Quali dati sono necessari per valutare il filtraggio dei falsi breakout?

Filtraggio dei falsi breakout: di cosa si tratta

Il filtraggio dei falsi breakout è un metodo per ridurre o escludere tentativi di breakout che falliscono rapidamente. Un “breakout” deve essere definito in modo meccanico (ad esempio, un prezzo che supera un livello per una finestra temporale specifica). Un breakout “falso” indica tipicamente che il movimento non prosegue e rientra invece nell’intervallo precedente entro un determinato tempo o distanza.

Per valutare se un metodo di filtraggio è coerente e misurabile, servono dati che ti permettano di (1) identificare i breakout, (2) classificarli come falsi o meno e (3) riprodurre gli stessi risultati sotto ipotesi chiaramente definite.

Dati in ingresso necessari

Parti dal dataset minimo che supporta le definizioni.

1. Identificatori dello strumento e del mercato

• Nome esatto dello strumento finanziario e sede di negoziazione o fonte dei prezzi.
• Convenzione di quotazione (ad esempio, se si osservano i prezzi bid/ask o il prezzo medio).

2. Serie storica dei prezzi con timestamp

• Prezzi di apertura, massimo, minimo, chiusura (OHLC) e/o dati tick o a barre.
• Copertura completa dei timestamp con fuso orario chiaro e confini delle barre ben definiti.
• Campionamento coerente: la stessa definizione di timeframe per il rilevamento del breakout e per la finestra di “falso”.

3. Parametri delle regole di breakout

• La finestra temporale precedente utilizzata per definire l’intervallo o il livello.
• La soglia per il “breakout” (ad esempio, chiusura oltre il livello rispetto a un semplice tocco).
• Se richiedi conferme multiple (ad esempio, più di una barra) e per quanto tempo durano.

4. Parametri delle regole di “falso fallimento”

• La condizione per definire un “falso”: distanza di ritorno (quanto indietro) e tempistica (quante barre o quanto tempo).
• Se il filtro utilizza prezzi di chiusura, massimi/minimi intrabar o bid/ask.

5. Ipotesi necessarie per i calcoli

• Come gestisci spread, slittamento e tempistiche di esecuzione. Se non disponi di dati su trade/quotazioni, devi comunque indicare quale sostituto hai usato (ad esempio, prezzo medio) e che ciò altera i risultati.
• Come tratti barre mancanti, valori anomali e cambiamenti simili a quelli societari (rari ma possibili in alcuni dataset).

Provenienza, tempestività e controlli di qualità

Due dataset possono apparire identici ma nascondere dettagli incompatibili. Per la valutazione, servono provenienza (da dove provengono i dati), tempestività (quando rispecchiano la realtà) e controlli di qualità.

1. Provenienza verificabile

• Identità della fonte dati: quale fornitore o piattaforma li ha prodotti.
• Se la serie è ricostruita, curata o acquisita direttamente.
• Documentazione su come la serie è stata aggregata in barre (soprattutto per OHLC).

2. Tempestività e allineamento

• Il periodo coperto dal dataset.
• Eventuali preelaborazioni note, come conversione del fuso orario o gestione dell’ora legale.
• Prova che il rilevamento del breakout e la classificazione del “falso” utilizzino lo stesso orologio e le stesse definizioni di barra.

3. Controlli sulla qualità dei dati (cosa verificare)

• Tasso di dati mancanti e come vengono gestiti i gap (riempiti o esclusi).
• Coerenza tra OHLC e dati intrabar/tick (se entrambi esistono).
• Regole di gestione degli outlier: ad esempio, se i picchi vengono rimossi o mantenuti.
• Riproducibilità: dovresti poter rieseguire lo stesso calcolo con lo stesso input e ottenere la stessa classificazione.

Evidenza o esempio: trasformare regole in classificazioni misurabili

Un valutatore deve collegare i dati ai risultati in modo riproducibile.

Esempio di struttura (le ipotesi devono essere dichiarate):

• Definisci il livello di breakout dall’intervallo delle precedenti N barre.
• Segnala un breakout quando la chiusura supera quel livello.
• Classificalo come “falso” se il prezzo chiude nuovamente all’interno dell’intervallo precedente entro M barre.

Con i dati richiesti, puoi calcolare metriche come:

• Numero totale di breakout rilevati secondo la regola.
• Percentuale classificata come falsa in base alla condizione di tempo/distanza.
• Sensibilità ai parametri (ad esempio, modificando N o M).

Importante: questo mostra la misurabilità della definizione del filtro, non un miglioramento garantito. La qualità storica della classificazione può variare con i regimi di volatilità e la microstruttura di mercato.

Limitazioni e rischi (modalità di errore rilevanti)

Anche con dati corretti, il filtraggio dei falsi breakout può fallire in modi identificabili.

1. Errore di definizione Se la definizione di “breakout” utilizza i prezzi di chiusura ma “falso” utilizza estremi intrabar (o viceversa), le classificazioni diventano incoerenti e difficili da confrontare.

2. Effetti della microstruttura Se ignori bid/ask o le tempistiche di esecuzione, la classificazione potrebbe non rispecchiare ciò che un trader potrebbe effettivamente ottenere. Questa limitazione dipende dai dati.

3. Overfitting dei parametri Provare molti valori di N e M sullo stesso periodo può creare l’illusione di efficacia senza generalizzare. Usa periodi temporali separati per la valutazione.