Tagasi testimise kallutatus ja kuidas seda vältida

Tagastestimine on arvutusprotsess, kuidas investeerimis- või kauplemisstrateegia oleks ajalooliselt edenenud. Seda kasutatakse laialdaselt mudelite ja strateegiate testimiseks ja tagasilükkamiseks.

Kuid liiga sageli testitud strateegiad ebaõnnestuvad reaalajas kasutamisel. Selle põhjuseks võivad olla mitmed põhjused, näiteks puudulik strateegia, sõltuvus kadunud korrelatsioonidest, madala kvaliteediga andmed, turu- või likviidsusprobleemid või eeltestimise protsessi kallutatus.

Järgmises osas proovime heita valgust tavalistele probleemidele, mis võivad tekkida ajalooliste uuringute tegemisel, ja kuidas me takistame selliste probleemide ilmnemist nädalas Stocktipis.

Ellujäämisprobleemid

Üks levinumaid backtesting-kallutusi on ellujäämisprobleemid. Paljud madala kvaliteediga ja odavamad andmekogumid, mida tavaliselt kasutatakse tagantjärele testimiseks, sisaldavad ainult ettevõtteid, kes jäävad aja jooksul ellu ja annavad seega keskmisest kõrgemaid tulemusi. Meie süsteem hõlmab selgesõnaliselt kõiki selle perioodi ettevõtteid, mis hiljem likvideeritakse, müüakse, ühendatakse, läheb 11. peatükki, muutub mikrokapitaliks jne. Mingil kujul andmete ellujäämise eelarvamusi ei toimu.

Ebapiisav proovihälve

Paljud uurijad jälgivad ühte suhet ja teevad sellest järelduse. See on statistiliselt muidugi vastuvõetamatu. Vaatluse kohta järelduse tegemiseks peab kohal olema üsna suur arv vaatlusi.

Vaata ettepoole eelarvamusi

Eeldatav eelarvamused on protsess, kus arvutatakse tulemus, mis on kallutatud seetõttu, et inimesel on juba mingil määral teadmisi sündmustest, mis hiljem aset leiavad, olgu need siis vähese tähtsusega või olulised. See on ajaloolistes uuringutes tavaline probleem, muutes mõned neist enam-vähem kasutuks.

Ettenägeliku eelarvamuse vältimiseks peab inimlik element võrrandist kaduma. Inimene ei saa eirata seda, mida ta juba teab.

Selle saavutame varade valimisel kognitiivse andmetöötluse abil.

Kognitiivne andmetöötlus tähendab arvutisüsteemi, mis on võimeline tegema “inimsarnaseid” otsuseid või otsuseid, mis tunduvad sarnased inimeste tehtud otsustega, välja arvatud see, et nad pole seda.

Kui valite arvutil varad - topeltpimedal, randomiseeritud viisil, mis sarnaneb ravimimeetodite hindamisel kasutatavate meetoditega, mille puhul on kaalul elu, tagame, et ettevaatav eelarvamused pole võimalikud.

Võib arvata, et see tähendab, et meie süsteem on teabe osas ebasoodsamas olukorras, kui inimesed, kes samal ajal otsuseid teevad. See on omamoodi tõsi - inimestena pääseb meie keskkonnas olevale teabele juurde paljudest muudest allikatest kui masin, kuid me ei oska saadud teavet töödelda. Tegelikult on arvuti ja selle programmeerimine palju parem edukate ja objektiivselt korrektsete otsuste tegemisel sagedamini kui inimestel.

Muidugi oleme oma arvutuskeskkonna kujundanud nii, et see teab ainult seda, mis oli mis tahes tehtud otsuse kuupäeval avalikult teada antud. Selles järgime USA SEK-i seadusi ja määrusi ning otsustame iga otsuse tegemisel ainult andmetele, mis on SEK-ile andmeotsuse tegemise ajal tegelikult esitatud.

Seetõttu on meie arvutuskeskkonna jaoks täiesti võimatu teada sündmusi, mida otsuse tegemise ajal ei toimunud (andmeid lihtsalt pole olemas; inimlikud eksimused on võimatud ja inimeste sekkumine on võimatu - range reeglistiku tõttu) mis takistavad analüüsi käigus inimese otsustusprotsessi interaktsiooni). Järelikult ei saa toimida eelarvamusi.

Ajatus ja ajaline kallutatus

Enamik finantsmaailmas kasutatavaid mudeleid näitab tänapäeval seda, mida me nimetame ajalikuks eelarvamuseks. Siin viidatakse tõsiasjale, et enamikul finantsmaailma andmetest või andmepunktidest on nendega seotud mingisugune ajaline element.

Mõelge kõige levinumale mudelile: korrelatsioon vara A andmete ja vara B andmete vahel. „Teadlane” leiab nende vahel seose ja usub, et seost A ja B saab kasutada mudeli osana. Muidugi ei saa. Seejuures ilmutab teadlane andmete minestamist, ajalist eelarvamust, ebapiisavat valimi eelarvamust korraga ja see, mida ta ehitab, ebaõnnestub tulevikus.

Siinkohal huvitab meid see, mida me nimetame ainult ajalikuks eelarvamuseks. A ja B vahel võib olla korrelatsioon. Kuid see on üldjuhul vähemalt ajutine.

Investeerimismudelis korrelatsiooni kasutamine ja mudeli tagantjärele testimine pole see, mida peame teaduseks. See kehtib mitte ainult korrelatsioonide, vaid ka paljude muude suhete ja andmepunktide kohta - umbes. 95% finantsandmetest. Kui suhe aja jooksul muutub (ütleme, et määratleme aja kui 1000 aastat), siis ei saa seda lihtsalt kasutada mudelis, mis püüab ennustada tulevikus toimuvat, ilmselgel põhjusel, et turud muutuvad. Suhted muutuvad. Korrelatsioonid muutuvad. Arvamused muutuvad. Enamik asju allub mõõnale ja voolule.

Meie lähenemisviis on pigem oma mudelite piiramine, nii et nad ei jälgi kunagi asju, mida ei saa pidada ajatuks.

See muidugi muudab mudeli loomise protsessi umbes 1000 korda keerukamaks, kuna ainult suhteliselt vähesed kontseptsioonid on ajatud. Kuid see muudab ka järgneva majandusmudeli 1000 korda vastupidavamaks ja usaldusväärsemaks.

Siin on mõned näited ajatutest asjadest: tagasipöördumine keskpunkti kui mõiste juurde. Ületamine. Füüsika. Matemaatika. Hirm. Ahnus. Kui nimetada mõnda.

Mõned mõisted on igikestvad ja me väidame, et need on ainsad mõisted, mida saab mudelis kasutada.

Andmeväljaande ajastamise eelarvamused

Lisaks ennetava eelarvamuse vältimisele oleme läbi viinud testid, mis viivitavad teabe tõhusust võrreldes ajaloolise avaldamise ajaga. Teave viibib suvaliste summade kaupa (päevad, kuud, kvartalid) ja tulemused kinnitavad, et üldine jõudlus ei ole tundlik nende andmete suhtes, mis olid mis tahes otsuse tegemise ajal väga värsked. Teisisõnu, toimivust mõjutatakse ebamääraselt, kuid see püsib kõverjoonest ees, isegi kui andmed pole täpselt värsked.

Andmete kaevandamise eelarvamused

Tagasikatsete väljatöötamisel on võimalik, et me saame vormida või kujundada meetodi, et see sobiks finantsajaloo tegelike sündmustega, nagu me seda teame.

Seejuures võib see (tõenäoliselt) jõuda valele järeldusele. Näiteks kui testida lühikese aja jooksul negatiivseid korrelatsioone kulla ja USA dollari vahel, võib see viia eksliku järelduse tegemiseni, et dollari hind määrab kulla hinna.

Peamine viis andmete otsimise vältimiseks on mitte otsida seda, mis töötab.

Korralik teadus moodustab väitekirja, mis toimiks loogiliselt, ja testib siis AINULT seda, kas lõputöö töötab või mitte.

Sellise lähenemisviisi kasutamine piirab andmete kaevandamisega seotud eelarvamuste riski, kuna mingit kaevandamist ei toimu. Pigem kasutatakse teaduslikku meetodit.

Teine lähenemisviis on kasutada alati pikaajalisi perioode ja nõuda paljude proovide võtmist. Me kasutame 50 aastat. Nii tehes on vähem tõenäoline, et mis tahes muster ilmneb juhuslikult. On palju vähem tõenäoline, et pseudo-juhuslik või ajutine muster sobib hästi väga pika perioodi jooksul, mitte lühema aja jooksul.

Ka valimi suurus on väga oluline.

Teiseks, meie meetodid põhinevad usaldusväärsel ärimeelil ja 20-aastasel kogemusel ärimaailmast; need ei põhine suvalistel andmetel. Need ei tööta mitte ainult praktikas, vaid ka teoorias ja tulenevad parematest äritavadest, mitte investeerimis- või kauplemistavadest, nagu tavaliselt.

Lihtsamalt öeldes väldib andmekaevandamist vältides andmete minestamist.

Turukapitalisatsiooni, likviidsuse või turu liikumisega seotud probleemid

Mis tahes investeerimismeetod peab seisma silmitsi asjaoluga, et turuosalised liiguvad turul.

Igal ettevõttel on piiratud arv aktsiaid ja piisavalt suured investeeringud muudavad hindu, millega need kaubeldakse, ja muudavad seetõttu ajaloolised andmed kehtetuks. (Ajalugu näib erinev, kui rohkem osalejaid sooritaks teatud toiminguid, vastupidiselt tegelikule ajaloole).

Selle vältimiseks võib kasutada arvukalt meetodeid. Üks neist on tagada, et kasutame ainult mõistliku likviidsusega kandidaate, st kauplemismahtu vaatlusalusel perioodil. Selle põhjuseks on asjaolu, et õhukeselt kaubeldavaid emissioone kipuvad turunõudmised kergemini mõjutama.

Teine meetod on turukapitalisatsiooni piiramine, eemaldades seega mikrolõigatud aktsiad kaalumisest, tuginedes asjaolule, et suurenenud kapitalisatsioonivarusid mõjutab suurenenud nõudlus vähem.

Kolmandaks - ja mis kõige tähtsam - piiratakse likviidsust rohkem kui väikese protsendi ajalooliselt kaubeldava likviidsusega kauplemisest, et minimeerida turumõju.

Perioodi optimaalne diagonaal

Oleme näinud mitut uuringut, mis on tehtud aja jooksul, mille jooksul need silma paistsid, ja hõlmasid halvasti töötavate ajavahemike korral.

Väldime sellist käitumist ja rõhutame oma õpingute maksimaalset võimalikku pikkust, ehkki aastane tulemus oleks ilmselgelt oluliselt suurem, kui valiksime alaperioodid, kus meie meetodid on suurepärased.

Mõnes uuringus on kasutatud ka 10- või 20-aastaseid perioode, mis on statistiliselt usaldusväärse hindamise jaoks liiga lühikesed. Usume, et 50 aastat on piisav.

Hõõrde- / kauplemiskulud

Argument, mis on esitatud paljude näiliselt mõistlike tulemustega uuringute vastu, on hõõrdekulud, st kauplemisega seotud kulud, millel oleks lõpptulemustel negatiivne mõju.

See ei olnud enam probleem, kuna aktsiatega kauplemise kulud olid võimaliku 0,005 USD väärtuses aktsia kohta, kasutades otsepöörduse vahendajaid, kellest mõned olid isegi "vabad".

Oleme sellele siiski rõhku pannud, tagades, et meie lähenemisviis kaupleb ainult kord nädalas ja üldiselt võib meie portfellide käivet kirjeldada kui eriti madalat. Seega ei kahjusta hõõrdekulud mõtet ühelgi meie meetodil.

Järeldus

Mõningates kvartalites võib tagantjärele katsetamine olla vähem kui täheline maine.

See on täiesti teenimata. Kontseptsioonina on see teadusliku meetodi lahutamatu osa. Lõputöö täpse ja õige mõõtmise viis, kui seda õigesti kasutada.

Inimesed, kes kuritarvitavad andmeid ja mudeleid nii akadeemilises kui ka praktikute maailmas, on süüdi selles, miks mõned tagasi testitud mudelid ei toimi reaalajas piisavalt hästi. Neid kas ehitati või katsetati valesti.

2008. aastal koostasime Weekly Stocktipis dokumendi oma investeerimismeetodite kohta, milles ennustasime tulevast tootlust umbes. Võimalik oleks 36% tootlus aastas.

2009., 2010. ja 2011. aastal viisime läbi pilootprojekti, kuhu investeerisime oma teadusuuringute põhjal. Meie tulemused olid 42,75% aastas. Tulemusi on auditeerinud riiklikult volitatud audiitor.

Ka meie uusimad mudelid on toiminud võrdselt selle 2008. aasta ennustusega, kuna keskmised tulemused alates 2009. aastast on CAGR olnud 40,10%. Hiljutist jõudlust saab jälgida alloleval graafikul.

Tagastestimine on arvutusprotsess, kuidas investeerimis- või kauplemisstrateegia oleks ajalooliselt edenenud. Seda kasutatakse laialdaselt mudelite ja strateegiate testimiseks ja tagasilükkamiseks.

Nädala Stocktipi jõudlus vs Dow Jonesi tööstuskeskmine

Võib täheldada, et kui see on nõuetekohaselt üles ehitatud, saab see tulevikus toimida täpselt samamoodi nagu varem.

Juurdepääs rohkematele meie investeerimisuuringutele või tellige meie investeerimismudelid aadressil https://weeklystocktip.com