ट्रेडिंग रणनीति के लिए बैकटेस्टर विकसित करने से पहले आपको क्या जानना चाहिए: विशिष्ट समस्याएं, सिस्टम के प्रकार और उनके पैरामीटर

क्वांटस्टार्ट पोर्टल के संपादकों ने इस बारे में सामग्री लिखी कि आपको क्या पता होना चाहिए जब आप ट्रेडिंग रणनीतियों के परीक्षण के लिए अपना सिस्टम विकसित करना शुरू करते हैं। हमने पहले ब्लॉग में लेख में उठाए गए कुछ मुद्दों की जांच की, इसलिए इस बार हमने उन समस्याओं के बारे में शोधकर्ता की अनुकूलित रिटेलिंग तैयार की, जो डेवलपर्स समस्याओं का सामना कर रहे हैं, विभिन्न प्रकार के बैकस्ट के बीच क्या अंतर है, और उनके पेशेवरों और विपक्ष क्या हैं।

Backtester क्या है

बैकस्टेस्ट वित्तीय उपकरणों की कीमतों पर ऐतिहासिक डेटा के एक सेट के लिए एक व्यापारिक रणनीति के नियमों का अनुप्रयोग है। दृष्टिकोण का सार यह है कि यदि हम किसी स्थिति (खरीदने / बेचने) में प्रवेश करने और बाहर निकलने के क्षण का निर्धारण करने के लिए एक तंत्र विकसित करते हैं, उदाहरण के लिए, एक निश्चित पोर्टफोलियो से स्टॉक, और परिणामी नियमों को ऐतिहासिक डेटा पर लागू करते हैं, तो यह ट्रेडिंग रणनीति की उत्पादकता का एक विचार देगा "अतीत में"। "।

किसी ने एक बार कहा था कि "सभी मॉडल गलत हैं, लेकिन कुछ उपयोगी हैं।" बैकिंग के लिए यह वाक्यांश बहुत अच्छा है। वित्तीय रणनीतियों के ऐतिहासिक परीक्षण के लिए सिस्टम यह निर्धारित करने में मदद करते हैं कि वास्तविक ट्रेडिंग के लिए नियमों के मौजूदा सेट को लागू करना उचित है या नहीं। अगर हम जानते हैं कि कोई रणनीति अतीत में कैसे व्यवहार कर सकती है, तो यह वास्तविक वित्तीय घाटे की आवश्यकता के बिना खराब रणनीतियों को फ़िल्टर करने में मदद करेगी।

समस्या यह है कि एक्सचेंज पर वास्तविक ट्रेडिंग के परिणामों से बैकिंग परिणाम का कोई लेना-देना नहीं है। यह सिर्फ वास्तविकता का एक मॉडल है। एक मॉडल जिसमें अक्सर कई धारणाएं होती हैं।

बैकस्टर्स के दो मुख्य प्रकार हैं - लूप और ईवेंट-चालित।

ऐसी प्रणालियों को विकसित करते समय, सटीकता और कार्यान्वयन जटिलता के बीच एक समझौता की आवश्यकता होती है। ये दो प्रकार के बैकटेस्टर इस तरह के एक समझौते के लिए विकल्पों की पूरी श्रृंखला का प्रतिनिधित्व करते हैं।

चुनौतीपूर्ण चुनौतियां

ऐतिहासिक डेटा पर परीक्षण में बहुत मुश्किलें हैं। वे सभी इस तथ्य से जुड़े हुए हैं कि पूरी प्रक्रिया केवल वास्तविकता का अनुकरण है। यहाँ उनमें से कुछ ही हैं:

• इन-सैंपल परीक्षण - एक समस्या तब उत्पन्न होती है जब प्रशिक्षण मॉडल के लिए एक ही डेटा का उपयोग किया जाता है और उनके आगे के परीक्षण के लिए। इस मामले में, दिखाए गए उत्पादकता में काफी गिरावट आई है - क्योंकि परिणाम पहले से ज्ञात डेटा सिस्टम पर प्राप्त किया गया है। वास्तविकता में, डेटा अक्सर प्रशिक्षण से काफी भिन्न होगा। वास्तव में, यह रिट्रेनिंग का एक रूप है।
• उत्तरजीवी की गलती - स्टॉक सूचकांकों (उदाहरण के लिए, एस एंड पी 500) को एक लिस्टिंग और मौजूदा प्रक्रिया की विशेषता होती है जब कुछ स्टॉक और वित्तीय उपकरण दिखाई देते हैं या उन्हें बाहर रखा जाता है। यदि बैकिंग के दौरान इन परिवर्तनों को ध्यान में नहीं रखा जाता है, तो कम पूंजीकरण के कारण सूचकांक से बाहर रखी गई कंपनियों के शेयरों को ध्यान में नहीं रखने वाली रणनीति को सफल माना जा सकता है। इस तरह की समस्याओं से बचने के लिए, लंबे समय तक बैकस्टेस चलाते समय, आपको डेटा का उपयोग करने की आवश्यकता होती है जो उत्तरजीवी की त्रुटि के अधीन नहीं है।
• भविष्यवाणियों की त्रुटियां (आगे का पूर्वाग्रह) - भविष्य का डेटा भी पीछे के परिणाम को प्रभावित कर सकता है। उदाहरण के लिए, उस मामले पर विचार करें जब एक निश्चित समय अंतराल पर एक रेखीय प्रतिगमन सूचकांक की गणना की जाती है। यदि इस संकेतक का उपयोग उसी नमूने में किया जाता है, तो यह पता चलता है कि भविष्य का डेटा इसमें घुस गया है, जिसका अर्थ है कि रणनीति की परिणामी उत्पादकता में काफी कमी आई है। इवेंट-ओरिएंटेड बैकटेस्टर इस समस्या को हल करने में मदद करते हैं।
• बाजार की स्थितियों में बदलाव - वित्तीय बाजार पैरामीटर स्थिर नहीं हैं। इसका मतलब यह है कि स्टॉक मूल्य आंदोलनों के परिणामस्वरूप होने वाली प्रक्रियाएं उन मापदंडों पर भरोसा नहीं करती हैं जो समय के साथ स्थिर होती हैं। यह तथ्य पैरामीटर किए गए मॉडल के सामान्यीकरण को जटिल बनाता है (कई व्यापारिक रणनीतियाँ ऐसी रणनीतियों के विशेष मामले हैं), जो इस तथ्य की ओर जाता है कि ऐतिहासिक डेटा पर रणनीति की प्रभावशीलता वास्तविक व्यापार की तुलना में बहुत बेहतर है।
• लेन-देन की लागत - कई चक्रीय बैकटेस्टर लेन-देन की लागत, जैसे कि विभिन्न शुल्क और शुल्क के बारे में भी सबसे बुनियादी जानकारी को ध्यान में नहीं रखते हैं। अक्सर, वैज्ञानिक पत्रों के लेखक पाप करते हैं जो इस तरह के trifles को रोकना पसंद नहीं करते हैं। एक ऐसी रणनीति खोजना जो बिना किसी लागत के आदर्श परिस्थितियों में बहुत लाभदायक हो, बहुत आसान है। समस्या यह है कि वास्तविक परिस्थितियों में व्यापार करते समय, ऐसी रणनीतियाँ गहराई से लाभहीन हो सकती हैं। प्रसार, बाजार की स्थिति, विभिन्न शुल्क, स्लिपेज (अत्यधिक अस्थिर संपत्ति वाले लेनदेन में, लेन-देन की वास्तविक कीमत इससे भिन्न हो सकती है, जो कि आवेदन करते समय - दोनों के अनुकूल दिशा में और नकारात्मक में) से भिन्न हो सकती है।

ऐसे अन्य मुद्दे भी हैं जिन पर अक्सर चर्चा नहीं की जाती है, लेकिन फिर भी एक गुणवत्ता बैकटेस्टर बनाने के लिए बेहद महत्वपूर्ण है। उनमें से हैं:

• ओएचएलसी डेटा उद्घाटन मूल्य, ट्रेडिंग सत्र के दौरान एक वित्तीय साधन की उच्चतम कीमत, इसकी न्यूनतम कीमत और ट्रेडिंग अवधि के समापन मूल्य (ओपन-हाई-लो-क्लोज चार्ट, ओएचएलसी) के बारे में जानकारी है। यह आमतौर पर याहू फाइनेंस जैसे स्रोतों से आयात किया जाता है। इस मामले में, यह विभिन्न डेटा फीड्स का एक संयोजन हो सकता है। इसका मतलब है कि वास्तविक समय की ट्रेडिंग प्रणाली के लिए अत्यधिक मूल्य (उच्च और निम्न मूल्यों सहित) प्राप्त करना मुश्किल होगा। इसके लिए ट्रेडिंग मॉडल को भी ध्यान में रखना होगा।
• कैपेसिटिव सीमाएं - बैकिंग एक अनन्त धन की आपूर्ति का उपयोग करने के लिए लुभाती है। वास्तव में, ट्रेडिंग के लिए उपलब्ध निधियों की मात्रा हमेशा सीमित होती है (मार्जिन ट्रेडिंग के लिए उधार ली गई धनराशि की संभावित राशि)। यह भी महत्वपूर्ण है कि औसत दैनिक ट्रेडिंग वॉल्यूम सीमा (औसत दैनिक वॉल्यूम, एडीवी) के बारे में मत भूलना, विशेष रूप से कम-तरल शेयरों के लिए, जब जोखिम अधिक होता है कि ट्रेडिंग सिस्टम मूल्य में वास्तविक बदलाव का नेतृत्व करेगा। इस बाजार प्रभाव पर भी विचार किया जाना चाहिए।
• बेंचमार्क चयन - यह इस सवाल का जवाब देने के लिए आवश्यक है कि क्या बेंचमार्क सही ढंग से चुना गया है जिसके साथ परीक्षण की गई रणनीति की तुलना की जाएगी। उदाहरण के लिए, यदि आप कमोडिटी फ्यूचर्स का व्यापार करते हैं जो S & P500 इंडेक्स के लिए तटस्थ हैं, तो क्या यह बेंचमार्क के रूप में इस इंडेक्स का उपयोग करने लायक है? यह संभावना है कि अन्य कमोडिटी फंड की एक टोकरी एक अधिक उपयुक्त विकल्प होगी।
• मजबूतता - यदि आप बैकस्ट के दौरान रणनीति के शुरुआती समय को बदलते हैं, तो इसका परिणाम कितना प्रभावित होता है? लंबी अवधि की रणनीतियों के लिए, उनके काम का आरंभ समय गंभीरता से उत्पादकता को प्रभावित नहीं करना चाहिए - इससे कोई फर्क नहीं पड़ता कि पिछले सोमवार या गुरुवार को शुरू हुआ था। यदि यह प्रारंभिक स्थितियों के प्रति बहुत संवेदनशील है, तो इसका मतलब है कि वास्तविक ट्रेडिंग की शुरुआत में इसकी संभावित उत्पादकता का अनुमान लगाने का कोई तरीका नहीं है।
• रिट्रेनिंग और विचरण - हमने पहले ही ऊपर दिए गए मुद्दों को फिर से छुआ है, लेकिन यह मशीन सीखने के सभी पर्यवेक्षित तरीकों में निहित एक व्यापक समस्या है। यह समस्या केवल क्रॉस-सत्यापन तकनीकों के सावधानीपूर्वक उपयोग से हल की जा सकती है। और इस मामले में भी, किसी को टेस्ट डेटा सेट में शोर करने के लिए रणनीतियों का पालन करते समय बेहद सावधानी बरतनी चाहिए।
• मनोवैज्ञानिक सहिष्णुता - स्वचालित ट्रेडिंग सिस्टम बनाते समय मनोविज्ञान की अक्सर अनदेखी की जाती है, क्योंकि इसके प्रभाव को एल्गोरिदम द्वारा कम से कम किया जाना चाहिए। हालांकि, लोग मानवीय बने रहते हैं, भले ही वे हाथों से नहीं, बल्कि रोबोट की मदद से व्यापार करते हों। परिणामस्वरूप, यह परिणामों को प्रभावित कर सकता है। उदाहरण के लिए, यदि बैकस्टेस्ट के दौरान 50% की जमा राशि की कमी एक स्वीकार्य जोखिम हो सकती है, तो वास्तव में संपत्ति के आधे मूल्य का नुकसान अधिक दर्दनाक अनुभव होता है। ऐसी स्थिति में अनियोजित कार्यों का विरोध करना आसान नहीं है।

इतिहास पर परीक्षण की समस्याओं के साथ, अब हम इस तरह के परीक्षणों के लिए सिस्टम के विवरण की ओर मुड़ते हैं।

दो प्रकार के बैक टेस्टर

सबसे पहले, चक्रीय प्रणालियों पर विचार करें। यह सबसे सरल प्रकार का बैकटेस्टर है जो कि विभिन्न वित्त ब्लॉग पोस्टों में सबसे अधिक बार वर्णित है।

लूप बैकस्ट

वे इस तरह से काम करते हैं - सिस्टम बस प्रत्येक व्यापारिक दिन (या ओएचएलसी बार) के माध्यम से पुनरावृत्ति करता है, वांछित संपत्ति की कीमत से संबंधित गणना करता है (उदाहरण के लिए, चलती औसत कीमतों की गणना करता है), और फिर संबंधित ऑपरेशन (एक लंबी या छोटी स्थिति में प्रवेश) करता है। आगे पुनरावृत्तियों जारी है। इस प्रक्रिया में, परिणामस्वरूप ग्राफ (इक्विटी वक्र) बनाने के लिए प्रदर्शन के बारे में जानकारी संग्रहीत की जाती है।
यह इस तरह के एक एल्गोरिथ्म के छद्म कोड की तरह दिखता है:

for each trading bar: do_something_with_prices(); buy_sell_or_hold_something(); next_bar();PythonCopy 

जैसा कि आप देख सकते हैं, सिस्टम बेहद सरल है, जो इस तरह के बैक टेस्टर को ट्रेडिंग सिस्टम की संभावनाओं के बारे में पहला अनुमान प्राप्त करने के लिए एक उत्कृष्ट विकल्प बनाता है।

आकर्षण आते हैं

लगभग किसी भी प्रोग्रामिंग भाषा का उपयोग करके लागू करने के लिए चक्रीय बैकटेस्टर बहुत सरल है, और इसे जल्दी से करें। यह उपयोगी है जब आप कई अलग-अलग मापदंडों के प्रभाव का परीक्षण करना चाहते हैं।

विपक्ष

मुख्य नुकसान अवास्तविक परिणाम है। अक्सर चक्रीय बैकस्टर्स में लेनदेन की लागतों के लिए लेखांकन के लिए एक बुनियादी कार्यक्षमता भी नहीं होती है, इसे अलग से लागू करना पड़ता है। इसके अलावा आमतौर पर इस्तेमाल किए जाने वाले बाजार केवल ऑर्डर हैं।

इसके अलावा, एक परीक्षण और उत्पादक प्रणाली के लिए कोड का पुन: उपयोग करने की संभावना न्यूनतम है, इसलिए आपको इसे फिर से लिखना होगा। इससे सॉफ़्टवेयर त्रुटियों की संभावना बढ़ जाती है।

लूपबैक परीक्षक भविष्यवाणी त्रुटियों से ग्रस्त हैं। उन्हें स्पष्ट रूप से असफल रणनीतियों को खारिज करने के लिए विशेष रूप से एक फ़िल्टरिंग उपकरण के रूप में उपयोग किया जाना चाहिए। इसी समय, रणनीतियों के बारे में बेहद संदेहपूर्ण रहना महत्वपूर्ण है जिन्होंने अच्छे परिणाम दिखाए हैं। यह याद रखना महत्वपूर्ण है कि वास्तविक जीवन में, रणनीति एक बैकटेस्ट के दौरान शायद ही कभी बेहतर प्रदर्शन करती है।

इवेंट ओरिएंटेड सिस्टम

इस प्रकार के सिस्टम स्पेक्ट्रम के विपरीत दिशा में हैं। वे वास्तविकता के बहुत करीब हैं। आमतौर पर वे लूप में काम करते हैं, जिसके दौरान "ईवेंट" लगातार एक विशेष "ईवेंट कतार" में खोजा जाता है, जिसमें शामिल हैं:

• टिक - नए बाजार डेटा का उद्भव;
• सिग्नलिंग इवेंट - ट्रेडिंग सिग्नल की उपस्थिति;
• आदेश घटना - एक लेनदेन को पूरा करने के लिए एक आदेश दलाल प्रणाली को भेजा जाने के लिए तैयार है;
• लेनदेन की घटना - आवेदन के निष्पादन पर सूचना के दलाल से रसीद।

जब एक निश्चित घटना को मान्यता दी जाती है, तो इसे आगे की प्रक्रिया के लिए ट्रेडिंग सिस्टम के बुनियादी ढांचे में संबंधित मॉड्यूल को प्रेषित किया जाता है और संभावित रूप से फिर से कतार में आने वाली नई घटनाओं को उत्पन्न करता है।

ऐसे बैकटेस्टर का छद्म कोड निम्नानुसार है:

 while event_queue_isnt_empty(): event = get_latest_event_from_queue(); if event.type == "tick": strategy.calculate_trading_signals(event); else if event.type == "signal": portfolio.handle_signal(event); else if event.type == "order": portfolio.handle_order(event); else if event.type == "fill": portfolio.handle_fill(event) sleep(600); # Sleep for, say, 10 minsPythonCopy 

जैसा कि आप देख सकते हैं, सिस्टम पोर्टफोलियो प्रोसेसिंग मॉड्यूल पर बेहद निर्भर है - यह घटना-उन्मुख प्रणालियों में वास्तविक दिल है।

आकर्षण आते हैं

इस प्रकार के बैकटेस्टर के कई फायदे हैं:

• पूर्वानुमान त्रुटियों की संभावना को कम करना - संरचना के कारण, जो संदेशों के चरणबद्ध प्रसारण को मानता है, पूर्वानुमान-उन्मुख त्रुटियों की घटना-उन्मुख प्रणालियों में होने की संभावना कम से कम ट्रेडिंग स्तर पर होती है। हालांकि, उनकी घटना की संभावना अभी भी संरक्षित है, क्योंकि त्रुटियों को मॉडल में ही शामिल किया जा सकता है।
• कोड का पुन: उपयोग करने की क्षमता - वास्तविक व्यापार में रणनीति का उपयोग करने के लिए, आपको केवल डेटा प्रोसेसिंग मॉड्यूल और ऑर्डर निष्पादन इंजन को बदलने की आवश्यकता है। रणनीति का वर्णन, जोखिम प्रबंधन और स्थिति प्रबंधन का मॉड्यूल, सिस्टम की उत्पादकता का आकलन करने के लिए एक कोड - यह सब परिवर्तन के साथ उपयोग किया जा सकता है। यह नए कीड़े की संभावना को कम करता है।
• पोर्टफोलियो स्तर - इवेंट-चालित रणनीतियों को पोर्टफोलियो स्तर पर सोचना आसान हो जाता है। अंततः, इससे रणनीति में बदलाव करने और हेजिंग विधियों को विकसित करना आसान हो जाता है।
• "सही" जोखिम प्रबंधन - ऐसी प्रणालियों में जोखिम प्रबंधन को "मॉड्यूलेट" करना आसान है। एक व्यापारी आसानी से केली मानदंड जैसी तकनीकों का उपयोग कर सकता है, और इसमें विभिन्न अलर्ट, निर्धारित सीमाएं (उदाहरण के लिए, अस्थिरता पर) भी शामिल हैं।
• रिमोट परिनियोजन और निगरानी - कोड लिखने का मॉड्यूलर सिद्धांत क्लाउड में अपनी तैनाती को सरल बनाता है या एक्सचेंज कोलोलेशन स्कीम के अनुसार।

विपक्ष

घटना-उन्मुख प्रणालियों के फायदे समझ में आते हैं, लेकिन कुछ नुकसान भी हैं। उनमें से हैं:

• कॉम्प्लेक्स कोड - परीक्षणों द्वारा पूरी तरह से कवर की गई प्रणाली को विकसित करने में पूर्णकालिक मोड में हफ्तों और महीनों का समय लगेगा।
• ऑब्जेक्ट ओरिएंटेशन - सिस्टम के मॉड्यूलर डिजाइन को प्रोग्रामिंग के लिए ऑब्जेक्ट ओरिएंटेड दृष्टिकोण की आवश्यकता होती है। इसलिए, हमें इन सिद्धांतों का समर्थन करने वाली भाषा की आवश्यकता है। यूनिट परीक्षण से कोई आसानी नहीं होगी।
• उच्च प्रवेश दहलीज - प्रोग्रामिंग के लिए एक नवागंतुक इस तरह की प्रणाली बनाने में सक्षम नहीं होगा। महत्वपूर्ण इंजीनियरिंग अनुभव की आवश्यकता होगी, जो लेखन कोड से निपटने, लॉगिंग को लागू करने, इकाई परीक्षणों का संचालन करने, संस्करण नियंत्रण और निरंतर एकीकरण प्रथाओं को लागू करने के लिए संभव होगा।
• कम गति - एक दृष्टिकोण जिसमें सिस्टम के भीतर संदेश क्रमिक रूप से अपने विभिन्न स्तरों पर प्रसारित होते हैं, वेक्टरकृत चक्रीय दृष्टिकोण के साथ तुलना में अनुप्रयोगों के निष्पादन की गति को धीमा कर देता है। मापदंडों के विभिन्न संयोजनों की गणना समय लेने वाली हो सकती है।

आईटीआई कैपिटल से अन्य वित्तीय और शेयर बाजार से संबंधित सामग्री:

• विश्लेषण और बाजार की समीक्षा
• भविष्य में वापस: ऐतिहासिक डेटा का उपयोग करके एक ट्रेडिंग रोबोट के प्रदर्शन की जांच करना
• घटना-चालित पायथन बैकिंग स्टेप बाय स्टेप ( भाग 1 , भाग 2 , भाग 3 , भाग 4 , भाग 5 )