Come si può testare l’inversione per divergenza?

Risposta diretta

L’inversione per divergenza può essere testata trasformando l’idea in un’ipotesi falsificabile, misurando se si verifica sistematicamente un esito “simile a un’inversione” dopo l’evento di divergenza, e poi verificando che qualsiasi vantaggio osservato non sia spiegato da bias di selezione, costi, effetti di esecuzione o cambiamenti nei regimi di mercato. Poiché non è richiesto alcun dato in tempo reale, l’approccio al test dovrebbe basarsi su definizioni storiche ben definite, assunzioni esplicite e passaggi di valutazione riproducibili.

Un test pratico ha cinque parti: (1) definire il meccanismo di inversione per divergenza in termini operativi, (2) scegliere una baseline che rappresenti ciò che accadrebbe senza la condizione di divergenza, (3) specificare una suddivisione dei dati che eviti il bias di anticipazione, (4) includere costi di transazione realistici e attriti di trading in ogni calcolo, e (5) eseguire verifiche di robustezza e analisi delle modalità di errore.

Meccanismo e definizione

Inizia con una definizione sufficientemente precisa da poter essere codificata e verificata in modo indipendente. “Inversione per divergenza” è comunemente usato per descrivere una situazione in cui l’azione dei prezzi e un indicatore si muovono in direzioni opposte (divergenza), e poi ci si aspetta che il prezzo torni indietro (inversione). Per testare questo, hai bisogno di due componenti operativi:

1. Definizione dell’evento (il “trigger” di divergenza).

• Specifica quale serie di prezzi utilizzi (ad esempio, variazioni da chiusura a chiusura) e il timeframe.
• Specifica l’indicatore e la regola di divergenza. Ad esempio: “l’indicatore forma un minimo più basso mentre il prezzo forma un minimo più alto” in una finestra di lookback definita. Tutti i parametri devono essere dichiarati (lunghezza della finestra, se si usano massimi o minimi, e come si gestiscono i valori uguali).
• Decidi cosa conta come “timestamp dell’evento” (ad esempio, alla chiusura della barra in cui la condizione di divergenza diventa vera).

2. Definizione dell’esito (la “misurazione” dell’inversione).

• Definisci cosa significa “inversione” nello stesso sistema di unità dei tuoi dati di mercato. Esempi includono: rendimento nei prossimi N periodi, segno della prossima mossa, escursione avversa massima rispetto all’escursione favorevole massima, o se il prezzo supera una soglia.
• Decidi l’orizzonte di valutazione N. Se N viene selezionato dopo aver visto i risultati, trattalo come una variabile e usa verifiche fuori campione.

Una distinzione chiave è tra meccanica stabile e condizioni variabili. Il meccanismo stabile è la regola dell’evento e la misurazione dell’esito. Le condizioni variabili sono lo stato del mercato, la volatilità, i livelli di spread e commissioni, la liquidità e la qualità dell’esecuzione. Il tuo test deve quantificare quanto i risultati siano sensibili a questi fattori variabili.

Evidenze e esempio di progettazione del test

Di seguito è riportato un modello non consigliato che puoi applicare ai dati storici per valutare se l’inversione per divergenza mostra una tendenza misurabile.

1) Formula un’ipotesi testabile

Esempio di ipotesi (formulazione generica): “Dopo un evento di divergenza definito dalla regola R, la variazione media del prezzo nell’orizzonte successivo è più favorevole dell’aspettativa di base calcolata in tutti i momenti con un contesto comparabile.”

Per evitare assunzioni nascoste, scrivi:

• La regola esatta di divergenza R.
• La metrica dell’esito (ad esempio, rendimento medio in avanti, o probabilità di un movimento superiore a una soglia).
• L’orizzonte e eventuali soglie.
• Se misuri rendimenti grezzi o rendimenti dopo i costi stimati di trading.

2) Scegli una baseline

Una baseline è ciò con cui confronti i risultati. Le scelte comuni di baseline includono:

• Baseline senza divergenza: valuta la stessa metrica di esito nei momenti in cui la condizione di divergenza non si verifica.
• Baseline temporale/calendario: confronta con momenti casuali abbinati per ora del giorno, giorno della settimana o attributi simili, se applicabile.
• Baseline abbinata al contesto: raggruppa gli eventi per regime di volatilità (usando un indicatore storico di volatilità) e confronta gli eventi di divergenza con i momenti senza divergenza nello stesso regime.

L’obiettivo è evitare che il test concluda “la divergenza ha causato l’inversione” quando gli eventi di divergenza sono semplicemente più comuni in determinati stati di mercato.

3) Suddivisione dei dati e prevenzione delle fughe

Usa suddivisioni che riflettano come la regola verrebbe utilizzata nella pratica. Approccio tipico:

• Periodo di addestramento: progettazione e selezione dei parametri.
• Periodo di validazione: ottimizzazione dei parametri senza toccare il periodo di test.
• Periodo di test: solo valutazione finale.

Anche senza dati in tempo reale, dovresti usare suddivisioni ordinate nel tempo. Non permettere mai che eventi futuri influenzino i parametri della regola di divergenza usati per la valutazione in tempi precedenti. Questa è la causa più comune di risultati gonfiati.

4) Modellazione dei costi e degli attriti (richiesta per equità)

Includi i costi in ogni valutazione perché le regole di divergenza possono sembrare redditizie prima dei costi e scomparire dopo. I costi possono includere:

• Uno spread per transazione o un impatto ipotizzato tra domanda e offerta.
• Assunzioni su commissioni o spese, se disponibili.
• Slippage come penalità aggiuntiva, specialmente durante periodi volatili.

Esempio di assunzione: se il tuo modello di costi usa una penalità fissa per ogni round trip, dichiarala e testa la sensibilità provando un intervallo di penalità plausibili. Se non hai dati realistici sui costi, riporta i risultati sia prima che dopo un buffer di costi ipotetico, e considera le conclusioni come incerte.

5) Verifiche di robustezza

Non fermarti a un singolo insieme di parametri. Le verifiche minime di robustezza includono:

• Robustezza walk-forward: ripeti la valutazione su più finestre di test mobili.
• Stabilità dei parametri: testa diverse lunghezze di finestra e definizioni di divergenza vicine.
• Robustezza della metrica: verifica che l’effetto sussista con diverse metriche di esito (ad esempio, rendimento medio e probabilità di vincita), perché un miglioramento apparente in una metrica può nascondere perdite in un’altra.

6) Limitazioni materiali e analisi delle modalità di errore

Devi cercare attivamente le modalità di errore. Almeno una limitazione materiale deve essere testata e descritta, come:

• Dipendenza dal regime: l’inversione per divergenza può funzionare in condizioni di mean-reversion ma fallire durante le tendenze.
• Artifatti dell’indicatore: alcuni indicatori possono creare divergenze più frequentemente in dati rumorosi, gonfiando la “frequenza degli eventi” senza migliorare il potere predittivo.
• Sensibilità alla soglia: piccoli cambiamenti nella definizione possono spostare notevolmente l’insieme degli eventi.
• Overfitting: la selezione di parametri per massimizzare le prestazioni sui dati storici può produrre risultati fuorvianti fuori campione.

Documenta come i risultati cambiano sotto queste condizioni. Se l’effetto scompare con piccoli cambiamenti nella definizione, l’affermazione è debole anche se i backtest sembravano forti.

Limitazioni e ciò che puoi verificare in modo indipendente

Testare l’inversione per divergenza è semplice in linea di principio, ma le conclusioni sono limitate dall’incertezza. Limitazioni chiave:

• Le relazioni storiche non garantiscono risultati futuri. Anche se un modello di inversione per divergenza è esistito in passato, la microstruttura di mercato e il comportamento possono cambiare.
• Gli esiti variano con le condizioni di mercato e i dettagli di implementazione. I risultati dipendono dalla volatilità, liquidità, tempistica dell’esecuzione e accuratezza delle assunzioni sui costi.
• Gli indicatori non sono garanzie. Divergenza e inversione sono concetti descrittivi; diventano testabili solo quando tradotti in regole operative e risultati misurabili.