ΕΚΤΥΠΩΣΗ
Εκτύπωση αυτής της σελίδας

Οδηγός Εμπιστοσύνης ενός Aλγοριθμικού Συστήματος στην Αγορά Συναλλάγματος (Μέρος 1ο)

Σε αυτή τη σειρά από άρθρα, θα παρουσιάσω ένα σύνολο κριτηρίων - απόδοσης, ρίσκου, δραστηριότητας, προσαρμοστικότητας κ.α. - που πιστεύω δημιουργούν έναν χρήσιμο οδηγό εμπιστοσύνης σε Αλγοριθμικά Συστήματα στην Αγορά Συναλλάγματος.

Ένας οδηγός που μπορεί να χρησιμοποιηθεί από τόσο από επίδοξους ερευνητές Αλγοριθμικών Συστημάτων ώστε να αποκτήσουν εμπιστοσύνη στη διαδικασία σχεδιασμού, υλοποίησης και αποτελεσματικότητας των στρατηγικών τους όσο και από πραγματικούς επενδυτές που αναζητούν στρατηγικές ικανές να διαχειριστούν το λόγο [ απόδοσης / ρίσκου ] μιας αντικειμενικά απαιτητικής αγοράς, όπως αυτή του Συναλλάγματος.

Αδιαμφισβήτητα, το πνεύμα και οι ιδεές του οδηγού αυτού θα μπορούσαν να χρησιμοποιηθούν για Αλγοριθμικά Συστήματα και σε άλλες Αγορές ( Μετοχικοί Δείκτες, Εμπορεύματα, Ομόλογα κτλ.) καθώς κι εν γένει σε όλο το φάσμα των Στρατηγικών Συναλλαγών (Trading Strategies) είτε αφορούν αυτοματοποιημένες συναλλαγές (Automated Trading) είτε συναλλαγές που εμπεριέχεται ο ανθρώπινος παράγοντας (Manual Trading).

Για λόγους τάξης και καλύτερης ανάλυσης μέσω παραδειγμάτων, διαλέγω να επικεντρωθώ στην Αγορά Συναλλάγματος που βεβαίως συμβαδίζει καλύτερα και με την εμπειρία μου ως επαγγελματίας διαχειριστής αλλά και με τα προσωπικά μου επενδυτικά ενδιαφέροντα.

Βασικά Στατιστικά Στοιχεία

Σε κάθε επενδυτική στρατηγική είναι φρόνιμη η εξέταση κάποιων βασικών στατιστικών στοιχείων που αφορούν κυρίως την προσδοκώμενη απόδοση και το επίπεδο κινδύνου. Στην περίπτωση των Αλγοριθμικών Συστημάτων η εξέταση αυτή αποκτάει ιδιαίτερη βαρύτητα. Το λεγόμενο BackTest (δηλαδή η εκτέλεση του αλγορίθμου σε χρόνο παρελθοντικό με τη βοήθεια της εκάστοτε πλατφόρμας) μας δίνει μια πολύτιμη εικόνα της δυναμικής του Αλγοριθμικού Συστήματος στο παρελθόν, σε ένα τέτοιο βάθος χρόνου όπου ο παράγοντας τύχη των αποτελεσμάτων ελαχιστοποιείται. Το BackTest λοιπόν είναι ικανό να μας δώσει μια έγκυρη στατιστική εικόνα του Αλγοριθμικού Συστήματος, με κύριες μετρικές τις παρακάτω.

I. Προσδοκώμενη Απόδοση (Expected Return)

Ανάλογα το χρονικό διάστημα το οποίο έχει χρησιμοποιηθεί για το BackTest (θα συμβούλευα κάθε  BackTest να ξεκινάει τουλάχιστον από το 2007 και να φθάνει μέχρι και σήμερα) μπορούμε με μια κάποια εμπιστοσύνη να εκτιμήσουμε την προσδοκώμενη απόδοση του Αλγοριθμικού Συστήματος στο μέλλον κοιτάζοντας τα εξής στοιχεία

  • Μέση Ετήσια Απόδοση (π.χ. 100% Συνολική Απόδοση σε 10 χρόνια, άρα [ 100% / 10 ] = 10% η Μέση Ετήσια Απόδοση)
  • Μέση Μηνιαία Απόδοση (π.χ.  100% Συνολική Απόδοση σε 10 χρόνια, άρα [ 100% /  [ 10 * 12 ] = 0,83% η Μέση Μηνιαία Απόδοση)

Αδιαμφισβήτητα, μια μέση τιμή πρέπει να συνοδεύεται και από μια κάποια ομαλότητα στις αποδόσεις ανά τα χρόνια και τους μήνες. Ένα καλό Αλγοριθμικό Σύστημα είναι εκείνο που έχει σταθερότητα στις μηνιαίες και ετήσιες αποδόσεις του σε βάθος χρόνου.

Για παράδειγμα, το Σύστημα 1 που αποδίδει 100% σε 10 χρόνια με αποδόσεις που κυμαίνονται ανάμεσα στο +7.5% με +12.5% το χρόνο είναι καλύτερο από το Σύστημα 2 που ναι μεν αποδίδει 120% σε 10 χρόνια αλλά τον 1ο χρόνο έκανε πχ +30% , τον 2ο -20% , τον 3ο +10%  κ.ο.κ.

Το ίδιο ισχύει και για τις μηνιαίες αποδόσεις, είναι σημάδι σοβαρότητας της Στρατηγικής εάν οι αποδόσεις σπάνια εμφανίζουν ακραίες στατιστικές τιμές και κινούνται με κοντά στον μέσο όρο τους.

Να σημειώσουμε εδώ πως το για ευκολία των υπολογισμών μετράμε την απλή απόδοση πάνω στο αρχικό κεφάλαιο και όχι κάποια περίπτωση επανεπένδυσης ανά περίοδο κτλ.

II. Μεταβλητότητα (Volatility)

Η αναφορά στην ομαλότητα των αποδόσεων αντικατοπτρίζεται στατιστικά με το όρο Μεταβλητότητα, ο οποίος ουσιαστικά μετράει τη διακύμανση των αποδόσεων γύρω από το μέσο όρο τους - συνήθως και προτιμότερο των ημερήσιων αποδόσεων. Μια καλή εικόνα της Μεταβλητότητας έχουμε μέσα από την εξέταση στατιστικών στοιχείων του Αλγοριθμικού Συστήματος, όπως

  • • Ετήσια Μεταβλητότητα στις Ημερήσιες Αποδόσεις
  • • Στατική Μηνιαία Μεταβλητότητα στις Ημερήσιες Αποδόσεις
  • • Κινητή Μηνιαία Μεταβλητότητα στις Ημερήσιες Αποδόσεις

Με το (3) να αποτελεί τον οδηγό του Ρίσκου κι ό,τι πιο κοντινό σε αυτό που θα παρατηρήσουμε όταν τελικά δουλέψει σε συνθήκες πραγματικής αγοράς το Αλγοριθμικό Σύστημα.

Σε επίπεδο μεγέθους, θα έλεγα πως Αλγοριθμικά Συστήματα με μεταβλητότητες που κινούνται γύρω στο 10-15% σε ετήσια ή μηνιαία βάση θεωρούνται αρκετά εύρωστα ενώ εκείνα που ξεπερνούν το 25%, ξεκινούν να θεωρούνται επικίνδυνα. 

III. Απόδοση / Κίνδυνος (Sharpe Ratio)

Το πιο ξεκάθαρο κι αντικειμενικό κριτήριο σύγκρισης μεταξύ διαφορετικών Αλγοριθμικών Συστημάτων και Στρατηγικών αποτελεί ο λόγος της Προσδοκώμενης Ετήσιας Απόδοσης προς την Ετήσια Μεταβλητότητα, π.χ. 10% / 16% = 0,625.

Ο λόγος  αυτός της προσδοκώμενης απόδοσης ανά μονάδα κινδύνου, κυρίως αναφέρεται με τον όρο Sharpe Ratio (σε διάφορες τεχνικές παραλλαγές και για περαιτέρω έρευνα από τους ενδιαφερόμενους). Με αυτό τον τρόπο είναι δυνατή η σύγκριση Στρατηγικών σε επίπεδο μονάδας κινδύνου και όχι σε επίπεδο μιας ξερής προσδοκώμενης απόδοσης.

Για παράδειγμα, το Σύστημα1 έχει Sharpe1 = Απόδοση1 / Κίνδυνος1 = 10% / 10% = 1 ενώ το Σύστημα2 έχει Sharpe2 =Απόδοση2 / Κίνδυνος2 = 20% / 40% = 0,5. 

Παρατηρούμε πως εάν κοιτούσαμε μονάχα τις προσδοκώμενες αποδόσεις, το Σύστημα2 (+20%) θα φάνταζε ανώτερο από το Συστήμα1 (+10%). Κοιτάζοντας όμως την ανά μονάδα κινδύνου προσδοκώμενη απόδοση, το Συστημα1 (Sharpe = 1) είναι ουσιαστικά ανώτερο από το Σύστημα2 (Sharpe = 0,5).

Με διαφορετικά λόγια, το Σύστημα1 θεωρητικά μπορεί να έχει επίδοση +20%  με 20% Ετήσια Μεταβλητότητα (εδώ απλά πολλαπλασιάσαμε αναλογικά τα αρχικά στατιστικά στοιχεία [10% προς 10%]  για το Συστήμα1) ενώ το Σύστημα2 θεωρητικά μπορεί να έχει επίδοση +20%  με 40% Ετήσια Μεταβλητότητα. Οποιοσδήποτε σώφρων επενδυτής που επιθυμούσε +20% απόδοση θα διάλεγε το Σύστημα1.

Μιλώντας σε όρους εμπιστοσύνης, ένα Αλγοριθμικό Σύστημα που προσεγγίζει Sharpe Ratio 1 είναι αξιόλογο, αν και αυτό είναι συνυφασμένο και με την δραστηριότητα του Συστήματος. Αλγοριθμικά Συστήματα που πλησιάζουν Sharpe Ratio 2 σε βάθος 10τίας θεωρούνται εξαιρετικά. 


Στο 2ο μέρος της σειράς θα αναλυθούν: Μέγιστη Πτώση Απόδοσης (Maximum DrawDown),  Δείκτες Επιτυχίας (Hit Ratios),Γραφήματα, και η Λογική ενός Χαρτοφυλακίου Αλγορίθμων

Copyright © 1999-2024 Premium S.A. All rights reserved.