Risposta diretta
Un esempio svolto dei timeframe di scalping mostra, passo dopo passo, come un investitore mappa un orizzonte di trading breve (il timeframe) in assunzioni concrete (tempo di detenzione, numero di decisioni e costi) e poi calcola cosa implicano tali assunzioni per l’esecuzione e la misurazione. L’obiettivo non è prevedere i risultati, ma rendere le meccaniche verificabili e mettere in evidenza dove i risultati possono fallire.
Meccanismo o definizione
Un timeframe è il periodo del grafico usato per osservare il prezzo e prendere decisioni (ad esempio, barre da 1 minuto o da 5 minuti). I timeframe di scalping in genere si riferiscono all’uso di orizzonti brevi, per cui le operazioni vengono tipicamente mantenute per periodi relativamente brevi e la “frequenza delle decisioni” è più alta.
In un esempio svolto, separa due livelli:
- Meccaniche stabili: come modelli il tempo (minuti mantenuti), il numero di punti decisionali e come vengono trattati i costi di transazione.
- Condizioni variabili: spread, slippage, liquidità e se le condizioni storiche assomigliano a quelle future.
Poiché i mercati reali e i provider differiscono, qualsiasi esempio numerico deve dichiarare chiaramente le assunzioni: tempo di detenzione, metodo di entrata/uscita, costo per operazione e come definisci “risultato” (ad esempio, il movimento netto dopo i costi, non il movimento lordo).
Esempio di scenario numerico svolto (con assunzioni)
Supponi un ambiente semplificato con assunzioni esplicite, così l’aritmetica è verificabile.
Assunzioni
- Osservi i segnali su un timeframe da 1 minuto e in genere mantieni ogni operazione per 5 minuti.
- Nel periodo che testI, effettui 20 operazioni (questa è una scelta di modellazione, non una dichiarazione di risultato).
- Ogni operazione comporta un costo totale di transazione di 0.6 “unità” (puoi interpretarlo come spread + commissioni + slippage medio, ma il punto chiave è che è fisso per l’esempio).
- Per ogni operazione, il movimento lordo del prezzo che catturi (prima dei costi) in media è 1.8 unità.
- Calcoli il risultato netto per operazione come: net = gross − cost.
Calcolo passo dopo passo
- Netto per operazione = 1.8 − 0.6 = 1.2 unità.
- Netto su 20 operazioni = 1.2 × 20 = 24 unità.
Cosa cambia nella scelta del timeframe nel modello Ora confronta con uno scenario “più lento” che usa una cadenza decisionale da 5 minuti, mantenendo tutto il resto uguale per il confronto.
- Se ogni operazione costa ancora 0.6 unità e cattura 1.8 unità lorde, ma prendi solo 8 operazioni nella stessa finestra di test, allora net = (1.8 − 0.6) × 8 = 1.2 × 8 = 9.6 unità.
Questo illustra una proprietà comune dei timeframe di scalping in termini di misurazione: l’orizzonte breve tende ad aumentare il numero di operazioni (frequenza decisionale), quindi i costi di transazione e la qualità dell’esecuzione possono pesare di più sul valore netto complessivo—anche quando l’aritmetica per operazione è identica nel modello “giocattolo”.
Limiti e rischi
I limiti materiali emergono anche in un esempio formulato con cura:
-
I costi non sono costanti. Nei mercati reali, spread e slippage possono ampliarsi o peggiorare, soprattutto durante la volatilità o fuori dagli orari di maggiore liquidità. Se la tua assunzione di costo fissa (0.6 unità) è troppo ottimistica, i risultati netti possono diminuire.
-
La qualità dell’esecuzione può differire dal tuo modello. Un timeframe da 1 minuto spesso porta a decisioni più rapide, ma gli eseguiti reali possono avvenire a prezzi diversi da quelli suggeriti dal grafico. Questo scarto è lo slippage, e può cambiare segno e ampiezza.
-
Le relazioni storiche potrebbero non valere. Anche se il modello “giocattolo” coincide con una finestra di backtest, non dimostra che in seguito si verificheranno lo stesso movimento lordo e la stessa struttura dei costi.
-
Errori di misurazione. Se definisci il “movimento lordo” in modo diverso tra backtest (ad esempio, usando prezzi mid invece di prezzi realistici di esecuzione), puoi sovrastimare la performance.
-
Modalità di fallimento operative. Orizzonti brevi aumentano la sensibilità a ritardi, qualità dei dati e differenze tra piattaforme. Se aumenta la latenza di esecuzione, il prezzo effettivamente realizzato può discostarsi dall’aspettativa basata sul timeframe.
Verifica o prossima domanda
Per verificare in modo indipendente i fatti rilevanti, ripeti la stessa logica svolta con assunzioni diverse che riflettano l’incertezza:
- Sostituisci il costo fisso con un intervallo (ad esempio, scenari con costi più bassi e più alti) e ricalcola i totali netti.
- Usa lo stesso tempo di detenzione e varia il numero di operazioni per testare come la frequenza decisionale interagisce con i costi.
- Confronta le definizioni dei prezzi usati per il “movimento lordo” con assunzioni realistiche di esecuzione.
DOCUMENT END