữ liệu lịch sử; lần chạy tiếp theo cần giúp bạn xác định được chiến lược đã thay đổi hay dữ liệu đầu vào đã thay đổi.

Nhưng chẳng phải làm sạch là việc cần thiết sao?

Đúng vậy. Giữ lại một bản ghi rõ ràng bị lỗi có thể tạo ra giao dịch giả, làm sai lệch độ biến động hoặc khiến chỉ báo hỏng. Và không ai nên coi nguồn dữ liệu thô là sự thật tuyệt đối. Điểm thực tế ở đây hẹp hơn: việc làm sạch cần có bằng chứng, quy tắc cố định và kiểm tra độ nhạy, vì nó có thể thay đổi thị trường mà kết quả kiểm thử ngược tuyên bố đại diện.

Khi một chỉnh sửa dữ liệu cải thiện hiệu quả, hãy hỏi quan sát nào đã bị loại bỏ và liệu bạn có đưa ra quyết định tương tự nếu chưa nhìn thấy đường vốn hay không. Nếu câu trả lời chưa rõ, hãy giữ cả hai phiên bản trong hồ sơ nghiên cứu. Khác biệt giữa chúng cũng là một phần của kết quả.