Ang mga mangangalakal na sabik na subukan ang isang ideya sa pangangalakal sa isang live na merkado ay madalas na nagkakamali na umasa nang buo sa mga resulta ng backtesting upang matukoy kung ang sistema ay magiging kapaki-pakinabang. Habang ang pag-back-up ay maaaring makapagbigay ng mahalagang impormasyon sa mga negosyante, madalas itong nanligaw, at ito ay isang bahagi lamang ng proseso ng pagsusuri.
Ang pagsubok sa labas ng sample at pasulong na pagganap ay nagbibigay ng karagdagang kumpirmasyon tungkol sa pagiging epektibo ng isang sistema at maaaring magpakita ng mga tunay na kulay ng isang sistema bago ang tunay na cash ay nasa linya. Ang mabuting ugnayan sa pagitan ng backtesting, out-of-sample at pasulong na mga pagsubok sa pagganap ng pagsubok ay mahalaga para sa pagtukoy ng posibilidad ng isang trading system.
Mga Pangunahing Mga Pangunahing Kaalaman
Ang backtesting ay tumutukoy sa paglalapat ng isang sistema ng kalakalan sa data sa kasaysayan upang mapatunayan kung paano naisagawa ng isang sistema sa tinukoy na tagal ng oras. Marami sa mga platform ng pangangalakal sa ngayon ang sumusuporta sa backtesting. Ang mga mangangalakal ay maaaring subukan ang mga ideya na may ilang mga keystroke at makakuha ng pananaw sa pagiging epektibo ng isang ideya nang walang panganib na pondo sa isang trading account. Ang pag-backtest ay maaaring suriin ang mga simpleng ideya, tulad ng kung paano gaganap ang isang average average na crossover sa makasaysayang data, o mas kumplikadong mga sistema na may iba't ibang mga input at pag-trigger.
Hangga't maaaring ma-quantify ang isang ideya, maaari itong mai-backtested. Ang ilang mga negosyante at mamumuhunan ay maaaring maghangad ng kadalubhasaan ng isang kwalipikadong programmer upang mabuo ang ideya sa isang masusukat na form. Karaniwan, ito ay nagsasangkot ng isang programmer coding ang ideya sa pagmamay-ari na wika na naka-host sa platform ng kalakalan. Maaaring isama ng programmer ang mga variable na tinukoy ng gumagamit na mga variable na nagpapahintulot sa negosyante na "mag-tweak" ng system.
Ang isang halimbawa nito ay sa simpleng paglipat ng average na average na crossover system na nabanggit sa itaas: Ang negosyante ay maaaring mag-input (o magbago) ang haba ng dalawang gumagalaw na ginagamit sa system. Ang negosyante ay maaaring magtaguyod upang matukoy kung aling mga haba ng paglipat ng mga average na gampanan ang pinakamahusay sa makasaysayang data.
Pag-aaral sa Pag-optimize
Maraming mga platform ng kalakalan ang nagpapahintulot sa pag-aaral ng pag-optimize. Ito ay sumasama sa pagpasok ng isang saklaw para sa tinukoy na input at pagpapaalam sa computer na "gawin ang matematika" upang malaman kung ano ang nais gawin ng pinakamahusay. Ang isang multi-variable na pag-optimize ay maaaring gawin ang matematika para sa dalawa o higit pang mga variable upang matukoy kung anong mga kumbinasyon ang makamit ang pinakamahusay na kinalabasan.
Halimbawa, maaaring sabihin ng mga mangangalakal sa programa kung aling mga input ang nais nilang idagdag sa kanilang diskarte; pagkatapos ay mai-optimize ito sa kanilang perpektong timbang na binigyan ng nasubok na data sa makasaysayang.
Ang pag-backtest ay maaaring maging kapana-panabik na ang isang hindi kapaki-pakinabang na sistema ay maaaring madalas na magically transformed sa isang makinang paggawa ng pera na may ilang mga pag-optimize. Sa kasamaang palad, ang pag-tweaking isang sistema upang makamit ang pinakamalaking antas ng nakaraang kakayahang kumita ay madalas na humahantong sa isang sistema na hindi gaanong gumanap sa totoong pangangalakal. Ang over-optimization na ito ay lumilikha ng mga system na mukhang mahusay sa papel lamang.
Ang curve fitting ay ang paggamit ng optimization analytics upang lumikha ng pinakamataas na bilang ng mga nanalong kalakalan sa pinakadakilang kita sa makasaysayang data na ginamit sa panahon ng pagsubok. Bagaman kamangha-manghang mga resulta sa nakatatakot na resulta, ang pag-agos ng curve ay humahantong sa hindi maaasahang mga sistema dahil ang mga resulta ay mahalagang pasadyang idinisenyo para sa partikular na data at tagal ng oras.
Ang pag-back at pag-optimize ay nagbibigay ng maraming mga benepisyo sa isang negosyante, ngunit ito ay bahagi lamang ng proseso kapag sinusuri ang isang potensyal na sistema ng kalakalan. Ang susunod na hakbang ng isang negosyante ay ang mag-apply ng system sa data sa makasaysayang hindi pa ginamit sa unang yugto ng backtesting.
In-Halimbawang Bersyon ng Out-of-Sample Data
Kapag sinusubukan ang isang ideya sa makasaysayang data, kapaki-pakinabang na magreserba ng isang oras ng makasaysayang data para sa mga layunin ng pagsubok. Ang paunang data sa kasaysayan na nasuri at na-optimize ay tinutukoy bilang ang data na in-sample. Ang set ng data na na-reserba ay kilala bilang out-of-sample data. Ang pag-setup na ito ay isang mahalagang bahagi ng proseso ng pagsusuri sapagkat nagbibigay ito ng isang paraan upang masubukan ang ideya sa data na hindi naging bahagi ng modelo ng pag-optimize.
Bilang isang resulta, ang ideya ay hindi naiimpluwensyahan sa anumang paraan ng data na wala sa sample, at matutukoy ng mga mangangalakal kung gaano kahusay ang magagawa ng system sa mga bagong data, ibig sabihin, sa pangangalakal ng totoong buhay.
Bago simulan ang anumang backtesting o pag-optimize, ang mga mangangalakal ay maaaring magtabi ng isang porsyento ng makasaysayang data na nakalaan para sa labas ng sample na pagsubok. Ang isang pamamaraan ay upang hatiin ang makasaysayang data sa mga pangatlo at ihiwalay ang isang-katlo para magamit sa labas ng sample na pagsubok. Tanging ang data na in-sample ang dapat gamitin para sa paunang pagsubok at anumang pag-optimize.
Ang figure sa ibaba ay nagpapakita ng isang linya ng oras kung saan ang isang-katlo ng makasaysayang data ay nakalaan para sa labas ng sample na pagsubok, at ang dalawang-katlo ay ginagamit para sa pagsubok na in-sample. Bagaman ang figure sa ibaba ay naglalarawan ng out-of-sample data sa simula ng pagsubok, ang mga tipikal na pamamaraan ay magkakaroon ng bahagi ng sample na kaagad bago ang pagganap ng pasulong.
Ang isang linya ng oras na kumakatawan sa kamag-anak na haba ng in-sample at out-of-sample na data na ginamit sa proseso ng backtesting. Larawan ni Julie Bang © Investopedia 2020
Ang ugnayan ay tumutukoy sa pagkakapareho sa pagitan ng mga pagtatanghal at pangkalahatang mga kalakaran ng dalawang set ng data. Ang mga sukatan ng korelasyon ay maaaring magamit sa pagtatasa ng mga ulat ng pagganap ng diskarte na nilikha sa panahon ng pagsubok (isang tampok na ibinibigay ng karamihan sa mga platform ng kalakalan). Ang mas malakas na ugnayan sa pagitan ng dalawa, mas mahusay ang posibilidad na ang isang sistema ay gumanap nang maayos sa pasulong na pagsubok sa pagganap at live trading.
Ang figure sa ibaba ay naglalarawan ng dalawang magkakaibang mga system na nasuri at na-optimize sa mga in-sample na data, pagkatapos ay inilapat sa data ng out-of-sample. Ang tsart sa kaliwa ay nagpapakita ng isang sistema na malinaw na curve-fit upang gumana nang maayos sa mga in-sample na data at ganap na nabigo sa labas ng sample na data. Ang tsart sa kanan ay nagpapakita ng isang sistema na mahusay na gumanap sa parehong data sa loob at labas ng sample.
Dalawang curves ng equity. Ang data ng kalakalan bago ang bawat dilaw na arrow ay kumakatawan sa pagsubok na in-sample. Ang mga trading na nabuo sa pagitan ng dilaw at pulang arrow ay nagpapahiwatig ng pagsubok sa labas. Ang mga kalakalan pagkatapos ng pulang arrow ay mula sa pasulong na mga yugto ng pagsubok sa pagganap.
Kapag nabuo ang isang sistema ng pangangalakal gamit ang mga in-sample na data, handa itong mailapat sa data na wala sa sample. Ang mga mangangalakal ay maaaring suriin at ihambing ang mga resulta ng pagganap sa pagitan ng mga in-sample at data ng labas ng sample.
Kung mayroong maliit na ugnayan sa pagitan ng mga in-sample at labas ng sample na pagsubok, tulad ng kaliwang tsart sa figure sa itaas, malamang na ang sistema ay over-optimize at hindi gumanap nang maayos sa live trading. Kung may malakas na ugnayan sa pagganap, tulad ng nakikita sa tamang tsart, ang susunod na yugto ng pagsusuri ay nagsasangkot ng isang karagdagang uri ng pagsubok na out-of-sample na kilala bilang pasulong na pagsubok sa pagganap.
Pangunahing Mga Batayan sa Pagsubok sa Pagganap
Ang pasulong na pagsubok sa pagganap, na kilala rin bilang papel sa pangangalakal, ay nagbibigay ng mga mangangalakal ng isa pang hanay ng mga data ng labas ng sample kung saan masuri ang isang sistema. Ang pasulong na pagsubok sa pagganap ay isang kunwa ng aktwal na kalakalan at nagsasangkot sa pagsunod sa lohika ng system sa isang live na merkado. Tinatawag din itong trading trading dahil ang lahat ng mga trading ay pinaandar sa papel lamang; iyon ay, ang mga entry sa paglabas at paglabas ay na-dokumentado kasama ang anumang kita o pagkawala para sa system, ngunit walang tunay na mga trading ang naisakatuparan.
Ang isang mahalagang aspeto ng pasulong na pagsubok sa pagganap ay upang sundin nang eksakto ang lohika ng system; kung hindi man, ito ay nagiging mahirap, kung hindi imposible, upang tumpak na suriin ang hakbang na ito ng proseso. Ang mga mangangalakal ay dapat maging matapat tungkol sa anumang mga entry sa kalakalan at paglabas at iwasan ang pag-uugali tulad ng mga trade pick ng cherry o hindi kasama ang isang trade sa papel na may katwiran na "Hindi ko kailanman kinuha ang trade na iyon." Kung ang kalakalan ay naganap kasunod ng lohika ng system, dapat itong dokumentado at masuri.
Maraming mga broker ang nag-aalok ng isang kunwa sa trading account kung saan maaaring mailagay ang mga trading at ang kaukulang kita at pagkalugi ay kinakalkula. Ang paggamit ng isang simulate account sa kalakalan ay maaaring lumikha ng isang semi-makatotohanang kapaligiran kung saan upang magsanay ng kalakalan at higit pang masuri ang system.
Ipinapakita rin ng figure sa itaas ang mga resulta para sa pasulong na pagsubok sa pagganap sa dalawang mga system. Muli, ang system na kinakatawan sa kaliwang tsart ay nabigo na magaling nang lampas sa paunang pagsubok sa mga in-sample na data. Ang system na ipinakita sa tamang tsart, gayunpaman, ay patuloy na gumaganap nang maayos sa lahat ng mga phase, kabilang ang pasulong na pagsubok sa pagganap. Ang isang sistema na nagpapakita ng mga positibong resulta na may mahusay na ugnayan sa pagitan ng in-sample, out-of-sample at pasulong na pagsubok sa pagganap ay handa na ipatupad sa isang live na merkado.
Ang Bottom Line
Ang backtesting ay isang mahalagang tool na magagamit sa karamihan ng mga platform ng kalakalan. Ang paghahati ng makasaysayang data sa maraming mga hanay upang maibigay para sa in-sample at out-of-sample na pagsubok ay maaaring magbigay ng mga negosyante ng isang praktikal at mahusay na paraan para sa pagsusuri ng isang ideya at sistema ng pangangalakal. Dahil ang karamihan sa mga mangangalakal ay gumagamit ng mga diskarte sa pag-optimize sa pag-backtest, mahalaga na pagkatapos ay suriin ang system sa malinis na data upang matukoy ang posibilidad nito.
Ang pagpapatuloy ng pagsubok sa labas ng sample na may pasulong na pagsubok sa pagganap ay nagbibigay ng isa pang layer ng kaligtasan bago maglagay ng isang sistema sa merkado na namagsapalaran ng tunay na cash. Ang mga positibong resulta at mahusay na ugnayan sa pagitan ng in-sample at out-of-sample na backtesting at pasulong na pagsubok sa pagganap ay nagdaragdag ng posibilidad na ang isang sistema ay gumanap nang maayos sa aktwal na kalakalan.
