Vědecký přístup k tradingu

Vědecký přístup k tradingu – algoritmický trading a testování na historických datech
Bylo vydáno (ba i prodáno) nespočet knih, které stále dokola probírají, které psychologické aspekty obchodování na burze je potřeba zvládnout, abyste byli schopni tradingem dlouhodobě a stabilně vydělávat. Psychologii obchodování je zajisté důležité zvládnout, ale bez kvalitní obchodní strategie Vám bude k ničemu.

Jako vědec: Testování hypotéz
K čemu je vytrénovaná psychická odolnost, když nemáte profitabilní obchodní strategii? Je to stejné, jako byste měli zahrát penaltu, měli nervy z ocele – a neuměli kopnout do míče. Investoři si nesmí nechat poplést hlavu podobnými nesmysly. Hrozí jim, že se dostanou do začarovaného kruhu neustálého vylepšování nepodstatných dovedností. U nás v QuantOnu věříme, že základ je přistupovat k tradingu vědeckou metodou. Jak to myslíme? Vědec potřebuje k ověření hypotézy důkaz. Analogicky algoritmický trader potřebuje analyzovat a ověřit pravidla obchodní strategie na dlouhodobých historických cenových datech. Potřebuje otestovat na relevantním statistickém vzorku obchodů, jestli daná obchodní strategie byla v minulosti zisková. Tomuto procesu se říká zpětné testování, backtesting. Samozřejmě je – stejně jako ve vědě – naprosto nutné provést backtesting obchodní strategie řádně, pečlivě a bez chyb. Na základě dlouhodobých zkušeností jsme v QuantOnu přesvědčení, že k tomu je potřeba mít jasně definované vstupní a výstupní příkazy obchodní strategie. To se vám nepodaří bez algoritmizace, tedy transformace obchodní strategie do jasně definovatelného naprogramovaného kódu. Práve tomuto přístupu se říká systematický nebo algoritmický trading.

Nechejte si kontrolní vzorek…
V porovnání s nejčastějším přístupem, kdy trader kombinuje přesně definovanou obchodní strategii se svým volným rozhodováním (takzvaný diskreční trading), mají systematičtí tradeři s naprogramovaným automatizovaným obchodním systémem pravděpodobně největší výhodu v možnosti využívat vyčerpávající a přesné statistické analýzy. Díky rychlosti dnešních počítačů můžou provést mnoho výpočetních operací doslova v řádech sekund.

Dobrá zpráva je, že dnes existuje několik komerčně dostupných obchodních platforem, u kterých pomocí naprogramovaných kódů můžete provádět backtestování automatizovaného obchodního systému. Špatná zpráva pak je, že pokud nemáte znalosti v teorii pravděpodobnosti a pokročilé statistice, hrozí vám, že problematiku neuchopíte správně a na základě nesprávně provedeného statistického vyhodnocení učiníte závěr, že máte v rukou profitabilní strategii. Mnoho systematických traderů (těch pokročilejších) se domnívá, že naprosto dostačujícím nástrojem ověřování životaschopnosti obchodních strategií je ověřování na takzvaných neznámých – out-of-sample datech. Postup je jednoduchý. Disponujete daty třeba za deset let, rozdělíte je na dvě části například v poměru 1:1. Na prvních pěti letech (téhle části vzorku budeme říkat in-sample data) budete budovat naprogramovanou obchodní strategii. Tedy: dostanete nápad na obchodní strategii, tu přetavíte v aplikovatelný kód a tím získáte automatizovaný obchodní systém. Vyzkoušíte, jak by fungoval na těchto prvních pěti letech historických dat. Zjistíte, že strategie má potenciál, ale není dostatečně zisková a stabilní. Napadne vás, jak kód modifikovat nebo jaký přidat filtr a znovu provedete backtest na prvních pěti letech. Tak postupujete pořád dokola, dokud nemáte uspokojující výsledky. Tento proces se v odborné terminologii nazývá curve-fitting optimalizační proces.

… a použijte ho v pravou chvíli
Existuje ale obrovské riziko, že strategii „přeoptimalizujete“. Skvěle strategii vyladíte – jenže jenom na data ze vzorku, s kterým pracujete, na ona takzvaná in-sample data. Právě proto jsme si druhou polovinu dat nechali stranou, abychom na těchto out-of-sample datech mohli obchodní systém ještě jednou ověřit.
Jde o to, že při budování strategie na in-sample datech jsme možná místo identifikace signálu s prediktivními vlastnostmi zachytili pouze takzvaný šum. Bohužel až na výjimky algoritmičtí tradeři problematiku in-sample a out-of-sample testování buď vůbec neznají, nebo ji aplikují nesprávně. Konkrétní chyby většiny systematických traderů pak jsou:

Ovšem ani když trader postupuje správně, buduje strategii na in-sample datech a teprve „hotovou“ ověří na out-of-sample datech, není ještě vyhráno. Nikdy totiž nemůžete vyloučit i tu nepříjemnou možnost, že potvrzení stabilní ziskovosti systému je obyčejná náhoda. Jeden out-of-sample test prostě nestačí k statisticky relevantnímu závěru, že máme v rukou obchodní strategii, která má prediktivní schopnosti a detekuje signál.
Naštěstí existují pokročilé statistické metody a testy, které nám při správné aplikaci můžou pomoci maximalizovat pravděpodobnost, že vnitřní vlastností dané obchodní strategie je profitabilita na neznámých datech – v rámci živého obchodování. Takové strategie – jejichž testováním a vývojem se zabýváme – pak nazýváme robustní. Samozřejmě, že základní předpoklad je, že od začátku provádíte test na relevantních historických datech a dostatečně likvidních trzích a s realistickým odhadem nákladů na obchod.

Späť