A chi serve — A chi interpreta win rate, expectancy, profit factor o Sharpe ratio e deve capire quanta informazione sostenga davvero la stima, oltre al semplice conteggio delle operazioni.
La dimensione del campione è il numero di osservazioni usate per stimare una quantità. Nel trading, però, non coincide necessariamente con il numero di trade. Operazioni simultanee sullo stesso fattore, segnali sovrapposti, rendimenti autocorrelati o molte posizioni nate dallo stesso evento possono contenere informazione fortemente ripetuta.
La domanda utile non è “quanti trade servono?”, ma: con quale precisione si può stimare questa metrica, sotto quali dipendenze e per quale decisione? Non esiste una soglia universale che renda stabili le metriche. La numerosità necessaria cambia con dispersione e asimmetria dei payoff, frequenza delle perdite estreme, autocorrelazione, orizzonte, eterogeneità dei regimi, numero di strategie provate e livello di incertezza accettabile.
Osservazione, trade e unità informativa
| Conteggio | Che cosa misura | Perché può ingannare |
|---|---|---|
| Trade | Aperture/chiusure secondo il registro operativo | Più trade possono condividere segnale, periodo o rischio |
| Barre | Intervalli di prezzo nel dataset | Le barre possono essere autocorrelate o sovrapposte alle label |
| Giorni di rendimento | Osservazioni della serie del portafoglio | Posizioni multi-day inducono dipendenza e smoothing |
| Eventi | Annunci, ribilanciamenti o occasioni distinte | Eventi dello stesso regime possono non essere indipendenti |
| Strategie provate | Alternative entrate nella selezione | Aumentano la probabilità di scegliere un vincitore casuale |
L'unità deve essere coerente con la metrica. Il win rate riguarda esiti per
trade; lo Sharpe è normalmente calcolato su rendimenti periodici; il drawdown
dipende dall'intero percorso. Convertire ogni metrica in una regola basata sullo
stesso N cancella differenze importanti.
Dipendenza e campione effettivo
Sotto ipotesi indipendenti e identicamente distribuite, l'errore standard della
media diminuisce in proporzione a 1/√N. Questa relazione è un riferimento
teorico, non un lasciapassare automatico. Con dipendenza seriale la varianza
della media include anche le autocovarianze. Una rappresentazione diagnostica,
valida sotto specifiche condizioni di stazionarietà e troncamento, è:
N_eff ≈ N / (1 + 2 × Σ ρ_k)dove ρ_k indica l'autocorrelazione ai ritardi considerati. Non è una formula
universale per “correggere” ogni backtest: rende visibile perché N grezzo e
informazione effettiva possono divergere. Dipendenza negativa, code pesanti,
regimi e statistiche non lineari richiedono trattamenti diversi.
Per stimare l'incertezza si possono usare errori standard coerenti con la dipendenza, bootstrap a blocchi o simulazioni costruite sul processo studiato. Il metodo e la lunghezza dei blocchi devono essere motivati. Ricampionare trade come se fossero indipendenti non ripara automaticamente la struttura temporale.
La precisione dipende dalla metrica
Per un win rate idealizzato come proporzione binomiale, l'incertezza dipende anche dal valore della probabilità stimata. Ma i trade reali possono non essere indipendenti e il win rate ignora la dimensione dei profitti e delle perdite. Expectancy e profit factor sono sensibili alle code; pochi payoff eccezionali possono dominarli. La massima perdita e il drawdown osservati sono estremi del campione, non limiti garantiti per il futuro.
Lo Sharpe ratio richiede particolare cautela: frequenza, autocorrelazione, asimmetria e curtosi influenzano annualizzazione e inferenza. La lunghezza necessaria per sostenere che uno Sharpe superi un benchmark dipende dallo Sharpe di riferimento, dal livello di confidenza, dalla distribuzione e dalla dipendenza. Un numero fisso di operazioni non risponde a questa domanda.
Regimi, copertura e rappresentatività
Un campione lungo può essere poco rappresentativo se contiene un'unica microstruttura o un solo regime; uno più breve può essere rilevante ma molto impreciso. La copertura va descritta per tempo, asset, volatilità, liquidità, direzione dell'esposizione e condizioni di mercato, senza moltiplicare sottogruppi finché compare un risultato favorevole.
La segmentazione riduce a sua volta la numerosità per cella. I risultati per regime dovrebbero quindi essere accompagnati da intervalli d'incertezza e dal numero di segmentazioni consultate. Non è corretto selezionare ex post il solo regime in cui la strategia appare efficace.
Protocollo per valutare l'adeguatezza
- Definire la decisione. Stabilire quale grandezza deve essere stimata e con quale precisione utile, invece di cercare un numero minimo astratto.
- Scegliere l'unità. Dichiarare trade, rendimento periodico, evento o altra osservazione coerente con la metrica.
- Mappare le dipendenze. Controllare sovrapposizione delle posizioni, autocorrelazione, cluster per asset e fattori comuni.
- Esaminare la distribuzione. Riportare dispersione, asimmetria, code, concentrazione dei profitti e sensibilità agli outlier.
- Misurare l'incertezza. Usare intervalli o distribuzioni campionarie con metodo compatibile con la struttura dei dati.
- Considerare la selezione. Registrare tutte le strategie, finestre e metriche provate; un campione grande non annulla il data snooping.
- Verificare la copertura. Elencare periodi e condizioni assenti, oltre a quelli presenti.
- Aggiornare senza spostare le regole. Definire in anticipo cadenza e criterio di review; se le regole cambiano, inizia una nuova versione del modello e cambia il perimetro dell'evidenza.
Esempio illustrativo
Esempio dichiarato illustrativo — Un portafoglio registra 240 trade, ma molte posizioni vengono aperte nello stesso giorno su titoli esposti al medesimo fattore. Il conteggio 240 non descrive 240 prove indipendenti. L'analisi usa rendimenti giornalieri del portafoglio, esamina autocorrelazione e cluster temporali, riporta intervalli compatibili con tale dipendenza e mostra quanto il risultato dipenda da pochi giorni estremi. Nessuno dei numeri dell'esempio costituisce una soglia consigliata.
Anche un ampio campione può supportare soltanto una conclusione limitata: per esempio che la metrica media storica è stimata con una certa incertezza entro il perimetro osservato. Non certifica stabilità strutturale né performance futura.
Limiti
- Il campione effettivo è spesso stimato, non direttamente osservabile.
- Più dati storici possono includere processi ormai cambiati.
- Intervalli stretti non correggono look-ahead, survivorship bias o errori nei costi e nei fill.
- Un criterio di arresto scelto dopo aver visto i risultati altera l'inferenza.
- “Aspettare altri trade” non sostituisce la sospensione immediata quando emergono errori logici, operativi o di controllo del rischio.
Fonti
- Andrew W. Lo, The Statistics of Sharpe Ratios, Financial Analysts Journal, 2002 — autocorrelazione, distribuzione e inferenza dello Sharpe ratio.
- David H. Bailey e Marcos López de Prado, The Sharpe Ratio Efficient Frontier, Journal of Risk, 2012 — track-record length, confidenza e caratteristiche distributive.
- Campbell R. Harvey, Yan Liu e Heqing Zhu, …and the Cross-Section of Expected Returns, The Review of Financial Studies, 2016 — numerosità delle prove e soglie di evidenza nella selezione finanziaria.
- Francis X. Diebold e Roberto S. Mariano, Comparing Predictive Accuracy, Journal of Business & Economic Statistics, 1995 — confronto fra errori previsivi con struttura temporale.
- Leonard J. Tashman, Out-of-sample tests of forecasting accuracy: an analysis and review, 2000 — campioni di test multipli, rolling origin e rappresentatività temporale.