ما البيانات المطلوبة لتقييم استراتيجيات ADX؟
الإجابة المباشرة
لتقييم “استراتيجيات ADX”، تحتاج إلى بيانات تتيح لك (1) تحديد ما الذي يقيسه ADX في إعدادك، (2) إعادة إنتاج قيم ADX من المدخلات الأساسية، (3) التحقق من مصدر البيانات وتوقيتها، و(4) فحص الجودة والقيود التي قد تُفشل الاستنتاجات. ركّز على المدخلات (الأسعار ومعلمات المؤشر)، ومصدر البيانات (من أين تأتي)، والتوقيت (الطوابع الزمنية وما إذا كانت البيانات مكتملة)، وفحوصات الجودة (محاذاة البيانات، الفجوات، والقيم الشاذة). وبما أن هذا الموضوع يعتمد بشدة على الافتراضات، يجب أيضًا توثيق الافتراضات لأي حساب مثال.
الآلية أو التعريف
يشير ADX عادةً إلى Average Directional Index، وهو مؤشر لقوة الاتجاه مشتق من مكونات الحركة الاتجاهية. “استراتيجيات Adx” ليست منهجًا واحدًا عالميًا؛ بل هي تسميات لاستراتيجيات تستخدم قراءات ADX ضمن عملية اتخاذ قرار قائمة على القواعد. لتقييم مثل هذه الاستراتيجية دون الاعتماد على ادعاءات حول الأداء، تحتاج إلى التحديد الدقيق للقاعدة، بما في ذلك:
- معلمات حساب ADX (على سبيل المثال، طول فترة المراجعة) وكيف يتم حسابه.
- الإطار الزمني وما إذا كان المؤشر يُحسب على بيانات الشموع/البار أو على نوع آخر من التجميع.
- منطق القرار الذي يحوّل مخرجات ADX إلى إجراءات (على سبيل المثال، العتبات، مقارنات “الصعود مقابل الهبوط”، أو شروط البوابة).
بشكل منفصل، تحتاج إلى سلسلة الأسعار المستخدمة لحساب ADX (غالبًا ما تكون هناك حاجة إلى high وlow وclose في حسابات الحركة الاتجاهية). تكون الآليات الثابتة هي رياضيات المؤشر وربط قاعدتك؛ أما الظروف المتغيرة فتشمل نظام السوق والتكاليف وتفاصيل التنفيذ. يمكن للعلاقات التاريخية أن تساعد في فهم مدى ثبات القاعدة، لكنها لا تُثبت النتائج المستقبلية.
الدليل أو مثال (ما الذي يجب جمعه وكيفية التحقق منه)
طريقة عملية لتنظيم البيانات المطلوبة هي قائمة تحقق للمدخلات ومصدر البيانات والتوقيت وفحوصات الجودة:
- المدخلات وقابلية إعادة الإنتاج
- بيانات سعرية خام OHLC (على الأقل: high وlow وclose؛ قدّم الحقول الدقيقة وفاصل أخذ العينات).
- معلمات المؤشر: فترة/فترة مراجعة ADX وأي تفاصيل لطريقة التنعيم المستخدمة.
- تحديد القاعدة: المقارنات والعتبات الدقيقة، مذكورة دون الاعتماد على تفسير.
- نموذج التكلفة وافتراضات التنفيذ المستخدمة في التقييم (على سبيل المثال، كيف تمثل spreads والعمولات والانزلاق). إذا تم تجاهل التكاليف، سجّل هذا الافتراض صراحةً.
- مصدر البيانات
- هوية مصدر البيانات (مزود أو قاعدة بيانات) وما إذا كانت مُجمعة أو مشتقة.
- طريقة التعامل مع إجراءات الشركات (عندما يكون ذلك ذا صلة) والتعامل مع جلسات التداول (للسوق الذي تدرسه).
- التوقيت
- سلامة الطابع الزمني: تأكد من أن الأشرطة (bars) محاذاة للإطار الزمني المقصود وأنه لا يحدث تسرب لمعلومات مستقبلية إلى قيم المؤشر.
- الاكتمال: دوّن الأشرطة المفقودة والفجوات غير المنتظمة أو تحويلات المنطقة الزمنية.
- الترقيم/الإصدار: سجّل تاريخ جلب البيانات وإصدار مجموعة البيانات حتى يمكن تكرار التحليل.
- فحوصات الجودة
- فحوصات محاذاة البيانات: تأكد من أن قيم المؤشر تتوافق مع نفس الأشرطة المستخدمة للتقييم.
- فحوصات القيم المفقودة/غير الصالحة: اكتشف NaNs والطوابع الزمنية المكررة والقيم الشاذة.
- فحوصات منطق الثبات: أعد حساب ADX من نفس المدخلات الخام للتأكد من أنك تحصل على نتائج متطابقة تمامًا.
القيود والمخاطر (أنماط فشل جوهرية)
حتى مع بيانات دقيقة، قد تفشل التقييمات بسبب:
- عدم الثبات (Non-stationarity): تتغير ظروف السوق، لذلك قد تضعف العلاقة بين سلوك ADX والنتائج مع مرور الوقت.
- الإفراط في الملاءمة للتاريخ: ضبط العتبات أو المعلمات على بيانات الماضي يمكن أن ينتج نتائج هشة لا تعمم.
- افتراضات مخفية: يمكن أن تتغير الاستنتاجات بشكل جوهري إذا تم تحديد التكاليف أو توقيت التنفيذ أو قواعد الدخول/الخروج بشكل غير صحيح.
- تسرب البيانات: حساب السمات باستخدام أشرطة مستقبلية أو طوابع زمنية غير محاذاة يمكن أن يجعل النتائج تبدو أفضل مما هي عليه.
- سوء استخدام المؤشر: التعامل مع ADX كإشارة تنبؤية قائمة بذاتها بدلًا من كونه جزءًا من قاعدة محددة قد يؤدي إلى تفسيرات مضللة.
التحقق أو السؤال التالي
للتحقق من الادعاءات حول أي “استراتيجية ADX”، حاول الحصول على السلسلة الكاملة من المدخلات الخام إلى مخرجات المؤشر إلى قرارات القاعدة أو إعادة بنائها. السؤال التالي الأدنى الذي يجب طرحه هو: “هل يمكن لشخص ما إعادة إنتاج قيم ADX وربط القاعدة باستخدام بيانات السعر والافتراضات الزمنية والمعلمات المذكورة؟” إذا لم تتضمن الوثائق تفاصيل كافية حول مصدر البيانات وتحديد المعلمات والتعامل مع الطوابع الزمنية، فإن التقييم لا يكون قابلاً للتحقق بشكل مستقل.
يمكنك أيضًا مقارنة مجموعات بيانات مستقلة متعددة (عندما تكون متاحة) والتحقق مما إذا كانت الاستنتاجات تستمر؛ إذا كانت فروق البيانات الصغيرة تقلب النتائج، فمن المرجح أن التقييم يعتمد على مدخلات هشة بدلًا من آليات ثابتة.