Come si può backtestare in modo responsabile il rapporto tra guadagno e perdita media?
Definire il rapporto tra guadagno e perdita media come concetto misurabile
Il rapporto tra guadagno e perdita media è un modo per riassumere quanto tendono a essere grandi i “guadagni” rispetto alle “perdite”, utilizzando i risultati storici delle operazioni. In un backtest responsabile, devi innanzitutto definire con precisione le quantità che intendi misurare, poiché “guadagno” e “perdita” possono essere calcolati in diversi modi.
Una struttura comune è:
- Scegliere una regola coerente per identificare un risultato operativo (ad esempio, il risultato finale di ciascuna operazione completata).
- Convertire i risultati in un’unità comparabile (come il P&L in valuta del conto o in termini di movimento dei prezzi).
- Definire le “operazioni vincenti” come quelle con risultato positivo e le “operazioni perdenti” come quelle con risultato negativo (oppure usare valori assoluti, ma in tal caso va dichiarato chiaramente).
- Calcolare le medie: la dimensione media del guadagno (guadagno medio) e la dimensione media della perdita (perdita media).
Se utilizzi un rapporto (ad esempio, guadagno medio diviso perdita media), definisci la convenzione sui segni. Molti errori nei backtest derivano dalla confusione tra medie con segno e medie assolute.
Meccanismo: input, assunzioni e ruolo dei costi
Un backtest accurato del rapporto tra guadagno e perdita media dipende dal modello dati scelto. Al minimo, hai bisogno di:
- Un elenco cronologico di operazioni registrate (orari di entrata/uscita e risultato realizzato).
- Una regola per gestire i casi limite (chiusure parziali, operazioni in pareggio, cancellazioni e operazioni non completate).
- Assunzioni esplicite sulla realismo dell’esecuzione.
Il principio chiave “costs-features” è: i tuoi risultati storici devono basarsi sulle stesse assunzioni economiche che intendi valutare. I costi e le frizioni includono elementi come spread, commissioni e slippage. Anche se non conosci i costi futuri esatti, puoi comunque effettuare un test responsabile:
- Registrando ogni assunzione utilizzata per convertire il movimento dei prezzi nel P&L operativo.
- Eseguendo verifiche di sensibilità (ad esempio, variando lo slippage o i livelli di costo ipotizzati entro un intervallo plausibile) per verificare se la conclusione dipende da un’unica impostazione ottimistica.
Evidenze ed esempio di calcolo (con assunzioni)
Supponiamo di avere un dataset di operazioni completate. Decidiamo:
- I guadagni sono operazioni con P&L realizzato > 0.
- Le perdite sono operazioni con P&L realizzato < 0.
- Utilizziamo la media del P&L realizzato per ciascun gruppo.
- Le operazioni in pareggio sono escluse da entrambe le medie (oppure incluse come zero — specificare quale criterio si adotta).
Esempio (solo illustrativo):
- Guadagno medio = (somma dei valori positivi di P&L) / (numero di operazioni vincenti).
- Perdita media = (somma dei valori negativi di P&L) / (numero di operazioni perdenti). Se in seguito si utilizza una “perdita media assoluta”, si usa il valore assoluto.
Per verificare il backtest, ricalcola questi valori direttamente dall’elenco registrato dei P&L operativi. Se le medie calcolate non corrispondono, il problema è nella definizione o nella gestione dei dati, non nelle performance di mercato.
Limitazioni e modalità di errore da testare
Il rapporto tra guadagno e perdita media è descrittivo, non predittivo. Un backtest responsabile lo considera un riassunto storico la cui stabilità può venir meno se cambiano le condizioni di mercato, la qualità dell’esecuzione o i tempi delle decisioni.
Almeno una limitazione significativa è essenziale:
- Cambiamento di regime: Una strategia può mostrare una certa relazione tra guadagni e perdite medie in un determinato contesto di mercato, per poi cambiare successivamente.
- Divergenza nei costi: Se i risultati storici ignorano spread/commissioni o sottostimano lo slippage, il confronto tra “guadagno medio” e “perdita media” può risultare distorto.
- Bias di selezione e di sopravvivenza: Se il dataset contiene solo operazioni che hanno superato un processo di revisione, o se hai filtrato involontariamente i risultati in modo correlato alla redditività, le medie possono risultare distorte.
- Overfitting alle definizioni: Provare molte varianti di ciò che conta come guadagno/perdita, dei tempi di entrata/uscita o del metodo di misurazione dei risultati può produrre una falsa sensazione di robustezza.
Controlli del bias e verifiche fuori campione
Per ridurre questi rischi, utilizza procedure che verifichino se la relazione misurata si generalizza:
- Definizioni coerenti nel tempo: Usa la stessa regola per guadagni/perdite, lo stesso criterio per le operazioni in pareggio e lo stesso metodo di calcolo del P&L in tutti i periodi.
- Suddivisione temporale: Stima il tuo approccio di misurazione su un periodo precedente e valutalo su un periodo successivo non utilizzato per affinare le definizioni.
- Riportazione fuori campione: Confronta il guadagno medio e la perdita media (e qualsiasi rapporto) tra il campione interno e quello esterno.
- Analisi di sensibilità: Ricalcola le metriche con diverse assunzioni plausibili sui costi/esecuzione per verificare se le conclusioni dipendono da uno scenario ottimistico singolo.