Come si può testare il False Breakout?

Cosa significa “false breakout” e perché il test richiede un’ipotesi

Il termine false breakout indica un movimento di mercato che inizialmente sembra rompere un limite predefinito (ad esempio, un’estremità di un range precedente), ma che poi fallisce, spesso tornando all’interno del limite entro una finestra temporale scelta. Il test è importante perché l’etichetta “falso” non è automatica: dipende dalle definizioni (cos’è il limite), dalle regole di misurazione (dopo quanto tempo lo si giudica) e dal contesto (condizioni di mercato).

Un punto di partenza utile è un’ipotesi verificabile che separi le meccaniche dalla variabilità. Ad esempio, invece di assumere che “i false breakout sono redditizi”, si può formulare un’ipotesi misurabile e falsificabile, come: sotto certe condizioni grafiche, la probabilità che il prezzo torni all’interno del limite entro X candele è superiore a una probabilità di base.

Questo approccio rimane informativo e si concentra sulla verifica piuttosto che sulle previsioni.

Meccaniche: trasformare il “false breakout” in eventi misurabili

Per testare qualsiasi cosa, servono definizioni operative coerenti. Una definizione pratica di evento include solitamente:

• Definizione del limite: Qual è esattamente il livello testato? Potrebbe essere il massimo/minimo di un range precedente, un livello di swing precedente o un livello orizzontale costruito sui prezzi recenti. L’importante è che il limite sia definito a partire da un punto nel tempo che non utilizzi informazioni future.
• Regola di attivazione (breakout): Cosa conta come “rottura”? Le scelte comuni includono la prima chiusura oltre il livello, il primo tocco oltre il livello o il primo momento in cui il prezzo supera il livello di almeno un piccolo buffer.
• Regola di conferma del fallimento: Quando si dichiara il fallimento? Ad esempio, si può definire il fallimento come un ritorno successivo all’interno del limite originale, valutato con una finestra temporale (es. entro N barre) e possibilmente una seconda regola come una chiusura all’interno.
• Finestra di giudizio: La lunghezza della finestra temporale è cruciale perché finestre diverse possono cambiare drasticamente gli esiti. Decidere N prima di osservare i risultati.

Una volta impostati questi elementi, ogni evento potenziale diventa o un vero passaggio (il breakout resiste secondo la regola di conferma) o un false breakout (fallisce secondo la regola di conferma).

Un progetto di test verificabile in modo indipendente

Un modo chiaro per progettare un test include cinque parti: ipotesi, valore di riferimento, suddivisione dei dati, ipotesi sui costi e verifiche di robustezza.

1) Ipotesi

Scrivere l’ipotesi in forma probabilistica o di frequenza. Esempio di struttura:

• “Dato il modello di evento A (limite, attivazione, conferma, finestra temporale), la frazione di esiti falsi è superiore al valore di riferimento B per i casi corrispondenti alle condizioni C.”

Le condizioni C servono a evitare di mescolare diversi regimi di mercato (trend vs range, alta vs bassa volatilità).

2) Valore di riferimento (baseline)

Il test richiede un comparatore. I valori di riferimento possono essere semplici:

• Baseline casuale all’interno dello stesso dataset: Confrontare il tasso di falsi con un’aspettativa naïve derivata dalle frequenze di base complessive.
• Baseline temporale corrispondente: Confrontare eventi selezionati in momenti simili o in fasce di volatilità simili.

Il metodo esatto della baseline deve essere documentato affinché altri possano riprodurlo.

3) Suddivisione dei dati (per evitare overfitting)

Utilizzare almeno due suddivisioni:

• Periodo in-sample: Dove si validano le definizioni degli eventi e si scelgono i parametri.
• Periodo out-of-sample: Dove si testano le definizioni finali senza ulteriori aggiustamenti.

Considerare anche la suddivisione per proxy di regime di mercato calcolabili solo dal prezzo, come il livello di volatilità o la forza del trend, purché definibili senza usare dati futuri.

Un errore comune è regolare i parametri (finestra temporale, dimensione del buffer, costruzione del limite) finché il grafico “sembra giusto” in un singolo periodo. La suddivisione dei dati riduce questo rischio.

4) Ipotesi sui costi e sull’esecuzione (anche per test concettuali)

Anche se si testano probabilità invece che profitti, i costi e le ipotesi sull’esecuzione sono comunque importanti quando si tradurranno i test in regole pratiche. Trattare i costi come variabili da includere in modo conservativo.

Come minimo, documentare ipotesi come:

• Modello di spread effettivo o di costo transazionale: Usare un costo fisso per evento o un costo derivato dalle condizioni tipiche del dataset.
• Modello di slippage: Stabilire se gli ordini vengono eseguiti al momento del superamento del livello, all’apertura della barra successiva o secondo un’altra regola. La scelta influisce sulla frequenza con cui avviene la conferma.

Se non si modella l’esecuzione, si rischia di produrre conclusioni che non sopravvivono alla realtà operativa.

5) Verifiche di robustezza

Una verifica di robustezza testa se i risultati persistono quando si cambia una scelta alla volta:

• Variare la finestra di giudizio (es. variazione di N intorno alla finestra scelta).
• Cambiare il buffer usato per qualificare la “rottura” (nessun buffer vs buffer ridotto).
• Usare costruzioni alternative del limite (stessa logica di evento, ma metodo diverso per definire il livello).
• Analizzare regimi diversi separatamente (periodi di trend vs periodi laterali).

Se le prestazioni crollano con piccoli cambiamenti, il pattern è probabilmente sensibile piuttosto che strutturale.

Evidenze o esempi: cosa misurare e come riportarlo

È possibile riportare i risultati dei test in modo che non siano legati a previsioni future.

Metriche chiave

Metriche comuni includono:

• Tasso di false breakout: Frazione di eventi che soddisfano la regola di conferma del fallimento.
• Tasso di falsi condizionale: Tasso di false breakout all’interno di ogni categoria di regime.
• Calibrazione rispetto al valore di riferimento: Confrontare il tasso di falsi con il valore di riferimento usando una semplice differenza e un intervallo di incertezza.

Incertezza e dimensione del campione

I campioni piccoli producono stime instabili. Riportare i conteggi (numero di eventi) e includere l’incertezza (ad esempio, un intervallo di confidenza approssimativo per le frequenze). Senza questo, “ha funzionato” può essere indistinguibile dal caso.

Evitare il bias di anticipazione (look-ahead bias)

Un errore frequente è costruire accidentalmente i limiti usando dati successivi al momento del trigger. Assicurarsi che ogni input usato per definire il limite e il trigger dell’evento si basi su informazioni disponibili prima che il breakout si verifichi.

Limitazioni e rischi: almeno una modalità di fallimento significativa

Anche i test ben progettati hanno limitazioni. Ecco alcune significative da considerare:

1. Rischio di definizione (ambiguità di misurazione): Il significato di “rottura”, “ritorno” e la finestra temporale scelta possono cambiare l’etichetta dell’evento. Due ricercatori con regole leggermente diverse possono ottenere risultati diversi.
2. Dipendenza dal regime: Un meccanismo che appare in condizioni laterali potrebbe non funzionare in condizioni di trend. È necessario testare attraverso diversi regimi per evitare di scambiare un effetto specifico per un effetto generale.
3. Divergenza tra costi e esecuzione: Conclusioni basate su probabilità possono fallire se tradotte successivamente in regole di trading con esecuzioni diverse, spread o ritardi.
4. Overfitting attraverso la regolazione dei parametri: Se si regolano ripetutamente i parametri per massimizzare i risultati sullo stesso dataset, si possono trovare pattern che non si generalizzano.

Si noti anche una limitazione più ampia: le relazioni storiche non garantiscono risultati futuri. Un test può validare una proprietà passata senza implicare che essa persista.