Backtesting at validation
Tine-test ng pabrika ang strategy code sa historical data gamit ang mga naka-configure na bayarin at palagay sa execution. Sinusuri ng mga optimization tool ang katatagan ng mga parameter, habang sinusuri ng AI analyst ang ebidensiya at nagrerekomenda ng susunod na hakbang.
Ilustratibong halimbawa · hindi live na resulta
Binubuo ng mga AI agent ang ideya, nagsusulat ng code at sinusuri ang mga resulta ng test. Maaaring ibalik ng mga resulta ng review ang estratehiya para sa isa pang iteration.
Isang paglalarawang equity curve na nagpapakita ng mga hamon sa daan. Suriin ang drawdown at mga gastos sa pangangalakal bago bigyang-kahulugan ang isang resulta.
Ihambing ang equity ng account sa balanse ng mga saradong kalakalan. Maaaring magbago ang equity dahil sa isang bukas na posisyon bago matapos ang isang kalakalan.
Gumagamit ang mga backtest ng naganap na data, naka-configure na mga bayarin sa venue, at naaangkop na mga palagay sa execution. Ang saklaw ng data, funding, slippage, at impact ay maaaring makapagbago nang malaki sa resulta.
Basahin ang equity curve, drawdown, distribusyon ng return, at mga indibidwal na trade. Tingnan ang panahon, laki ng sample, at mga palagay kasabay ng mga pangunahing sukatan.
Sinusuri ng sensitivity analysis, walk-forward optimization, at holdout validation kung paano nagbabago ang mga resulta sa labas ng napiling mga parameter at training window.
Ang isang nakakaakit na chart ay simula lamang ng pagrepaso. Ihambing ang mga gastos sa pangangalakal sa inaasahang edge, suriin ang out-of-sample na kilos, at maghanap ng konsentrasyon sa iilang bilang ng trade o panahon.
Panahon ng data, venue, mga bayarin
Backtest, walk-forward, holdout
Mga sukatan, trade, tala sa pagrepaso
Ang walk-forward testing ay nag-fit sa isang mas nauna nang window at sumusuri sa isang mas huling window. Ang nakalaang holdout ay hiwalay sa mga optimization window.
Basahin ang aktwal na mga petsa ng split at bilang ng transaksyon. Ang paulit-ulit na paggamit ng holdout feedback sa maraming pagsubok ay maaaring humina sa pagiging independiyente nito.
Kung mas madalas magtrade ang isang estratehiya, mas umaasa ang resulta nito sa mga pagpapalagay sa pagsasagawa. Igalaw ang kontrol ng slippage upang makita ang parehong gross na resulta sa iba't ibang gastos.
Halimbawang mga pagpapalagay: 12% gross return, kabuuang na-trade na notional na katumbas ng 40 beses ng panimulang equity, at 2 bps na bayad bawat na-trade na notional. Gastos = turnover × (bayad + slippage); 1 bp = 0.01%. Linear na ilustrasyon; hindi kasama ang compounding, funding, at market impact.
Hindi. Ang mga backtest ay hypothetical at sensitibo sa data, mga palagay, at seleksyon. Nakakatulong ang validation na suriin ang mga kahinaan; hindi nito inaalis ang panganib sa pangangalakal.
Hindi. Ang mga ito ay naka-configure na default sa simulation. Maaaring naiiba ang tier ng iyong exchange at mga panuntunan sa instrumento. Suriin ang mga palagay bago bigyang-kahulugan ang resulta.
Paulit-ulit na inaakma ng walk-forward testing ang naunang datos at sinusuri sa mas huling mga window. Sinusuri ng holdout validation ang mga napiling parametro sa isang nakalaang panahon na wala sa mga optimization window na iyon. Suriin ang aktwal na mga petsa, bilang ng trade, at mga ulat; ang paulit-ulit na paggamit ng holdout feedback ay maaaring humina sa kalayaan nito.
Suriin ang mga drawdown, gastos sa trading, bilang at distribusyon ng mga trade, mga holding period, at mga resulta sa out-of-sample. Tumingin para sa pagkadepende sa maliit na bilang ng trade o iisang panahon ng merkado. Ang mataas na return lamang ay hindi nagpapaliwanag kung paano kumita ang estratehiya o ang mga pagkalugi sa daan.
Ang isang setting na tila napakahusay habang mahina ang performance ng mga kalapit nito ay maaaring marupok. Ipinapakita ng sensitivity analysis kung paano nagbabago ang resulta sa paligid ng mga napiling parametro. Gamitin ito kasama ang ebidensya ng walk-forward at holdout kapag sinusuri kung ang pattern ay mas malawak kaysa sa isang piniling resulta.
Maaaring baguhin ang resulta ng iba't ibang instrumento, panahon ng datos, agwat ng bar, mga panuntunan sa pagpasok at paglabas, bayarin, o mga pagpapalagay sa ehekusyon. Ihambing ang configuration at available na datos kasama ang mga rekord ng trade bago bigyang-kahulugan ang isang pagkakaiba bilang isang pagpapabuti.
Tuklasin ang mga nailathalang estratehiya, o magbukas ng workspace upang bumuo, mag-test at mag-monitor ng sarili mong estratehiya kasama ang mga AI agent.
Ang Stratmill ay isang AI trading strategy platform, hindi payong pinansyal o broker. Ang mga resulta ng backtest at paper trading ay hypothetical. May panganib ng pagkalugi sa trading.