Cosa i principianti devono sapere sulle statistiche di performance
Statistiche di performance: il concetto prima di tutto
Le statistiche di performance sono riassunti dei risultati ottenuti in un periodo definito. Vengono utilizzate per descrivere quanto efficacemente un insieme di operazioni o un conto si è comportato, solitamente attraverso metriche come rendimenti, drawdown, volatilità, percentuale di vincita o misure corrette per il rischio. L’idea fondamentale per i principianti è che un numero di “performance” non equivale a una spiegazione di ciò che accadrà in futuro.
Poiché le definizioni variano, è utile considerare le statistiche di performance come un linguaggio di reporting. Due fornitori possono entrambi parlare di “performance”, ma utilizzare tempi di inizio/fine diversi, regole di inclusione differenti (ad esempio, quali operazioni vengono conteggiate), gestione diversa dei costi e ipotesi diverse su capitalizzazione o reinvestimento.
Come funzionano le statistiche di performance nella pratica
Un flusso di lavoro di base per comprendere qualsiasi cruscotto di performance consiste nel separare tre parti: (1) input, (2) calcoli e (3) interpretazione.
Gli input sono i dati e le regole di raggruppamento. Questi possono includere quali operazioni vengono incluse, il fuso orario, se la metrica viene calcolata a partire dal capitale del conto (equity) e se vengono inclusi commissioni, finanziamenti, slippage o spread.
I calcoli sono le formule applicate agli input. Ad esempio, le metriche di rendimento richiedono generalmente una definizione chiara del valore iniziale e finale, e se i rendimenti vengono misurati al lordo o al netto dei costi. Le metriche di rischio dipendono dal percorso dei risultati, non solo dall’esito finale. Le misure basate sul drawdown, ad esempio, richiedono di stabilire come vengono identificati “picco” e “minimo” nel tempo.
L’interpretazione è il punto in cui si verificano molti malintesi. Una singola metrica raramente risponde a tutte le domande. Un rendimento medio elevato potrebbe accompagnarsi a forti oscillazioni; una serie apparentemente stabile potrebbe nascondere perdite estreme rare; e le misure “corrette per il rischio” dipendono comunque da un metodo e da ipotesi scelte.
Esempio concreto (con ipotesi esplicite)
Immaginiamo un periodo con due conti, A e B, misurati negli stessi giorni utilizzando la stessa definizione della curva di equity. Supponiamo che A abbia un rendimento totale moderato ma frequenti piccoli drawdown, mentre B abbia un rendimento totale più alto ma occasionali drawdown profondi. Se si confronta solo il rendimento totale, si potrebbe sottovalutare l’esposizione al rischio implicita nel comportamento di drawdown di B. Se si confronta solo la percentuale di vincita, si potrebbe trascurare il fatto che questa ignora la distribuzione dimensionale di perdite e guadagni. Per questo motivo, un principiante dovrebbe verificare se più metriche sono coerenti con la storia raccontata dalla curva di equity.
In questo esempio, l’ipotesi chiave è che entrambi i conti utilizzino criteri di inclusione dati e gestione dei costi comparabili. Senza questo, anche numeri apparentemente identici possono significare cose diverse.
Limitazioni e punti di fallimento (cosa può andare storto)
Le statistiche di performance presentano limitazioni significative che possono portare a conclusioni fuorvianti.
-
Cambiamento del regime di mercato: le relazioni storiche spesso falliscono quando volatilità, liquidità o dinamiche dei prezzi cambiano. Una metrica che sembrava stabile in un periodo può comportarsi diversamente in seguito.
-
Differenze di reporting e misurazione: le piattaforme possono applicare gestioni diverse delle commissioni, regole diverse di inclusione delle operazioni o finestre di calcolo diverse. Questo rende i confronti tra fornitori non affidabili senza definizioni allineate.
-
Effetti di selezione e di sopravvivenza (survivorship bias): se le statistiche si basano su conti che hanno proseguito abbastanza a lungo da essere mostrati, storie meno performanti possono essere escluse. Anche se i dati sono accurati, il dataset stesso potrebbe essere distorto.
-
Cherry-picking e scelta della finestra temporale: modificare la finestra temporale può migliorare o peggiorare le metriche di performance. I principianti dovrebbero cercare trasparenza sul periodo esatto e su se sono stati testati più periodi.
-
Overfitting delle metriche: un sistema ottimizzato per massimizzare una singola metrica può degradare altre caratteristiche di rischio importanti. Ad esempio, ottimizzare la sola volatilità potrebbe comunque permettere eventi estremi rari.
Una limitazione pratica è l’incertezza: senza una metodologia documentata, non si può essere certi di quali ipotesi siano state utilizzate. Anche con documentazione, ci si deve aspettare variabilità dovuta alla qualità dell’esecuzione e ai costi.
Verifica e prossima domanda
Per verificare in modo indipendente le statistiche di performance, concentrarsi sulla coerenza: utilizzare la stessa finestra temporale, la stessa definizione di rendimenti (basata sull’equity o sulle operazioni) e lo stesso trattamento dei costi quando si confrontano i numeri riportati. Se la metodologia non è chiaramente descritta, considerare il cruscotto come un riassunto descrittivo piuttosto che una base affidabile per aspettative.
Una domanda utile successiva è: “Quali input e ipotesi determinano ciascuna metrica?” Se si riesce a collegare ogni numero ai suoi input di calcolo, si potrà meglio spiegare cosa significano le statistiche, cosa omettono e perché potrebbero non essere generalizzabili.