تریدپدیادانشنامهٔ تریدآکا

معامله کمی چیست؟ تعریف، مراحل و خطر بیش‌برازش

اشتراک‌گذاری:

معامله کمی یعنی سپردن تصمیم ترید به مدل ریاضی و داده، و بزرگ‌ترین دامش همان چیزی است که جذابش می‌کند: منحنی سرمایهٔ صاف و صعودی در بک‌تست. هرچه پیکربندی بیشتری آزموده شود، احتمال اینکه آن منحنی فقط نویز داده را بازتاب دهد بیشتر است. این مقاله تعریف، مراحل، یک نمونهٔ مستند و مرزهای این روش را باز می‌کند.

مسیر خواندن

این مقاله برای معامله‌گری است که می‌خواهد روش کمی را از معامله اختیاری و الگوریتمی جدا کند. بعد از آن سراغ بک‌تست و بیش‌برازش بروید.

در یک نگاه

  • معامله کمی تصمیم را به مدل ریاضی و داده می‌سپارد.
  • مراحل استراتژی کمی: فرضیه، داده، بک‌تست، آزمون برون‌نمونه.
  • بیش‌برازش و تعدد آزمون بزرگ‌ترین خطر روش کمی هستند.
  • کارمزد می‌تواند عملکرد خوب بک‌تست را از بین ببرد.
  • بک‌تست خوب سود آینده را تضمین نمی‌کند.

معامله کمی چیست و با معامله اختیاری چه فرقی دارد؟

معامله کمی رویکردی در ترید است که تصمیم خرید و فروش را به‌جای قضاوت لحظه‌ای، از مدل ریاضی و تحلیل داده می‌گیرد. معامله‌گر کمی فرضیه را روی داده‌های تاریخی بک‌تست می‌کند و باید مراقب بیش‌برازش باشد. این روش ریسک را حذف نمی‌کند و بک‌تست خوب سود آینده را تضمین نمی‌کند. در زبان فارسی به این رویکرد کوانت تریدینگ (Quantitative Trading) هم می‌گویند و به تعریف واژه‌نامهٔ Risk.net نام دیگرش «سیستماتیک» است. هستهٔ آن سه جزء دارد: مدل ریاضی که قاعدهٔ تصمیم را به زبان ریاضی بیان می‌کند، سامانهٔ رایانه‌ای که مدل را روی داده اجرا می‌کند و تحلیل داده که نشان می‌دهد قاعده در گذشته چگونه رفتار کرده است. در معامله اختیاری (Discretionary Trading)، تصمیم نهایی با خود معامله‌گر است. او ممکن است از تحلیل تکنیکال، خبر یا تحلیل بنیادی کمک بگیرد، اما وزن هر نشانه را در لحظه و با قضاوت شخصی تعیین می‌کند. به همین دلیل دو معامله‌گر اختیاری با یک نمودار ممکن است به دو تصمیم متفاوت برسند. در معامله کمی، تا وقتی نسخه و پارامترهای مدل ثابت بمانند، ورودی یکسان خروجی یکسان می‌دهد، چون قاعده پیش از اجرا نوشته شده است. این تفاوت به معنای حذف انسان نیست. معامله‌گر کمی فرضیه را انتخاب می‌کند، داده را آماده می‌کند، مدل را می‌سازد و دربارهٔ اعتبار نتیجه داوری می‌کند. قضاوت از لحظهٔ اجرای معامله به مرحلهٔ طراحی و ارزیابی مدل منتقل می‌شود.

نکته

قاعدهٔ نوشته‌شده با قاعدهٔ درست یکی نیست

تکرارپذیری نقطهٔ قوت روش کمی است، اما فقط نشان می‌دهد مدلی که نسخه‌اش ثابت مانده با ورودی یکسان یک‌جور رفتار می‌کند. اینکه آن رفتار در داده‌های آینده هم معنا داشته باشد، پرسش جداگانه‌ای است که آزمون برون‌نمونه فقط تا حدی به آن پاسخ می‌دهد.

معامله کمی با معامله الگوریتمی و سیستماتیک چه نسبتی دارد؟

«کمی» و «سیستماتیک» به یک رویکرد اشاره می‌کنند: تصمیم‌گیری بر پایهٔ قاعدهٔ ازپیش‌تعریف‌شده و داده. معامله الگوریتمی، معامله با فرکانس بالا (High-Frequency Trading) و آربیتراژ آماری از نمونه‌های این خانواده‌اند. پس رابطهٔ کمی و الگوریتمی هم‌پوشانی است، نه شمول یا هم‌ارزی. هر الگوریتم معاملاتی لزوماً کمی نیست: الگوریتم می‌تواند فقط اجرای سفارش را خودکار کند، مثلاً یک سفارش بزرگ را در چند بخش کوچک‌تر بفرستد، در حالی که ایدهٔ معامله از قضاوت انسانی آمده است. در جهت مقابل، یک مدل کمی می‌تواند خروجی‌اش را به‌صورت فهرست سفارش به معامله‌گر بدهد و اجرای آن دستی باشد. آنچه روش را کمی می‌کند منشأ تصمیم است، نه خودکار بودن اجرا.

مقایسهٔ سه رویکرد از نظر منشأ تصمیم و نقطهٔ ضعف

رویکردمنشأ تصمیمابزار اصلینقطهٔ ضعف
اختیاریقضاوت معامله‌گر در لحظهنمودار، خبر و تجربهناسازگاری و اثر سوگیری‌های رفتاری
کمی یا سیستماتیکقاعدهٔ ازپیش‌تعریف‌شدهمدل ریاضی و دادهبیش‌برازش و اعتماد بیش از حد به بک‌تست
الگوریتمیمدل کمی یا قضاوت انسانی؛ برنامه فقط اجرا می‌کندکد و اتصال به بازارخطای فنی و تکرار سریع یک اشتباه

جدول نشان می‌دهد ضعف هر رویکرد از جنس خود آن است. معامله‌گر اختیاری با سوگیری ذهنی خودش روبه‌روست؛ مدل کمی با خطای آماری در ساخت قاعده؛ و الگوریتم با خطایی که در کد یا اتصال رخ می‌دهد و پیش از دیده‌شدن بارها تکرار می‌شود.

یک استراتژی کمی چه مراحلی دارد؟

استراتژی کمی از فرضیه شروع می‌شود و با اجرا و پایش ادامه پیدا می‌کند. ترتیب گام‌ها مهم است، چون هر گام بر خروجی گام قبل تکیه دارد:

  1. فرضیه: یک ادعای آزمون‌پذیر دربارهٔ رفتار بازار، مثلاً اینکه جهت قیمت در یک افق زمانی ادامه پیدا می‌کند. فرضیه باید پیش از دیدن نتیجه نوشته شود.
  2. داده: انتخاب بازار، بازهٔ زمانی و پاک‌سازی داده. داده‌ای که خطا دارد یا فقط دارایی‌های باقی‌مانده را شامل می‌شود، نتیجه را از همان ابتدا منحرف می‌کند.
  3. بک‌تست: اجرای قاعده روی داده‌های تاریخی تا معلوم شود قاعده در گذشته چه رفتاری داشته است.
  4. آزمون برون‌نمونه (Out-of-Sample): بخشی از داده که در ساخت مدل استفاده نشده کنار گذاشته می‌شود و مدل فقط یک‌بار روی آن اجرا می‌شود.
  5. هزینه: کارمزد، اسپرد و لغزش قیمت از بازده کم می‌شوند و باید در خود بک‌تست و آزمون برون‌نمونه هم لحاظ شوند. استراتژی پرمعامله ممکن است پس از کسر هزینه مزیتی نداشته باشد.
  6. اجرا و پایش: مدل با سرمایهٔ واقعی اجرا می‌شود و رفتارش با نتایج آزمون مقایسه می‌شود تا انحراف زود دیده شود.

جزئیات فنی گام سوم در مقالهٔ بک‌تست آمده است. فوروارد تست منطق گام چهارم را روی داده‌ای ادامه می‌دهد که پس از ساخت مدل تولید می‌شود. یک پژوهش روی بیت‌کوین در فوریهٔ ۲۰۲۶ در arXiv منتشر شد و ساختارش شکل دقیق گام چهارم را نشان می‌دهد. در آن پژوهش، پارامترها روی ۱۹ ماه دادهٔ آموزش برآورد شدند و مدل فقط یک‌بار روی ۲۱ ماه دادهٔ برون‌نمونه اجرا شد. قید «فقط یک‌بار» کلیدی است. اگر پژوهشگر پس از دیدن نتیجهٔ برون‌نمونه به مدل برگردد و آن را تغییر دهد، آن داده عملاً به دادهٔ آموزش تبدیل شده است. بک‌تست نشان می‌دهد قاعده روی یک مسیر تاریخی مشخص چه کرده است؛ اینکه همان قاعده در آینده هم کار کند، نتیجه‌گیری معامله‌گر است، نه خروجی ابزار. این زنجیرهٔ گام‌ها وقتی کار نمی‌کند که فرضیه پس از دیدن داده ساخته شود، دادهٔ برون‌نمونه بارها مصرف شود، یا ساختار بازار در دورهٔ اجرا با دورهٔ آموزش فرق کند.

یک نمونه مستند از پژوهش کمی در بازار جهانی چیست؟

همان پژوهش arXiv نمونهٔ روشنی از هر دو روی معامله کمی است: هم ساختار آزمون دقیق، هم حساسیت نتیجه به انتخاب‌های پژوهشگر. پژوهشگران یک استراتژی مبتنی بر میانگین متحرک نمایی (Exponential Moving Average) را روی داده‌های درون‌روزی بیت‌کوین در شش بازهٔ زمانی، از ۱ تا ۶۰ دقیقه، آزمودند. برای آزمون پیش‌رونده (Walk-Forward)، ۸۱ ترکیب طول پنجره بین ۱ تا ۲۸ روز بررسی شد. یافتهٔ اصلی این بود که عملکرد استراتژی به اندازهٔ پنجرهٔ پیش‌رونده وابستگی شدیدی داشت. کارمزد ۰٫۱ درصد برای هر معامله در محاسبه لحاظ شد و نقطهٔ سربه‌سر استراتژی حدود ۰٫۴ درصد برای هر معامله بود؛ یعنی اگر هزینهٔ واقعی هر معامله به آن سطح برسد، مزیت استراتژی از بین می‌رود. در دورهٔ آزمون، عملکرد استراتژی مشابه خرید و نگهداری بود، اما با افت سرمایه کمتر. این نتیجهٔ یک مطالعه روی یک دارایی و یک دورهٔ مشخص است و به کل بازار کریپتو یا به استراتژی‌های دیگر تعمیم داده نمی‌شود. نمونهٔ دوم قدیمی‌تر و گسترده‌تر است. این پژوهش را مسکوویتز، اوی و پدرسن در سال ۲۰۱۲ در Journal of Financial Economics منتشر کردند. آن‌ها مومنتوم سری زمانی (Time Series Momentum) را در ۵۸ ابزار آتی نقدشونده از چهار طبقهٔ دارایی مستند کردند: شاخص سهام، ارز، کالا و اوراق قرضه. طبق یافته‌های آن‌ها، بازده گذشتهٔ هر ابزار در افق‌های ۱ تا ۱۲ ماه با بازده بعدی همان ابزار هم‌جهت بوده و در افق‌های بلندتر تا حدی برگشته است. در آن دادهٔ تاریخی، سبد متنوعی از این استراتژی‌ها بازده غیرعادی داشت و مواجهه‌اش با عامل‌های استاندارد قیمت‌گذاری اندک بود. آنچه این پژوهش ثبت می‌کند یک الگوی آماری در دادهٔ گذشته است. ادامه‌یافتن آن الگو فرضی است که هر معامله‌گر باید جداگانه بسنجد. [S2]

نکته

این دو مثال آموزشی‌اند، نه سیگنال

هیچ‌کدام از این دو پژوهش نقطهٔ ورود، دارایی یا زمان معامله پیشنهاد نمی‌کند. ارزش آن‌ها در ساختار آزمون است: طول دورهٔ آموزش، طول دورهٔ برون‌نمونه، کارمزد لحاظ‌شده و شمار ابزارها.

چرا بک‌تست خوب سود آینده را تضمین نمی‌کند؟

چون بک‌تست خوب را می‌شود ساخت، حتی وقتی هیچ الگوی واقعی در داده نیست. بیلی، بروین، لوپز دو پرادو و ژو در پژوهشی ریاضی دربارهٔ اثر بیش‌برازش بک‌تست بر عملکرد برون‌نمونه (مه ۲۰۱۴) نشان دادند که با آزمودن شمار نسبتاً اندکی از پیکربندی‌های یک استراتژی، به‌سادگی می‌توان عملکرد شبیه‌سازی‌شدهٔ بالا گرفت. هرچه پیکربندی بیشتری آزموده شود، احتمال بیش‌برازش (Overfitting) بک‌تست بیشتر است. بیش‌برازش یعنی مدل به‌جای الگوی پایدار، نویز همان دادهٔ تاریخی را یاد گرفته است. همان پژوهش دو نکتهٔ دیگر هم دارد. تحلیلگران معمولاً شمار پیکربندی‌های آزموده را گزارش نمی‌کنند، پس خواننده نمی‌داند منحنی زیبا حاصل چند تلاش است. وقتی بازار اثر حافظه دارد، بک‌تست بیش‌برازش‌شده می‌تواند بازده مورد انتظار برون‌نمونهٔ منفی بدهد، نه صفر. همین مشکل در سطح کل پژوهش مالی هم دیده می‌شود. هاروی، لیو و ژو در مقاله‌ای در NBER (اکتبر ۲۰۱۴) استدلال کردند که چون صدها فاکتور در داده جست‌وجو شده‌اند، معیار معمول معناداری برای یک فاکتور تازه کافی نیست. در ساده‌ترین حالت، آمارهٔ t میانگین بازدهٔ یک فاکتور این‌طور محاسبه می‌شود:

فرمول t

t = r̄ / (s / √N)

در این رابطه r̄ میانگین بازدهٔ فاکتور، s انحراف معیار همان بازده و N شمار دوره‌های مشاهده است. آستانهٔ معمول، t بزرگ‌تر از ۲٫۰ است. به برآورد نویسندگان، فاکتور تازه باید از t بزرگ‌تر از ۳٫۰ عبور کند. آن‌ها همچنین استدلال کردند که بیشتر یافته‌های ادعاشده در اقتصاد مالی احتمالاً نادرست‌اند. برای تصحیح این اثر ابزارهایی پیشنهاد شده است. نسبت شارپ تعدیل‌شده (Deflated Sharpe Ratio) نسبت شارپ را برای اثر انتخاب از میان آزمون‌های متعدد و غیرنرمال‌بودن بازده اصلاح می‌کند. چارچوب احتمال بیش‌برازش بک‌تست (Probability of Backtest Overfitting) ابزار دیگری از همین دست است. این ابزارها نشان می‌دهند نتیجهٔ بک‌تست چقدر ممکن است حاصل انتخاب از میان آزمون‌های متعدد باشد؛ تصمیم دربارهٔ اجرای مدل همچنان با معامله‌گر است. این تصحیح‌ها فقط وقتی کار می‌کنند که شمار واقعی آزمون‌ها ثبت شده باشد. [S1]

هشدار

بک‌تست خوب ضمانت سرمایه نیست

هر بک‌تستی، حتی وقتی شمار آزمون‌هایش ثبت شده باشد، فقط رفتار گذشته را نشان می‌دهد؛ اگر بر پایهٔ آن سرمایهٔ واقعی وارد بازار کنید، ممکن است بخشی از سرمایه یا همهٔ آن را از دست بدهید. وقتی شمار آزمون‌ها معلوم نیست، حتی احتمال بیش‌برازش را نمی‌توانید بسنجید و این خطر بیشتر می‌شود. منحنی سرمایهٔ تاریخی، هر قدر هم صاف باشد، رفتار آیندهٔ بازار را تعیین نمی‌کند.

معامله کمی چه محدودیت‌هایی دارد؟

محدودیت‌های اصلی معامله کمی به هزینه، حساسیت به انتخاب‌های آزمون و تعمیم‌ناپذیری نتیجه برمی‌گردند. هزینه‌های واقعی ترید نخستین مانع است. در پژوهش بیت‌کوین، نقطهٔ سربه‌سر حدود چهار برابر کارمزد لحاظ‌شده بود. این فاصله برای استراتژی پرمعامله‌ای که با اسپرد گسترده‌تر یا لغزش قیمت روبه‌رو شود، می‌تواند به‌سرعت مصرف شود. هرچه شمار معامله‌ها بیشتر باشد، سهم هزینه از نتیجه بزرگ‌تر است. محدودیت دوم وابستگی به پنجرهٔ آزمون است. وقتی عملکرد یک استراتژی با تغییر طول پنجره عوض می‌شود، خود انتخاب طول پنجره پارامتری است که می‌تواند بیش‌برازش شود. پژوهشگری که از میان ترکیب‌های متعدد پنجره بهترین را برمی‌دارد، همان خطای تعدد آزمون را در لایه‌ای دیگر تکرار کرده است. محدودیت سوم تعمیم است. اگر ساختار بازار میان دورهٔ آموزش و دورهٔ اجرا تغییر کند، قاعده‌ای که در آزمون رفتار پایداری داشته ممکن است در اجرا همان رفتار را نداشته باشد.

مهم

مرز این مقاله

این مقاله سازوکار معامله کمی و نقاط شکست آن را توضیح می‌دهد و دربارهٔ سودآوری هیچ مدل، دارایی یا استراتژی مشخصی داوری نمی‌کند. سنجش هر مدل به داده، هزینه و شمار آزمون‌های همان مدل بستگی دارد.

گام منطقی بعد، شناخت دقیق‌تر روش بک‌تست و نشانه‌های بیش‌برازش است؛ این دو به سنجش اعتبار نتیجهٔ یک مدل کمی کمک می‌کنند.

یک تذکر لازم

هرچه اینجا می‌خوانید آموزشی است — نه سیگنالِ ترید، نه توصیهٔ خرید و فروش، نه وعدهٔ نتیجه. تصمیم آخر با خود شماست.

پرسش‌های پرتکرار

معامله‌گر کمی (کوانت) چه می‌کند؟
کوانت فرضیه‌ای دربارهٔ رفتار بازار را به قاعدهٔ ریاضی تبدیل می‌کند، داده را جمع‌آوری و پاک‌سازی می‌کند، مدل را در سامانهٔ رایانه‌ای پیاده می‌کند و آن را روی داده‌های تاریخی می‌آزماید. کار اصلی او فقط ساختن مدل نیست. او باید نشان دهد نتیجهٔ مدل حاصل بیش‌برازش نیست و پس از کسر هزینهٔ معامله هم معنا دارد.
برای کوانت تریدینگ چه مهارت‌هایی لازم است؟
مهارت‌ها از اجزای خود روش می‌آیند: ریاضی و آمار برای بیان دقیق فرضیه و سنجش معناداری نتیجه، برنامه‌نویسی برای پیاده‌سازی مدل در سامانهٔ رایانه‌ای و تحلیل داده برای پاک‌سازی و آزمودن آن. شناخت بازار هم لازم است تا هزینهٔ معامله و نقدشوندگی درست در مدل لحاظ شود. بدون فهم آزمون آماری و خطر بیش‌برازش، مهارت برنامه‌نویسی به‌تنهایی برای داوری دربارهٔ اعتبار نتیجهٔ بک‌تست کافی نیست.
بک‌تست در معامله کمی چگونه انجام می‌شود؟
قاعدهٔ استراتژی روی دادهٔ تاریخی اجرا و رفتارش همراه با کارمزد و هزینه‌های اجرا ثبت می‌شود. روش محتاطانه داده را جدا می‌کند: پارامترها روی بخش آموزش برآورد می‌شوند و مدل یک‌بار روی بخش کنارگذاشته‌شده سنجیده می‌شود. آزمون پیش‌رونده همین کار را با پنجره‌های پی‌درپی تکرار می‌کند. شمار پیکربندی‌های آزموده هم باید ثبت شود تا خطر بیش‌برازش قابل سنجش باشد.
آیا معامله کمی سودآور است؟
پاسخ کلی وجود ندارد، چون سودآوری ویژگی یک مدل مشخص در یک دورهٔ مشخص است، نه ویژگی خود روش. پژوهش‌ها نشان می‌دهند با آزمودن پیکربندی‌های کافی می‌توان بک‌تست خوب ساخت. به استدلال هاروی، لیو و ژو (NBER، اکتبر ۲۰۱۴)، چون صدها فاکتور در داده آزموده شده‌اند، بیشتر یافته‌های ادعاشده دربارهٔ فاکتورها در اقتصاد مالی احتمالاً نادرست‌اند. هزینهٔ معامله هم می‌تواند مزیت باقی‌مانده را از بین ببرد. هیچ مدل کمی سود آینده را تضمین نمی‌کند.

واژه‌های این مقاله

منابع

این مقاله با کمکِ ابزارهای هوش مصنوعی تهیه شده است. سیاست تحریریه

دیدگاه خود را ارسال کن

ارسال دیدگاه

مطالب مرتبط

دیدگاه‌ها (۰)

هنوز دیدگاهی ثبت نشده؛ اولین نفر باش.

ارسال دیدگاه

دیدگاه‌ها پیش از انتشار بررسی می‌شوند. به پرسش‌های معاملاتی پاسخ نمی‌دهیم و سیگنال نمی‌دهیم.

دوره‌های آموزش تریدآکا

دورهٔ بعدی یادگیری‌ات را پیدا کن

دوره‌ها را ببین، سبک‌ها را مقایسه کن و آموزش مناسب خودت را انتخاب کن.

مشاهده همه دوره‌ها
ادامهٔ مسیر تو

قدم بعدی را انتخاب کن

مسیر یادگیریت را پیدا کن

راهنمای شروع، انتخاب سبک و ترتیب یادگیری دوره‌ها را متناسب با هدفت ببین.

دیدن مسیر یادگیری

سبک معامله‌گریت را بشناس

با تست Trader DNA، الگوی تصمیم‌گیری و سبک‌های نزدیک‌تر به خودت را بشناس.

شناخت DNA معاملاتی

مقایسهٔ پلن‌ها

پوشش دوره‌ها و شرایط اشتراک طلایی و الماس را کنار هم مقایسه کن.