La fisica e l’astronomia sono due discipline del sapere umano caratterizzate da modelli deterministici e affidabili nel tempo. La nostra garanzia è il ricorso al metodo scientifico, che non lascia scampo a tutto ciò che non sia dimostrato replicabile. La modellizzazione della legge di gravitazione universale, ad esempio, ha permesso all’uomo di inviare sonde nello spazio profondo e robot autonomi come “Curiosity” che si muove sul suolo marziano dal 2012.
Il trading è differente e chiunque si sia approcciato al problema della replicabilità dei risultati, sa quanto sia difficile ottenere dei sistemi di compravendita affidabili e duraturi. La variabile che sfugge al controllo è la natura mutevole dell’andamento dei prezzi. Questo tuttavia non deve scoraggiare chi si approcci a questa disciplina per la prima volta, ma deve soltanto aiutare a comprendere come non si tratti di un gioco adatto a chiunque, fonte indiscriminata di guadagni facili. Tutt’altro: si tratta di uno dei mestieri più logoranti che ci siano e che richiedono una capacità mentale di adattamento come pochi altri.
Accettato questo è possibile fare dei ragionamenti, sia che questa sia l’attività della vita sia che si tratti di un semplice passatempo: è possibile applicare modelli statici e dinamici che provengano dal mondo scientifico con l’intento dichiarato di far aumentare le probabilità di successo futuro. Non si parla più, quindi, di certezze ma di probabilità.
Si ma di cosa stiamo parlando in concreto?
Ipotizziamo di ricercare, mediante osservazione o servendoci di una macchina che setacci le serie dei prezzi, un sistema di compravendita che operi su uno strumento finanziario qualsiasi. Per fare questo ci serviremo di un periodo di addestramento sul quale fare le nostre prove (“In Sample Period”). Mediante un processo di “raffina e sostituisci” otterremo alla fine un sistema autonomo in grado di generare profitto, per lo meno nel periodo di osservazione disponibile. A questo punto è necessario mettere alla prova del tempo il nostro prodotto e per fare questo utilizzeremo il periodo successivo a quello di addestramento (“Out of Sample Period”).
Supponiamo adesso di iterare questo processo per N volte fino ad ottenere una famiglia di N differenti trading system. Ordiniamo le performance di questi sistemi sulla base di una funzione di ordinamento (“Fitness Function”) applicata nel periodo di addestramento e verifichiamo le performance di tali sistemi nel periodo successivo alla loro creazione. Quello che ogni volta si evidenzia, se abbiamo lavorato bene, è una distribuzione di curve crescenti nel periodo di addestramento e con andamento variabile nel periodo di test. Questo è assolutamente normale, a causa del fenomeno dell’iper-adattamento delle serie (“Fitting”). In sostanza abbiamo trovato delle regole di compravendita che modellizzano il rumore della serie storica e non ne colgono un reale movimento ripetitivo.
In figura 1 possiamo vedere un esempio di quanto detto: le curve rosse non continuano a guadagnare nel periodo di out of sample successivo a quello di addestramento, nonostante alcune di esse siano caratterizzate da performance in in sample decisamente migliori delle altre. Notiamo invece un fascio centrale (in termini di fitness) che rimane stabile nel comportamento dei profitti nelle due zone prese in esame: si tratta di sistemi non “fittati” (come impropriamente si dice in gergo) la cui probabilità di aver intercettato una reale inefficienza statistica e quindi un movimento ripetitivo prevedibile dei prezzi, è piuttosto alta. Saranno proprio questi i sistemi che andremo ad isolare per costruire il nostro portafoglio operativo.
L’elemento centrale, su cui invitiamo a riflettere, è la presenza di questa fascia mediana di sistemi con buone probabilità di successo futuro, a fronte di un insieme consistente di sistemi che performino di gran lunga in modo migliore durante il periodo di addestramento. Abbiamo chiamato questa fascia “Fascia di Persistenza” e la sua individuazione può essere molto complessa e richiedere molti tentativi, non esistendo, appunto, una legge matematica immutevole per intercettarla. Sappiamo che c’è e che può essere trovata, strumento per strumento, time frame per time frame.
Scandendo dal basso i valori della funzione di fitness, incontriamo dapprima dei sistemi le cui metriche non consentono di guadagnare a prescindere dal valore atteso futuro. Successivamente entriamo nella “Fascia di Persistenza”, dove troviamo valori della fitness function medio alti, ma non irragionevolmente elevati. Infine superiamo un livello critico di fitness (che ovviamente non è un valore costante) al di sopra del quale decade la probabilità di successo futuro. Sopra tale livello troviamo solo sistemi “meteora” con valori di Profit Factor, Percent Profitable e Reward/Risk Ratio irragionevoli.
Questo tipo di analisi è stata possibile grazie alle migliaia di sistemi analizzati mediante un approccio genetico di generazione delle regole di compravendita.
Giovanni Trombetta
Head of Research & Development
Gandalf Project
