Backtest रिपोर्ट नंबरों की एक भरी-पूरी शीट होती है। Total return, Sharpe ratio, max drawdown, profit factor, win rate: हर metric आपकी रणनीति के बारे में एक अलग सवाल का जवाब देता है। इन्हें गलत पढ़ें, तो आप ऐसी रणनीति deploy कर बैठेंगे जो कागज़ पर शानदार दिखती है लेकिन लाइव बाज़ारों में पूँजी गँवाती रहती है। इन्हें सही पढ़ें, तो आप कमज़ोर configurations को पैसा लगने से पहले ही छान लेंगे।
यह गाइड आपको formulas, benchmarks, और सबसे ज़रूरी बात, एक genuinely मज़बूत backtest को एक चालाकी से overfitted backtest से अलग पहचानने का judgment framework देती है।
मुख्य बातें
- Sharpe Ratio कुल risk की प्रति इकाई return मापता है; 1.0 से ऊपर अच्छा, 2.0 से ऊपर उत्कृष्ट, 4.0 से ऊपर संदिग्ध।
- Maximum Drawdown सबसे बुरी peak-to-trough हानि दर्शाता है, यानी मनोवैज्ञानिक और वित्तीय कष्ट की ऊपरी सीमा तय करता है।
- Win rate अकेले बेमतलब है बिना risk-reward के संदर्भ के: 40% win rate 1:3 RR के साथ, 70% win rate 1:0.5 के साथ की तुलना में ज़्यादा लाभदायक है।
- Overfitting ऐसे backtest परिणाम पैदा करता है जो सिर्फ़ एक specific dataset पर काम करते हैं। इसे unseen data पर test करके पहचानें।
- Equity curve का आकार रणनीति की मज़बूती के बारे में किसी भी अकेले metric से ज़्यादा बताता है।
- Red flags में Sharpe >4, win rate >98%, और शून्य losing trades शामिल हैं। ये लगभग हमेशा एक दोषपूर्ण backtest का संकेत देते हैं।
अगर आपने अभी तक backtest नहीं चलाया है, तो यह लेख पढ़ने से पहले हमारी स्टेप-बाय-स्टेप backtesting गाइड से शुरू करें।
इस गाइड में दिए गए डॉलर राशि और प्रतिशत worked examples हैं, सिफ़ारिशें नहीं। क्रिप्टो ट्रेडिंग में पैसा खोने का जोखिम है। हर बॉट को सिर्फ़ उतनी पूँजी से चलाएँ जिसे आप खोने की स्थिति में बर्दाश्त कर सकें, और लाइव जाने से पहले पूरा जोखिम प्रकटीकरण पढ़ें।
Core Performance Metrics और उनके Formulas
Total Return बनाम CAGR
Total Return सबसे सरल metric है: आपके portfolio ने पूरी backtest अवधि में कितना कमाया या गँवाया।
Total Return = (Ending Value - Starting Value) / Starting Value × 100
अगर आपने $10,000 से शुरू किया और $11,850 पर खत्म किया, तो आपका total return 18.5% है।
Total return की समस्या यह है कि यह समय को नज़रअंदाज़ करता है। 3 महीनों में 18.5% return शानदार है। वही 18.5% 3 सालों में निराशाजनक है। CAGR (Compound Annual Growth Rate) इसे ठीक करता है, returns को annualized basis पर normalize करके:
CAGR = (Ending Value / Starting Value)^(365 / days) - 1
उदाहरण: $10,000 → $11,850, 180 दिनों में:
CAGR = (11850 / 10000)^(365/180) - 1 = 1.185^2.028 - 1 = 0.4036 = 40.36%
वही $10,000 → $11,850, 730 दिनों (2 साल) में:
CAGR = (11850 / 10000)^(365/730) - 1 = 1.185^0.5 - 1 = 0.0887 = 8.87%
रणनीतियों की तुलना हमेशा CAGR से करें, total return से नहीं। जो रणनीति 6 महीनों में 25% return देती है (CAGR ≈ 56%) वह उससे कहीं बेहतर है जो 14 महीनों में 30% return देती है (CAGR ≈ 25%), भले ही total return कम हो।
Sharpe Ratio
Sharpe Ratio risk-adjusted performance का gold standard है। यह जवाब देता है: "मैंने हर unit volatility सहने के बदले कितना return कमाया?"
Sharpe Ratio = (Rp - Rf) / σp
जहाँ:
- Rp = annualized portfolio return
- Rf = risk-free rate (USD के लिए आमतौर पर 4-5%, या crypto-only तुलना में 0%)
- σp = portfolio returns का annualized standard deviation
उदाहरण गणना: आपका बॉट 42% annualized return देता है और standard deviation 18% है। Risk-free rate 5% है।
Sharpe = (0.42 - 0.05) / 0.18 = 0.37 / 0.18 = 2.06
| Sharpe Ratio | व्याख्या | कार्रवाई |
|---|---|---|
| < 0.5 | कमज़ोर risk-adjusted return | रणनीति को फिर से डिज़ाइन करें |
| 0.5 - 1.0 | स्वीकार्य | उपयोग योग्य, लेकिन सुधार ढूँढें |
| 1.0 - 2.0 | अच्छा | लाइव deployment के लिए मज़बूत उम्मीदवार |
| 2.0 - 3.0 | उत्कृष्ट | भरोसे के साथ deploy करें, regime change पर नज़र रखें |
| > 4.0 | संदिग्ध | लगभग निश्चित रूप से overfitted, जाँच करें |
क्रिप्टो backtest में 4.0 से ऊपर का Sharpe ratio एक red flag है, गर्व की बात नहीं। क्रिप्टो बाज़ार स्वाभाविक रूप से volatile हैं। बिना overfitting या look-ahead bias के hedge-fund-tier risk-adjusted returns लगातार हासिल करना असंभव-सा है। अगर आपका backtest Sharpe > 4 दिखाता है, तो आपकी पहली प्रतिक्रिया संदेह होनी चाहिए, जश्न नहीं।
Sortino Ratio
Sharpe Ratio सभी volatility को बराबर penalize करता है, लेकिन upside volatility तो अच्छी बात है। अगर आपकी रणनीति एक दिन में 5% ऊपर जाती है, तो Sharpe इसे 5% गिरावट जैसा ही मानता है। Sortino Ratio इसे ठीक करता है, सिर्फ़ downside deviation को penalize करके:
Sortino Ratio = (Rp - Rf) / σd
जहाँ σd सिर्फ़ negative returns का standard deviation है।
यह क्यों मायने रखता है: जो रणनीति बड़े upside moves पकड़ती है लेकिन नुकसान सीमित रखती है, उसका Sortino Ratio उसके Sharpe Ratio से काफ़ी ज़्यादा होगा। यह बताता है कि volatility "अच्छी वाली" है।
उदाहरण: वही बॉट, 42% annualized return और 5% risk-free rate, लेकिन downside deviation सिर्फ़ 11%:
Sortino = (0.42 - 0.05) / 0.11 = 3.36
इसकी तुलना 2.06 के Sharpe से करें। यह बड़ा अंतर बताता है कि रणनीति की ज़्यादातर volatility upside moves से आती है, जो एक वांछनीय गुण है।
Maximum Drawdown
Maximum drawdown (MDD) portfolio value में सबसे बड़ी peak-to-trough गिरावट मापता है। यह ट्रेडिंग में सबसे व्यक्तिगत सवाल का जवाब देता है: "मुझे सबसे बुरा कितना दर्द सहना पड़ता?"
MDD = (Trough Value - Peak Value) / Peak Value × 100
उदाहरण: आपका portfolio $10,000 से $13,200 (peak) तक चढ़ता है, फिर recovery से पहले $10,890 तक गिरता है:
MDD = (10890 - 13200) / 13200 × 100 = -17.5%
दो महत्वपूर्ण sub-metrics:
- Drawdown Duration: Peak से trough तक कितने दिन। 4 दिन का -15% drawdown मनोवैज्ञानिक रूप से 2 महीने के -15% से आसान है।
- Recovery Time: Trough से वापस पिछले peak तक कितने दिन। तेज़ recovery = मज़बूत रणनीति।
| Max Drawdown | जोखिम स्तर | किसके लिए उपयुक्त |
|---|---|---|
| < 5% | रूढ़िवादी | जोखिम से बचने वाले ट्रेडर, बड़ी पूँजी |
| 5% - 15% | मध्यम | अधिकांश बॉट ट्रेडर |
| 15% - 25% | आक्रामक | अनुभवी ट्रेडर जिन्हें अपनी रणनीति पर भरोसा है |
| > 25% | उच्च जोखिम | सिर्फ़ छोटे allocation और उच्च expected return के साथ |
एक उपयोगी नियम: ऐसी रणनीति कभी deploy न करें जिसका maximum drawdown आप भावनात्मक रूप से बर्दाश्त कर सकने की सीमा को 1.5× से ज़्यादा पार करता हो। अगर आपका backtest -15% MDD दिखाता है, तो लाइव ट्रेडिंग में -22.5% के लिए तैयार रहें। लाइव drawdowns लगभग हमेशा backtested drawdowns से ज़्यादा होते हैं, क्योंकि slippage, latency, और historical data में मौजूद न होने वाली बाज़ार स्थितियाँ असर डालती हैं।
Profit Factor
Profit factor बेहद सरल और तुरंत actionable है:
Profit Factor = Gross Profit / Gross Loss
उदाहरण: आपके बॉट ने winning trades में $4,200 कमाए और losing trades में $2,100 गँवाए:
Profit Factor = 4200 / 2100 = 2.0
| Profit Factor | व्याख्या |
|---|---|
| < 1.0 | हारने वाली रणनीति: gross losses, gross profits से ज़्यादा |
| 1.0 - 1.5 | सीमांत: fees और slippage के बाद मुश्किल से लाभदायक |
| 1.5 - 2.0 | अच्छा: ठोस edge |
| 2.0 - 3.0 | उत्कृष्ट: मज़बूत consistent edge |
| > 3.0 | सावधानी से जाँचें: overfitted हो सकता है या बहुत कम trades हो सकते हैं |
Win Rate और Expectancy
Win Rate profit में बंद हुए deals का प्रतिशत है:
Win Rate = Winning Deals / Total Deals × 100
Win rate अकेले खतरनाक रूप से भ्रामक है। 90% win rate अविश्वसनीय लगती है, लेकिन अगर आपकी औसत जीत $10 और औसत हानि $200 है, तो आप पैसा गँवा रहे हैं। यहीं expectancy काम आती है:
Expectancy = (Win Rate × Average Win) - (Loss Rate × Average Loss)
उदाहरण: Win rate 62%, average win $85, average loss $120:
Expectancy = (0.62 × $85) - (0.38 × $120) = $52.70 - $45.60 = $7.10 per trade
हर trade की positive expectancy $7.10 है। 100 trades में, आप ~$710 कमाने की उम्मीद कर सकते हैं।
Win Rate बनाम Risk-Reward: Breakeven Table
यह ट्रेडिंग में सबसे महत्वपूर्ण अवधारणाओं में से एक है। Win rate और risk-reward ratio (RR) उलटा संबंध रखते हैं: आप कम win rate के साथ भी लाभदायक हो सकते हैं, बशर्ते आपकी जीतें आपकी हानियों की तुलना में काफ़ी बड़ी हों।
किसी भी risk-reward ratio के लिए breakeven win rate यह है:
Breakeven Win Rate = 1 / (1 + Risk-Reward Ratio)
| Risk-Reward Ratio | Breakeven Win Rate | उदाहरण: $100 Risk |
|---|---|---|
| 1:0.5 | 66.7% | $50 जीतें, $100 गँवाएँ, 3 में से 2 जीतना ज़रूरी |
| 1:1.0 | 50.0% | $100 जीतें, $100 गँवाएँ, आधे जीतना ज़रूरी |
| 1:1.5 | 40.0% | $150 जीतें, $100 गँवाएँ, 5 में से 2 जीतें |
| 1:2.0 | 33.3% | $200 जीतें, $100 गँवाएँ, 3 में से 1 जीतें |
| 1:3.0 | 25.0% | $300 जीतें, $100 गँवाएँ, 4 में से 1 जीतें |
| 1:5.0 | 16.7% | $500 जीतें, $100 गँवाएँ, 6 में से 1 जीतें |
व्यावहारिक उदाहरण: 40% win rate और 1:3 risk-reward वाला DCA बॉट:
- 100 trades में: 40 जीतें × $300 = $12,000 profit
- 60 हानियाँ × $100 = $6,000 losses
- शुद्ध लाभ = $6,000 (profit factor = 2.0)
इसकी तुलना 70% win rate और 1:0.5 risk-reward वाले बॉट से करें:
- 70 जीतें × $50 = $3,500 profit
- 30 हानियाँ × $100 = $3,000 losses
- शुद्ध लाभ = $500 (profit factor = 1.17)
40% win rate वाली रणनीति 12× ज़्यादा शुद्ध लाभ पैदा करती है। Win rate दिखावा है; expectancy असलियत है।
Backtest का मूल्यांकन करते समय, कोई भी deployment का फ़ैसला लेने से पहले हमेशा expectancy कैलकुलेट करें। उच्च win rate लेकिन negative expectancy आपका खाता धीरे-धीरे खाली कर देगी, और बार-बार जीतने का मनोवैज्ञानिक सुकून आपको असली नुकसान होने तक बंद करने से रोकेगा।
Equity Curve विश्लेषण
Equity curve आपके portfolio की value को समय के साथ plot करता है। यह किसी भी backtest रिपोर्ट में सबसे ज़्यादा जानकारी देने वाला visual है।
Smooth Staircase (आदर्श)
एक स्वस्थ equity curve लगातार, सीढ़ी-नुमा बढ़त में ऊपर जाती है। हर सीढ़ी एक पूरे हुए deal को दर्शाती है। सीढ़ियाँ नीचे जाने से ज़्यादा ऊपर जाती हैं, और बीच के drawdowns उथले और छोटे होते हैं।
यह क्या बताता है: रणनीति अलग-अलग बाज़ार स्थितियों में consistent, repeatable edge उत्पन्न करती है। यह उस रणनीति का curve है जिस पर आप असली पूँजी का भरोसा कर सकते हैं।
Jagged Sawtooth (चिंताजनक)
तेज़ ऊपर की चालें उसके बाद उतनी ही तेज़ नीचे की चालें, एक zigzag pattern बनाती हुई। कुल दिशा ऊपर हो सकती है, लेकिन सफ़र उथल-पुथल भरा है।
यह क्या बताता है: Returns में उच्च variance। Max drawdown शायद बड़ा है, Sharpe ratio शायद 1.0 से नीचे है, और लाइव ट्रेडिंग आपकी भावनात्मक सीमाओं की परीक्षा लेगी। भले ही total return positive हो, रणनीति नाज़ुक है।
Hockey Stick (खतरनाक)
ज़्यादातर अवधि में सपाट या थोड़ा negative, फिर कुछ trades में अधिकांश लाभ देने वाला अचानक spike।
यह क्या बताता है: रणनीति एक specific बाज़ार घटना (crash, pump, या कोई एक बड़ी candle) पर निर्भर है। उन कुछ trades को हटा दें, और रणनीति अलाभदायक है। यह कोई systematic edge नहीं है। यह भाग्य था जो आपकी backtest window के साथ मेल खा गया।
Cliff Drop (घातक)
लगातार चढ़ाई के बाद अचानक, विनाशकारी गिरावट जो अधिकांश या सारे लाभ मिटा देती है।
यह क्या बताता है: रणनीति में कोई downside protection नहीं है। आमतौर पर इसका कारण missing stop losses, अत्यधिक leverage, या ऐसी रणनीति है जो implicitly short volatility है (जब तक एक tail event सब कुछ साफ़ नहीं कर देता, तब तक छोटे premium इकट्ठा करती रहती है)।
| Curve का आकार | Sharpe अनुमान | सामान्य कारण | लाइव ट्रेडिंग जोखिम |
|---|---|---|---|
| Smooth staircase | 1.5 - 2.5 | Consistent edge, उचित risk management | कम: रणनीति मज़बूत है |
| Jagged sawtooth | 0.3 - 0.8 | उच्च volatility, inconsistent entries | मध्यम: drawdowns panic exits का कारण बनते हैं |
| Hockey stick | बहुत उतार-चढ़ाव | कुछ trades में केंद्रित लाभ | उच्च: दोहराया न जा सकने वाला प्रदर्शन |
| Cliff drop | Negative या 0 के करीब | कोई stop loss नहीं, अत्यधिक leverage | गंभीर: खाता पूरी तरह खत्म होने की संभावना |
Overfitting का पता लगाना
Overfitting backtested रणनीतियों का मूक हत्यारा है। Curve-fitted रणनीति backtests में शानदार दिखती है लेकिन लाइव बाज़ारों में विफल हो जाती है क्योंकि उसने असली बाज़ार pattern पकड़ने के बजाय historical noise को याद कर लिया।
Overfitting के संकेत
-
एक pair पर काम करती है, समान pairs पर विफल। अगर आपकी BTC/USDT रणनीति 35% return देती है लेकिन बिल्कुल वही settings ETH/USDT पर -5% return देती हैं, तो रणनीति शायद BTC की specific price history पर fitted है।
-
सिर्फ़ एक timeframe पर काम करती है। जो रणनीति पिछले 6 महीनों में 28% देती है लेकिन उससे पहले के 6 महीनों में -3%, उसने एक specific regime को याद कर लिया है।
-
बहुत ज़्यादा optimized parameters। हर अतिरिक्त parameter optimizer को noise fit करने की ज़्यादा degrees of freedom देता है। अगर आपकी रणनीति में 8+ parameters हैं जो सब individually optimized किए गए, तो overfitting लगभग तय है।
-
अवास्तविक metrics। Sharpe > 4, win rate > 98%, शून्य losing trades, या 50+ trades पर profit factor > 5, ये सब एक ऐसी रणनीति की ओर इशारा करते हैं जिसे data में fit करने के लिए मरोड़ा गया है।
-
Setting में मामूली बदलाव से performance गिर जाता है। मज़बूत रणनीतियाँ parameters को थोड़ा adjust करने पर धीरे-धीरे performance बदलाव दिखाती हैं। Overfitted रणनीतियाँ ढह जाती हैं अगर आप RSI को 27 से 28, या take profit को 1.87% से 1.90% कर दें।
In-Sample बनाम Out-of-Sample Testing
Overfitting का पता लगाने का मानक तरीका:
-
अपना data विभाजित करें। अपना कुल उपलब्ध इतिहास लें (जैसे, 12 महीने) और इसे बाँटें: पहले 8 महीने = in-sample (training), आखिरी 4 महीने = out-of-sample (validation)।
-
सिर्फ़ in-sample पर optimize करें। सिर्फ़ पहले 8 महीनों का उपयोग करके अपने सर्वश्रेष्ठ parameters खोजें।
-
बिना बदलाव के out-of-sample पर test करें। उन्हीं parameters को आखिरी 4 महीनों पर लागू करें। कुछ भी adjust न करें।
-
परिणामों की तुलना करें। अगर out-of-sample performance, in-sample performance के 30-40% के भीतर है, तो रणनीति में शायद genuine edge है। अगर out-of-sample performance negative या नाटकीय रूप से बदतर है, तो रणनीति overfitted है।
उदाहरण:
- In-sample (Jan-Aug): 24% return, Sharpe 1.8, 67% win rate
- Out-of-sample (Sep-Dec): 11% return, Sharpe 1.2, 61% win rate
- निर्णय: Performance गिरी लेकिन ठोस रूप से positive रही। यह एक वैध रणनीति है।
एक overfitted परिणाम से तुलना करें:
- In-sample (Jan-Aug): 42% return, Sharpe 3.1, 88% win rate
- Out-of-sample (Sep-Dec): -4% return, Sharpe -0.3, 43% win rate
- निर्णय: पूर्ण पतन। रणनीति ने training data को याद कर लिया।
अपने out-of-sample data पर कभी optimize न करें। एक बार आपने out-of-sample परिणाम देख लिए और उसके अनुसार parameters adjust कर लिए, तो आपने test को दूषित कर दिया। वह data जल गया। अब आपको एक ताज़ा, unseen dataset चाहिए। रणनीति विकास में यह सबसे अधिक तोड़ा जाने वाला नियम है।
Walk-Forward Analysis
एकल in/out split से ज़्यादा कठोर दृष्टिकोण:
- महीने 1-6 पर optimize करें, महीने 7 पर test करें
- महीने 2-7 पर optimize करें, महीने 8 पर test करें
- महीने 3-8 पर optimize करें, महीने 9 पर test करें
- आगे बढ़ते रहें
हर out-of-sample अवधि अलग window पर optimized parameters के साथ test की जाती है। अगर रणनीति सभी out-of-sample अवधियों में लगातार अच्छा perform करती है, तो उसने सबसे कठिन overfitting test पास कर लिया है।
Backtest परिणामों में Red Flags
Backtest रिपोर्ट में कुछ patterns को देखते ही तुरंत संदेह करना चाहिए:
| Red Flag | यह संदिग्ध क्यों है | क्या जाँचें |
|---|---|---|
| Sharpe Ratio > 4.0 | Top-tier hedge funds से भी ज़्यादा। क्रिप्टो के लिए अवास्तविक। | Look-ahead bias या overfitting की जाँच करें |
| Win Rate > 98% | लगभग शून्य नुकसान = शायद losing trades बंद नहीं किए जा रहे | जाँचें कि stop loss गायब तो नहीं या अवास्तविक रूप से चौड़ा तो नहीं |
| शून्य losing trades | पर्याप्त sample size में वास्तविक बाज़ारों में असंभव | जाँचें कि बॉट losers को अनिश्चित काल तक होल्ड तो नहीं कर रहा (unrealized losses) |
| Profit Factor > 5.0 | 50+ trades पर, यह सांख्यिकीय रूप से असंभव-सा है | Optimization कम करें और out-of-sample test करें |
| Max Drawdown < 1% | सुझाव देता है कि रणनीति ने कभी कठिनाई का सामना नहीं किया | जाँचें कि backtest अवधि में कोई महत्वपूर्ण गिरावट शामिल थी या नहीं |
| औसत deal duration < 1 मिनट | शायद backtesting engine की कमज़ोरियों का फ़ायदा उठा रहा है | Candle resolution और fill logic verify करें |
| कुल deals < 10 | किसी भी सांख्यिकीय निष्कर्ष के लिए अपर्याप्त sample size | Backtest अवधि बढ़ाएँ या परिणामों को अविश्वसनीय मानें |
वास्तविक उदाहरण: Strategy A बनाम Strategy B
आइए BTC/USDT पर 6 महीनों (Jan-Jun) के दो वास्तविक backtest परिणामों की तुलना करें, $10,000 starting capital के साथ।
Strategy A: "The High Win Rate"
| Metric | Value |
|---|---|
| Total Return | 8.2% ($820) |
| Win Rate | 95.3% (82/86 deals) |
| Average Win | $18.40 (0.184%) |
| Average Loss | $142.00 (1.42%) |
| Max Drawdown | -6.8% |
| Sharpe Ratio | 0.72 |
| Profit Factor | 1.38 |
| Avg Deal Duration | 3.2 hours |
| Expectancy | $18.40 × 0.953 - $142 × 0.047 = $10.86 |
Strategy B: "The Trend Catcher"
| Metric | Value |
|---|---|
| Total Return | 22.7% ($2,270) |
| Win Rate | 55.4% (36/65 deals) |
| Average Win | $112.00 (1.12%) |
| Average Loss | $48.50 (0.485%) |
| Max Drawdown | -11.3% |
| Sharpe Ratio | 1.64 |
| Profit Factor | 2.48 |
| Avg Deal Duration | 18.6 hours |
| Expectancy | $112 × 0.554 - $48.50 × 0.446 = $40.42 |
विश्लेषण
Strategy A में आकर्षक 95% win rate है, लेकिन यह छोटे profits लेकर और losers को hold करके यह हासिल करती है। हर जीत औसतन $18.40 है जबकि हर हानि औसतन $142, यानी risk-reward ratio लगभग 1:0.13। चार बुरे trades 31 winning trades मिटा सकते हैं। 1.38 का profit factor लाइव ट्रेडिंग में slippage और fees के लिए लगभग कोई margin नहीं छोड़ता। कम Sharpe (0.72) कमज़ोर risk-adjusted performance की पुष्टि करता है।
Strategy B सिर्फ़ 55% समय जीतती है, लेकिन winners losers से 2.3× बड़े हैं। Expectancy per trade ($40.42) Strategy A ($10.86) से लगभग 4× ज़्यादा है। 1.64 का Sharpe और 2.48 का profit factor मज़बूत risk-adjusted returns दिखाते हैं। ज़्यादा max drawdown (-11.3% बनाम -6.8%) एक ऐसी रणनीति की कीमत है जो सच में meaningful positions लेती है।
Strategy B कम win rate के बावजूद objectively बेहतर है। उसी अवधि में, इसने 2.77× ज़्यादा लाभ कमाया, Sharpe ratio Strategy A से दोगुने से ज़्यादा के साथ। रणनीतियों में से चुनते समय, expectancy, profit factor, और Sharpe ratio पर ध्यान दें, win rate पर नहीं।
Stress Scenarios में क्या होता है?
मान लीजिए backtest अवधि के दौरान BTC में अचानक 12% crash आता है:
- Strategy A: Crash एक साथ 4 stop losses trigger करता है (इसमें कई open micro-deals हैं)। नुकसान: 4 × $142 = $568, जो $570 की 31 winning trades बराबर है। एक crash घटना एक महीने की कमाई मिटा देती है।
- Strategy B: Crash 2 stop losses trigger करता है। नुकसान: 2 × $48.50 = $97। दो winning trades ($224) नुकसान को काफ़ी margin के साथ cover कर लेते हैं। रणनीति संरचनात्मक रूप से मज़बूत है।
सब कुछ एक साथ: Evaluation Framework
जब आपको backtest रिपोर्ट मिले, तो metrics का इस क्रम में मूल्यांकन करें:
- Expectancy: क्या यह positive है? प्रति trade कितनी?
- Profit Factor: क्या यह 1.5 से ऊपर है? 2.0 से ऊपर?
- Maximum Drawdown: क्या आप मनोवैज्ञानिक और वित्तीय रूप से इस संख्या का 1.5× सह सकते हैं?
- Sharpe Ratio: क्या यह 1.0 से ऊपर है? अगर 3.0 से ऊपर है, तो overfitting की जाँच करें।
- Equity Curve: क्या यह smooth staircase है या अस्त-व्यस्त?
- Out-of-Sample Performance: क्या रणनीति unseen data पर टिकती है?
- Win Rate: सिर्फ़ average win बनाम average loss के संदर्भ में प्रासंगिक।
सभी सात जाँचों को पास करने वाली रणनीतियाँ दुर्लभ हैं, और deploy करने योग्य। जो रणनीतियाँ items 1-3 पर विफल होती हैं, उन्हें बाकी metrics कैसे भी दिखें, त्याग दिया या मूल रूप से फिर से डिज़ाइन किया जाना चाहिए।
इस framework को पास करने वाली रणनीतियों को optimize करने के मार्गदर्शन के लिए, हमारी बॉट optimization गाइड देखें।
अक्सर पूछे जाने वाले प्रश्न
क्रिप्टो ट्रेडिंग बॉट के लिए अच्छा Sharpe ratio क्या है?
क्रिप्टो रणनीतियों के लिए 1.0 और 2.0 के बीच का Sharpe ratio अच्छा माना जाता है। क्रिप्टो बाज़ार पारंपरिक equities से ज़्यादा volatile हैं, इसलिए 2.0 से ऊपर का Sharpe लगातार हासिल करना सच में मुश्किल है। 3.0 से ऊपर की values को overfitting के लिए जाँचना चाहिए। संदर्भ के लिए, कई सफल quantitative hedge funds 1.5 और 2.5 के बीच Sharpe ratios को target करते हैं। अगर आपका क्रिप्टो बॉट कई बाज़ार regimes को cover करने वाले backtest में 1.5 का Sharpe हासिल करता है, तो यह एक मज़बूत परिणाम है।
अगर मेरी कई open positions हैं तो max drawdown कैसे calculate करूँ?
Maximum drawdown कुल portfolio equity पर calculate किया जाना चाहिए, अलग-अलग trades पर नहीं। किसी भी समय, आपके portfolio की value = cash + सभी open positions पर unrealized P&L होती है। इस combined value को समय के साथ track करें, सबसे ऊँचा peak और उसके बाद का सबसे नीचा trough पहचानें, और प्रतिशत गिरावट compute करें। कई traders सिर्फ़ realized P&L देखने की गलती करते हैं, जो open positions के drawdown risk को नज़रअंदाज़ कर देता है।
मेरी रणनीति का Sharpe अच्छा है लेकिन profit factor बुरा क्यों?
ऐसा तब हो सकता है जब कोई रणनीति बहुत सारे छोटे profitable trades करती है (consistent returns low volatility के साथ → high Sharpe) लेकिन कुछ losing trades individual wins की तुलना में बड़े होते हैं (gross profit / gross loss ratio नीचे खींचते हुए → low profit factor)। यह सुझाव देता है कि रणनीति में fat-tail risk है: यह ज़्यादातर समय अच्छा perform करती है लेकिन कभी-कभार बड़े नुकसानों के प्रति कमज़ोर है। Stop losses को tight करना आमतौर पर profit factor ठीक करता है, हालाँकि win rate कम होती है।
मुझे Sharpe ratio इस्तेमाल करना चाहिए या Sortino?
दोनों इस्तेमाल करें, लेकिन asymmetric return profiles वाली रणनीतियों के लिए Sortino को ज़्यादा weightage दें। अगर आपकी रणनीति बड़े upside moves पकड़ती है और downside सीमित रखती है, तो Sortino, Sharpe से काफ़ी ज़्यादा होगा, जो दर्शाता है कि upside volatility फ़ायदेमंद है। अगर Sharpe और Sortino समान हैं, तो आपकी रणनीति की volatility लगभग symmetric है, यानी ऊपर और नीचे की चालें समान magnitude की हैं।
सांख्यिकीय रूप से विश्वसनीय metrics के लिए कितने trades चाहिए?
कम से कम 30 trades बुनियादी सांख्यिकीय विश्वसनीयता प्रदान करते हैं। Sharpe ratio और profit factor के random noise से meaningful तरीके से अलग होने के लिए 50+ trades बेहतर हैं। Win rate के true value के ±5% के भीतर stabilize होने के लिए, आमतौर पर 100+ trades चाहिए। अगर आपका backtest सिर्फ़ 15 trades दिखाता है, तो सभी metrics को rough estimates मानें, विश्वसनीय predictors नहीं। Backtest अवधि बढ़ाएँ या ज़्यादा data points generate करने के लिए higher-frequency रणनीति इस्तेमाल करें।
क्या समान total return वाली दो रणनीतियाँ गुणवत्ता में बहुत अलग हो सकती हैं?
बिल्कुल। Strategy X 20% return दे सकती है 0.6 के Sharpe, -25% max drawdown, और cliff-drop equity curve के साथ। Strategy Y 20% return दे सकती है 1.8 के Sharpe, -8% max drawdown, और smooth staircase curve के साथ। एक ही मंज़िल, पूरी तरह अलग सफ़र। Strategy Y हर risk-adjusted आयाम में बेहतर है। Total return अलग-अलग risk profiles वाली रणनीतियों की तुलना के लिए सबसे कम उपयोगी metric है।