Jak można odpowiedzialnie testować łuki Fibonacciego na danych historycznych?
Zdefiniuj łuki Fibonacciego przed ich przetestowaniem
Łuki Fibonacciego to metoda rysowania, która wykorzystuje kąty lub relacje odległości wywodzące się z Fibonacciego, aby rzutować zakrzywione poziomy z wybranego punktu odniesienia na późniejsze punkty na wykresie cenowym. Odpowiedzialne testowanie na danych historycznych zaczyna się od określenia dokładnej mechaniki, którą będziesz oceniać, ponieważ różne interpretacje łuków mogą prowadzić do różnych poziomów.
Zapisz w prostych słowach, co dokładnie obliczasz. Na przykład:
- Jakie są punkty odniesienia (szczyt/dół swingowy, świeca początkowa/końcowa)?
- Jak poziomy Fibonacciego są przekształcane w łuki (który zestaw współczynników, która transformacja)?
- Jaki interwał czasowy i typ ceny są używane (zamknięcie, szczyt/dół, czy środek)?
- Jak obsługujesz aktualizacje (przerysowanie na każdej nowej świecy, czy tylko wtedy, gdy tworzy się nowy punkt zwrotny)?
- Jak mapujesz geometrię łuku na mierzalne wyniki (odległość do łuku, warunki dotknięcia/przecięcia, czy reguły wyzwalające)?
Jeśli nie możesz precyzyjnie zdefiniować tych elementów, nie będziesz w stanie porównać przebiegów testów ani wyjaśnić wyników innym.
Oddziel stabilną mechanikę wskaźnika od zmiennych warunków
Testowanie na danych historycznych łączy dwie różne rzeczy: stabilną logikę „jak rysowany jest łuk” oraz zmienne warunki rynkowe/dostawcy, które wpływają na zrealizowane wyniki.
Utrzymuj te warstwy oddzielnie w swoim przepływie pracy:
- Stabilna mechanika (stała): reguła konstrukcji łuku, pomiar interakcji z łukiem oraz logika decyzyjna, którą testujesz.
- Zmienne warunki (założenia scenariuszowe): zbiór danych, granularność danych, model wykonania oraz koszty transakcyjne.
To rozdzielenie ma znaczenie, ponieważ dobry wynik może wynikać z korzystnych założeń, a nie z logiki łuku. Jeśli dwóch badaczy testuje tę samą mechanikę łuku, ale używa różnych kosztów, czasu wykonania lub reguł wykrywania punktów zwrotnych, ich wyniki mogą nie być porównywalne.
Ustal założenia dotyczące danych, kosztów i wykonania
Odpowiedzialne testowanie na danych historycznych nie pyta tylko „co wydarzyło się w przeszłości?”. Pyta również „co byłoby możliwe przy realistycznych ograniczeniach?”
Zdefiniuj następujące jawne założenia:
- Dane: jakie instrumenty, jaki zakres czasowy i jaki rozmiar świecy. Określ również, czy używasz danych skorygowanych (o działaniach korporacyjnych), jeśli ma to znaczenie.
- Próbkowanie i wyrównanie: potwierdź, że łuk jest obliczany wyłącznie na podstawie informacji dostępnych w momencie podejmowania decyzji. Częstym błędem jest przypadkowe wykorzystanie przyszłych informacji przy określaniu punktów zwrotnych.
- Koszty (rodzaje kosztów): zamodeluj co najmniej jeden składnik kosztów, taki jak spread/poślizg lub ogólny koszt na transakcję. „Brak kosztów” może zawyżać wyniki.
- Czas wykonania: kiedy pozycja jest otwierana i zamykana w stosunku do świecy, która wyzwoliła zdarzenie? Na przykład, czy jest to otwarcie następnej świecy, czy zamknięcie tej samej świecy?
Te założenia to „rodzaje kosztów” Twojego testu: opisują, które tarcia uwzględniłeś, a które celowo pominąłeś.
Kontroluj obciążenia poprzez blokowanie parametrów i wiele zbiorów danych
Testy na danych historycznych są podatne na obciążenia. Możesz je ograniczyć, traktując proces jak pomiar, a nie jak ćwiczenie z optymalizacji.
Praktyczne kontrole obciążeń obejmują:
- Blokowanie parametrów: zdecyduj o parametrach związanych z łukiem (szczegóły reguły punktów zwrotnych, progi, definicje interakcji) przed oceną wyników. Dopiero potem uruchom test.
- Testowanie kroczące (walk-forward): jeśli musisz ponownie dopasować parametry, rób to sekwencyjnie w czasie, używając wcześniejszych okresów do ustawienia parametrów, a późniejszych do oceny.
- Kontrole poza próbą (out-of-sample): zachowaj co najmniej jedną część zbioru danych nietkniętą do czasu końcowej oceny.
Używaj „założeń” (aannames) spójnie we wszystkich przebiegach. Jeśli zmiana szczegółu znacząco poprawia wyniki, ten szczegół jest kandydatem do nadmiernego dopasowania—zwłaszcza jeśli został dostrojony do jednego reżimu rynkowego.
Użyj testu dowodowego, który mierzy więcej niż jedną metrykę
Wybierz kryteria wynikowe, które odpowiadają na pytanie. W przypadku badań nad łukami możesz mierzyć:
- Jak często wyzwalana jest reguła interakcji z łukiem (częstotliwość)
- Czy późniejszy ruch ceny (w zdefiniowanym oknie) zachowuje się inaczej w porównaniu z bazą odniesienia
- Efekty dystrybucyjne (nie tylko średnie stopy zwrotu)
Nawet bez rekomendowania transakcji możesz zdefiniować standard dowodowy, taki jak: „reguła interakcji z łukiem daje statystycznie rozróżnialny efekt w porównaniu z naiwną bazą odniesienia w wielu okresach.”
Ponieważ wyniki różnią się w zależności od „zmiennych czynników” (reżim rynkowy, zmienność, płynność i sposób tworzenia punktów zwrotnych), raportuj, gdzie efekt jest stabilny, a gdzie zawodzi.
Ograniczenia i przewidywane scenariusze awarii
Odpowiedzialne testowanie na danych historycznych musi uwzględniać istotne ograniczenia. Co najmniej te są typowymi scenariuszami awarii dla testowania wzorców wykresów i wskaźników geometrycznych:
- Nadmierne dopasowanie (overfitting): dostrajanie parametrów łuku do historycznych osobliwości, które się nie powtarzają.
- Wyciek danych (data leakage): wykrywanie punktów zwrotnych lub aktualizacje wskaźnika nieumyślnie wykorzystują przyszłe informacje.