Jakie dane są potrzebne do oceny filtrowania fałszywych wybić?

Filtrowanie fałszywych wybić: co to jest

Filtrowanie fałszywych wybić to sposób na ograniczenie lub wykluczenie prób wybicia, które szybko zawodzą. „Wybicie” musi być zdefiniowane mechanicznie (na przykład cena przekraczająca poziom w określonym oknie wstecznym). „Fałszywe” wybicie zazwyczaj oznacza, że ruch nie jest kontynuowany i zamiast tego wraca do poprzedniego zakresu w określonym czasie lub na określoną odległość.

Aby ocenić, czy metoda filtrowania jest spójna i mierzalna, potrzebujesz danych, które pozwolą ci (1) zidentyfikować wybicia, (2) sklasyfikować je jako fałszywe lub nie oraz (3) odtworzyć te same wyniki przy jasno określonych założeniach.

Wymagane dane wejściowe

Zacznij od minimalnego zestawu danych, który wspiera definicje.

1. Identyfikatory instrumentu i rynku

• Dokładna nazwa instrumentu transakcyjnego oraz miejsce obrotu lub źródło cen.
• Konwencja kwotowania (na przykład, czy obserwujesz ceny bid/ask, czy mid).

2. Seria cenowa ze znacznikami czasu

• Otwarte, najwyższe, najniższe, zamknięcie (OHLC) i/lub dane tickowe lub świecowe.
• Pełne pokrycie znacznikami czasu z jasną strefą czasową i granicami świec.
• Spójne próbkowanie: ta sama definicja ramy czasowej dla wykrywania wybić i dla okna „fałszywości”.

3. Parametry reguły wybicia

• Okno wsteczne używane do zdefiniowania poprzedniego zakresu lub poziomu.
• Próg dla „wybicia” (np. zamknięcie powyżej poziomu w porównaniu z jakimkolwiek dotknięciem).
• Czy wymagane jest wielokrotne potwierdzenie (takie jak więcej niż jedna świeca) i jak długo trwa.

4. Parametry reguły fałszywego sygnału

• Warunek „fałszywości”: odległość powrotu (jak daleko z powrotem) i czas powrotu (ile świec lub ile czasu).
• Czy filtr używa cen zamknięcia, ekstremów wewnątrz świecy, czy bid/ask.

5. Założenia potrzebne do obliczeń

• Jak uwzględniasz spread, poślizg i czas wykonania. Jeśli nie masz danych transakcyjnych/kwotowań, musisz określić, jakiego substytutu użyłeś (np. ceny mid) i że zmienia to wyniki.
• Jak traktujesz brakujące świece, wartości odstające i zmiany podobne do korporacyjnych (rzadkie, ale możliwe w niektórych zestawach danych).

Pochodzenie, aktualność i kontrole jakości

Dwa zestawy danych mogą wyglądać identycznie, ukrywając niekompatybilne szczegóły. Do oceny potrzebujesz pochodzenia (skąd pochodzą dane), aktualności (kiedy odzwierciedlają rzeczywistość) i kontroli jakości.

1. Pochodzenie, które możesz zweryfikować

• Tożsamość źródła danych: który dostawca lub platforma je wygenerowała.
• Czy seria jest rekonstruowana, poddana selekcji, czy bezpośrednio przechwycona.
• Dokumentacja sposobu agregacji serii w świece (szczególnie dla OHLC).

2. Aktualność i wyrównanie

• Okres objęty zestawem danych.
• Wszelkie znane przetwarzanie wstępne, takie jak konwersja strefy czasowej lub obsługa czasu letniego.
• Dowód, że wykrywanie wybić i klasyfikacja fałszywych sygnałów używają tego samego zegara i definicji świec.

3. Kontrole jakości danych (na co zwracać uwagę)

• Wskaźnik brakujących danych i sposób uzupełniania lub wykluczania luk.
• Spójność między OHLC a danymi wewnątrz świecy/tickowymi (jeśli oba istnieją).
• Zasady obsługi wartości odstających: na przykład, czy skoki są usuwane, czy zachowywane.
• Odtwarzalność: powinieneś być w stanie uruchomić ponownie to samo obliczenie na tych samych danych wejściowych i uzyskać tę samą klasyfikację.

Dowód lub przykład: przekształcanie reguł w mierzalne klasyfikacje

Oceniający musi połączyć dane z wynikami w sposób powtarzalny.

Przykładowa struktura (założenia muszą być określone):

• Zdefiniuj poziom wybicia z zakresu poprzednich N świec.
• Oznacz wybicie, gdy cena zamknięcia przekroczy ten poziom.
• Oznacz je jako „fałszywe”, jeśli cena zamknięcia wróci do wnętrza poprzedniego zakresu w ciągu M świec.

Przy wymaganych danych możesz obliczyć takie wartości, jak:

• Całkowita liczba wybić wykrytych zgodnie z regułą.
• Odsetek sklasyfikowany jako fałszywy w warunkach czasu/odległości.
• Wrażliwość na parametry (np. zmiana N lub M).

Ważne: to pokazuje mierzalność definicji filtra, a nie gwarantowaną poprawę. Jakość historycznej klasyfikacji może się zmieniać wraz z reżimami zmienności i mikrostrukturą rynku.

Ograniczenia i ryzyka (istotne tryby awarii)

Nawet przy poprawnych danych filtrowanie fałszywych wybić może zawieść w identyfikowalny sposób.

1. Niedopasowanie definicji Jeśli definicja „wybicia” używa cen zamknięcia, a „fałszywości” używa ekstremów wewnątrz świecy (lub odwrotnie), klasyfikacje stają się niespójne i trudne do porównania.

2. Efekty mikrostruktury Jeśli ignorujesz bid/ask lub czas wykonania, klasyfikacja może nie odzwierciedlać tego, co trader mógłby realistycznie osiągnąć. To ograniczenie zależy od danych.

3. Przeuczenie parametrów Testowanie wielu wartości N i M na tym samym okresie może stworzyć pozory skuteczności, które nie uogólniają się. Używaj oddzielnych okresów czasu do oceny.