วิธีการ Backtest กลยุทธ์การซื้อขาย: วิธีการ ข้อบกพร่อง และความหมายของผลลัพธ์จริง ๆ

เทรดเดอร์ทุกคนมีกลยุทธ์ที่ดูดีในหัวของตัวเอง จุดเข้าฟังดูสมเหตุสมผล ตรรกะดูเข้าเค้า แต่พอนำเงินจริงไปลงทุนตามกลยุทธ์นั้น พวกเขาก็สงสัยว่าทำไมผลลัพธ์ที่ได้จึงแตกต่างจากที่คาดไว้อย่างสิ้นเชิง ขั้นตอนที่ขาดไปนั้น เกือบทุกครั้งคือการแบ็กเทสต์

การแบ็กเทสต์คือการนำกลยุทธ์การเทรดไปทดสอบกับข้อมูลราคาในอดีตเพื่อดูว่ากลยุทธ์นั้นจะให้ผลลัพธ์อย่างไร มันคือสิ่งที่ใกล้เคียงกับ "ห้องปฏิบัติการ" มากที่สุดที่เทรดเดอร์มี แทนที่จะต้องเสี่ยงเงินทุนเพื่อค้นหาว่ากลยุทธ์นั้นได้ผลหรือไม่ ข้อมูลในอดีตช่วยสร้างสภาพแวดล้อมที่ควบคุมได้สำหรับการทดสอบไอเดีย วัดผลการทำงาน และค้นหาจุดอ่อนก่อนที่จะมีเงินสักดอลลาร์เดียวตกอยู่ในความเสี่ยง

แต่การแบ็กเทสต์ก็เป็นจุดที่เทรดเดอร์หลายคนหลอกตัวเองได้เช่นกัน หากทำอย่างไม่ถูกวิธี ผลลัพธ์ที่ได้อาจดูน่าตื่นตาตื่นใจบนหน้ากระดาษ แต่พังไม่เป็นชิ้นดีเมื่อนำไปใช้ในตลาดจริง การเข้าใจวิธีแบ็กเทสต์อย่างถูกต้อง และที่สำคัญยิ่งกว่าคือการตีความผลลัพธ์อย่างตรงไปตรงมา เป็นหนึ่งในทักษะที่มีค่าที่สุดที่เทรดเดอร์ควรพัฒนา

การแบ็กเทสต์แบบแมนวล vs. แบบอัตโนมัติ

มีสองแนวทางหลักในการแบ็กเทสต์ และแต่ละแนวทางก็มีข้อแลกเปลี่ยนที่แตกต่างกัน

การแบ็กเทสต์แบบแมนวล

การแบ็กเทสต์แบบแมนวลคือการเลื่อนดูกราฟในอดีตทีละแท่ง เพื่อระบุรูปแบบที่ตรงตามเงื่อนไขของกลยุทธ์ บันทึกจุดเข้าและจุดออก และคำนวณผลลัพธ์ด้วยมือหรือในสเปรดชีต วิธีนี้ใช้เวลานาน การแบ็กเทสต์แบบแมนวลอย่างละเอียดสำหรับกลยุทธ์เดียวในตลาดเดียวอาจใช้เวลาหลายวันหรือหลายสัปดาห์

ข้อดีคือความเข้าใจที่ลึกซึ้ง เทรดเดอร์ที่แบ็กเทสต์แบบแมนวลจะเรียนรู้การอ่านการเคลื่อนไหวของราคาในแบบที่โปรแกรมทดสอบอัตโนมัติไม่สามารถทำได้ พวกเขาจะพัฒนาสัญชาตญาณว่ารูปแบบต่าง ๆ มีลักษณะเป็นอย่างไรในเวลาจริง รวมถึงสัญญาณที่ยุ่งเหยิงและคลุมเครือซึ่งกลยุทธ์ที่เขียนโค้ดจะจัดการด้วยตรรกะที่ชัดเจน แต่เทรดเดอร์ที่เทรดจริงต้องตีความเอาเองในทันที

การแบ็กเทสต์แบบแมนวลเหมาะที่สุดสำหรับกลยุทธ์ที่ใช้วิจารณญาณ การเข้าตามรูปแบบ และเทรดเดอร์ที่ยังอยู่ในขั้นตอนการเรียนรู้ที่จะระบุรูปแบบได้อย่างสม่ำเสมอ

การแบ็กเทสต์แบบอัตโนมัติ

การแบ็กเทสต์แบบอัตโนมัติใช้ซอฟต์แวร์ในการนำกลยุทธ์ที่เขียนเป็นโค้ดไปทดสอบกับข้อมูลในอดีต และสร้างผลลัพธ์ภายในไม่กี่วินาที แพลตฟอร์มที่ใช้กันทั่วไป ได้แก่ Strategy Tester ของ MetaTrader, ตัวแบ็กเทสต์ Pine Script ของ TradingView และสคริปต์ที่เขียนขึ้นเองด้วย Python (โดยใช้ไลบรารีอย่าง Backtrader หรือ Zipline)

ข้อดีคือความเร็วและขนาดของการทดสอบ การแบ็กเทสต์แบบอัตโนมัติสามารถรันกลยุทธ์การตัดกันของค่าเฉลี่ยเคลื่อนที่บนข้อมูล 20 ปีในเครื่องมือ 50 ชนิดได้ภายในไม่กี่นาที มันช่วยตัดแนวโน้มของมนุษย์ที่จะเลือกเฉพาะรูปแบบที่ดูดี หรือละเลยการเทรดที่ขาดทุนโดยไม่รู้ตัว ทุกสัญญาณจะถูกนำไปใช้ ทุกผลลัพธ์จะถูกบันทึก

ข้อเสียคือการเขียนกลยุทธ์เป็นโค้ดบังคับให้ต้องทำให้เรียบง่ายขึ้น รายละเอียดที่ละเอียดอ่อนอย่าง "แนวโน้มดูแข็งแรง" หรือ "ปริมาณการซื้อขายดูผิดปกติ" นั้นยากที่จะแปลงเป็นกฎเกณฑ์ และความเร็วของการทดสอบแบบอัตโนมัติก็ทำให้เกิดการโอเวอร์ออพติไมซ์ได้ง่ายอย่างอันตราย ซึ่งเป็นปัญหาที่จะอธิบายรายละเอียดในหัวข้อถัดไป

เมตริกสำคัญที่มีความหมายจริง

ผลการแบ็กเทสต์จะให้ตัวเลขจำนวนมาก ไม่ใช่ทุกตัวที่ควรได้รับความสนใจเท่ากัน นี่คือเมตริกที่แยกความแตกต่างระหว่างผลลัพธ์ที่มีประโยชน์กับสัญญาณรบกวน

กำไรสุทธิ / ผลตอบแทนรวม ตัวเลขสุดท้าย กลยุทธ์นี้ทำเงินได้หรือไม่? นี่คือจุดเริ่มต้น แต่ก็เป็นเมตริกที่ทำให้เข้าใจผิดได้มากที่สุดหากพิจารณาเพียงตัวเดียว กลยุทธ์ที่ให้ผลตอบแทน 200% แต่มีการขาดทุนสูงสุด (drawdown) ถึง 70% ในระหว่างทางนั้นไม่เหมือนกับกลยุทธ์ที่ให้ผลตอบแทน 80% แต่มี drawdown เพียง 15%

อัตราการชนะ (Win rate) คือเปอร์เซ็นต์ของการเทรดที่ทำกำไร ตรงกันข้ามกับที่มือใหม่หลายคนคิด อัตราการชนะเพียงอย่างเดียวไม่ได้บอกอะไรเกี่ยวกับคุณภาพของกลยุทธ์เลย กลยุทธ์ที่มีอัตราการชนะ 40% สามารถทำกำไรได้สูงมากหากการเทรดที่ชนะมีขนาดใหญ่กว่าการเทรดที่แพ้อย่างมีนัยสำคัญ ในขณะที่กลยุทธ์ที่มีอัตราการชนะ 80% อาจเป็นหายนะได้หากการเทรดที่แพ้ 20% ที่เหลือนั้นสร้างความเสียหายรุนแรง อัตราการชนะจะมีความหมายก็ต่อเมื่อพิจารณาร่วมกับอัตราส่วนความเสี่ยงต่อผลตอบแทน

ปัจจัยกำไร (Profit factor) คือผลรวมกำไรหารด้วยผลรวมขาดทุน ปัจจัยกำไรที่มากกว่า 1.0 หมายความว่ากลยุทธ์นั้นทำเงินได้ มากกว่า 1.5 ถือว่าค่อนข้างดี ในขณะที่มากกว่า 3.0 จากกลุ่มตัวอย่างขนาดใหญ่ควรทำให้เกิดความสงสัย ไม่ใช่ความยินดี

Drawdown สูงสุด คือการลดลงจากจุดสูงสุดไปยังจุดต่ำสุดที่มากที่สุดในเส้นกราฟทุน นี่ถือเป็นเมตริกที่สำคัญที่สุดสำหรับความเป็นไปได้ในการใช้งานจริง เพราะมันตอบคำถามว่า: กลยุทธ์นี้สร้างความเจ็บปวดมากเพียงใดก่อนที่จะฟื้นตัว? กลยุทธ์ที่มี drawdown สูงสุด 50% ต้องการกำไร 100% เพียงเพื่อจะเท่าทุน และเทรดเดอร์ส่วนใหญ่จะเลิกใช้กลยุทธ์นั้นก่อนที่จะฟื้นตัวได้เสียอีก

อัตราส่วนชาร์ป (Sharpe ratio) คือผลตอบแทนที่ปรับตามความเสี่ยง คำนวณจากผลตอบแทนเฉลี่ยหารด้วยส่วนเบี่ยงเบนมาตรฐานของผลตอบแทน ยิ่งสูงยิ่งดี อัตราส่วนชาร์ปที่มากกว่า 1.0 ถือว่ายอมรับได้ มากกว่า 2.0 ถือว่าแข็งแรง มันช่วยลงโทษกลยุทธ์ที่ได้ผลตอบแทนมาจากความผันผวนที่มากเกินไป

จำนวนการเทรด (ขนาดกลุ่มตัวอย่าง) นี่คือเมตริกที่เทรดเดอร์ส่วนใหญ่มักมองข้าม และเป็นตัวกำหนดว่าเมตริกอื่น ๆ ที่กล่าวมาทั้งหมดจะมีความหมายหรือไม่

ปัญหาเรื่องขนาดกลุ่มตัวอย่าง

หากกลยุทธ์หนึ่งสร้างการเทรด 15 ครั้ง และ 12 ครั้งเป็นการเทรดที่ชนะ อัตราการชนะจะอยู่ที่ 80% ฟังดูดีมาก แต่ก็หมายความว่าเกือบไม่มีความหมายอะไรเลย

ด้วยการเทรดเพียง 15 ครั้ง โอกาสสุ่มสามารถทำให้เกิดอัตราการชนะ 80% จากกลยุทธ์ที่ไม่มีความได้เปรียบจริงได้อย่างง่ายดาย ลองโยนเหรียญที่เที่ยงตรง 15 ครั้ง มีโอกาสประมาณ 3% ที่จะได้หัว 12 ครั้งหรือมากกว่านั้น นั่นไม่ใช่เรื่องที่เกิดขึ้นยากเลย ลองทดสอบกลยุทธ์ 30 กลยุทธ์ที่แตกต่างกัน จะมีสักกลยุทธ์หนึ่งที่ได้ตัวเลขนี้จากความบังเอิญล้วน ๆ

ความมีนัยสำคัญทางสถิติต้องการปริมาณข้อมูลที่มากพอ โดยหลักการคร่าว ๆ คือ:

• ต่ำกว่า 30 การเทรด: ผลลัพธ์นั้นแทบไม่มีความหมายเลย มีขนาดเล็กเกินกว่าจะแยกความแตกต่างระหว่างทักษะกับความบังเอิญได้
• 30-100 การเทรด: เป็นเพียงตัวชี้ทิศทางเท่านั้น กลยุทธ์อาจมีความได้เปรียบ แต่ความเชื่อมั่นยังต่ำ
• 100-200 การเทรด: ผลลัพธ์เริ่มมีข้อมูลที่เป็นประโยชน์ รูปแบบของผลการทำงานเริ่มมีความเสถียร
• 200+ การเทรด: ขั้นต่ำสำหรับความเชื่อมั่นที่สมเหตุสมผล ยิ่งกลุ่มตัวอย่างใหญ่ขึ้น เมตริกต่าง ๆ ก็จะยิ่งใกล้เคียงกับประสิทธิภาพจริงของกลยุทธ์มากขึ้น

นี่คือเหตุผลที่กลยุทธ์ความถี่สูงนั้นตรวจสอบทางสถิติได้ง่ายกว่า ระบบสแคลป์ที่สร้างการเทรด 20 ครั้งต่อวัน สามารถสะสมข้อมูล 1,000 จุดได้ภายในสองเดือน ในขณะที่กลยุทธ์สวิงเทรดที่เทรด 2-3 ครั้งต่อเดือนต้องใช้ข้อมูลหลายปีเพื่อให้ได้ระดับความเชื่อมั่นเดียวกัน

Curve Fitting: กับดักที่จับทุกคนได้

Curve fitting หรือที่เรียกอีกอย่างว่า overfitting คือเหตุผลที่พบบ่อยที่สุดเพียงเหตุผลเดียวที่ทำให้ผลการแบ็กเทสต์ไม่สามารถแปลงไปสู่การเทรดจริงได้ และมันก็เป็นกับดักที่ยากที่สุดที่จะสังเกตเห็นเมื่อเราเป็นคนที่ตกลงไปในกับดักนั้นเอง

Curve fitting เกิดขึ้นเมื่อเทรดเดอร์เพิ่มกฎเกณฑ์ ตัวกรอง หรือการปรับพารามิเตอร์เข้าไปเรื่อย ๆ จนกระทั่งผลการแบ็กเทสต์ดูสมบูรณ์แบบ เกณฑ์การเข้า RSI ถูกปรับจาก 30 เป็น 27 ตัวกรองความผันผวนตัดเดือนที่ทำผลงานแย่ที่สุดสามเดือนออกไป การจำกัดช่วงเวลาของวันตัดเซสชันที่ขาดทุนออก การปรับแต่งแต่ละครั้งช่วยให้ตัวเลขในการแบ็กเทสต์ดีขึ้น แต่การปรับแต่งแต่ละครั้งก็ทำให้กลยุทธ์นั้นเจาะจงกับข้อมูลในอดีตที่ใช้ทดสอบมากขึ้น และมีโอกาสน้อยลงที่จะใช้ได้กับข้อมูลที่ไม่เคยเห็นมาก่อน

ปัญหาหลักคือ: ข้อมูลในอดีตมีทั้งสัญญาณ (รูปแบบตลาดจริงที่เกิดขึ้นซ้ำ ๆ) และสัญญาณรบกวน (เหตุการณ์สุ่มที่เกิดขึ้นเพียงครั้งเดียว) กลยุทธ์ที่แข็งแรงจะจับสัญญาณเอาไว้ ในขณะที่กลยุทธ์ที่ overfit จะจดจำสัญญาณรบกวนไว้แทน

สัญญาณเตือนของกลยุทธ์ที่ overfit:

• กลยุทธ์มีกฎเกณฑ์หรือตัวกรองมากกว่า 5-6 อย่าง
• พารามิเตอร์มีความเจาะจงแบบแปลก ๆ (เข้าที่ 14:37, RSI ที่ 27.3, stop ที่ 1.7 ATR)
• เส้นกราฟทุนราบเรียบผิดปกติ โดยแทบไม่มี drawdown เลย
• อัตราการชนะสูงกว่า 80-85%
• ประสิทธิภาพลดลงอย่างมากเมื่อมีการเปลี่ยนพารามิเตอร์เพียงตัวเดียวเพียงเล็กน้อย
• กลยุทธ์ใช้ได้ผลกับเครื่องมือเพียงตัวเดียวหรือช่วงเวลาเพียงช่วงเดียว

กฎง่าย ๆ ที่มีประโยชน์คือ: หากกลยุทธ์ไม่สามารถทนต่อการเปลี่ยนแปลงพารามิเตอร์หลัก 10-20% โดยไม่พังทลาย แสดงว่ากลยุทธ์นั้นน่าจะ overfit กลยุทธ์ที่แข็งแรงจะไม่ไวต่อการเปลี่ยนพารามิเตอร์ การตัดกันของ SMA ที่ใช้ได้ผลกับคาบเวลา 48/198 ก็ควรใช้ได้ผลตามสมควรกับ 50/200 และ 52/205 หากมันใช้ได้ผลเฉพาะกับค่าผสมที่แน่นอนเพียงชุดเดียว ผลลัพธ์ที่ได้ก็เป็นแค่ผลพลอยได้จากข้อมูล ไม่ใช่การสะท้อนความได้เปรียบที่แท้จริง

การทดสอบในกลุ่มตัวอย่าง (In-Sample) vs. นอกกลุ่มตัวอย่าง (Out-of-Sample)

วิธีป้องกันมาตรฐานสำหรับ curve fitting คือการแบ่งข้อมูลในอดีตออกเป็นสองส่วน

ข้อมูลในกลุ่มตัวอย่าง (In-sample data) ใช้สำหรับพัฒนาและปรับแต่งกลยุทธ์ นี่คือสนามทดลองที่กฎเกณฑ์ถูกทดสอบ พารามิเตอร์ถูกปรับ และกลยุทธ์ค่อย ๆ ก่อรูปขึ้น

ข้อมูลนอกกลุ่มตัวอย่าง (Out-of-sample data) จะถูกเก็บไว้ ไม่แตะต้อง จนกว่ากลยุทธ์จะเสร็จสมบูรณ์ เมื่อกลยุทธ์ถูกล็อคแล้ว จะนำมาทดสอบกับข้อมูลที่สำรองไว้นี้ หากประสิทธิภาพยังคงดีอยู่ ก็มีเหตุผลที่จะมีความเชื่อมั่นได้อย่างระมัดระวัง แต่ถ้ามันพังลง ก็มีความเป็นไปได้สูงว่ากลยุทธ์นั้น overfit กับช่วงข้อมูลในกลุ่มตัวอย่าง

การแบ่งข้อมูลที่พบบ่อยคือ 70/30: พัฒนากลยุทธ์ด้วยข้อมูล 70% และตรวจสอบด้วยข้อมูล 30% เทรดเดอร์บางคนใช้การวิเคราะห์แบบ walk-forward ซึ่งจะปรับแต่งซ้ำ ๆ บนหน้าต่างข้อมูลในกลุ่มตัวอย่างแบบเลื่อนไปเรื่อย ๆ และทดสอบกับส่วนถัดไป ทำให้ได้ผลลัพธ์นอกกลุ่มตัวอย่างหลายชุดในสภาวะตลาดที่แตกต่างกัน

กฎที่สำคัญคือ: ข้อมูลนอกกลุ่มตัวอย่างสามารถใช้ได้เพียงครั้งเดียวเท่านั้น ในทันทีที่เทรดเดอร์เห็นผลลัพธ์นอกกลุ่มตัวอย่างและกลับไปปรับแต่งกลยุทธ์ ข้อมูลชุดนั้นก็จะไม่เป็นข้อมูลนอกกลุ่มตัวอย่างอีกต่อไป มันถูกปนเปื้อนแล้ว นี่เป็นความผิดพลาดที่แยบยลแต่ร้ายแรง และมันเกิดขึ้นอยู่ตลอดเวลา

อคติของข้อมูลที่ทำให้ผลลัพธ์ดูดีเกินจริง

แม้แต่การแบ็กเทสต์ที่มีโครงสร้างถูกต้องก็สามารถให้ผลลัพธ์ที่ทำให้เข้าใจผิดได้ หากข้อมูลที่ใช้อยู่มีความบกพร่อง

อคติจากผู้อยู่รอด (Survivorship Bias)

ฐานข้อมูลหุ้นส่วนใหญ่มีเพียงบริษัทที่ยังคงมีอยู่ในปัจจุบันเท่านั้น บริษัทหลายร้อยแห่งที่ล้มละลาย ถูกถอนออกจากตลาด หรือถูกซื้อในราคาถูกจนแทบไม่มีค่าไม่ได้รวมอยู่ในฐานข้อมูล การแบ็กเทสต์กับ "หุ้นใน S&P 500" โดยใช้รายชื่อบริษัทปัจจุบันจึงไม่ได้ทดสอบกับ S&P 500 ตามที่มันเคยเป็นในอดีตจริง ๆ แต่เป็นการทดสอบกับรายชื่อบริษัทที่รอดชีวิตซึ่งถูกคัดเลือกไว้แล้ว สิ่งนี้ทำให้ผลตอบแทนสูงเกินจริงอย่างเป็นระบบ และทำให้กลยุทธ์ดูดีกว่าที่มันจะแสดงผลได้จริงในเวลานั้น

อคติจากการมองไปข้างหน้า (Look-Ahead Bias)

อคติจากการมองไปข้างหน้าเกิดขึ้นเมื่อการแบ็กเทสต์ใช้ข้อมูลที่ไม่มีอยู่ในเวลาที่ทำการเทรดจริง ตัวอย่างเช่น การใช้ข้อมูลเศรษฐกิจที่ถูกแก้ไขแล้ว (ตัวเลข GDP มักถูกปรับปรุงเป็นประจำในหลายเดือนต่อมา) การใช้อินดิเคเตอร์ที่คำนวณจากข้อมูลทั้งหมด หรือการเข้าเทรดโดยอ้างอิงราคาปิดของวันซึ่งในความเป็นจริงยังไม่มีใครรู้จนกว่าเซสชันจะปิด

ในการแบ็กเทสต์แบบอัตโนมัติ อคติจากการมองไปข้างหน้ามักแอบเข้ามาผ่านข้อผิดพลาดในการเขียนโค้ด สคริปต์ที่คำนวณสัญญาณจากข้อมูลของแท่ง N และเข้าเทรดที่แท่ง N (แทนที่จะเป็นแท่ง N+1) จะมีอคติจากการมองไปข้างหน้าฝังอยู่ในทุกสัญญาณ

การละเลยสเปรดและค่าคอมมิชชั่น

การแบ็กเทสต์จำนวนไม่น้อยตั้งสมมติฐานว่าค่าใช้จ่ายในการทำธุรกรรมเป็นศูนย์ สำหรับสวิงเทรดเดอร์ที่เทรด 3-4 ครั้งต่อเดือน สิ่งนี้อาจไม่เปลี่ยนแปลงผลลัพธ์อย่างมีนัยสำคัญ แต่สำหรับสแคลเปอร์ที่เทรด 20 ครั้งต่อวัน แม้แต่สเปรด 1 pip ต่อการเทรดก็สามารถเปลี่ยนระบบที่ทำกำไรให้กลายเป็นระบบที่ขาดทุนได้ ควรใส่สเปรด ค่าคอมมิชชั่น และค่าประมาณของ slippage ที่สมจริงเสมอ หากไม่แน่ใจ ให้ประมาณค่าใช้จ่ายสูงเกินไปดีกว่าประมาณต่ำเกินไป

Forward Testing: สะพานเชื่อมไปสู่การเทรดจริง

กลยุทธ์ที่ผ่านการแบ็กเทสต์และการตรวจสอบนอกกลุ่มตัวอย่างแล้วยังมีอุปสรรคอีกขั้นหนึ่งก่อนที่มันจะควรค่าแก่การนำเงินทุนจริงมาใช้: การทำ forward testing หรือที่รู้จักกันในชื่อ paper trading

Forward testing คือการเทรดกลยุทธ์ในเวลาจริงบนบัญชีทดลองหรือด้วยการเติมออร์เดอร์แบบจำลอง แตกต่างจากการแบ็กเทสต์ forward testing เกิดขึ้นกับข้อมูลที่กลยุทธ์ไม่เคยเห็นมาก่อน ในสภาวะตลาดที่กำลังเกิดขึ้นจริงในเวลานั้น มันทดสอบไม่เพียงแค่ตรรกะของกลยุทธ์ แต่ยังทดสอบความเป็นจริงในการดำเนินการเทรดด้วย: เทรดเดอร์สามารถระบุสัญญาณได้ในเวลาจริงหรือไม่? การเติมออร์เดอร์สมจริงหรือไม่? กลยุทธ์ยังใช้ได้ผลอยู่หรือไม่เมื่อไม่มีความสามารถในการเลื่อนไปข้างหน้าและมองดูว่าจะเกิดอะไรขึ้นต่อไป?

ระยะเวลาขั้นต่ำของ forward testing ขึ้นอยู่กับกรอบเวลาของกลยุทธ์ กลยุทธ์เดย์เทรดควรทำ forward test อย่างน้อย 1-2 เดือน ในขณะที่กลยุทธ์สวิงเทรดต้องใช้เวลา 3-6 เดือนเพื่อสะสมข้อมูลการเทรดให้เพียงพอ เป้าหมายไม่ใช่การให้ผลลัพธ์ตรงกับผลการแบ็กเทสต์เป๊ะ ๆ แต่เป็นการยืนยันว่ากลยุทธ์ทำงานอยู่ในช่วงที่สมเหตุสมผลตามที่คาดการณ์ไว้จากการแบ็กเทสต์ โดยคำนึงถึงความแปรผันตามปกติของการกำหนดขนาดโพซิชั่นและการดำเนินการเทรด

ผลลัพธ์ที่สมจริงมีลักษณะอย่างไร

หนึ่งในสิ่งที่มีประโยชน์ที่สุดที่การแบ็กเทสต์สอนให้เราได้คือการปรับมาตรฐานความคาดหวัง เทรดเดอร์ที่ไม่เคยแบ็กเทสต์มักมีความคาดหวังที่ไม่สมจริงอย่างมาก ในขณะที่เทรดเดอร์ที่แบ็กเทสต์อย่างละเอียดจะรู้ว่าความได้เปรียบที่แท้จริงมีลักษณะอย่างไร และมันมักจะดูธรรมดา

กลยุทธ์ที่มีอัตราการชนะ 50-60% และปัจจัยกำไรระหว่าง 1.3 ถึง 2.0 นั้นถือว่าแข็งแรงจริง ๆ อาจฟังดูไม่น่าตื่นเต้น แต่เมื่อทำการทบทวีจากการเทรดหลายร้อยครั้งด้วยการบริหารความเสี่ยงอย่างมีวินัย มันจะสร้างผลตอบแทนที่มีความหมายได้ กลยุทธ์ที่มีอัตราการชนะ 90% ขึ้นไปมักจะมีความเสี่ยงแอบแฝงอยู่: พวกมันชนะจำนวนเล็ก ๆ บ่อย ๆ แล้วเสียมันทั้งหมด (และมากกว่า) กลับไปในการขาดทุนที่หายากแต่ร้ายแรง กลยุทธ์การขายออปชั่นเป็นตัวอย่างคลาสสิกของรูปแบบนี้

การแบ็กเทสต์ที่ดีไม่ได้พิสูจน์ว่ากลยุทธ์จะได้ผล มันพิสูจน์ว่ากลยุทธ์นั้นควรค่าแก่การทดสอบต่อไป เป้าหมายไม่ใช่ความแน่นอน แต่เป็นความเชื่อมั่นที่มีข้อมูลรองรับ

ความผิดพลาดที่พบบ่อยในการแบ็กเทสต์

นอกเหนือจากกับดักสำคัญที่กล่าวไปแล้ว ข้อผิดพลาดเหล่านี้มักบั่นทอนคุณภาพของการแบ็กเทสต์อยู่เป็นประจำ:

• ทดสอบในช่วงเวลาที่สั้นเกินไป กลยุทธ์ที่ทดสอบเฉพาะในตลาดกระทิงไม่เคยถูกทดสอบภายใต้ความเครียดจริง ๆ ควรใช้ข้อมูลที่ครอบคลุมวัฏจักรตลาดอย่างน้อยหนึ่งรอบเต็ม: กระทิง หมี และช่วงไซด์เวย์
• ปรับให้สมบูรณ์แบบเกินไป ชุดพารามิเตอร์ที่ดีที่สุดในการแบ็กเทสต์มักไม่ใช่ชุดพารามิเตอร์ที่ดีที่สุดในอนาคต ควรมุ่งเน้นความแข็งแรง ไม่ใช่ความสมบูรณ์แบบ
• มองข้ามการเปลี่ยนแปลงของระบอบตลาด กลยุทธ์ตามแนวโน้มที่แบ็กเทสต์ในช่วงตลาดที่มีแนวโน้มชัดเจนจะดูยอดเยี่ยม คำถามคือมันทำงานอย่างไรในช่วงที่ตลาดไซด์เวย์ ควรทดสอบในสภาวะตลาดที่แตกต่างกัน
• สมมติว่าการเติมออร์เดอร์เป็นไปในทันที ในการเทรดจริง คำสั่ง limit อาจไม่ถูกเติม และคำสั่ง market อาจเกิด slippage ควรใส่สมมติฐานการเติมออร์เดอร์ที่สมจริง โดยเฉพาะในช่วงที่ตลาดผันผวน
• แบ็กเทสต์โดยไม่มีสมมติฐาน การทดสอบชุดผสมของอินดิเคเตอร์และพารามิเตอร์แบบสุ่มไปเรื่อย ๆ จนกว่าจะเจอสิ่งที่ได้ผลนั้นคือการขุดข้อมูล (data mining) ไม่ใช่การพัฒนากลยุทธ์ ควรเริ่มต้นด้วยเหตุผลเชิงตรรกะว่าทำไมกลยุทธ์นี้ควรได้ผล จากนั้นจึงทดสอบว่าข้อมูลสนับสนุนสมมติฐานนั้นหรือไม่

ประเด็นสำคัญที่ควรจดจำ

การแบ็กเทสต์ไม่ใช่ทางลัดสู่การเทรดที่ทำกำไร แต่เป็นกระบวนการในการแยกกลยุทธ์ที่ควรได้รับการทดสอบต่อไปออกจากกลยุทธ์ที่ควรทิ้งไป หากทำอย่างถูกวิธี มันจะช่วยให้เทรดเดอร์ประหยัดเวลาหลายเดือนและเงินทุนจำนวนมากจากการเสียเวลาไปกับไอเดียที่ไม่ผ่านการตรวจสอบอย่างเข้มงวด

• การแบ็กเทสต์แบบแมนวลสร้างสัญชาตญาณ ในขณะที่การแบ็กเทสต์แบบอัตโนมัติสร้างความเชื่อมั่นทางสถิติ เทรดเดอร์ที่จริงจังส่วนใหญ่ใช้ทั้งสองวิธีร่วมกัน
• ขนาดกลุ่มตัวอย่างคือทุกอย่าง ผลลัพธ์จากการเทรดน้อยกว่า 30 ครั้งเป็นเพียงสัญญาณรบกวน ควรมุ่งเป้าที่การเทรด 200 ครั้งขึ้นไปเพื่อให้ได้ข้อมูลที่มีความหมาย
• Curve fitting เป็นผลลัพธ์ตามธรรมชาติของการปรับแต่งโดยไม่มีการควบคุม ต่อสู้กับมันด้วยการทดสอบนอกกลุ่มตัวอย่าง การวิเคราะห์ความไวของพารามิเตอร์ และการประเมินตัวเองอย่างตรงไปตรงมา
• Forward testing ไม่ใช่เรื่องที่เลือกทำหรือไม่ทำก็ได้ มันคือขั้นตอนการตรวจสอบสุดท้ายก่อนที่จะนำเงินทุนจริงมาเสี่ยง
• ความได้เปรียบที่สมจริงนั้นมีขนาดเล็ก อัตราการชนะ 55% ด้วยปัจจัยกำไร 1.5 คือกลยุทธ์ที่ควรค่าแก่การเทรด ในขณะที่อัตราการชนะ 95% ด้วยปัจจัยกำไร 5.0 นั้นแทบจะแน่นอนว่าดีเกินจริง

ข้อจำกัดความรับผิดชอบ: เนื้อหานี้มีไว้เพื่อการศึกษาเท่านั้น และไม่ถือเป็นคำแนะนำทางการเงิน การเทรดมีความเสี่ยงสูงที่จะขาดทุน ผลการดำเนินงานในอดีตไม่ได้เป็นการรับประกันผลลัพธ์ในอนาคต