Selezione del timeframe: definisci il concetto prima di scegliere
La selezione del timeframe è la scelta di come mappare le informazioni sui prezzi in un processo decisionale. Nella pratica, un “timeframe” controlla l’unità di osservazione e la cadenza dell’analisi—ad esempio, se valuti il comportamento del mercato tramite barre da un minuto, barre da quattro ore o candele giornaliere.
Un modo utile per modellare questo è separare due ruoli:
- Orizzonte di osservazione: quanto distano nel tempo i tuoi punti dati (la dimensione della barra).
- Orizzonte di decisione e valutazione: per quanto tempo intendi mantenere una visione e come misuri i risultati.
Le considerazioni avanzate iniziano quando questi ruoli non coincidono. Se il tuo orizzonte decisionale è più lungo del tuo orizzonte di osservazione, potresti overfittare ai micro-movimenti. Se il tuo orizzonte decisionale è più corto del tuo orizzonte di osservazione, potresti reagire troppo tardi e dare per scontati i cambiamenti rapidi.
Un modello semplice: campionamento dell’osservazione versus costi reali di trading
Un meccanismo di base è il “campionamento con attrito”. Il mercato fornisce un flusso continuo di variazioni di prezzo, mentre il tuo framework lo campiona a una frequenza scelta (il timeframe) e poi aggiunge frizioni (costi e limiti di esecuzione).
Tre meccaniche stabili di solito spiegano la maggior parte degli effetti del timeframe:
- Aggregazione del rumore: i timeframe più brevi includono fluttuazioni più rapide. I timeframe più lunghi aggregano queste fluttuazioni in un numero minore di punti dati, rendendo più liscia la variabilità.
- Frequenza degli eventi: man mano che il timeframe si accorcia, aumentano le opportunità decisionali e la frequenza di rivalutazione.
- Scala dei costi: costi come spread, commissioni e slippage tendono a diventare più influenti quando fai trading o ribilanci più spesso. Anche se un timeframe sembra più “pulito” nei grafici, i risultati possono peggiorare quando i costi dominano il movimento incrementale che stai cercando di catturare.
Dal punto di vista della verifica, il punto chiave è che la selezione del timeframe cambia la distribuzione di ciò che tratti come “segnale” (movimento strutturato) versus “rumore” (movimento non strutturato), e cambia anche quanto spesso paghi l’attrito.
Dipendenze che devi allineare (obiettivo, tempo di detenzione e valutazione)
La selezione avanzata del timeframe non riguarda solo la scelta di un intervallo di grafico. Riguarda l’allineamento di diverse dipendenze che è facile trascurare.
Allineamento tra obiettivo e tempo di detenzione
Il tuo obiettivo determina quale orizzonte conta. Se ti concentri sulla pianificazione attorno a informazioni più lente (ad esempio, cicli economici più lunghi), un timeframe più lungo può essere più coerente con il modo in cui quell’informazione si esprime. Se ti concentri sul comportamento a breve termine, timeframe più lunghi possono nascondere cambiamenti rilevanti finché non è troppo tardi.
Questo non garantisce risultati migliori; stabilisce solo se il tuo framework può rappresentare anche il comportamento che desideri.
Granularità decisionale versus tolleranza all’errore
I timeframe brevi aumentano il numero di valutazioni. Questo aumenta la probabilità di agire sulla base di una variazione casuale. I timeframe più lunghi riducono la frequenza di valutazione, ma spesso aumentano il “tempo necessario per correggere” quando le tue assunzioni diventano sbagliate.
Un’implicazione pratica è definire che tipo di errori vuoi tollerare:
- Errori piccoli e frequenti (comuni negli approcci ad alta cadenza)
- Errori rari e ritardati (comuni quando si agisce da osservazioni più lente)
La tua scelta del timeframe dovrebbe corrispondere a quale modalità di fallimento puoi gestire.
Definizione dei dati e coerenza tra timeframe
Se confronti segnali su più timeframe, un caso limite comune è la definizione incoerente. Ad esempio, uno “swing” su un timeframe potrebbe essere una singola candela su un altro timeframe. I backtest e le spiegazioni possono rompersi se la mappatura da un timeframe all’altro non è definita.
Per mantenere l’analisi verificabile, dovresti dichiarare esplicitamente:
- cosa costituisce un “evento” (ad es., chiusura della barra, apertura della barra, massimo/minimo intrabar)
- se le decisioni vengono prese alla chiusura della barra o durante la barra
- se la valutazione usa la stessa tempistica di entrata/uscita
Cambiare questi dettagli può modificare in modo sostanziale i risultati.
Casi limite: quando la scelta del timeframe rompe le tue assunzioni
La selezione del timeframe fallisce in casi limite specifici che spesso emergono solo sotto stress.
Ambiguità intrabar e bias di look-ahead
Un limite comune è assumere di poter conoscere gli esiti prima che accadano. Ad esempio, usare il movimento intrabar per giustificare una decisione che, in tempo reale, non potevi conoscere fino a dopo crea un problema di look-ahead. Questo è particolarmente probabile quando misuri le decisioni alla chiusura della barra ma visualizzi usando feature derivate dall’interno della barra.
Per evitare ragionamenti non verificabili, rendi la tua regola precisa: decidi quando le informazioni diventano disponibili e quando potresti eseguire.
Cambi di regime e “inerzia del timeframe”
I timeframe più lunghi possono nascondere i cambi di regime perché i dati aggregano molte condizioni. Un framework che si basa su una struttura lenta può continuare a interpretare il nuovo comportamento come se appartenesse al regime precedente.
Al contrario, timeframe molto brevi possono reagire in modo eccessivo a shock temporanei. In entrambi i casi, la selezione del timeframe influenza la latenza del riconoscimento.
Effetti di microstruttura del mercato
Anche senza usare dati di mercato in tempo reale qui, è comunque importante riconoscere che costi e vincoli di esecuzione non sono uniformi nel tempo. La liquidità, gli spread e lo slippage possono variare con l’ora del giorno e con l’attività di trading. I timeframe più brevi, aumentando la frequenza degli scambi, possono diventare più sensibili a questa variabilità.
Una modalità di fallimento rilevante è un framework che funziona sotto assunzioni semplificate (ad es., esecuzioni ideali) ma peggiora quando aumentano l’incertezza sui costi e l’incertezza di esecuzione.
Limitazioni e rischi: cosa non può essere garantito
Esistono diverse limitazioni che valgono indipendentemente dal timeframe.
- Le relazioni storiche non stabiliscono risultati futuri. Un pattern che appare su un singolo intervallo storico potrebbe non persistere.
- Gli esiti variano con i costi, la qualità dell’esecuzione e le condizioni di mercato. Anche se il movimento dei prezzi è coerente, l’attrito può dominare.
- La valutazione dipende dalle tue assunzioni. Tempistiche di entrata diverse, tempistiche di uscita diverse e gestione delle barre incomplete possono portare a conclusioni differenti.
Poiché qui non si assumono dati in tempo reale, dovresti trattare qualsiasi spiegazione di un framework come relativa alla struttura del ragionamento, non alla previsione di un risultato futuro specifico.
Verifica: come controllare che le affermazioni sul timeframe siano significative
Per verificare in modo indipendente i fatti legati al timeframe, concentrati su coerenza, riproducibilità e valutazione consapevole dei costi.
Usa definizioni e tempistiche coerenti
Dichiara esattamente quando viene presa la decisione e quando viene misurata la valutazione. Se un metodo usa entrate alla chiusura della barra e un altro usa estremi intrabar, non sono confrontabili.
Metti alla prova il modello con test out-of-sample
Un approccio comune alla verifica è separare i dati storici in periodi di training e testing. Se le performance dipendono fortemente da un periodo specifico (ad esempio, un singolo regime di volatilità), la selezione del timeframe può essere confusa con la selezione del regime.
Aggiungi analisi di sensibilità ai costi e all’esecuzione
Anche senza numeri specifici, puoi testare la robustezza valutando come cambiano i risultati sotto variazioni plausibili delle assunzioni su costi e slippage. Se le tue conclusioni crollano con cambiamenti modesti dei costi, la scelta del timeframe potrebbe essere stata attribuita in modo errato.