Rischi Associati ai Dati Storici nel Backtesting Forex

Cos’è il dato storico nel contesto forex?

I dati storici sono informazioni registrate dal passato che descrivono come i prezzi si sono mossi nel tempo (ad esempio, quotazioni con timestamp o barre candlestick). Nell’analisi, come nel backtesting e nel forward testing, spesso si utilizza questo dataset come surrogato di ciò che sarebbe potuto accadere in condizioni precedenti.

I dati storici sono utili per individuare pattern nei dati e per valutare come un determinato approccio si sarebbe comportato sotto specifiche ipotesi. Il rischio principale è che il dataset rappresenti un’approssimazione del “mercato”, non una riproduzione perfetta del trading futuro reale.

Come si manifestano i principali rischi associati ai dati storici

Il rischio legato ai dati storici si manifesta tipicamente quando un’analisi presuppone che il comportamento passato continuerà nel futuro, o quando si assume che il modo in cui si modellano costi ed esecuzione corrisponda alla realtà.

Rischi operativi e di qualità dei dati

I problemi operativi iniziano dal dataset stesso.

• Record mancanti, ritardati, duplicati o incoerenti possono distorcere i rendimenti calcolati e gli indicatori.
• Errori di fuso orario e un allineamento improprio delle barre possono far apparire una strategia come se reagisse prima di quanto sarebbe stato possibile.
• Diversi fornitori di dati e tipi di feed possono implicare spread diversi, granularità delle quotazioni o ordine degli eventi differente, modificando i risultati anche con lo stesso concetto di base.

Una modalità di errore significativa è il “look-ahead bias”, in cui l’analisi utilizza involontariamente informazioni che non sarebbero state disponibili al momento della decisione.

Rischi di mercato e di cambio di regime

Anche se i dati storici sono accurati, il mercato può cambiare.

• Volatilità, liquidità e comportamento di trading possono variare nel tempo.
• Le frizioni operative come spread e slippage spesso variano con le condizioni di mercato.
• L’esecuzione degli ordini può differire quando la profondità di mercato o la liquidità cambiano.

Una limitazione fondamentale è che le relazioni storiche non garantiscono risultati futuri. La stessa configurazione può comportarsi diversamente quando le condizioni entrano in un altro “regime”.

Rischi controparte ed esecuzione

I dati storici riflettono generalmente i prezzi, non necessariamente il percorso effettivo delle esecuzioni che si sarebbero ottenute.

• Tipi di ordine, politiche di esecuzione e posizione in coda determinano se e come gli ordini vengono eseguiti.
• I costi possono includere più dello spread, come commissioni e altre spese.

Se il backtest presuppone esecuzioni ideali (ad esempio, che gli ordini siano eseguiti ai prezzi quotati senza ritardi), mentre l’esecuzione reale è meno favorevole, le stime di performance possono risultare sostanzialmente errate.

Rischi di interpretazione e modellizzazione

Il modo in cui si interpretano e trasformano i dati storici può introdurre ulteriori rischi.

• L’overfitting è comune: un modello può adattarsi al rumore nel campione storico invece che a un effetto stabile.
• Scegliere parametri in base alle performance all’interno dello stesso dataset può creare una falsa sensazione di robustezza.
• La non stazionarietà significa che le proprietà statistiche possono cambiare nel tempo, quindi conclusioni tratte da un periodo potrebbero non essere valide in un altro.

Limitazioni e come verificare autonomamente ciò che è possibile

Per verificare le affermazioni sui risultati dell’analisi, considera ogni calcolo come condizionato da ipotesi esplicite.

Utilizza una checklist chiara delle ipotesi

Come minimo, documenta:

• La definizione esatta del dataset (tipo di barra, timestamp, gestione del fuso orario e passaggi di pulizia).
• Le ipotesi sull’esecuzione (tempistica di ingresso, tipo di ordine, se lo slippage o le commissioni sono modellati e come vengono applicati).
• Il metodo di valutazione (quali periodi sono usati per la selezione dei parametri rispetto alla valutazione).

Controlla le modalità di errore comuni

• Cerca fughe di dati (data leakage) confermando che ogni decisione utilizzi solo informazioni disponibili a quel timestamp.
• Valuta la sensibilità ripetendo i test con ipotesi alternative ragionevoli (ad esempio, costi maggiori) per verificare se i risultati dipendono da dettagli fragili.
• Usa finestre temporali multiple e non sovrapposte, in modo da non trarre conclusioni da un singolo periodo favorevole.

Se i risultati cambiano drasticamente quando alteri ipotesi che influenzano il realismo dell’esecuzione, questo indica che il rischio legato ai dati storici è dominante.

Prossima domanda da considerare: cosa si sta assumendo esattamente?

Una domanda utile di controllo è: “Quale realtà futura sto assumendo identica al dataset passato?” Se la risposta si basa su ipotesi non dichiarate riguardo all’accuratezza dei dati, all’esecuzione, alla liquidità o alla stabilità delle relazioni, il rischio associato è probabilmente elevato.

Come riassumere i rischi

I dati storici sono uno strumento per testare idee sotto ipotesi specifiche, ma comportano rischi in quattro aree:

• Operativi/qualità dei dati (inclusi allineamento e fughe di dati)
• Mercato/cambio di regime (inclusi cambiamenti nelle frizioni)
• Controparte/esecuzione (inclusi esecuzioni e costi)
• Interpretazione/modellizzazione (inclusi overfitting e relazioni instabili)