Errori Comuni con i Dati Storici

Cosa sono i dati storici (e perché spesso sono fraintesi)

I dati storici sono un insieme di osservazioni passate utilizzate per descrivere come i prezzi o i rendimenti si sono comportati nel tempo. Nella pratica, la stessa “cronologia” può assumere significati diversi: tick grezzi, barre aggregate (ad esempio al minuto), serie aggiustate (ad esempio per eventi societari in altri mercati) o dataset specifici del fornitore che hanno già applicato passaggi di elaborazione. Un errore comune è considerare i dati storici come uno specchio diretto e oggettivo di “ciò che è realmente accaduto”, invece che un input elaborato con regole specifiche di costruzione.

Come si verificano gli errori nei flussi di lavoro con dati storici

1) Utilizzo di definizioni incoerenti del dataset

Un errore frequente è mescolare dataset costruiti con regole diverse — come frequenza di campionamento, fusi orari o metodi diversi per gestire i dati mancanti. Se in seguito si confrontano risultati tra studi senza verificare che la griglia temporale sottostante e la pulizia dei dati siano allineate, si potrebbero attribuire differenze alla performance della strategia piuttosto che alla costruzione del dataset.

2) Assunzioni non dichiarate nei calcoli

Qualsiasi esempio che calcoli rendimenti, drawdown o metriche di performance dipende da assunzioni: come vengono formate le barre, come gli orari di “ingresso” ed “uscita” si mappano sui prezzi osservati, e se spread, commissioni o slippage sono modellati. Un controllo neutro consiste nell’elencare esplicitamente ogni assunzione prima di interpretare i risultati. Se qualcuno non riesce a riprodurre il calcolo a partire da tali assunzioni, la conclusione non è verificabile.

3) Look-ahead bias e data leakage

Un altro errore significativo è l’uso di informazioni che non sarebbero state disponibili al momento della decisione. Questo può accadere quando le feature sono calcolate usando punti futuri, quando il dataset è preparato completamente prima di essere diviso in periodi di training e testing, o quando le trasformazioni includono accidentalmente dati futuri. Anche in assenza di consigli operativi, il passaggio di verifica deve assicurare che ogni trasformazione utilizzi soltanto dati disponibili fino al punto della previsione o della decisione.

4) Overfitting al rumore passato

I dati storici contengono casualità ed effetti di microstruttura di mercato. Un modello o una regola possono apparire efficaci perché catturano anomalie del passato piuttosto che relazioni stabili. Il risultato è una scarsa capacità di generalizzazione: i risultati potrebbero non reggere al cambiamento delle condizioni (liquidità, regime di volatilità, attriti di esecuzione). Un controllo neutro consiste nell’usare una netta separazione tra i periodi e nell’evitare di “sintonizzare” ripetutamente finché i risultati passati non sembrano buoni.

Evidenze, esempi e controlli neutri applicabili

Considera un semplice calcolo di rendimento a partire dai dati delle barre. Devi specificare: cosa rappresenta il timestamp della barra, quale prezzo all’interno della barra consideri negoziabile (apertura, chiusura, massimo, minimo) e se i costi di transazione sono inclusi. Se riesegui lo stesso calcolo con una diversa convenzione di allineamento delle barre o senza costi, le metriche di performance possono cambiare significativamente.

Per verificare l’affidabilità, utilizza tre controlli:

• Controllo di riproducibilità: riesci a ricreare esattamente le trasformazioni del dataset e i calcoli delle metriche a partire dalle regole documentate?
• Controllo di suddivisione temporale: i risultati rimangono sostanzialmente simili quando si passa a un periodo diverso e non sovrapposto?
• Test di robustezza delle assunzioni: la conclusione dipende da una scelta fragile (ad esempio un allineamento specifico, una regola per dati mancanti o un modello di costi)?

Limitazioni e rischi: ciò che i dati storici non possono dimostrare

Le relazioni storiche non garantiscono risultati futuri. Anche se un risultato è matematicamente coerente con il dataset passato, potrebbe fallire in nuove condizioni di mercato, con diverse modalità di esecuzione o con regole di elaborazione dati modificate. Le limitazioni includono anche osservazioni mancanti o sparse, effetti di survivorship in alcuni contesti e differenze specifiche del fornitore non evidenti da un semplice grafico.

Un buon suggerimento chiaro e spiegabile è: i dati storici sono utili per la misurazione e l’apprendimento, ma solo quando le loro regole di costruzione, le assunzioni e le limitazioni sono esplicitamente dichiarate e indipendentemente verificabili.