Jak można przetestować odwrócenie dywergencji?

Bezpośrednia odpowiedź

Odwrócenie dywergencji można przetestować, przekształcając tę koncepcję w falsyfikowalną hipotezę, mierząc, czy po wystąpieniu zdarzenia dywergencji pojawia się spójny wynik „przypominający odwrócenie”, a następnie sprawdzając, czy zaobserwowana przewaga nie wynika z błędu selekcji, kosztów, efektów wykonania zleceń lub zmieniających się reżimów rynkowych. Ponieważ nie są tu wymagane dane w czasie rzeczywistym, podejście testowe powinno opierać się na dobrze zdefiniowanych historycznych definicjach zdarzeń, jawnych założeniach i powtarzalnych krokach ewaluacji.

Praktyczny test składa się z pięciu części: (1) zdefiniowanie mechanizmu odwrócenia dywergencji w kategoriach operacyjnych, (2) wybór bazy odniesienia reprezentującej to, co działo się bez warunku dywergencji, (3) określenie podziału danych zapobiegającego błądowi perspektywy (look-ahead bias), (4) uwzględnienie realistycznych kosztów transakcyjnych i tarcia handlowego w każdym obliczeniu oraz (5) przeprowadzenie testów odporności i analizy trybów awarii.

Mechanizm i definicja

Zacznij od definicji na tyle precyzyjnej, aby można ją było zakodować i niezależnie zweryfikować. „Odwrócenie dywergencji” jest powszechnie używane do opisania sytuacji, w której ruch ceny i wskaźnika przebiegają w przeciwnych kierunkach (dywergencja), a następnie oczekuje się, że cena powróci (odwrócenie). Aby to przetestować, potrzebujesz dwóch elementów operacyjnych:

1. Definicja zdarzenia (wyzwalacz „dywergencji”).

• Określ, który szereg cenowy używasz (np. zmiany zamknięcie-do-zamknięcia) oraz interwał czasowy.
• Określ wskaźnik i regułę dywergencji. Na przykład: „wskaźnik tworzy coraz niższy dołek, podczas gdy cena tworzy coraz wyższy dołek” w zdefiniowanym oknie wstecznym. Wszystkie parametry muszą być podane (długość okna, czy używasz maksimów czy minimów oraz jak traktujesz równe wartości).
• Zdecyduj, co liczy się jako „znacznik czasu zdarzenia” (np. przy zamknięciu świecy, w której warunek dywergencji staje się prawdziwy).

2. Definicja wyniku (pomiar „odwrócenia”).

• Zdefiniuj, co oznacza „odwrócenie” w tym samym systemie jednostek co dane rynkowe. Przykłady obejmują: zwrot w ciągu następnych N świec, znak następnego ruchu, maksymalne niekorzystne odchylenie vs. maksymalne korzystne odchylenie lub czy cena przekracza próg.
• Zdecyduj o horyzoncie oceny N. Jeśli N jest wybrane po zobaczeniu wyników, potraktuj je jako zmienną i zastosuj testy poza próbą.

Kluczowe jest rozdzielenie stabilnej mechaniki od zmiennych warunków. Stabilną mechaniką jest reguła zdarzenia i pomiar wyniku. Zmiennymi warunkami są stan rynku, zmienność, poziomy spreadu i prowizji, płynność oraz jakość wykonania zleceń. Testowanie musi określić ilościowo, jak wrażliwe są wyniki na te zmienne czynniki.

Dowody i przykładowy projekt testowania

Oto niezawierający porad blueprint, który możesz zastosować do danych historycznych, aby ocenić, czy odwrócenie dywergencji wykazuje mierzalną tendencję.

1) Sformułuj testowalną hipotezę

Przykładowa hipoteza (ogólne sformułowanie): „Po zdarzeniu dywergencji zdefiniowanym przez regułę R, średnia zmiana ceny w następnym horyzoncie jest bardziej korzystna niż oczekiwanie bazowe obliczone dla wszystkich momentów o porównywalnym kontekście.”

Aby uniknąć ukrytych założeń, zapisz:

• Dokładną regułę dywergencji R.
• Miernik wyniku (np. średni zwrot forward lub prawdopodobieństwo ruchu przekraczającego próg).
• Horyzont i wszelkie progi.
• Czy mierzysz surowe zwroty, czy zwroty po uwzględnieniu szacunkowych kosztów transakcyjnych.

2) Wybierz bazę odniesienia

Baza odniesienia to punkt porównania. Typowe wybory bazy odniesienia obejmują:

• Baza bez dywergencji: oceń ten sam miernik wyniku w momentach, w których warunek dywergencji nie występuje.
• Baza kalendarzowa/czasowa: porównaj z losowymi momentami dopasowanymi pod względem pory dnia, dnia tygodnia lub podobnych atrybutów kalendarzowych, jeśli ma to zastosowanie.
• Baza dopasowana kontekstowo: grupuj zdarzenia według reżimu zmienności (przy użyciu historycznego proxy zmienności) i porównuj zdarzenia dywergencji z momentami bez dywergencji w tym samym reżimie.

Celem jest zapobieżenie sytuacji, w której test wyciąga wniosek „dywergencja spowodowała odwrócenie”, podczas gdy zdarzenia dywergencji są po prostu częstsze w określonych stanach rynku.

3) Podział danych i zapobieganie wyciekom informacji

Stosuj podziały odzwierciedlające sposób, w jaki reguła byłaby używana w praktyce. Typowe podejście:

• Okres treningowy: projektowanie i wybór parametrów.
• Okres walidacyjny: dostrajanie parametrów bez dotykania okresu testowego.
• Okres testowy: wyłącznie końcowa ewaluacja.

Nawet bez danych w czasie rzeczywistym należy stosować podziały uporządkowane czasowo. Nigdy nie pozwól, aby przyszłe zdarzenia wpływały na parametry reguły dywergencji używane do oceny we wcześniejszych momentach. To najczęstsze źródło zawyżonych wyników.

4) Koszty i modelowanie tarcia (wymagane dla uczciwości)

Uwzględnij koszty w każdej ewaluacji, ponieważ reguły dywergencji mogą wydawać się rentowne przed kosztami i przestawać nimi być po ich uwzględnieniu. Koszty mogą obejmować:

• Spread na transakcję lub założony wpływ bid-ask.
• Założenia dotyczące prowizji lub opłat, jeśli je masz.
• Poślizg jako dodatkowa kara, zwłaszcza w okresach zmienności.

Przykład założenia: jeśli Twój model kosztów używa stałej kary za transakcję okrężną (round trip), podaj to i przetestuj wrażliwość, wypróbowując zakres prawdopodobnych kar. Jeśli nie masz realistycznych danych o kosztach, przedstaw wyniki zarówno przed, jak i po założonym buforze kosztowym, i traktuj wnioski jako niepewne.

5) Testy odporności

Nie poprzestawaj na pojedynczym zestawie parametrów. Minimalne testy odporności obejmują:

• Odporność walk-forward: powtórz ewaluację w wielu kroczących oknach testowych.
• Stabilność parametrów: przetestuj kilka pobliskich długości okien i definicji dywergencji.
• Odporność mierników: zweryfikuj, czy efekt utrzymuje się dla różnych mierników wyniku (np. średni zwrot i prawdopodobieństwo wygranej), ponieważ pozorna poprawa jednego miernika może ukrywać straty w innym.

6) Istotne ograniczenie i analiza trybów awarii

Musisz aktywnie szukać trybów awarii. Należy przetestować i opisać co najmniej jedno istotne ograniczenie, takie jak:

• Zależność od reżimu: odwrócenie dywergencji może działać w warunkach powrotu do średniej, ale zawodzić podczas trendów.
• Artefakty wskaźników: niektóre wskaźniki mogą częściej generować dywergencje w zaszumionych danych, zawyżając „częstotliwość zdarzeń” bez poprawy mocy predykcyjnej.
• Wrażliwość na progi: niewielkie zmiany w definicji mogą znacząco przesunąć zestaw zdarzeń.
• Przeuczenie (overfitting): wybór parametrów maksymalizujących wyniki na danych historycznych może prowadzić do mylących wyników poza próbą.

Udokumentuj, jak wyniki zmieniają się pod wpływem tych obciążeń. Jeśli efekt zanika przy niewielkich zmianach definicji, twierdzenie jest słabe, nawet jeśli testy wsteczne wyglądały na mocne.

Ograniczenia i co możesz niezależnie zweryfikować

Testowanie odwrócenia dywergencji jest w zasadzie proste, ale wnioski są ograniczone przez niepewność. Kluczowe ograniczenia:

• Zależności historyczne nie przesądzają o przyszłych wynikach. Nawet jeśli wzorzec odwrócenia dywergencji istniał w przeszłości, mikrostruktura rynku i zachowania mogą się zmienić.
• Wyniki różnią się w zależności od warunków rynkowych i szczegółów implementacji. Wyniki zależą od zmienności, płynności, momentu wykonania zleceń oraz dokładności założeń dotyczących kosztów.
• Wskaźniki nie są gwarancjami. Dywergencja i odwrócenie to pojęcia opisowe; stają się testowalne dopiero po przełożeniu na operacyjne reguły i mierzalne wyniki.