Hon na další vstupní situace

Chceme-li získat vyšší frekvenci obchodů a nesnižovat časový timerame, musíme přijít s dalšími obchodovatelnými situacemi. Naštěstí to není takový problém. Existují určitě desítky až stovky silnějších vstupních situací, které lze do našeho systému zapojit.

Jak na nové situace přicházet?

V seriálu vám představím základní šablony, se kterými sám pracuji a se kterými se vám budou trhy zkoumat jednodušeji. Faktem ale zůstává, že hlavním zdrojem vaší inspirace by měly být trhy samotné.

Je například možné hledat v historických grafech nejprve dny, kdy trhy vytvořily v noční seanci výraznější pohyb a následně se snažit pojmenovat kontext, který podobnému pohybu předcházel.

Velmi důležité je ale při podobném testování historických souvislostí dodržovat základní principy robustního testování.

Jeden z nejdůležitějších spočívá v rozdělení dat na část využívanou pro testování a část používanou pro následné ověřování nalezených principů.

Nalézt krásně fungující systémy na známých datech není vůbec žádný problém. De facto můžeme zkoušet různá nastavení nástrojů, indikátorů a cenových patternů a hned vidíme, co a jak v historii fungovalo. Tímto způsobem ale nacházíme pouze situace, které fungovaly v minulosti. A některé se nemusí vůbec v budoucnosti už vůbec nikdy opakovat.

Představte si například situaci, kdy provozujete luxusní obchod s vínem a snažíte se vyhodnotit, kteří zákazníci vám přinášejí nejvyšší zisky. Třeba proto, abyste se jim v budoucnu mohli více věnovat a jejich náklonnost podpořit exkluzivnějším dárkem. Rozhodnete se tak zanalyzovat nejvyšší historické prodeje v závislosti na vzhledu zákazníka. Máte například kamerové záběry svých prostor a zjistíte, že naprosto největší tržby přinesly klienti, kteří vstoupili do prodejny s bílou taškou. Nejnižší tržby pak generovaly klientky, které měli velké náušnice. Jsou podobná data relevantní i pro budoucnost? Patrně ne. Na historických datech můžeme najít různé náhodné vzorce, které ale byly skutečně jen to – prostě náhoda.

Abychom měli co nejvyšší šanci oddělit náhodu od opakovatelných vzorců, je potřeba myslet alespoň na následující body:

1. Zkoumaná situace by měla dávat logický smysl.
2. Potřebujeme dostatečný vzorek dat – ideálně sto a více testovaných situací.
3. Sledovaná pravděpodobnost by se měla projevit i na tzv. „nepoužitých datech“.

Hledání historických pravděpodobností je tak nutné provádět jen na části dat, která máme k dispozici (říká se jim InSample data – používá se zkratka IS). Zbylou část dat si necháváme na ověření funkčnosti myšlenky (těmto datům se říká OutOfSample data – používá se zkratka OOS).

Jak konkrétně dělit data na IS a OOS záleží z části na preferenci obchodníka a testovaných principech.

Osobně se snažím, abych měl v OOS šanci získat dostatečně vysoký vzorek dat. Také je ale velmi důležité přemýšlet o charakteru testovaného trhu. Nedává úplný smysl vytvářet strategii ve velmi volatilním období a následně se ji snažit ověřovat v tichém období.

Ze začátku si tak můžeme rozdělit data například na 60 % InSample a 40 % OutOfSample. Řekněme, že máte k dispozici 10 let, z čehož 6 použijete na vytváření strategie a 4 na finální otestování robustnosti na nepoužitých datech.

Postupem času je ale dobré i o této oblasti přemýšlet hlouběji a zkoumat i méně tradiční přístupy. Nikdo například netvrdí, že IS a OOS bloky musí být jen dva. Sám rád dnes dělím data do jemnějších bloků. Například mohu střídat IS/OOS bloky po 1 roku. V případě 10 let historie tak získám sekvenci:

IS (1 rok) – OOS (1 rok) – IS (1 rok) – OOS (1 rok) - IS (1 rok) – OOS (1 rok) – IS (1 rok) – OOS (1 rok) – IS (1 rok) – OOS (1 rok)

Technicky je takový test trochu náročnější, současně mi ale poskytuje výrazně vyšší šance, že půjde o relevantnější test. OOS perioda bude mít patrně mnohem podobnější celkový kontext k IS než v případě, že je mezi nimi delší období.

V tradingu je potřeba domýšlet detaily. Na druhou stranu je ale potřeba odněkud začít. Z počátku tak určitě stačí začít v případě IS/OOS pracovat s tradičním rozdělením například 60 % InSample a 40 % OutOfSample a teprve postupem času se posunout dál.

Nezapomínejte ale na to, že OOS data by měla být skutečně nepoužitá při stavbě strategií. To znamená, že bychom je v ideálním případě měli pro otestování systému vyvinutém na IS použít pouze jednou. Běžnou chybou obchodníků je, že naleznou určitou funkční kombinaci systému na IS datech, hned se přepnou na OOS data, zjistí že parametry nejsou optimální, a tak celý proces opakují – upraví systém na IS datech atd. Tím se ale z OOS dat stávají IS data a vytvořený systém nelze považovat za skutečně ověřený na historických datech.