La mente umana è capace di grandi inganni e l’ambito finanziario non fa eccezione. Diventa labile il confine tra un’evidenza statistica e un abbaglio o, se preferite, un miraggio. Il discrimine diventa il concetto di relazione causa-effetto che racchiude nella componente temporale il suo grimaldello.
Non saper riconoscere la differenza tra correlazione e “causazione” può costare caro, sia in termini monetari che psicologici. E se è vero che la capacità di operare sui mercati dipende in gran parte dalla fiducia nei propri mezzi (che si utilizzi un approccio discrezionale che sistematico) è bene fare chiarezza su cosa intenda esattamente. E per farlo mi farò aiutare da un esempio pratico che è molto semplice realizzare con una delle tante librerie open source in Python.
Prendiamo il titolo Apple Inc. (ticker AAPL) e immaginiamo di aver eseguito un rigoroso backtest di una strategia al rialzo come quella in figura (immaginiamo di investire 10000 $ per ciascun trade e di entrare con ordini market la barra successiva al setup).
Notiamo una progressione positiva piuttosto costante, con un evidente drawdown nel periodo 2008-2009 (crisi Subprime). Nulla di nuovo sotto il sole. Prima di dare un’occhiata alle metriche di sistema, notiamo come l’equity line sia si regolare in pendenza, ma sufficientemente erratica nel brevissimo periodo per essere credibile (non una curva ottenuta in evidente overfitting).
Una Average Trade di 224 $ sembra sufficientemente capiente per coprire i costi fissi (commissioni + slippage) ed il Profit Factor lordo supera 2. Il Draw Down massimo (periodo 2008) non supera i -8700 $.
Un occhio attento noterà che il profilo del sottostante (titolo AAPL) è rialzista con tratti esplosivi (iperbolici) al netto degli aggiustamenti per split. Non sarebbe stato difficile, probabilmente potrebbe obiettare qualcuno, immaginare degli ingressi casuali e ottenere risultati simili.
Per aumentare la nostra confidenza proviamo a cambiare titolo, uno che, pur non essendo in controfase con il bias rialzista di lungo termine del mercato azionario, abbia presentato correzioni più profonde e durature: ad esempio il titolo Disney (ticker DIS). Di seguito i risultati della medesima strategia.
La strategia sembra tenere a livello di architettura, anche se le metriche si degradano a partire dal profitto (Average Trade di 115 $, Profit Factor di 1.68). Abbiamo forse trovato una metodologia valida? La fase di validazione tiene e comunque la strategia non si “rompe”, non portando perdite sul medio periodo.
Aumentiamo lo stress spostando ancora il nostro punto di osservazione e prendiamo un titolo di un settore diverso come Boeing Inc. (ticker BA). Tale asset mostra profonde ricorrezioni che ne hanno più che dimezzato il valore nel tempo.
Ancora una volta la strategia sembra tenere (non assistiamo a curve con pendenza negativa) nonostante il degrado delle metriche testimoni una forte sofferenza (Average Trade di 110 $, Profit Factor di 1.5).
A questo punto potrebbe venire l’idea di concentrarsi su quei titoli che abbiano affinità con AAPL non tanto in termini di trend (che è sempre noto solo a posteriori), quanto di volatilità e di microstruttura dei movimenti di prezzo. Si può ottenere un piccolo cluster utilizzando un semplice classificatore di Unsupervised Learning. Non ci stupisce che emergano titoli come Tesla (ticker TSLA) o Amazon (ticker AMZN).
Di seguito possiamo osservare la capacità della strategia di intercettare le fasi di accelerazione su TSLA.
Alla prova dei fatti sembra che siamo di fronte ad una strategia robusta, non fosse altro che per sua capacità di “non rompersi”. Ma è davvero così o ci troviamo di fronte ad un miraggio subdolo, che ci faccia vedere quello che desideriamo?
A questo punto alziamo il sipario sulla strategia.
Si tratta di una strategia elementare sulle fasi lunari, che acquisti il giorno successivo ad una Luna Piena (“Full Moon”) e liquidi la posizione alla prima Luna Nuova (“New Moon”). Nella semplicità del codice Python (lo stesso che utilizziamo nella Python Academy) si può cogliere l’inganno cognitivo: stiamo operando sulla base di una strategia che lega le fasi lunari all’andamento dei mercati azionari.
Qualcuno potrebbe obiettare che se paga operare in questo modo, evidentemente deve esserci una qualche relazione tra le fasi lunari e l’andamento dei prezzi delle azioni americane. Magari esiste un influsso misterioso sulla propensione al rischio e la Luna Piena che fa acquistare in massa gli investitori in quei giorni specifici e li rende prudenti quando il buio domina il cielo nelle notti di Luna Nuova… una sorta di condizionamento atavico. O forse la spiegazione è più semplice…
Quando un bias rialzista come quello del mercato azionario, si manifesta nel medio periodo, dobbiamo misurare l’entità del guadagno percentuale che faremmo con posizioni di buy&hold (letteralmente “compra e tieni”, tipica operatività da “investitore” e non da trader) e confrontarlo con quello della strategia in questione. Nel nostro caso il confronto non tiene e questo testimonia una probabile (perché di probabilità si parla) “casualità” dei rendimenti. Di fatto potremmo comprare in momenti casuali di mercato e trovare statisticamente risultati simili, purché la posizione sia sostenuta sufficientemente a livello temporale (cosa che il nostro sistema garantisce con operazioni che durano in media 14 giorni).
Il discrimine tra una strategia casuale ed una causale (con un fondamento teorico sottostante) sta proprio nella presenza di una relazione causa effetto tra il setup di ingresso e di uscita ed un fenomeno fisico che abbia la capacità di sostenere l’inerzia dei prezzi. Quando questa relazione esiste, la strategia ha buone probabilità di rimanere costante in termini di prestazioni. Viceversa ci troviamo di fronte ad uno dei tanti miraggi che possono spingersi nella direzione sbagliata, a costo della nostra salute finanziaria.
Giovanni Trombetta
Founder & Head of R&D
Gandalf Project
PS: tutte le tavole e i modelli dell’articolo sono state ottenute con Python. Da anni forniamo gli strumenti per fare altrettanto all’interno di un acceleratore didattico che si chiama Python Academy.
AVVERTENZE: I contenuti di questo articolo (e degli altri contenuti in questo sito) e le opinioni espresse non devono in nessun caso essere considerati come un invito all’investimento.
Le analisi non costituiscono mai una sollecitazione all’acquisto o alla vendita di qualsivoglia strumento finanziario. Queste note hanno per oggetto analisi finanziarie e ricerca in materia di investimento. Qualora vengano espresse delle raccomandazioni, queste hanno carattere generale, sono rivolte ad un pubblico indistinto e mancano dell’elemento della personalizzazione.
Sebbene frutto di approfondite analisi, le informazioni contenute in questo e negli altri articoli possono contenere errori. Gli autori non possono in nessun caso essere ritenuti responsabili per eventuali scelte effettuate dai lettori sulla base di tali informazioni erronee. Chi decide di porre in essere una qualsiasi operazione finanziaria sulla base delle informazioni contenute nel sito lo fa assumendone la totale responsabilità.
DISCLAIMER: The contents of these notes and the opinions expressed should in no case be considered as an invitation to invest. The analyzes never constitute a solicitation to buy or sell any financial instrument.
These notes relate to financial analysis and investment research. If recommendations are made, these are of a general nature, are aimed at an indistinct audience and lack the element of personalization.
Although the result of in-depth analysis, the information contained in these notes may contain errors. The authors cannot under any circumstances be held responsible for any choices made by readers on the basis of such erroneous information. Anyone who decides to carry out any financial transaction on the basis of the information contained in the site does so assuming full responsibility.
