¿Se considera una estrategia comercial viable hacer lo contrario de un modelo constantemente perdedor?
Es decir, siempre que el modelo diga que se está corto, se va largo, y viceversa.
Descargo de responsabilidad: Nunca haría esto. Sólo me interesa la opinión de otros miembros de esta comunidad.
Si hace esto, destruiría el valor de las pruebas estadísticas que realizó en el backtest. Usted tenía una hipótesis de que la estrategia ganaría dinero, pero la hipótesis fue rechazada. No puedes decir "voy a aceptar la hipótesis de que la estrategia contraria tiene éxito"; ningún estadístico estaría de acuerdo con esta conclusión. En ese caso, es mejor que pruebe las estrategias al azar y las negocie en cualquier dirección ( directo o frente a ) parecen funcionar, pero sería un procedimiento poco sólido desde el punto de vista estadístico, con pocas posibilidades de éxito en datos fuera de muestra. Algunas personas lo hacen, pero yo no lo consideraría una operación estadística válida.
Lo que podría hacer es formular una nueva hipótesis pero que hipótesis todavía no puede ser aceptada. Habría que probarlo con nuevos datos, no con los que utilizó en el backtest. Tal vez, usted podría monitorear el mercado por un tiempo y ver cómo lo hace la estrategia opuesta. En algún momento, es posible que tenga suficientes datos para concluir que la estrategia opuesta funciona y puede operar de verdad.
Gracias por la perspicaz respuesta @alex-c. ¿Cuál es la hipótesis tiene resultados binarios, es decir, la hipótesis de la estrategia era que los precios convergerían al valor x, pero los resultados de las pruebas retrospectivas mostraron que los precios en realidad divergen del valor x? Además, no veo cómo probarlo en nuevos datos en vivo haría una diferencia. Todos los modelos son propensos a fallar cuando se prueban en vivo, incluso si la hipótesis era correcta y los resultados de la prueba retrospectiva eran prometedores. ¿Puede explicar por qué los nuevos datos son tan importantes?
@MoatazElmasry hay una enorme cantidad de literatura sobre la importancia de la validación fuera de la muestra, sólo tienes que buscar en Google, obtendrás más de lo que me imagino que tendrás ganas de leer, incluyendo muchas respuestas en este sitio y otros relacionados.
La validación fuera de muestra de @will no requiere necesariamente nuevos datos. Además, no estoy haciendo ningún entrenamiento en mi modelo, por lo que las técnicas de validación fuera de muestra como la validación cruzada no tienen sentido.
FinanHelp es una comunidad para personas con conocimientos de economía y finanzas, o quiere aprender. Puedes hacer tus propias preguntas o resolver las de los demás.
