Cosa devono sapere i principianti sulle metriche di performance

Risposta diretta

Le metriche di performance sono numeri utilizzati per riassumere i risultati applicando una formula specifica a un insieme definito di dati (ad esempio, rendimenti nel tempo, drawdown o tassi di vincita/perdita). Per i principianti, il punto di partenza più importante è considerare le metriche come descrizioni di ciò che è accaduto in un determinato dataset, non come prova di risultati futuri. Nel forex e in altri mercati, lo stesso metodo può produrre risultati molto diversi a seconda delle condizioni di mercato, dei costi di trading, della qualità dell’esecuzione e del modo in cui i dati sono stati raccolti.

Come funzionano le metriche di performance

Una metrica di performance non è solo una statistica — è una calcolo più un’assunzione. Prima di interpretare qualsiasi valore, i principianti dovrebbero verificare:

• Quali dati di input sono stati utilizzati. Ad esempio: dimensione della posizione, timestamp di entrata/uscita, se i risultati includono spread e commissioni, e se i periodi di inattività sono conteggiati.
• Cosa fa la formula della metrica. Ad esempio, i rendimenti medi sono influenzati dagli outlier, mentre le misure di drawdown dipendono da come si definisce il picco al minimo e se si usano valori realizzati o mark-to-market.
• Quale finestra temporale e quale base di riferimento sono state assunte. Le metriche calcolate su periodi diversi (e con capitale iniziale o livelli di riferimento diversi) non sono direttamente confrontabili.
• Se è incluso il reinvestimento. Una metrica potrebbe assumere implicitamente il reinvestimento, oppure potrebbe trattare ogni risultato in modo indipendente.

Un modo pratico per imparare è scegliere un dataset semplice e riprodurre passo dopo passo una metrica. Se non riesci a replicare il numero a partire dagli input e dalle regole dichiarati, la metrica non è affidabile per i tuoi scopi.

Scenario con una limitazione concreta

Immagina due report di performance che mostrano entrambi un “rendimento medio”. Se un report include i costi (spread e commissioni) e l’altro li esclude, la metrica può differire anche se il movimento dei prezzi sottostante è identico. Il calcolo è stabile, ma gli input no.

Evidenze ed esempi che puoi verificare

Un approccio di verifica autodeterminato funziona meglio rispetto al basarsi su aspettative:

• Ricalcola dai log. Usa il tuo log di trade o di esecuzione (o qualsiasi dataset disponibile) e applica tu stesso la formula della metrica.
• Verifica la coerenza delle unità. I rendimenti possono essere espressi in percentuale, in valuta o come valori normalizzati. Mescolarli cambia le conclusioni.
• Conferma le definizioni di “evento”. Ad esempio, un “trade” è definito come un singolo ordine, un round-trip o una sequenza gestita manualmente? Metriche come il win rate dipendono da questa definizione.
• Confronta metriche che rispondono a domande diverse. Win rate, payoff size e drawdown descrivono comportamenti diversi. Un sistema può mostrare un win rate più alto ma comunque subire forti drawdown.

Modo di fallimento significativo da osservare

Un modo comune di fallimento è un dataset non confrontabile: le metriche vengono calcolate su un periodo o un campione che esclude certe condizioni, come volatilità insolita, slippage nell’esecuzione o eventi mancanti. Anche se ogni numero è calcolato correttamente, l’insieme può risultare fuorviante perché il dataset non è rappresentativo.

Limitazioni e rischi

Le metriche di performance hanno limiti evidenti:

1. Le relazioni storiche non garantiscono risultati futuri. Una metrica calcolata su dati passati può apparire solida senza però essere generalizzabile.
2. I costi e l’esecuzione possono dominare i risultati. Metriche che ignorano i costi realistici di trading possono sovrastimare la performance.
3. Le metriche possono essere manipolate con scelte di misurazione. Cambiare definizioni (finestra temporale, confini di “trade” o metodo di calcolo del drawdown) può far apparire migliore la performance senza modificare il comportamento reale.
4. Nessuna singola metrica cattura completamente il rischio. Le metriche possono mostrare redditività nascondendo perdite estreme o periodi di severo drawdown.

A causa di questi limiti, i principianti dovrebbero evitare di considerare qualsiasi singola metrica come un segnale autonomo di qualità. Invece, interpretare le metriche come evidenze condizionate da assunzioni e verificare tali assunzioni rispetto al proprio dataset.

Punto di verifica e prossima domanda

Un buon passo successivo è chiedersi, per ogni metrica che si intende utilizzare: Quale formula esatta è stata applicata, quali input sono stati inclusi, cosa è stato escluso e su quale finestra temporale? Se questi dettagli mancano, non è possibile verificare autonomamente il numero.

Se vuoi approfondire, considera come le metriche possono fallire in condizioni diverse (ad esempio, come si comporta il drawdown durante intervalli volatili, o come l’inclusione dei costi modifica le misure basate sui rendimenti) e come mantenere coerenti nel tempo le definizioni delle misurazioni.