مسیر یادگیریت را پیدا کن
راهنمای شروع، انتخاب سبک و ترتیب یادگیری دورهها را متناسب با هدفت ببین.
دیدن مسیر یادگیریبکتستی که منحنی سرمایهٔ صاف و رو به بالا نشان میدهد، وسوسه میکند استراتژی را مستقیم به حساب واقعی ببرید. این وسوسه قابلفهم است؛ عدد روی صفحه دقیق به نظر میرسد. اما دقت عدد با درستی آزمون یکی نیست. این مقاله دامهایی را که نتیجهٔ گذشته را بهتر از واقعیت نشان میدهند، با علامت، علت، راه اصلاح و نمونهٔ پژوهشی مرور میکند.
تیپِ معاملهگریات چطور روی تصمیمهایت اثر میگذارد؟ در چند سؤال کوتاه بفهم.
دامهای بک تست خطاهاییاند که نتیجهٔ آزمون روی دادههای گذشته را از عملکرد واقعی بهتر نشان میدهند: بیشبرازش، آزمودن بیشازحد نسخهها، نگاه به آینده، سوگیری بازمانده و نادیدهگرفتن هزینهٔ اجرا. نتیجهٔ خوب بکتست فقط وقتی معنا دارد که تعداد آزمونها ثبت و روی دادهای دیدهنشده بازآزمایی شده باشد. نخستین نشانه معمولاً در خود نتیجه پیداست، نه در بازار. اگر منحنی سرمایه تقریباً بیافت بالا میرود، یا با جابهجایی کوچک یک پارامتر کل نتیجه فرو میریزد، دلیل کافی دارید که پیش از هر تصمیمی آزمون را دوباره بکاوید. دامهای بک تست معمولاً از یکی از این مسیرها وارد میشوند:
پیش از آنکه سراغ این دامها بروید، مطمئن شوید قاعدههایتان آنقدر روشن نوشته شدهاند که آزمونپذیر باشند. قاعدهای که هر بار کمی متفاوت تفسیر شود، هر نتیجهای را توجیه میکند. نوشتن قوانین ورود و خروج در طرح معاملاتی همین ابهام را از آزمون بیرون میبرد.
دانشآموزی را در نظر بگیرید که بهجای یادگرفتن درس، پاسخهای امتحان سال قبل را حفظ کرده است. در همان امتحان نمرهٔ کامل میگیرد و در امتحان تازه زمین میخورد. بیشبرازش (Overfitting) در بکتست همین است: قاعدههای استراتژی آنقدر با جزئیات یک دادهٔ مشخص تنظیم شدهاند که بهجای الگوی پایدار، نوسانهای تصادفی همان دوره را یاد گرفتهاند. این نتیجه بیاعتبار است، چون نویز تکرار نمیشود. سود گذشته در این حالت توصیف همان داده است، نه توصیف بازاری که شما در آن معامله خواهید کرد. علامتش را معمولاً در ساختار استراتژی میبینید: فیلترهای پشتسرهمی که هرکدام برای حذف چند معاملهٔ زیاندهِ مشخص اضافه شدهاند، پارامترهایی با دقت عجیب و افت شدید عملکرد روی دادهای که در ساخت استراتژی دیده نشده است. علتش تکرار تنظیم روی یک دادهٔ ثابت است. هرچه پیکربندیهای بیشتری روی همان داده آزموده شود، شانس بیشبرازش بالاتر میرود. تا تعداد گزینههای آزموده معلوم نباشد، احتمال بیشبرازش را نمیتوان برآورد کرد. برای اصلاح، دلیل هر قاعده را پیش از آزمون بنویسید و تعداد قاعدهها را کم نگه دارید. بیلی، بورواین، لوپز د پرادو و ژو روشی به نام اعتبارسنجی متقاطع ترکیبی متقارن (CSCV) برای برآورد احتمال بیشبرازش پیشنهاد کردهاند. مقالهٔ آنها با عنوان «احتمال بیشبرازش بکتست» نخستین بار در سپتامبر ۲۰۱۳ در SSRN منتشر و در مارس ۲۰۱۵ بازنگری شد.
آیا این قاعده دلیلی دارد که بیرون از همین داده هم معنا داشته باشد؟ اگر تنها دلیلش بهترشدن نتیجهٔ گذشته است، به احتمال زیاد به نویز برازش شده است.
فرض کنید یک استراتژی تقاطع میانگین متحرک را با ترکیبهای فراوانی از دوره، حد ضرر و تایمفریم روی یک دادهٔ ثابت آزمودهاید و فقط بهترین نسخه را نگه داشتهاید. حتی اگر هیچکدام از نسخهها مزیت واقعی نداشته باشد، بهترینِ آنها بهصرف شانس نتیجهٔ چشمگیری نشان میدهد. به این پدیده آزمون چندگانه (Multiple Testing) میگویند. قیاس سادهاش سکهانداختن است. اگر جمعیت بزرگی سکه بیندازند، کسی پیدا میشود که پشتسرهم شیر بیاورد، بیآنکه مهارتی در کار باشد. نسخهٔ برندهٔ شما هم ممکن است همان سکهانداز خوششانس باشد. هاروی، لیو و ژو در پژوهشی که NBER در اکتبر ۲۰۱۴ منتشر کرد، همین منطق را روی پژوهشهای بازده سهام پیاده کردند. آمارهٔ t نشان میدهد نتیجه چقدر از آنچه تصادف محض میسازد فاصله دارد. نتیجهٔ آنها این بود که چون صدها مقاله و عامل روی همان دادهٔ بازار آزموده شدهاند، یک عامل تازهکشفشده باید از مرز مرسوم آمارهٔ t بالاتر برود تا پذیرفته شود. این یافته دربارهٔ عاملهای بازده مقطعی سهام است و به استراتژی شما منتقل نمیشود؛ اما درسش روشن است: هرچه آزمون بیشتر، معیار پذیرش باید سختتر شود. بیلی و لوپز د پرادو در ۲۰۱۴ ابزاری برای همین سختگیری معرفی کردند: نسبت شارپ تعدیلشده (Deflated Sharpe Ratio). این نسبت دو منبع بادکردن عملکرد را اصلاح میکند: سوگیری انتخاب در آزمون چندگانه و بازدههایی که توزیع نرمال ندارند. شرط استفاده از آن در اختیار داشتن بازدهی همهٔ بکتستهای اجراشده است، نه فقط نسخهٔ منتخب.
در یک جدول ساده تاریخ، پارامترها و نتیجهٔ هر اجرا را بنویسید. بدون این فهرست، نه خودتان و نه هیچ بازبینی نمیتواند بگوید نتیجهٔ نهایی چه اندازه حاصل شانس است.
هر دو سوگیری یک ریشه دارند: آزمون چیزی را میداند که معاملهگر در لحظهٔ تصمیم نمیدانست. سوگیری نگاه به آینده (Look-Ahead Bias) یعنی استفاده از اطلاعاتی که در زمان تصمیم هنوز وجود نداشت. یک نمونهاش این است که سیگنال با قیمت بستهشدن یک کندل محاسبه شود ولی ورود در قیمت باز همان کندل فرض شود. علامتش ورودهایی است که بهطرز مشکوکی نزدیک بهترین قیمت ممکن ثبت شدهاند. سوگیری بازمانده (Survivorship Bias) وقتی رخ میدهد که آزمون فقط روی داراییهایی اجرا شود که تا پایان دوره باقی ماندهاند، مثل سهمهایی که هنوز در بورساند یا رمزارزهایی که هنوز معامله میشوند. داراییهایی که ورشکسته یا حذف شدهاند از داده بیرون میافتند و زیانشان هرگز در نتیجه دیده نمیشود. نمونهٔ مستند سوگیری نگاه به آینده از ارزیابی عملکرد پرتفوی میآید. دنیل، سورنته و وورمان این سوگیری را در مقالهای بررسی کردند که ۱۰ اکتبر ۲۰۰۸ در arXiv ارسال شد. آنها نشان دادند وقتی ارزیابی بهجای ترکیب بنچمارک در ابتدای دوره از ترکیب پایان دوره استفاده کند، با دادهٔ CRSP از ۱۹۲۶ تا ۲۰۰۶ سوگیری برای S&P 500 میتواند تا ۸٪ در سال برسد و معیارهایی مثل نسبت شارپ را بیشبرآورد کند. برای اصلاح، دادهٔ هر تاریخ را همانطور به کار ببرید که در آن تاریخ در دسترس بود. یعنی ترکیب شاخص را از همان روز بگیرید، فهرست کامل داراییها را همراه با حذفشدهها نگه دارید و سیگنال را دستکم یک کندل پس از محاسبه اجرا کنید.
اگر استراتژی را بر پایهٔ بکتستی که اطلاعات آینده در آن نشت کرده به حساب واقعی ببرید، ممکن است بخشی از سرمایه یا همهٔ آن را از دست بدهید. پیش از اجرا زمان هر داده را با لحظهٔ تصمیم مقایسه کنید.
هزینهٔ اجرا مجموع کارمزد و فاصلهٔ میان قیمت روی نمودار و قیمتی است که سفارش شما واقعاً با آن پر میشود. بکتستی که این هزینه را صفر بگیرد، معاملهای را میسنجد که در عمل وجود ندارد. این هزینه سه جزء دارد: کارمزد کارگزار، اسپرد یعنی اختلاف قیمت خرید و فروش و لغزش قیمت یا اسلیپیج (Slippage) یعنی تفاوت قیمت درخواستی با قیمت اجرا. قیاسش کرایهٔ تاکسی است. نقشه فقط مسافت را نشان میدهد، اما کرایهٔ واقعی ورودی ثابت و ترافیک را هم در خود دارد. هرچه سفرهای کوتاه بیشتری بروید، سهم این هزینههای ثابت از کل پول بیشتر میشود. تفاوت موتورهای بکتست هم به همین هزینه وابسته است. یین، میکی، لسنیچنکو و گورال در مطالعهای که مارس ۲۰۲۶ در arXiv ارسال شد، ۵ موتور بکتست را مقایسه کردند. با هزینهٔ معاملهٔ صفر، نتایج همهٔ موتورها دقیقاً یکی بود. با هزینهٔ غیرصفر، نتایج از هم فاصله گرفتند و اندازهٔ این واگرایی با شدت هزینه همبستگی بسیار بالایی داشت (ضریب اسپیرمن ۰٫۹۳، معیاری برای همجهتی رتبهای دو کمیت). واگرایی در استراتژیهای چرخشی پرگردش از همه بیشتر بود. این یافتهٔ یک مطالعه روی مجموعهای مشخص از موتورها و استراتژیهاست، اما نشان میدهد نحوهٔ مدلکردن هزینه خودش بخشی از نتیجه است. برای اصلاح، هزینهها را محافظهکارانه وارد کنید و همان استراتژی را با فرض هزینهٔ بالاتر هم بیازمایید. اگر نتیجه با کمی افزایش هزینه از بین برود، مزیت استراتژی به احتمال زیاد از ابتدا وجود نداشته است. در اجرای واقعی هم انضباط در اجرا تعیین میکند فاصلهٔ میان بکتست و حساب واقعی چقدر بماند.
هر سه روش با یک منطق کار میکنند: استراتژی باید روی دادهای سنجیده شود که در ساختنش نقشی نداشته است. بیشبرازش و آزمون چندگانه همین جدایی میان دادهٔ ساخت و دادهٔ سنجش را از بین میبرند؛ این سه روش آن را بازمیگردانند.
یک برش کنارگذاشتهٔ واحد بهتنهایی کافی نیست، چون اگر بارها به آن سر بزنید خودش بخشی از دادهٔ تنظیم میشود.اگر استراتژی شما دستی است، همین اصول را با بکتست دستی گامبهگام پیاده کنید و نتیجهٔ هر اجرا را در ژورنالنویسی عملی نگه دارید.
جدول زیر دامهای بک تست را در یک نگاه کنار هم میگذارد. ستون آخر نمونهٔ پژوهشی هر دام است تا بدانید هشدار از کجا آمده و دامنهاش چیست. پیش از تصمیم دربارهٔ هر استراتژی، ردیفها را یکییکی با آزمون خودتان تطبیق دهید.
| دام و علامت | علت | اصلاح | نمونهٔ مستند |
|---|---|---|---|
| بیشبرازش: فروپاشی نتیجه با تغییر کوچک پارامتر | برازش قاعدهها به نویز یک دادهٔ ثابت | قاعدهٔ کمتر با دلیل پیشینی، دادهٔ دیدهنشده | روش CSCV بیلی و همکاران، SSRN |
| آزمون چندگانه: نسخهٔ برنده از میان انبوه نسخهها | سوگیری انتخاب | معیار پذیرش سختتر، نسبت شارپ تعدیلشده | سختترشدن آستانهٔ آمارهٔ t در پژوهش عاملهای سهام، NBER |
| نگاه به آینده و بازمانده: ورود نزدیک بهترین قیمت، نبود داراییهای حذفشده | دادهٔ ناموجود در لحظهٔ تصمیم | دادهٔ تاریخدار، فهرست کامل داراییها | سوگیری نگاه به آیندهٔ بنچمارک تا ۸٪ در سال برای S&P 500، arXiv |
| هزینهٔ اجرا: نتیجهای که با کمی هزینهٔ بیشتر محو میشود | کارمزد، اسپرد و اسلیپیج نادیده | هزینهٔ محافظهکارانه، آزمون حساسیت | بیشترین واگرایی میان موتورها در استراتژیهای پرگردش، arXiv |
این جدول جایگزین آزمون نیست؛ فقط نشان میدهد کجا را باید دوباره بکاوید. حتی بکتستی که از همهٔ این ردیفها سالم بیرون بیاید، عملکرد آینده را تضمین نمیکند، چون بازار ممکن است رفتارش را تغییر دهد. گام بعدی منطقی این است که نتیجهها را در دورههای منظم با بازبینی طرح معاملاتی بسنجید و هر تغییر قاعده را، مثل یک آزمون تازه، ثبت کنید.
هرچه اینجا میخوانید آموزشی است — نه سیگنالِ ترید، نه توصیهٔ خرید و فروش، نه وعدهٔ نتیجه. تصمیم آخر با خود شماست.
دورهها را ببین، سبکها را مقایسه کن و آموزش مناسب خودت را انتخاب کن.
راهنمای شروع، انتخاب سبک و ترتیب یادگیری دورهها را متناسب با هدفت ببین.
دیدن مسیر یادگیریبا تست Trader DNA، الگوی تصمیمگیری و سبکهای نزدیکتر به خودت را بشناس.
شناخت DNA معاملاتیپوشش دورهها و شرایط اشتراک طلایی و الماس را کنار هم مقایسه کن.