Các thương nhân mong muốn thử một ý tưởng giao dịch trong một thị trường trực tiếp thường mắc sai lầm khi hoàn toàn dựa vào kết quả kiểm tra để xác định xem hệ thống sẽ có lãi hay không. Mặc dù backtesting có thể cung cấp cho các nhà giao dịch thông tin có giá trị, nhưng nó thường gây hiểu lầm và nó chỉ là một phần của quá trình đánh giá.
Thử nghiệm ngoài mẫu và thử nghiệm hiệu suất chuyển tiếp cung cấp xác nhận thêm về hiệu quả của hệ thống và có thể hiển thị màu sắc thực của hệ thống trước khi có tiền thật. Mối tương quan tốt giữa các kết quả kiểm tra hiệu suất ngược, ngoài mẫu và chuyển tiếp là rất quan trọng để xác định khả năng tồn tại của một hệ thống giao dịch.
Khái niệm cơ bản về Backtesting
Backtesting đề cập đến việc áp dụng một hệ thống giao dịch vào dữ liệu lịch sử để xác minh cách thức một hệ thống đã thực hiện trong khoảng thời gian được chỉ định. Nhiều nền tảng giao dịch ngày nay hỗ trợ backtesting. Các thương nhân có thể thử nghiệm các ý tưởng với một vài tổ hợp phím và hiểu rõ hơn về hiệu quả của một ý tưởng mà không gặp rủi ro về tiền trong tài khoản giao dịch. Backtesting có thể đánh giá các ý tưởng đơn giản, chẳng hạn như cách một giao thoa trung bình di chuyển sẽ thực hiện trên dữ liệu lịch sử hoặc các hệ thống phức tạp hơn với nhiều đầu vào và kích hoạt.
Miễn là một ý tưởng có thể được định lượng, nó có thể được kiểm tra lại. Một số thương nhân và nhà đầu tư có thể tìm kiếm chuyên môn của một lập trình viên có trình độ để phát triển ý tưởng thành một hình thức thử nghiệm. Thông thường, điều này liên quan đến một lập trình viên mã hóa ý tưởng thành ngôn ngữ độc quyền được lưu trữ bởi nền tảng giao dịch. Lập trình viên có thể kết hợp các biến đầu vào do người dùng định nghĩa cho phép người giao dịch "điều chỉnh" hệ thống.
Một ví dụ về điều này sẽ là trong hệ thống giao nhau trung bình di chuyển đơn giản được ghi chú ở trên: Nhà giao dịch sẽ có thể nhập (hoặc thay đổi) độ dài của hai đường trung bình di chuyển được sử dụng trong hệ thống. Nhà giao dịch có thể kiểm tra lại để xác định độ dài trung bình di chuyển nào sẽ thực hiện tốt nhất trên dữ liệu lịch sử.
Nghiên cứu tối ưu hóa
Nhiều nền tảng giao dịch cũng cho phép nghiên cứu tối ưu hóa. Điều này đòi hỏi phải nhập một phạm vi cho đầu vào được chỉ định và để máy tính "làm toán" để tìm ra đầu vào nào sẽ hoạt động tốt nhất. Tối ưu hóa đa biến có thể thực hiện phép toán cho hai hoặc nhiều biến để xác định kết hợp nào sẽ đạt được kết quả tốt nhất.
Ví dụ, các nhà giao dịch có thể cho chương trình biết những đầu vào nào họ muốn thêm vào chiến lược của họ; sau đó chúng sẽ được tối ưu hóa đến các trọng số lý tưởng của chúng dựa trên dữ liệu lịch sử đã thử nghiệm.
Backtesting có thể thú vị ở chỗ một hệ thống không có lợi thường có thể được chuyển đổi một cách kỳ diệu thành một cỗ máy kiếm tiền với một vài tối ưu hóa. Thật không may, điều chỉnh một hệ thống để đạt được mức lợi nhuận cao nhất trong quá khứ thường dẫn đến một hệ thống sẽ hoạt động kém trong giao dịch thực. Tối ưu hóa quá mức này tạo ra các hệ thống chỉ nhìn tốt trên giấy.
Phù hợp đường cong là việc sử dụng các phân tích tối ưu hóa để tạo ra số lượng giao dịch chiến thắng cao nhất với lợi nhuận lớn nhất trên dữ liệu lịch sử được sử dụng trong giai đoạn thử nghiệm. Mặc dù có vẻ ấn tượng trong các kết quả kiểm tra ngược, việc khớp đường cong dẫn đến các hệ thống không đáng tin cậy vì các kết quả về cơ bản được thiết kế tùy chỉnh cho dữ liệu cụ thể và khoảng thời gian đó.
Backtesting và tối ưu hóa cung cấp nhiều lợi ích cho một nhà giao dịch, nhưng đây chỉ là một phần của quá trình khi đánh giá một hệ thống giao dịch tiềm năng. Bước tiếp theo của một thương nhân là áp dụng hệ thống cho dữ liệu lịch sử chưa được sử dụng trong giai đoạn backtesting ban đầu.
Dữ liệu ngoài mẫu trong mẫu
Khi thử nghiệm một ý tưởng về dữ liệu lịch sử, sẽ có lợi khi dành một khoảng thời gian của dữ liệu lịch sử cho mục đích thử nghiệm. Dữ liệu lịch sử ban đầu mà ý tưởng được thử nghiệm và tối ưu hóa được gọi là dữ liệu trong mẫu. Tập dữ liệu đã được bảo lưu được gọi là dữ liệu ngoài mẫu. Thiết lập này là một phần quan trọng của quy trình đánh giá vì nó cung cấp một cách để kiểm tra ý tưởng về dữ liệu chưa phải là một thành phần trong mô hình tối ưu hóa.
Do đó, ý tưởng sẽ không bị ảnh hưởng theo bất kỳ cách nào bởi dữ liệu ngoài mẫu và các nhà giao dịch sẽ có thể xác định hệ thống có thể hoạt động tốt như thế nào trên dữ liệu mới, tức là trong giao dịch thực tế.
Trước khi bắt đầu bất kỳ việc kiểm tra lại hoặc tối ưu hóa, các nhà giao dịch có thể dành một phần trăm dữ liệu lịch sử được dành riêng cho thử nghiệm ngoài mẫu. Một phương pháp là chia dữ liệu lịch sử thành ba phần và tách riêng một phần ba để sử dụng trong thử nghiệm ngoài mẫu. Chỉ nên sử dụng dữ liệu trong mẫu cho thử nghiệm ban đầu và mọi tối ưu hóa.
Hình dưới đây cho thấy một dòng thời gian trong đó một phần ba dữ liệu lịch sử được dành riêng cho thử nghiệm ngoài mẫu và hai phần ba được sử dụng cho thử nghiệm trong mẫu. Mặc dù hình dưới đây mô tả dữ liệu ngoài mẫu khi bắt đầu thử nghiệm, các quy trình điển hình sẽ có phần ngoài mẫu ngay trước hiệu suất chuyển tiếp.
Một dòng thời gian biểu thị độ dài tương đối của dữ liệu trong mẫu và ngoài mẫu được sử dụng trong quy trình kiểm tra lại. Hình ảnh của Julie Bang © Investopedia 2020
Tương quan đề cập đến sự tương đồng giữa các màn trình diễn và xu hướng chung của hai bộ dữ liệu. Số liệu tương quan có thể được sử dụng để đánh giá các báo cáo hiệu suất chiến lược được tạo trong giai đoạn thử nghiệm (một tính năng mà hầu hết các nền tảng giao dịch cung cấp). Mối tương quan giữa hai bên càng mạnh thì khả năng một hệ thống sẽ hoạt động tốt trong thử nghiệm hiệu suất và giao dịch trực tiếp càng tốt.
Hình dưới đây minh họa hai hệ thống khác nhau đã được thử nghiệm và tối ưu hóa trên dữ liệu trong mẫu, sau đó được áp dụng cho dữ liệu ngoài mẫu. Biểu đồ bên trái cho thấy một hệ thống rõ ràng phù hợp với đường cong để hoạt động tốt trên dữ liệu trong mẫu và hoàn toàn thất bại trên dữ liệu ngoài mẫu. Biểu đồ bên phải cho thấy một hệ thống hoạt động tốt trên cả dữ liệu trong và ngoài mẫu.
Hai đường cong vốn chủ sở hữu. Dữ liệu giao dịch trước mỗi mũi tên màu vàng đại diện cho thử nghiệm trong mẫu. Các giao dịch được tạo ra giữa các mũi tên màu vàng và màu đỏ cho thấy thử nghiệm ngoài mẫu. Các giao dịch sau mũi tên đỏ là từ các giai đoạn thử nghiệm hiệu suất chuyển tiếp.
Khi một hệ thống giao dịch đã được phát triển bằng cách sử dụng dữ liệu trong mẫu, nó sẵn sàng được áp dụng cho dữ liệu ngoài mẫu. Thương nhân có thể đánh giá và so sánh kết quả hiệu suất giữa dữ liệu trong mẫu và ngoài mẫu.
Nếu có ít mối tương quan giữa thử nghiệm trong mẫu và ngoài mẫu, như biểu đồ bên trái trong hình trên, có khả năng hệ thống đã được tối ưu hóa quá mức và sẽ không hoạt động tốt trong giao dịch trực tiếp. Nếu có sự tương quan mạnh mẽ trong hiệu suất, như được thấy trong biểu đồ bên phải, giai đoạn đánh giá tiếp theo liên quan đến một loại thử nghiệm ngoài mẫu bổ sung được gọi là thử nghiệm hiệu suất chuyển tiếp.
Cơ bản về kiểm tra hiệu suất chuyển tiếp
Kiểm tra hiệu suất chuyển tiếp, còn được gọi là giao dịch giấy, cung cấp cho các nhà giao dịch một bộ dữ liệu ngoài mẫu khác để đánh giá một hệ thống. Kiểm tra hiệu suất chuyển tiếp là một mô phỏng giao dịch thực tế và liên quan đến việc tuân theo logic của hệ thống trong một thị trường trực tiếp. Nó cũng được gọi là giao dịch giấy vì tất cả các giao dịch chỉ được thực hiện trên giấy; nghĩa là, các mục nhập và thoát giao dịch được ghi lại cùng với bất kỳ khoản lãi hoặc lỗ nào cho hệ thống, nhưng không có giao dịch thực sự nào được thực hiện.
Một khía cạnh quan trọng của kiểm tra hiệu suất chuyển tiếp là tuân theo chính xác logic của hệ thống; mặt khác, nếu không thể, việc đánh giá chính xác bước này của quy trình trở nên khó khăn. Các thương nhân nên trung thực về bất kỳ mục nhập và thoát giao dịch nào và tránh các hành vi như giao dịch hái cherry hoặc không bao gồm giao dịch trên giấy hợp lý hóa rằng "tôi sẽ không bao giờ thực hiện giao dịch đó". Nếu giao dịch đã xảy ra theo logic của hệ thống, nó sẽ được ghi lại và đánh giá.
Nhiều nhà môi giới cung cấp một tài khoản giao dịch mô phỏng nơi giao dịch có thể được đặt và tính toán lãi lỗ tương ứng. Sử dụng tài khoản giao dịch mô phỏng có thể tạo ra một bầu không khí bán thực tế để thực hành giao dịch và đánh giá thêm hệ thống.
Hình trên cũng cho thấy kết quả kiểm tra hiệu suất chuyển tiếp trên hai hệ thống. Một lần nữa, hệ thống được biểu thị trong biểu đồ bên trái không thể làm tốt ngoài thử nghiệm ban đầu về dữ liệu trong mẫu. Tuy nhiên, hệ thống hiển thị trong biểu đồ bên phải, tiếp tục hoạt động tốt qua tất cả các giai đoạn, bao gồm cả thử nghiệm hiệu suất chuyển tiếp. Một hệ thống cho thấy kết quả tích cực với mối tương quan tốt giữa thử nghiệm hiệu suất trong mẫu, ngoài mẫu và chuyển tiếp đã sẵn sàng để được triển khai trong một thị trường trực tiếp.
Điểm mấu chốt
Backtesting là một công cụ có giá trị trong hầu hết các nền tảng giao dịch. Việc chia dữ liệu lịch sử thành nhiều bộ để cung cấp cho thử nghiệm trong mẫu và ngoài mẫu có thể cung cấp cho các nhà giao dịch một phương tiện thực tế và hiệu quả để đánh giá ý tưởng và hệ thống giao dịch. Vì hầu hết các nhà giao dịch sử dụng các kỹ thuật tối ưu hóa trong backtesting, điều quan trọng là sau đó đánh giá hệ thống trên dữ liệu sạch để xác định khả năng tồn tại của nó.
Tiếp tục thử nghiệm ngoài mẫu với thử nghiệm hiệu suất chuyển tiếp cung cấp một lớp an toàn khác trước khi đưa một hệ thống vào thị trường rủi ro tiền thật. Kết quả tích cực và mối tương quan tốt giữa kiểm tra hiệu suất ngược mẫu và kiểm tra hiệu suất chuyển tiếp và kiểm tra hiệu suất chuyển tiếp làm tăng khả năng hệ thống sẽ hoạt động tốt trong giao dịch thực tế.
