چگونه بهصورت ریاضی ثابت کنید استراتژیتان حاصل شانس نیست
VertexQore
مشخصات معامله
قیمت در زمان انتشار:
۷۷,۳۲۸
توضیحات
شما روی یک راهبرد، آزمون پسنگر انجام میدهید و این راهبرد طی دو سال ۴۰٪ بازدهی ایجاد میکند. هیجانزده میشوید و آن را وارد معاملات واقعی میکنید، اما بعد متوجه میشوید تقریباً هیچ معاملهگر خردی این پرسش را در نظر نمیگیرد: احتمال اینکه چنین نتیجهای کاملاً تصادفی رخ داده باشد و راهبرد اصلاً مزیتی نداشته باشد، چقدر است؟
صندوقهای کمی هر روز با استفاده از شبیهسازی مونتکارلو به این پرسش پاسخ میدهند؛ روشی که تقریباً هیچ معاملهگر خردی تاکنون درباره آن نشنیده است. این مقاله توضیح میدهد این ابزار چیست، چرا مفید است و چگونه میتوانید خودتان یک نمونه ساده از آن را اجرا کنید.
دامِ اجرای تنها یک آزمون پسنگر
آزمون پسنگری که روی راهبرد خود انجام دادهاید، یک نتیجه ممکن از مجموعهای از معاملات را در قالب یک منحنی سرمایه واحد نشان میدهد.
مشکل این است که این فقط یکی از هزاران حالت ممکن است.
ترتیبی که معاملات سودده و زیانده در همان مجموعه معاملات رخ میدهند، تأثیر بسیار زیادی بر شکل منحنی سرمایه و افت سرمایه ایجادشده دارد؛ حتی اگر نرخ برد کلی، میانگین سود و میانگین زیان در تمام معاملات یکسان باشد.
یک رشته زیانده در ابتدای مجموعه معاملات، منحنی سرمایهای ایجاد میکند که بسیار بدتر از همان رشته زیانده در اواخر مجموعه یا حالتی است که زیانها بهطور یکنواخت در سراسر مجموعه توزیع شده باشند.
یک آزمون پسنگر فقط یک ترتیب از معاملات را نشان میدهد و این امکان وجود دارد، حتی احتمال آن زیاد است، که ترتیبی را انتخاب کرده باشید که بهطور ناعادلانه به نفع راهبردتان بوده است.
شبیهسازی مونتکارلو چیست و چه کاری انجام میدهد؟
شبیهسازی مونتکارلو اساساً ابزاری است که مجموعه معاملات سودده و زیانده شما را از آزمون پسنگر میگیرد و آنها را هزاران بار بهصورت تصادفی مرتب میکند؛ در هر بار، منحنی سرمایه عملکرد راهبرد شما را در صورتی که معاملات با آن ترتیب خاص انجام میشدند، میسازد.
بهجای یک منحنی سرمایه واحد از آزمون پسنگر، در نهایت به توزیعی از نتایج میرسید؛ گاهی هزار یا بیشتر حالت متفاوت که همگی ترتیبهای واقعبینانه معاملات شما و در نتیجه، نتایج واقعبینانه راهبردتان را نشان میدهند.
ایده اصلی ساده است:
یک آزمون پسنگر ← تصادفیسازی ترتیب معاملات ← تکرار صدها یا هزارانباره ← تحلیل توزیع نتایج.
پس از بهدستآوردن توزیعی از نتایج چه کارهایی میتوانید انجام دهید؟
بهجای پرسش نسبتاً بیفایده «راهبرد شما چقدر پول میتواند بسازد؟»، میتوانید پرسشهای بسیار مفیدتری مطرح کنید:
بدترین افت سرمایهای که این راهبرد، با توجه به معاملات خود، ممکن است تجربه کند چقدر است؟
چند درصد از نتایج ممکن این راهبرد سودده هستند؟
دامنه فاصله میان بهترین و بدترین نتیجه ممکن چقدر است؟
این پرسشها درک بسیار بهتری از توزیع نتایج ممکن به شما میدهند، بهجای اینکه فقط روی یک منحنی سرمایه تاریخی تمرکز کنید.
اگر ۹۵٪ از نتایج راهبرد شما سودده باشند، این موضوع در مقایسه با حالتی که تنها ۵۵٪ از مسیرهای شبیهسازیشده سودده هستند، شواهد قویتری از استحکام راهبرد ارائه میدهد.
اما نباید این موضوع را تضمینی برای برخورداری راهبرد از مزیت واقعی در نظر گرفت. آزمون مونتکارلو به ارزیابی استحکام مجموعه معاملات مشاهدهشده کمک میکند، اما سودآوری آینده را اثبات نمیکند.
یک مثال ساده برای توضیح نحوه عملکرد
آزمون پسنگر شما شامل ۱۰۰ معامله است:
۴۵ معامله سودده، با میانگین سود ۲۰۰ دلار
۵۵ معامله زیانده، با میانگین زیان ۱۲۰- دلار
آزمون پسنگر اولیه شما، با همین ترتیب معاملات، ممکن است منحنی سرمایهای زیبا و روان داشته باشد که بهطور پیوسته رشد میکند و حداکثر افت سرمایه آن فقط ۱۵٪ است.
محاسبات پایه چنین است:
۴۵ × ۲۰۰ دلار = ۹٬۰۰۰+ دلار
۵۵ × ۱۲۰ دلار = ۶٬۶۰۰- دلار
بنابراین:
۹٬۰۰۰+ دلار − ۶٬۶۰۰ دلار = ۲٬۴۰۰+ دلار
در نتیجه، مجموعه کامل ۱۰۰ معامله، پیش از در نظر گرفتن ترتیب وقوع معاملات، سود خالص ۲٬۴۰۰+ دلار ایجاد میکند.
اکنون میتوانید این مجموعه معاملات را درهم بریزید. اگر معاملات زیانده بیشتری را در ابتدای مجموعه قرار دهید، منحنی سرمایهای ایجاد میشود که بسیار بدتر از منحنی آزمون پسنگر اولیه به نظر میرسد و ممکن است در ابتدا با افت سرمایه ۳۵٪ مواجه شود و سپس بازیابی شود.
نکته مهم این است که خود معاملات تغییر نکردهاند.
فقط ترتیب آنها تغییر کرده است.
درهمریختن همان معاملات به تعداد ۱٬۰۰۰ بار
درهمریختن این مجموعه معاملات بهطور کلی هزار بار، توزیعی از نتایج این راهبرد به شما میدهد؛ برخی از این نتایج بهتر از آزمون پسنگر اولیه و برخی بسیار بدتر از آن خواهند بود.
دو توزیع ممکن را تصور کنید:
سناریوی الف
۹۵٪ از مسیرهای شبیهسازیشده سودده هستند.
این موضوع نشان میدهد که سودآوری در میان توالیهای شبیهسازیشده معاملات نسبتاً رایج است.
سناریوی ب
۵۵٪ از مسیرهای شبیهسازیشده سودده هستند.
این وضعیت نشاندهنده عدمقطعیت بسیار بیشتری است. آزمون پسنگر سودده اولیه شما ممکن است صرفاً یکی از مسیرهای مطلوب بوده باشد.
هرچه این درصد به ۵۰٪ نزدیکتر شود، نتیجه بهعنوان شواهدی از استحکام راهبرد، قانعکنندهبودن کمتری خواهد داشت.
بار دیگر تأکید میشود که این درصدها باید بهعنوان شواهد شبیهسازی در نظر گرفته شوند، نه احتمال واقعی موفقیت راهبرد در بازارهای واقعی.
چرا تقریباً هیچ معاملهگر خردی واقعاً از این روش استفاده نمیکند؟
شبیهسازی مونتکارلو معمولاً با کدنویسی انجام میشود؛ اغلب در پایتون، که در آن یک برنامه ساده برای درهمریختن فهرست معاملات شما هزاران بار و ثبت نتایج نوشته میشود.
بیشتر سکوهای معاملاتی مورد استفاده معاملهگران خرد چنین ابزاری ارائه نمیکنند؛ بنابراین انجام این کار بر عهده صندوقهای کمی و معاملهگران سیستماتیک حرفهایتر است.
واقعیت این است که این ابزار بسیار مفیدی است و درک مفاهیم پشت آن آسان است.
همچنین نباید این واقعیت را نادیده گرفت که مردم ظاهر یک آزمون پسنگر واحد را دوست دارند.
یک منحنی سرمایه سبز و روان که پیوسته به سمت بالا حرکت میکند، متقاعدکننده به نظر میرسد.
ظاهر هزار شبیهسازی، که برخی از آنها زیانده هستند و برخی افت سرمایه بسیار بزرگتری را تجربه میکنند، بههیچوجه به همان اندازه جذاب نیست.
اما داستانی بسیار واقعبینانهتر را روایت میکنند.
چگونه این روش را عملاً به کار ببریم؟
به راهبردی که بر یک منحنی سرمایه حاصل از تنها یک آزمون پسنگر متکی است اعتماد نکنید؛ بهویژه اگر تعداد معاملات آزمون پسنگر کم باشد، زیرا چنین آزمونهایی بسیار بیشتر در معرض تولید یک نتیجه منفرد و ظاهراً مطلوب هستند.
اگر بتوانید خودتان یک شبیهسازی ساده مونتکارلو اجرا کنید و حتی ۵۰۰ بار مجموعهای از معاملات مشخص را درهم بریزید، باید درصد شبیهسازیهای سودده را بهعنوان معیاری تقریبی برای استحکام راهبرد در نظر بگیرید، نه احتمالی تضمینشده برای موفقیت آینده.
روی بدترین افت سرمایه در میان نتایج درهمریخته تمرکز کنید، نه فقط روی میانگین نتیجه کلی.
بدترین افت سرمایه میتواند تصویری مفیدتر از نوع ریسکی که راهبردتان ممکن است در معرض آن قرار دهد ارائه کند؛ در مقایسه با اینکه صرفاً به منحنی سرمایه روان و اولیه نگاه کنید.
پیش از بهخطرانداختن سرمایه واقعی، فهرست بررسی مفید شامل موارد زیر است:
۱. صدها یا هزاران شبیهسازی تصادفی اجرا کنید.
۲. بررسی کنید چه درصدی از مسیرهای شبیهسازیشده همچنان سودده هستند.
۳. بدترین افت سرمایه شبیهسازیشده را بررسی کنید.
۴. راهبرد را در دورههای زمانی و شرایط مختلف بازار آزمایش کنید.
به یاد داشته باشید راهبردی که از آزمون مونتکارلو سربلند بیرون آمده است نیز تضمینی برای عملکرد مناسب در بازارهای واقعی ندارد.
این نوع تحلیل فقط ریسک انتخاب یک راهبرد زیانده بر اساس نتیجه یک آزمون پسنگر را کاهش میدهد و این ریسک را بهطور کامل از بین نمیبرد.
جمعبندی من
یک آزمون پسنگر با ظاهر عالی هیجانانگیز است، اما ممکن است صرفاً یکی از نتایج مطلوب در میان گزینههای بسیار دیگری باشد که پشت آن پنهان ماندهاند.
شبیهسازیهای مونتکارلو به معاملهگران امکان میدهند راهبرد را بر اساس توزیع نتایج ارزیابی کنند، نه اینکه کاملاً به یک ترتیب خاص از معاملات متکی باشند.
دفعه بعد که به یک آزمون پسنگر عالی دست یافتید، این پرسش بسیار مهمتر را از خود بپرسید: اگر بهجای تنها یک آزمون، چند صد آزمون پسنگر دیگر را با ترتیب تصادفی اجرا میکردم، آیا این راهبرد همچنان به همین اندازه عالی به نظر میرسید؟
همین پرسش است که یک آزمون پسنگر ساده را به آزمونی عمیقتر برای سنجش استحکام، عدمقطعیت و ریسک تبدیل میکند.
با تشکر
@VertexQore در @TradingView
صندوقهای کمی هر روز با استفاده از شبیهسازی مونتکارلو به این پرسش پاسخ میدهند؛ روشی که تقریباً هیچ معاملهگر خردی تاکنون درباره آن نشنیده است. این مقاله توضیح میدهد این ابزار چیست، چرا مفید است و چگونه میتوانید خودتان یک نمونه ساده از آن را اجرا کنید.
دامِ اجرای تنها یک آزمون پسنگر
آزمون پسنگری که روی راهبرد خود انجام دادهاید، یک نتیجه ممکن از مجموعهای از معاملات را در قالب یک منحنی سرمایه واحد نشان میدهد.
مشکل این است که این فقط یکی از هزاران حالت ممکن است.
ترتیبی که معاملات سودده و زیانده در همان مجموعه معاملات رخ میدهند، تأثیر بسیار زیادی بر شکل منحنی سرمایه و افت سرمایه ایجادشده دارد؛ حتی اگر نرخ برد کلی، میانگین سود و میانگین زیان در تمام معاملات یکسان باشد.
یک رشته زیانده در ابتدای مجموعه معاملات، منحنی سرمایهای ایجاد میکند که بسیار بدتر از همان رشته زیانده در اواخر مجموعه یا حالتی است که زیانها بهطور یکنواخت در سراسر مجموعه توزیع شده باشند.
یک آزمون پسنگر فقط یک ترتیب از معاملات را نشان میدهد و این امکان وجود دارد، حتی احتمال آن زیاد است، که ترتیبی را انتخاب کرده باشید که بهطور ناعادلانه به نفع راهبردتان بوده است.
شبیهسازی مونتکارلو چیست و چه کاری انجام میدهد؟
شبیهسازی مونتکارلو اساساً ابزاری است که مجموعه معاملات سودده و زیانده شما را از آزمون پسنگر میگیرد و آنها را هزاران بار بهصورت تصادفی مرتب میکند؛ در هر بار، منحنی سرمایه عملکرد راهبرد شما را در صورتی که معاملات با آن ترتیب خاص انجام میشدند، میسازد.
بهجای یک منحنی سرمایه واحد از آزمون پسنگر، در نهایت به توزیعی از نتایج میرسید؛ گاهی هزار یا بیشتر حالت متفاوت که همگی ترتیبهای واقعبینانه معاملات شما و در نتیجه، نتایج واقعبینانه راهبردتان را نشان میدهند.
ایده اصلی ساده است:
یک آزمون پسنگر ← تصادفیسازی ترتیب معاملات ← تکرار صدها یا هزارانباره ← تحلیل توزیع نتایج.
پس از بهدستآوردن توزیعی از نتایج چه کارهایی میتوانید انجام دهید؟
بهجای پرسش نسبتاً بیفایده «راهبرد شما چقدر پول میتواند بسازد؟»، میتوانید پرسشهای بسیار مفیدتری مطرح کنید:
بدترین افت سرمایهای که این راهبرد، با توجه به معاملات خود، ممکن است تجربه کند چقدر است؟
چند درصد از نتایج ممکن این راهبرد سودده هستند؟
دامنه فاصله میان بهترین و بدترین نتیجه ممکن چقدر است؟
این پرسشها درک بسیار بهتری از توزیع نتایج ممکن به شما میدهند، بهجای اینکه فقط روی یک منحنی سرمایه تاریخی تمرکز کنید.
اگر ۹۵٪ از نتایج راهبرد شما سودده باشند، این موضوع در مقایسه با حالتی که تنها ۵۵٪ از مسیرهای شبیهسازیشده سودده هستند، شواهد قویتری از استحکام راهبرد ارائه میدهد.
اما نباید این موضوع را تضمینی برای برخورداری راهبرد از مزیت واقعی در نظر گرفت. آزمون مونتکارلو به ارزیابی استحکام مجموعه معاملات مشاهدهشده کمک میکند، اما سودآوری آینده را اثبات نمیکند.
یک مثال ساده برای توضیح نحوه عملکرد
آزمون پسنگر شما شامل ۱۰۰ معامله است:
۴۵ معامله سودده، با میانگین سود ۲۰۰ دلار
۵۵ معامله زیانده، با میانگین زیان ۱۲۰- دلار
آزمون پسنگر اولیه شما، با همین ترتیب معاملات، ممکن است منحنی سرمایهای زیبا و روان داشته باشد که بهطور پیوسته رشد میکند و حداکثر افت سرمایه آن فقط ۱۵٪ است.
محاسبات پایه چنین است:
۴۵ × ۲۰۰ دلار = ۹٬۰۰۰+ دلار
۵۵ × ۱۲۰ دلار = ۶٬۶۰۰- دلار
بنابراین:
۹٬۰۰۰+ دلار − ۶٬۶۰۰ دلار = ۲٬۴۰۰+ دلار
در نتیجه، مجموعه کامل ۱۰۰ معامله، پیش از در نظر گرفتن ترتیب وقوع معاملات، سود خالص ۲٬۴۰۰+ دلار ایجاد میکند.
اکنون میتوانید این مجموعه معاملات را درهم بریزید. اگر معاملات زیانده بیشتری را در ابتدای مجموعه قرار دهید، منحنی سرمایهای ایجاد میشود که بسیار بدتر از منحنی آزمون پسنگر اولیه به نظر میرسد و ممکن است در ابتدا با افت سرمایه ۳۵٪ مواجه شود و سپس بازیابی شود.
نکته مهم این است که خود معاملات تغییر نکردهاند.
فقط ترتیب آنها تغییر کرده است.
درهمریختن همان معاملات به تعداد ۱٬۰۰۰ بار
درهمریختن این مجموعه معاملات بهطور کلی هزار بار، توزیعی از نتایج این راهبرد به شما میدهد؛ برخی از این نتایج بهتر از آزمون پسنگر اولیه و برخی بسیار بدتر از آن خواهند بود.
دو توزیع ممکن را تصور کنید:
سناریوی الف
۹۵٪ از مسیرهای شبیهسازیشده سودده هستند.
این موضوع نشان میدهد که سودآوری در میان توالیهای شبیهسازیشده معاملات نسبتاً رایج است.
سناریوی ب
۵۵٪ از مسیرهای شبیهسازیشده سودده هستند.
این وضعیت نشاندهنده عدمقطعیت بسیار بیشتری است. آزمون پسنگر سودده اولیه شما ممکن است صرفاً یکی از مسیرهای مطلوب بوده باشد.
هرچه این درصد به ۵۰٪ نزدیکتر شود، نتیجه بهعنوان شواهدی از استحکام راهبرد، قانعکنندهبودن کمتری خواهد داشت.
بار دیگر تأکید میشود که این درصدها باید بهعنوان شواهد شبیهسازی در نظر گرفته شوند، نه احتمال واقعی موفقیت راهبرد در بازارهای واقعی.
چرا تقریباً هیچ معاملهگر خردی واقعاً از این روش استفاده نمیکند؟
شبیهسازی مونتکارلو معمولاً با کدنویسی انجام میشود؛ اغلب در پایتون، که در آن یک برنامه ساده برای درهمریختن فهرست معاملات شما هزاران بار و ثبت نتایج نوشته میشود.
بیشتر سکوهای معاملاتی مورد استفاده معاملهگران خرد چنین ابزاری ارائه نمیکنند؛ بنابراین انجام این کار بر عهده صندوقهای کمی و معاملهگران سیستماتیک حرفهایتر است.
واقعیت این است که این ابزار بسیار مفیدی است و درک مفاهیم پشت آن آسان است.
همچنین نباید این واقعیت را نادیده گرفت که مردم ظاهر یک آزمون پسنگر واحد را دوست دارند.
یک منحنی سرمایه سبز و روان که پیوسته به سمت بالا حرکت میکند، متقاعدکننده به نظر میرسد.
ظاهر هزار شبیهسازی، که برخی از آنها زیانده هستند و برخی افت سرمایه بسیار بزرگتری را تجربه میکنند، بههیچوجه به همان اندازه جذاب نیست.
اما داستانی بسیار واقعبینانهتر را روایت میکنند.
چگونه این روش را عملاً به کار ببریم؟
به راهبردی که بر یک منحنی سرمایه حاصل از تنها یک آزمون پسنگر متکی است اعتماد نکنید؛ بهویژه اگر تعداد معاملات آزمون پسنگر کم باشد، زیرا چنین آزمونهایی بسیار بیشتر در معرض تولید یک نتیجه منفرد و ظاهراً مطلوب هستند.
اگر بتوانید خودتان یک شبیهسازی ساده مونتکارلو اجرا کنید و حتی ۵۰۰ بار مجموعهای از معاملات مشخص را درهم بریزید، باید درصد شبیهسازیهای سودده را بهعنوان معیاری تقریبی برای استحکام راهبرد در نظر بگیرید، نه احتمالی تضمینشده برای موفقیت آینده.
روی بدترین افت سرمایه در میان نتایج درهمریخته تمرکز کنید، نه فقط روی میانگین نتیجه کلی.
بدترین افت سرمایه میتواند تصویری مفیدتر از نوع ریسکی که راهبردتان ممکن است در معرض آن قرار دهد ارائه کند؛ در مقایسه با اینکه صرفاً به منحنی سرمایه روان و اولیه نگاه کنید.
پیش از بهخطرانداختن سرمایه واقعی، فهرست بررسی مفید شامل موارد زیر است:
۱. صدها یا هزاران شبیهسازی تصادفی اجرا کنید.
۲. بررسی کنید چه درصدی از مسیرهای شبیهسازیشده همچنان سودده هستند.
۳. بدترین افت سرمایه شبیهسازیشده را بررسی کنید.
۴. راهبرد را در دورههای زمانی و شرایط مختلف بازار آزمایش کنید.
به یاد داشته باشید راهبردی که از آزمون مونتکارلو سربلند بیرون آمده است نیز تضمینی برای عملکرد مناسب در بازارهای واقعی ندارد.
این نوع تحلیل فقط ریسک انتخاب یک راهبرد زیانده بر اساس نتیجه یک آزمون پسنگر را کاهش میدهد و این ریسک را بهطور کامل از بین نمیبرد.
جمعبندی من
یک آزمون پسنگر با ظاهر عالی هیجانانگیز است، اما ممکن است صرفاً یکی از نتایج مطلوب در میان گزینههای بسیار دیگری باشد که پشت آن پنهان ماندهاند.
شبیهسازیهای مونتکارلو به معاملهگران امکان میدهند راهبرد را بر اساس توزیع نتایج ارزیابی کنند، نه اینکه کاملاً به یک ترتیب خاص از معاملات متکی باشند.
دفعه بعد که به یک آزمون پسنگر عالی دست یافتید، این پرسش بسیار مهمتر را از خود بپرسید: اگر بهجای تنها یک آزمون، چند صد آزمون پسنگر دیگر را با ترتیب تصادفی اجرا میکردم، آیا این راهبرد همچنان به همین اندازه عالی به نظر میرسید؟
همین پرسش است که یک آزمون پسنگر ساده را به آزمونی عمیقتر برای سنجش استحکام، عدمقطعیت و ریسک تبدیل میکند.
با تشکر
@VertexQore در @TradingView
منتخب سردبیر
مشاهده بیشتردستیار هوشمند ارز دیجیتال
ترمینال ترید بایتیکل نرمافزار جامع ترید و سرمایهگذاری در بازار ارز دیجیتال است و امکاناتی مانند دورههای آموزشی ترید و سرمایهگذاری، تریدینگ ویو بدون محدودیت، هوش مصنوعی استراتژی ساز ترید، کلیه دادههای بازارهای مالی شامل دادههای اقتصاد کلان، تحلیل احساسات بازار، تکنیکال و آنچین، اتصال و مدیریت حساب صرافیها و تحلیلهای لحظهای را برای کاربران فراهم میکند.
