Limitazioni dei Dati Storici

Cos’è il Dato Storico?

Il dato storico è un registro di osservazioni di mercato passate—come prezzi, volumi, timestamp e talvolta misure derivate—utilizzato per analizzare come si è comportato un asset in precedenza. In ambito trading, viene spesso impiegato per calcolare statistiche, stimare relazioni o eseguire backtest che simulano ciò che sarebbe potuto accadere in condizioni passate.

I dati storici non sono il mercato stesso; sono una fotografia di osservazioni registrate in un determinato momento, solitamente con regole specifiche di campionamento (ad esempio, la frequenza con cui i valori vengono registrati) e fonti specifiche (ad esempio, un particolare feed, luogo di scambio o fornitore di dati).

Come vengono utilizzati i dati storici (e dove entrano in gioco le assunzioni)

Quando si analizzano dati storici, si assume implicitamente che la simulazione o l’analisi rispecchi la realtà. Questo allineamento dipende da diverse scelte progettuali:

1. Allineamento temporale: I timestamp del dataset devono corrispondere alla logica di analisi e al timing delle decisioni previste.
2. Completezza: L’assenza di tick/candele o lacune può eliminare eventi chiave che influenzerebbero i risultati.
3. Regole di aggregazione: Se i dati grezzi vengono aggregati (ad esempio, in candele), la trasformazione può nascondere comportamenti all’interno del periodo.
4. Costi e modello di esecuzione: Molti studi assumono un’esecuzione ideale. Il trading reale comporta spread, commissioni, slippage ed effetti della coda degli ordini.
5. Cambiamento della popolazione: Regimi passati (livelli di volatilità, liquidità, correlazioni) potrebbero non persistere.

Un modo utile per pensare a questo aspetto è: i dati storici sono un input, e le tue conclusioni sono valide solo quanto le assunzioni su come l’input passato si relaziona al processo futuro.

Evidenze ed esempi di modalità di fallimento

Considera uno scenario semplice: un metodo viene valutato utilizzando candele storiche e si assume che gli scambi avvengano al prezzo indicato nella candela. Se il metodo richiede effettivamente una decisione in un momento specifico all’interno della candela, ma il dataset fornisce solo valori aggregati, il backtest può sembrare eseguibile quando in realtà non lo sarebbe.

Altri comuni modi di fallimento includono:

• Bias di sopravvivenza e di selezione: Se analizzi solo asset o periodi che “sono entrati” nel dataset, i risultati potrebbero sovrastimare le prestazioni tipiche.
• Overfitting al passato: Se molti parametri vengono ottimizzati per adattarsi a un segmento storico, il metodo potrebbe catturare rumore invece di una struttura stabile.
• Dipendenza dal regime: Le relazioni osservate in un certo regime di volatilità o liquidità possono indebolirsi quando le condizioni cambiano.

Questi problemi non significano che l’analisi storica sia inutile; significano che i dati storici possono fuorviare se trattati come se rappresentassero pienamente le condizioni future.

Principali limitazioni e rischi

Le limitazioni più rilevanti rientrano in tre categorie:

1. Le condizioni di mercato cambiano: Le relazioni storiche non garantiscono automaticamente risultati futuri. Volatilità, liquidità e strutture di correlazione possono cambiare, alterando le condizioni che hanno prodotto i modelli passati.

2. Divergenza tra dati registrati ed esecuzione: Anche se la serie storica è accurata, l’analisi potrebbe ignorare frizioni di trading realistiche (costi, tempistiche e liquidità). Quando l’esecuzione differisce, i risultati possono discostarsi.

3. Incertezza e osservazione incompleta: I dati potrebbero omettere eventi, presentare artefatti di campionamento o utilizzare un feed/luogo la cui microstruttura differisce da quella osservabile in condizioni live.

Una conseguenza pratica è che i dati storici dovrebbero essere considerati come evidenza del passato—non come prova di comportamenti futuri.

Come verificare autonomamente cosa i dati storici possono e non possono rivelarti

Per verificare le limitazioni senza fare affidamento su previsioni, puoi utilizzare controlli generali che testano la robustezza delle conclusioni rispetto all’incertezza:

• Chiarire le assunzioni: Annotare come vengono modellati timestamp, aggregazione ed esecuzione, inclusi eventuali semplificazioni.
• Testare la stabilità in diversi periodi: Confrontare il comportamento in più periodi distinti e condizioni di mercato diverse (ad esempio, ambienti con volatilità differente).
• Sottoporre a stress la pipeline dei dati: Verificare la presenza di lacune, campionamento inconsistente o trasformazioni che potrebbero alterare i risultati.
• Distinguere affermazioni descrittive da quelle predittive: I risultati descrittivi riassumono ciò che è accaduto; le affermazioni predittive richiedono solide evidenze che il processo futuro corrisponda al passato.

Se la tua conclusione dipende da un’assunzione facilmente violabile in condizioni reali, i dati storici sono meno informativi di quanto possa sembrare.