Một con số backtest trông có vẻ mạnh rất dễ đọc và cũng rất dễ bị dùng sai. Sharpe, Sortino và profit factor dùng các mẫu số khác nhau và thường cả các sổ ghi khác nhau. Trước khi so sánh chúng, hãy nêu rõ chuỗi lợi suất, khoảng thời gian, phí, quy ước năm hóa và quy tắc xử lý các giao dịch bị thiếu hoặc còn mở. Các công thức dưới đây dùng dữ liệu hư cấu để minh họa phép tính; chúng không mô tả một kết quả nào trên thị trường crypto.
Sharpe và Sortino trả lời những câu hỏi khác nhau
Với lợi suất theo chu kỳ, tỷ lệ Sharpe là lợi suất vượt trội trung bình chia cho độ lệch chuẩn của lợi suất vượt trội trong cùng khoảng thời gian. Hướng dẫn này dùng độ lệch chuẩn mẫu. Kết quả thay đổi nếu bạn dùng lợi suất theo từng giao dịch thay vì lợi suất tài khoản cách đều nhau, bỏ qua chi phí tài trợ hoặc chọn một đầu vào lãi suất phi rủi ro khác.
Tỷ lệ Sortino thay thế biến động tổng thể bằng độ lệch giảm dưới một mức mục tiêu đã nêu. Một quy ước rõ ràng là mean(return − target) ÷ sqrt(mean(min(0, return − target)²)), trong đó các bình phương phần giảm được lấy trung bình trên toàn bộ các quan sát, kể cả các quan sát có phần giảm bằng 0. Các công cụ khác có thể dùng mục tiêu hoặc mẫu số khác; hãy ghi lại quy ước mà báo cáo của bạn sử dụng. Tổng quan về hiệu suất điều chỉnh theo rủi ro của CFA Institute mô tả tỷ lệ Sortino như một công cụ bổ sung cho các thước đo rủi ro giảm khác.
Hãy xét bốn lợi suất hàng tháng hư cấu, đã trừ một chi phí mô hình giả định: +1%, −1%, +1%, +1%. Giả sử lãi suất phi rủi ro hàng tháng bằng 0 và mục tiêu Sortino bằng 0. Giá trị trung bình là 0.5%. Độ lệch chuẩn mẫu là 1.0%, nên Sharpe hàng tháng chưa năm hóa là 0.50. Theo quy ước phần giảm ở trên, chỉ có một tháng nằm dưới mục tiêu: độ lệch giảm là sqrt((1%²) ÷ 4) = 0.5%, khiến Sortino hàng tháng là 1.00. Những tỷ lệ trông có vẻ chính xác này chỉ đến từ bốn quan sát.
Nếu lợi suất hàng tháng độc lập và phân phối giống hệt nhau, công thức tắt năm hóa quen thuộc của Sharpe sẽ là 0.50 × sqrt(12) ≈ 1.73. Giả định về tính phụ thuộc đó có thể không đúng: phân tích tỷ lệ Sharpe của Andrew Lo cho thấy tương quan chuỗi làm thay đổi việc năm hóa. Bốn quan sát không đủ để xác định mẫu này có độc lập hay không, cũng không đủ để ước lượng đáng tin cậy mức phụ thuộc đó.
Cùng bốn lợi suất đó, từ số dư khởi điểm giả định $1,000, cho ra khoảng $1,020: $1,000 → $1,010 → $999.90 → $1,009.90 → $1,020. Mức sụt giảm (drawdown) lớn nhất từ đỉnh đến đáy tính theo cuối tháng là 1.0%, từ $1,010 xuống $999.90. Đường đi đó bổ sung thông tin mà lợi suất cuối kỳ và các tỷ lệ không thể hiện.
Dưới đây là chuỗi hư cấu thứ hai có số dư cuối kỳ sau làm tròn tương tự nhưng mức sụt giảm ghi nhận lớn hơn nhiều. Cả hai đều bắt đầu từ $1,000, dùng bốn quan sát hàng tháng và làm tròn giá trị tài khoản đến đơn vị cent:
| Cuối tháng | Chuỗi A: +1%, −1%, +1%, +1% | Chuỗi B: +10%, −10%, +3.03%, 0% |
|---|---|---|
| Khởi điểm | $1,000.00 | $1,000.00 |
| 1 | $1,010.00 | $1,100.00 |
| 2 | $999.90 | $990.00 |
| 3 | $1,009.90 | $1,020.00 |
| 4 | $1,020.00 | $1,020.00 |
| Mức sụt giảm tối đa cuối tháng | 1.0% | 10.0% |
Số dư tháng thứ tư chưa làm tròn của hai chuỗi chênh nhau dưới một cent; mỗi số đều hiển thị là $1,020.00. Chuỗi B trước hết giảm 10% từ đỉnh $1,100 của tháng một xuống đáy $990 của tháng hai, trong khi mức giảm lớn nhất của Chuỗi A là 1% từ $1,010 xuống $999.90. Việc lấy mẫu hàng tháng có thể bỏ sót một biến động sâu hơn giữa các quan sát, nên đây là các mức sụt giảm tính theo cuối tháng, không phải khẳng định về rủi ro trong nội bộ tháng của từng đường đi.
Profit factor thuộc về sổ ghi giao dịch
Profit factor là tổng lợi nhuận từ các giao dịch thắng chia cho giá trị tuyệt đối của tổng lỗ từ các giao dịch thua. Trong một sổ ghi hư cấu riêng, các giao dịch thắng $20 và $10 so với một khoản lỗ $15 cho ($20 + $10) ÷ $15 = 2.00 trước chi phí. Nếu mỗi giao dịch trong ba giao dịch đã hoàn tất đó bị tính một khoản phí khứ hồi giả định $1, tổng thắng ròng là $28 và lỗ ròng là $16, nên profit factor giảm xuống 1.75. Chi phí này chỉ để minh họa, không phải báo giá của sàn.
Profit factor che giấu thời điểm các giao dịch diễn ra, lượng vốn bị chiếm dụng và bao nhiêu cơ hội bị loại bỏ hoặc không khớp lệnh. Hãy báo cáo số lượng giao dịch, thời gian nắm giữ, mức exposure và cách xử lý chi phí bên cạnh con số đó. Nếu mẫu không có giao dịch thua nào, mẫu số bằng 0: hãy báo cáo tỷ lệ là không xác định hoặc giải thích cách nền tảng xử lý. Không nên trình bày nó như bằng chứng về sự an toàn.
Đọc mọi chỉ số cùng với đường đi và quy trình của nó
Mức sụt giảm (drawdown) tối đa phụ thuộc vào tần suất định giá giá trị tài khoản và việc các vị thế đang mở có được đánh dấu hay không. Lợi suất theo giao dịch, lợi suất theo giờ và lợi suất theo ngày có thể tạo ra các ước lượng biến động và Sharpe khác nhau. Mức exposure, vòng quay, các chuỗi thua, lựa chọn đường cơ sở và toàn bộ đường cong giá trị tài khoản giúp giải thích kết quả. Hãy nêu rõ lợi suất có bao gồm phí, funding và đánh dấu vị thế đang mở hay không; so sánh các chiến lược trên cùng một quy ước lấy mẫu và chi phí.
Nếu nhiều tài sản, quy tắc, tham số hoặc khoảng thời gian đã được kiểm thử, điểm số tốt nhất đã được chọn ra từ chính quá trình tìm kiếm đó. Bài báo Deflated Sharpe Ratio của Bailey và López de Prado bàn về việc điều chỉnh cho nhiều lần thử và lợi suất không phân phối chuẩn. Việc điều chỉnh vẫn phụ thuộc vào các giả định và không thể khắc phục thiên lệch nhìn trước (look-ahead bias), dữ liệu không chính xác hoặc khớp lệnh không thực tế. Hãy lưu số lần thử và các biến thể bị loại bỏ trong hồ sơ nghiên cứu. Bảng kiểm tra chỉ số hiệu suất tách riêng chuỗi lợi suất theo chu kỳ, sổ ghi giao dịch và các mốc đánh dấu giá trị tài khoản trước khi bạn so sánh các tỷ lệ.
Các chuỗi lịch sử đi kèm của SuperQuant là dữ liệu tổng hợp và các quy tắc khớp lệnh của nó được đơn giản hóa. Các chỉ số của nó mô tả mô phỏng đã chỉ định, không phải lợi suất thực tế đã được kiểm chứng hay so sánh chuẩn hóa với các nền tảng khác. Hãy kiểm tra cách tính của engine, khoảng thời gian lợi suất và cài đặt chi phí trước khi diễn giải một giá trị hiển thị. Tiếp tục với quy trình backtest, phân tích chi phí và hướng dẫn chống overfitting (quá khớp). Đây là hướng dẫn nghiên cứu mang tính giáo dục, không phải lời khuyên tài chính hay cam kết về hiệu suất.