Ricampionamento bootstrap

Come funziona

Prendi i 50 risultati delle operazioni di un backtest. Estrai 50 risultati a caso da quell'elenco, rimettendo dentro ciascuno dopo l'estrazione, così che alcune operazioni compaiano due volte e altre mai. Calcola l'operazione media su questo campione artificiale. Ripeti 10.000 volte. Il 2,5° e il 97,5° percentile delle 10.000 medie formano un intervallo approssimato al 95 % per l'operazione media. Il metodo non richiede l'ipotesi che i risultati siano distribuiti normalmente, cosa che si adatta a dati di operazioni con code grasse.

Quando le osservazioni dipendono l'una dall'altra, come spesso le giornate consecutive, estrarre singole osservazioni rompe quella dipendenza. Un block bootstrap estrae invece sequenze di osservazioni consecutive.

Bootstrap e rimescolamento

Un rimescolamento, o permutazione, riordina i risultati osservati senza reimmissione: ogni operazione compare esattamente una volta, cambia solo l'ordine. Risponde a domande sulla sequenza, come quanto profondo sarebbe stato il drawdown in un altro ordine. Il bootstrap crea combinazioni nuove: un percorso può contenere il giorno migliore tre volte e mai il peggiore. È questo che lo rende utile per stimare l'incertezza di una media, e ciò che lo rende inappropriato quando la domanda è se un conto specifico avrebbe sopravvissuto ai giorni realmente accaduti.

In Senzoukria

L'applicazione deliberatamente non usa il bootstrap nelle sue simulazioni prop firm. Il codice del modulo Monte Carlo spiega la scelta: le sessioni sono rimescolate senza reimmissione così che la distribuzione dei risultati giornalieri resti esattamente quella osservata, perché un bootstrap inventerebbe percorsi con tre copie del giorno migliore e nessuna del peggiore, un'ipotesi indifendibile su una domanda di sopravvivenza del conto. Il Gauntlet usa invece due procedure di permutazione: inversioni casuali di segno dei risultati delle operazioni per il valore p dello Sharpe, e ordine delle operazioni rimescolato per la distribuzione dei drawdown massimi, ciascuna con 10.000 estrazioni. Un intervallo bootstrap di una media si può comunque calcolare fuori dal software da un elenco di operazioni esportato, per esempio l'esportazione CSV del diario.

Limiti

• Il bootstrap può solo ricombinare ciò che è stato osservato; non può produrre una perdita maggiore della più grande del campione.
• Su campioni molto piccoli la distribuzione ricampionata è grossolana e l'intervallo poco affidabile.
• Suppone che il campione rappresenti il processo; un campione estratto da un regime di mercato non dice nulla su un altro.
• La lunghezza del blocco in un block bootstrap è una scelta che cambia il risultato.