Ograniczenia danych historycznych

Czym są dane historyczne?

Dane historyczne to zapis przeszłych obserwacji rynkowych—takich jak ceny, wolumeny, znaczniki czasu, a czasami miary pochodne—używany do analizy, jak zachowywał się dany instrument wcześniej. W kontekstach związanych z handlem są one często wykorzystywane do obliczania statystyk, szacowania zależności lub przeprowadzania testów wstecznych, które symulują, co mogłoby się wydarzyć w przeszłych warunkach.

Dane historyczne nie są samym rynkiem; są migawką obserwacji zarejestrowanych w określonym momencie, zwykle z określonymi zasadami próbkowania (na przykład, jak często rejestrowane są wartości) i z określonych źródeł (na przykład, konkretny strumień danych, miejsce obrotu lub dostawca danych).

Jak wykorzystywane są dane historyczne (i gdzie pojawiają się założenia)

Kiedy ludzie badają dane historyczne, domyślnie zakładają, że symulacja lub analiza jest zgodna z rzeczywistością. Ta zgodność zależy od kilku wyborów projektowych:

1. Dopasowanie czasowe: Znaczniki czasu w zbiorze danych muszą odpowiadać logice analizy i zamierzonemu momentowi podejmowania decyzji.
2. Kompletność: Brakujące ticki/świece lub luki mogą usunąć kluczowe zdarzenia, które miałyby znaczenie dla wyników.
3. Zasady agregacji: Jeśli surowe dane są agregowane (na przykład do świec), transformacja może ukryć zachowanie wewnątrz okresu.
4. Koszty i model wykonania: Wiele badań zakłada idealne wykonanie. Prawdziwy handel wiąże się ze spreadami, prowizjami, poślizgiem i efektami kolejki zleceń.
5. Zmiana populacji: Przeszłe reżimy (poziomy zmienności, płynność, korelacje) mogą nie utrzymać się w przyszłości.

Przydatnym sposobem myślenia o tym jest: dane historyczne są danymi wejściowymi, a Twoje wnioski są tak samo wiarygodne, jak Twoje założenia dotyczące tego, jak przeszłe dane wejściowe przekładają się na przyszły proces.

Dowody i przykładowe tryby awarii

Rozważmy prosty scenariusz: metoda jest oceniana przy użyciu historycznych świec i zakłada, że transakcje są zawierane po cenie raportowanej dla świecy. Jeśli metoda faktycznie wymaga decyzji w określonym momencie wewnątrz świecy, ale zbiór danych dostarcza tylko zagregowane wartości, test wsteczny może „wyglądać” na wykonalny, podczas gdy w rzeczywistości nie byłby.

Inne częste tryby awarii obejmują:

• Błąd przetrwania i błąd selekcji: Jeśli analizujesz tylko aktywa lub okresy, które „dostały się” do zbioru danych, wyniki mogą zawyżać typowe wyniki.
• Przeuczenie do przeszłości: Jeśli wiele parametrów jest dostrajanych do dopasowania historycznego segmentu, metoda może uchwycić szum zamiast stabilnej struktury.
• Zależność od reżimu: Zależności zaobserwowane w jednym reżimie zmienności lub płynności mogą osłabnąć, gdy warunki się zmienią.

Te problemy nie oznaczają, że analiza historyczna jest bezużyteczna; oznaczają, że dane historyczne mogą wprowadzać w błąd, gdy są traktowane tak, jakby w pełni reprezentowały przyszłe warunki.

Kluczowe ograniczenia i ryzyka

Najbardziej istotne ograniczenia można podzielić na trzy kategorie:

1. Warunki rynkowe się zmieniają: Historyczne zależności nie ustanawiają automatycznie przyszłych wyników. Struktury zmienności, płynności i korelacji mogą się przesuwać, zmieniając warunki, które wygenerowały przeszłe wzorce.

2. Niedopasowanie między zarejestrowanymi danymi a wykonaniem: Nawet jeśli seria historyczna jest dokładna, analiza może ignorować realistyczne tarcia handlowe (koszty, czas i płynność). Gdy wykonanie się różni, wyniki mogą się rozchodzić.

3. Niepewność i niepełna obserwacja: Dane mogą pomijać zdarzenia, mieć artefakty próbkowania lub używać strumienia/miejsca obrotu, którego mikrostruktura różni się od tego, co zaobserwowałbyś w warunkach na żywo.

Praktyczna implikacja jest taka, że dane historyczne należy traktować jako dowód na temat przeszłości—a nie dowód przyszłego zachowania.

Jak niezależnie zweryfikować, co dane historyczne mogą, a czego nie mogą Ci powiedzieć

Aby zweryfikować ograniczenia bez polegania na przewidywaniach, możesz użyć ogólnych kontroli, które testują, czy wnioski są odporne na niepewność:

• Wyjaśnij założenia: Zapisz, jak modelowane są znaczniki czasu, agregacja i wykonanie, w tym wszelkie uproszczenia.
• Przetestuj stabilność w różnych okresach: Porównaj zachowanie w wielu, wyraźnie różnych warunkach rynkowych (na przykład w różnych środowiskach zmienności).
• Poddaj stresowi potok danych: Sprawdź luki, niespójne próbkowanie lub transformacje, które mogłyby zmienić wyniki.
• Odróżnij twierdzenia opisowe od predykcyjnych: Ustalenia opisowe podsumowują to, co się wydarzyło; twierdzenia predykcyjne wymagają mocnych dowodów, że przyszły proces odpowiada przeszłemu.

Jeśli Twój wniosek zależy od założenia, które łatwo naruszyć w rzeczywistych warunkach, to dane historyczne są mniej informacyjne, niż się wydaje.