ما هي Fibonacci Pivots، وما الذي يتم اختباره بالضبط؟
Fibonacci Pivots هي مجموعة من مستويات السعر المستمدة من نطاق مرجعي (على سبيل المثال، أعلى وأقل وسعر الإغلاق في الفترة السابقة) ثم خريطة إلى كسور باستخدام نسب Fibonacci. يبدأ الاختبار المسؤول بفصل فكرةين:
- الميكانيكا المستقرة: الصيغة التي تحول أسعار الإدخال إلى مستويات pivot.
- السياق المتغير: كيفية سلوك الأسواق، ما التكاليف التي تنطبق، وكيف يتم تنفيذه (إذا قمت بتحاكي ذلك).
لاختبار Fibonacci Pivots بشكل مسؤول، يجب أن تحدد ما الذي يتم اختباره. الخيارات الشائعة هي اختبار ما إذا كان السعر يتفاعل مع المستويات (على سبيل المثال، سلوك اللمس أو الرفض) مقابل اختبار قاعدة القرار (على سبيل المثال، المدخلات/المخارج بناءً على تلك المستويات). حتى إذا تجنبتم توصيات التداول، أي “قاعدة القرار” لا تزال استراتيجية، لذا يجب أن تتطابق تقييمك مع القاعدة الدقيقة التي تقوم بتحاكيتها.
الميكانيكا: تحديد المدخلات، الافتراضات، وDataset الاختبار
يبدأ الاختبار المسؤول بكتابة المدخلات والافتراضات بلغة واضحة.
- أسعار المرجع: حدد نقاط البيانات التي تحدد النطاق (على سبيل المثال، أعلى/أقل/إغلاق الفترة السابقة) ومن حدود الجلسة التي تأخذها.
- محاذاة الوقت: تأكد من أن كل مستوى pivot محسوب يمكن أن يكون معروفًا في وقت القرار. هذا يجنب look-ahead bias، حيث تتسرب معلومات المستقبل بشكل عرضي إلى الحسابات السابقة.
- التكرار: حدد ما إذا كان يتم حساب pivot يوميًا، أسبوعيًا، أو فترة أخرى، وما حجم الشريط (أو تجميع التيك) الذي تقيمه.
- الزلزلة والسبريد (التكاليف): إذا قمت بتحاكى التنفيذ، فأنت بحاجة إلى نموذج تكلفة. وإلا، قد تعكس النتائج فقط ملء مثالي.
- قواعد الأحداث: clarify كيفية اكتشافك لـ “hit”. على سبيل المثال، إذا عبر السعر مستوى خلال شريط، هل يعامل على أنه تم لمسه؟ طريقة الكشف هذه تغير النتائج.
في هذه المرحلة، التكاليف و”اكتشاف الأحداث” جزء من الميكانيكا التي يتم اختباره. معالجتها كافتراضات يمكن مراجعتها وتعديلها.
الأدلة: استخدام Controls التحيز والفترات خارج العينة
النمط التاريخي لا يضمن النتائج المستقبلية، لذا يجب أن تركز تقييمك على robustness.
Controls رئيسية:
- فحوصات look-ahead bias: إعادة حساب pivot باستخدام فقط البيانات المتاحة في وقت القرار وتحقق من أن خط أنابيبك ينفذ ذلك الترتيب.
- حساسية المعاملات: إذا سمحت بالاختيارات مثل أي نسب شملت أو كيفية التعامل مع اللمسات المتعددة، اختبر ما إذا كانت الأداء يعتمد على تكوين محدد معزز.
- التحقق من العينات الخارجية: تقسيم Dataset إلى تدريب (لضبط الافتراضات أو اختيار قاعدة) واختبار (لتقييم). بعد اختيار المعاملات على التدريب، قفلها فقط وتقييم على الاختبار.
- غطاء النظام: تحقق من النتائج عبر بيئات مختلفة من التقلبات والتوجهات. طريقة تعمل فقط في نظام واحد أسهل في overfitting.
طريقة عملية للحفاظ على هذا الائتمان هي تسجيل كل افتراض مستخدم لإنتاج النتائج: طريقة حساب pivot، حدود الجلسة، قواعد الأحداث، نموذج التكلفة، ومعيار الاختيار.
القيود والمخاطر: على الأقل mode فشل واحد يتوقع
الاختبار المسؤول أيضًا يتطلب stating ما قد يفسد الاستنتاجات. modes الفشل المادية تشمل:
- أخطاء البيانات والمحاذاة: أخطاء صغيرة في مناطق الوقت، أو قطع الجلسة، أو بناء الشريط يمكن أن تحول المستويات المحسوبة وتنتج “hits” مضللة.
- التكاليف المخفية وmismatch التنفيذ: السبريد، الزلزلة، والمليء الجزئي يمكن أن يغير بشكل كبير النتائج الفعلية مقابل المستويات الورقية.
- overfitting إلى التاريخ: إذا قمت بتعديل المدخلات بشكل متكرر لتحسين النتائج التاريخية، قد تبني قاعدة تشرح البيانات السابقة ولكن تفشل في مكان آخر.
- تغييرات نظام السوق: العلاقات بين السعر ومستويات pivot يمكن أن تختلف عندما تتغير التقلبات، السائلية، أو سلوك المشاركين.
حتى عندما تكون الحسابات نفسها صحيحة، يمكن أن تجعل هذه القيود استنتاجات الاختبار غير مستقرة.
التحقق والسؤال التالي الذي يجب طرحه
لتحقق بشكل مستقل من الادعاءات، يجب أن تكون قادرًا على الإجابة على هذه الفحوصات دون الاعتماد على نتائج الآخرين:
- هل يمكنك إعادة إنتاج مستويات pivot من أسعار المرجع وحدود الجلسة المحددة؟
- هل يتجنب اختباره look-ahead (كل قيمة محسوبة يجب أن تكون متاحة في وقت القرار)؟
- هل يشمل تقييمك نموذج تكلفة شفاف واكتشاف أحداث واقعي؟
- هل النتائج متسقة في فترة خارج العينة، هل تستمر عبر أنظمة متعددة؟
إذا كنت قادرًا على القيام بهذه الخطوات، فأنت تستكشف سلوك الطريقة بدلاً من التحقق بشكل عرضي من الافتراضات.