Fintech by Enrico Malverti

autore:Enrico Malverti
La lingua: ita
Format: epub
editore: Hoepli

STRESS TEST

Nel paragrafo precedente abbiamo cercato di illustrare i rischi del curve fitting, in cui può incorrere uno sviluppatore di roboadvisor e di robotrader. Vediamo ora quali contromisure si possono mettere in pratica, in modo da progettare modelli che siano invece sufficientemente robusti e affidabili per poterli impiegare con denaro reale.

La prima modalità di stress test, forse la più semplice, è nota come testing “in sample – out of sample” e consiste nel separare la nostra base dati storica in due parti: la prima, detta in sample, è la parte su cui andiamo a sviluppare il modello, verificando l’efficacia delle nostre condizioni e sulla quale tariamo i parametri andando a effettuare tutte le ottimizzazioni necessarie. La seconda parte, detta out of sample, viene utilizzata per testare il modello ormai definitivo come una prova del 9. L’algoritmo non è stato “addestrato” sui dati out of sample, non conosce la dinamica dei mercati in quella parte e, di conseguenza, è come se simulassimo un probabile futuro, o meglio se portassimo indietro la lancetta del tempo, come nel film Ritorno al futuro, vedendo cosa sarebbe successo se dal punto X, ossia alla fine della parte in sample (Figura 4.12), avessimo iniziato a utilizzare il modello e quel set di parametri con denaro reale. Nel caso in cui i risultati del test out of sample, in termini di parametri di rischio/rendimento, subiscano un netto decremento o addirittura la strategia perda soldi, il responso è purtroppo che abbiamo iper-ottimizzato a posteriori il nostro roboadvisor e avremo pochissime (o forse nulle) probabilità di poter guadagnare soldi nel medio-lungo termine con il suo utilizzo. Viceversa, nel caso in cui i parametri di rischio/rendimento siano confermati o subiscano un calo irrisorio, potremo ragionevolmente ipotizzare di aver fatto un buon lavoro di sviluppo e di poter impiegare con denaro reale il modello, con buone probabilità di ottenere risultati in linea con i dati storici anche in futuro.

Capita spesso di leggere discussioni di sviluppatori in merito a strategie su come ripartire questi due periodi. La mia opinione è che la parte in sample debba corrispondere alla prima parte dello storico, quella più vecchia e lontana nel tempo, in modo che il test out of sample avvenga sui dati di mercato recenti e che sia quindi più probante della reale efficacia e robustezza della strategia ai giorni nostri. Il test in sample (IS) deve avere una lunghezza tra il 60% e il 70% dello storico, per consentire un’ottimizzazione che abbracci un lasso di tempo sufficientemente ampio da essere significativo come numero di trade e diversificato per fase di mercato. La parte out of sample (OOS) non deve essere troppo ridotta, quindi almeno il 30% fino a circa il 40%, in modo da verificare la persistenza della dinamica dei prezzi senza dover intervenire sui parametri e le condizioni del modello. Per persistenza si intende la continuità nel tempo delle caratteristiche della serie storica, da cui ne consegue che consenta di poter essere sfruttata per continuare a generare performance in linea con i parametri storici.

scaricare

Disconoscimento:
Questo sito non memorizza alcun file sul suo server. Abbiamo solo indice e link                                                  contenuto fornito da altri siti. Contatta i fornitori di contenuti per rimuovere eventuali contenuti di copyright e inviaci un'email. Cancelleremo immediatamente i collegamenti o il contenuto pertinenti.