Optimalizace trading strategií při změnách tržního režimu
Je obvyklé, že trading strategie (algoritmy, AOS) se vytvářejí na nejdelší možné časové řadě dat na tom kterém trhu. Ideálně více desítek let dat a také pokud možno za pomocí dat i z jiných trhů (teoreticky by nekonečná datový řada vedla k dokonale funkčnímu algoritmu). Pro zabránění přeoptimalizování, které by vedlo k nádhernému backtestu na tréninkovém souboru dat (in-sample), ale nefunkční strategii v reálném obchodování (out-of-sample) se používají metody jako walk-forward optimalizace WFO (není model samotný, ale validační metoda), kdy vytváříme trading algoritmus na posuvném in-sample tréninkovém souboru dat a část dat použijeme jako out-of sample testovací vzorek. Jako příklad 1,5 roku posouváme dopředu jako 1 rok in-sample a 0,5 roku out-of sample:
To nám poskytuje zvýšení pravděpodobnosti, že AOS se bude v reálném obchodování (out-of-sample) chovat tak jak bychom očekávali při jejím vytváření na in-sample historických datech a nebude přeoptimalizovaná (curve fitted).
Trhy však nejsou statické ve statistickém žargonu, ale dynamické prostředí a žádná cenová trajektorie z minulosti nebude nikdy úplně stejná v budoucnu. Navíc často dochází ke změnám tržních režimů jako růstový boom inflační vs. recesní deflační tlaky, vysoce či nízko volatilní, trendová perioda nebo období ceny navracející se k průměru, a podobně. Strukturální změny trhu jako ty dané vstupem retail „meme“ investorské komunity schopné krátkodobě vytvářet exponenciální trendy, a podobně. Mnohdy se pak může zdát, že algoritmus v novém režimu přestal fungovat a nevíme, který parametr/ input strategie ideálně optimalizovat. V daný moment je možné uplatnit jako komplement k WFO predikční a klasifikační model strojového učení (machine learning) jako je model náhodného lesa RF (random forest), který dokáže seřadit parametry (inputy) strategie dle významnosti s ohledem na stávající trh a navrhnout ideální intervaly pro optimalizaci. RF používá kombinace mnoha klasických náhodných stromů k zvládnutí nelineárních tržních vztahů a zabránění přeoptimalizace:
Pro stavbu strategie je možné dle RF modelu identifikovat, který z velkého množství inputů, tak zvaných features je ideální v daném trhu (klouzavé průměry, RSI, momentum, atd.) pro generaci nejvyššího čistého profitu, a podobně. Pro názornost však použijeme klasické inputy trendfollowingové strategie používající Donchian kanál na trhu zlata, kdy vstupujeme nákupem na lokálních maximech za n počet denních úseček či vstupujeme prodejem inverzně na lokálních minimech za n počet denních úseček. Pohlédněme na aplikaci AOS na populárním trhu micro zlato MGC na burze v Chicagu od 2024 (Tradestation, denní data):
Dle 3 D grafu těchto vstupních inputů a jejich vlivu na čistý zisk je zřejmé, že jsou ideální menší délka počtu úseček při vstupu nákupem a naopak vyšší délka u vstupu prodejem:
Dle RF modelu pak má nejvyšší významnost (RFImportance) a nejvyšší přímý vztah (AbsCorr) input délky pro vstup nákupem (DonchianBuyLen) až mnohem níže v žebříčku signifikace figurují délky pro výstupní z longu, vstupní prodejem a výstupní ze shortu inputy:
Navrhované intervaly, minimum, maximum a krok pak jsou jednotlivé inputy Donchian algoritmu následující:
To znamená optimalizujeme délku inputu v pro vstup nákupem od 15 do 35, krokem délky 5.
Jak WFO metoda tak RF model nejsou konkurenční, ale naopak se komplementují a je výhodné uplatnit WFO při tvorbě robustní strategie (ideálně co s nejmenším množstvím inputů) a RF pak při posouzení významnosti inputů ve stávajícím trhu a návrhu intervalů pro jejich případnou optimalizaci.
Závěrem se pojďme podívat na implementaci stejné Donchian strategie se stejnou hodnotou inputů jako u zlata na dalším populárním trhu micro Bitcoin MBT (který na rozdíl od zlata ukazuje v posledních letech také prodejní vstupní signály) na burze v Chicagu od 2024 (Tradestation, denní data):
Martin Lembak, Manažér hedge-fondu a přednášející na https://www.tradingforum.cz/, Chicago USA
Upozornění: Nejedná se o investiční doporučení, článek má jen a pouze vzdělávací charakter. Obchodování instrumentů ať již burzovních nebo mimoburzovních s sebou nese potenciální velké riziko, nejen výnos a není vhodné pro každého. Rozhodnutí obchodovat je odpovědností každého jednotlivce a jedině on/ ona sám(a) nese za svá rozhodnutí plnou odpovědnost. Nikdy se nepouštějte do obchodů, jejichž podstatě plně nerozumíte. Minulé výnosy nejsou garancí výnosů budoucích.
Titulná foto: Photo by Kanchanara on Unsplash
