Come Funziona l’Overfitting nel Forex (E Perché Fallisce Quando Cambiano le Condizioni)

Definizione: cosa significa overfitting nel forex

L’overfitting si verifica quando un metodo (spesso una regola di strategia, un modello o un’impostazione di parametri) viene calibrato così strettamente sui dati storici del forex da catturare schemi che non si ripetono in modo affidabile. Nella pratica, un “adattamento eccessivo” significa solitamente che l’approccio impara peculiarità del campione di addestramento — come rumore a breve termine, un regime specifico di volatilità o un artefatto della costruzione dei dati — piuttosto che relazioni generali e ripetibili.

Nel forex, questo è rilevante perché il comportamento statistico del mercato può cambiare nel tempo. Anche se una regola sembra efficace sui prezzi storici, la domanda è se la relazione sottostante alla regola rimanga stabile quando le condizioni cambiano.

Un modello semplice di come si verifica l’overfitting

Un modo utile per comprendere il processo è pensare a una sequenza di input, un’operazione e output.

1. Input (da cui il metodo impara)

• Input storici: serie di prezzi (spesso il punto medio bid/ask o rendimenti derivati), indicatori, misure di volatilità e caratteristiche basate sul tempo.
• Scelte di ricerca: lo spazio di parametri o regole da testare (ad esempio, lunghezze di lookback, livelli di soglia o complessità del modello).
• Assunzioni sui costi: spread, commissioni, slippage e ipotesi sul timing di esecuzione.

2. Operazione (cosa fa il metodo)

• Adattamento: il metodo valuta la performance sul dataset storico e aggiusta i parametri per massimizzare una funzione obiettivo (ad esempio, redditività, rendimento aggiustato per il rischio o accuratezza delle previsioni).
• Pressione selettiva: poiché vengono provate molte varianti candidate, la “migliore” tende a essere quella che corrisponde alle peculiarità specifiche di quel dataset, anche se tali peculiarità non sono stabili.

3. Output (ciò che osservi)

• Metriche di backtest: andamento della curva di equity, drawdown, statistiche degli scambi o punteggi di previsione calcolati sui dati storici utilizzati per la calibrazione.
• Ciò che desideri: metriche che rimangono simili quando il metodo incontra nuovi dati mai visti.
• Ciò che produce l’overfitting: metriche impressionanti sul campione calibrato, ma più deboli o inconsistenti altrove.

Il punto chiave è che l’overfitting non riguarda solo un “cattivo modellaggio”. Può anche manifestarsi quando il processo di valutazione fornisce involontariamente al metodo informazioni aggiuntive, o quando i dati di validazione non sono veramente indipendenti.

Esempio o evidenza: come si manifesta nel backtesting

Senza assumere dati in tempo reale, puoi comunque comprendere la logica attraverso un esempio concettuale.

Supponi di testare una famiglia di regole parametrizzate su dati storici del forex. Per un singolo set di parametri, la performance può variare attorno a una media di riferimento. Ora immagina di provare molte configurazioni e di mantenere quella con le migliori prestazioni in base ai risultati del backtest.

Anche se nessuna delle configurazioni cattura una relazione di mercato stabile, una delle molte candidate apparirà spesso insolitamente buona per puro caso. Questo fenomeno è talvolta descritto come “bias di selezione” derivante dalla ricerca in uno spazio ampio.

Ora estendi il processo:

• Calibri i parametri utilizzando la prima parte dei dati.
• Poi testi su una parte successiva mai usata per la calibrazione.

Se i risultati del test successivo peggiorano in modo significativo rispetto ai risultati in-sample, quel divario è un segnale comune di overfitting. Il divario non dimostra da solo l’overfitting, ma è un forte indizio che il metodo abbia imparato rumore specifico del campione.

Limitazioni e rischi rilevanti (modi di fallimento materiali)

L’overfitting è un problema statistico generale, ma nei flussi di lavoro del forex diversi problemi pratici spesso lo amplificano.

1. Data leakage Se il metodo utilizza informazioni non disponibili al momento della decisione (ad esempio, valori futuri indirettamente ottenuti attraverso la costruzione delle feature o errori di allineamento dei dati), può produrre risultati di backtest irripetibili nella realtà.

2. Validazione non indipendente Se la finestra di validazione si sovrappone pesantemente con l’addestramento, o se i passaggi di preparazione dati sono ripetuti in un modo che “riutilizza” informazioni, la validazione non è veramente out-of-sample. Il modello può sembrare robusto perché la validazione è più vicina all’addestramento di quanto si pensi.

3. Eccessiva flessibilità Approcci più flessibili (spazi di parametri più ampi, modelli più complessi o soglie molto strette) possono adattarsi a più forme nei dati storici. La flessibilità aumenta la probabilità di adattarsi al rumore.

4. Cambiamento di regime e distribuzione La dinamica dei prezzi del forex può cambiare con volatilità, liquidità, condizioni macro e sentiment di rischio. Una relazione valida in un regime può indebolirsi o scomparire in un altro, anche senza data leakage.

5. Differenze nei costi e nell’esecuzione I backtest spesso semplificano spread, commissioni e slippage. Se la regola ottimizzata dipende da un vantaggio più piccolo della differenza tra costi ipotizzati e costi reali, la performance può crollare fuori dal backtest.

A causa di queste limitazioni, il successo di un backtest non garantisce prestazioni future. Le relazioni storiche non dimostrano che la stessa relazione persista.

Come verificare indipendentemente la generalizzazione (senza assumere risultati)

La verifica riguarda il testare se gli output del metodo sono stabili sotto nuove condizioni mai viste. Una checklist indipendente dal tempo è così:

• Definisci chiaramente la separazione tra addestramento e test: la calibrazione deve usare solo il periodo di addestramento; la valutazione deve usare un periodo successivo non coinvolto nella ricerca dei parametri.
• Usa una separazione rigorosa nella preparazione dei dati: ogni passaggio di ingegnerizzazione delle feature non deve usare informazioni future.
• Riduci i gradi di libertà quando possibile: meno parametri rendono più difficile adattarsi al rumore.
• Applica il forward testing in concetto: dopo aver selezionato una configurazione basata su addestramento/validazione, valutala su dati veramente non visti per verificare la stabilità.
• Sottoponi a stress test le assunzioni: confronta i risultati con variazioni ragionevoli nelle assunzioni sui costi e nel timing di esecuzione per vedere se il metodo rimane coerente.

Se la performance rimane stabile attraverso test indipendenti, ciò supporta l’idea che il metodo abbia catturato qualcosa di più generale. Se i risultati sono forti solo nella finestra di calibrazione, l’overfitting è la spiegazione più probabile o un contributore significativo.

Eccezioni e cosa l’overfitting non è

• L’overfitting non è identico al “fallimento della strategia”. Un metodo può fallire per molti motivi, inclusi cambiamenti nella struttura del mercato o assunzioni errate sui costi.
• L’overfitting non è neppure l’unica causa di risultati scadenti out-of-sample. La finestra di test potrebbe semplicemente rappresentare un regime diverso, o la funzione obiettivo potrebbe non allinearsi con ciò che il flusso di lavoro reale può eseguire.

Prossima domanda da porsi

Quando valuti un approccio nel forex, la domanda più informativa è: “Quali esatti passaggi hanno determinato i parametri finali calibrati, e quegli stessi passaggi sono stati completamente esclusi dai dati di valutazione?” Se riesci a rispondere con precisione, puoi valutare la probabilità che il vantaggio apparente del metodo derivi dal rumore piuttosto che da relazioni stabili.