Laporan backtest ialah helaian angka yang padat. Total return, Sharpe ratio, max drawdown, profit factor, win rate — setiap metrik menjawab soalan berbeza tentang strategi anda. Baca dengan salah, dan anda akan deploy strategi yang kelihatan cemerlang di atas kertas tetapi menghakis modal di pasaran sebenar. Baca dengan betul, dan anda akan menapis konfigurasi yang rapuh sebelum ia merugikan anda walau sesen pun.
Panduan ini memberi anda formula, penanda aras, dan — yang paling penting — kerangka pertimbangan untuk membezakan backtest yang benar-benar kukuh daripada yang di-overfit secara licik.
Perkara Utama
- Sharpe Ratio mengukur return per unit risiko keseluruhan; nilai melebihi 1.0 adalah bagus, melebihi 2.0 cemerlang, melebihi 4.0 mencurigakan.
- Maximum Drawdown mendedahkan kerugian peak-to-trough terburuk — ia menentukan siling kesakitan psikologi dan kewangan.
- Win rate sahaja tidak bermakna tanpa konteks risk-reward: win rate 40% dengan RR 1:3 lebih menguntungkan berbanding 70% dengan 1:0.5.
- Overfitting menghasilkan keputusan backtest yang hanya berfungsi pada satu dataset khusus — kesan ia dengan menguji pada data yang belum pernah dilihat.
- Bentuk equity curve mendedahkan lebih banyak tentang keteguhan strategi berbanding mana-mana metrik tunggal.
- Tanda amaran termasuk Sharpe >4, win rate >98%, dan sifar losing trade — ini hampir sentiasa menandakan backtest yang cacat.
Jika anda belum menjalankan backtest, mulakan dengan panduan backtest langkah demi langkah kami sebelum membaca artikel ini.
Jumlah dolar dan peratusan dalam panduan ini ialah contoh pengiraan, bukan cadangan. Dagangan kripto boleh menyebabkan kerugian — tetapkan saiz setiap bot dengan dana yang anda sanggup rugi, dan baca Pendedahan Risiko sepenuhnya sebelum berdagang secara langsung.
Metrik Prestasi Teras dengan Formula
Total Return vs. CAGR
Total Return ialah metrik paling mudah: berapa banyak portfolio anda untung atau rugi sepanjang keseluruhan tempoh backtest.
Total Return = (Ending Value - Starting Value) / Starting Value × 100
Jika anda bermula dengan $10,000 dan berakhir dengan $11,850, total return anda ialah 18.5%.
Masalah dengan total return ialah ia mengabaikan masa. Return 18.5% dalam 3 bulan adalah luar biasa. Return 18.5% yang sama dalam 3 tahun pula mengecewakan. CAGR (Compound Annual Growth Rate) membetulkan ini dengan menormalkan return kepada asas tahunan:
CAGR = (Ending Value / Starting Value)^(365 / days) - 1
Contoh: $10,000 → $11,850 selama 180 hari:
CAGR = (11850 / 10000)^(365/180) - 1 = 1.185^2.028 - 1 = 0.4036 = 40.36%
$10,000 → $11,850 yang sama selama 730 hari (2 tahun):
CAGR = (11850 / 10000)^(365/730) - 1 = 1.185^0.5 - 1 = 0.0887 = 8.87%
Sentiasa bandingkan strategi menggunakan CAGR, bukan total return. Strategi yang menghasilkan return 25% dalam 6 bulan (CAGR ≈ 56%) jauh lebih unggul berbanding yang menghasilkan 30% dalam 14 bulan (CAGR ≈ 25%), walaupun total return-nya lebih rendah.
Sharpe Ratio
Sharpe Ratio ialah piawaian emas untuk prestasi terselaras risiko. Ia menjawab: “Berapa banyak return yang saya peroleh bagi setiap unit volatiliti yang saya tanggung?”
Sharpe Ratio = (Rp - Rf) / σp
Di mana:
- Rp = return portfolio tahunan
- Rf = risk-free rate (biasanya 4-5% untuk USD, atau 0% jika membandingkan kripto sahaja)
- σp = sisihan piawai tahunan bagi return portfolio
Contoh pengiraan: Bot anda menghasilkan return 42% tahunan dengan sisihan piawai 18%. Risk-free rate ialah 5%.
Sharpe = (0.42 - 0.05) / 0.18 = 0.37 / 0.18 = 2.06
| Sharpe Ratio | Tafsiran | Tindakan |
|---|---|---|
| < 0.5 | Return terselaras risiko yang lemah | Reka semula strategi |
| 0.5 – 1.0 | Boleh diterima | Boleh diguna tetapi cari penambahbaikan |
| 1.0 – 2.0 | Bagus | Calon kukuh untuk deploy secara live |
| 2.0 – 3.0 | Cemerlang | Deploy dengan yakin, pantau perubahan regime |
| > 4.0 | Mencurigakan | Hampir pasti di-overfit — siasat |
Sharpe ratio melebihi 4.0 dalam backtest kripto ialah tanda amaran, bukan lencana kehormat. Pasaran kripto pada dasarnya bersifat volatil — mencapai return terselaras risiko setaraf hedge fund secara konsisten adalah tidak munasabah tanpa overfitting atau look-ahead bias. Jika backtest anda menunjukkan Sharpe > 4, reaksi pertama anda sepatutnya kecurigaan, bukan sambutan.
Sortino Ratio
Sharpe Ratio menghukum semua volatiliti secara sama rata — tetapi volatiliti ke atas itu baik. Jika strategi anda melonjak 5% dalam sehari, Sharpe melayannya sama seperti kejatuhan 5%. Sortino Ratio membetulkan ini dengan hanya menghukum sisihan ke bawah (downside deviation):
Sortino Ratio = (Rp - Rf) / σd
Di mana σd ialah sisihan piawai bagi return negatif sahaja.
Mengapa ia penting: Strategi yang menangkap pergerakan upside besar tetapi mengehadkan kerugian akan mempunyai Sortino Ratio yang jauh lebih tinggi daripada Sharpe Ratio-nya. Ini memberitahu anda bahawa volatilitinya adalah “jenis yang baik”.
Contoh: Bot yang sama dengan return tahunan 42% dan risk-free rate 5%, tetapi downside deviation hanya 11%:
Sortino = (0.42 - 0.05) / 0.11 = 3.36
Bandingkan ini dengan Sharpe sebanyak 2.06. Jurang yang besar memberitahu anda bahawa kebanyakan volatiliti strategi datang daripada pergerakan upside — satu ciri yang diingini.
Maximum Drawdown
Maximum drawdown (MDD) mengukur penurunan peak-to-trough terbesar dalam nilai portfolio. Ia menjawab soalan paling peribadi dalam trading: “Kesakitan terburuk apakah yang akan saya tanggung?”
MDD = (Trough Value - Peak Value) / Peak Value × 100
Contoh: Portfolio anda mendaki dari $10,000 ke $13,200 (puncaknya), kemudian jatuh ke $10,890 sebelum pulih:
MDD = (10890 - 13200) / 13200 × 100 = -17.5%
Dua sub-metrik kritikal:
- Tempoh Drawdown: Berapa hari dari puncak ke lembah. Drawdown -15% yang berlangsung 4 hari secara psikologi lebih mudah ditanggung berbanding -15% yang berlangsung 2 bulan.
- Masa Pemulihan: Berapa hari dari lembah kembali ke puncak sebelumnya. Pemulihan pantas = strategi yang teguh.
| Max Drawdown | Tahap Risiko | Sesuai Untuk |
|---|---|---|
| < 5% | Konservatif | Trader yang menghindari risiko, modal besar |
| 5% – 15% | Sederhana | Kebanyakan trader bot |
| 15% – 25% | Agresif | Trader berpengalaman yang berkeyakinan |
| > 25% | Risiko tinggi | Hanya dengan alokasi kecil dan expected return tinggi |
Satu petua praktikal yang berguna: jangan sekali-kali deploy strategi yang maximum drawdown-nya melebihi apa yang mampu anda tanggung secara emosi didarab 1.5×. Jika backtest anda menunjukkan MDD -15%, bersedialah untuk -22.5% dalam live trading. Drawdown live hampir sentiasa melebihi yang di-backtest disebabkan slippage, latensi, dan keadaan pasaran yang tiada dalam data sejarah.
Profit Factor
Profit factor sangat mudah dan boleh terus dijadikan tindakan:
Profit Factor = Gross Profit / Gross Loss
Contoh: Bot anda menghasilkan $4,200 daripada winning trade dan rugi $2,100 daripada losing trade:
Profit Factor = 4200 / 2100 = 2.0
| Profit Factor | Tafsiran |
|---|---|
| < 1.0 | Strategi rugi — gross loss melebihi gross profit |
| 1.0 – 1.5 | Marginal — nyaris menguntungkan selepas yuran dan slippage |
| 1.5 – 2.0 | Bagus — edge yang kukuh |
| 2.0 – 3.0 | Cemerlang — edge yang kuat dan konsisten |
| > 3.0 | Sahkan dengan teliti — mungkin di-overfit atau mempunyai terlalu sedikit trade |
Win Rate dan Expectancy
Win Rate ialah peratusan deal yang ditutup dengan untung:
Win Rate = Winning Deals / Total Deals × 100
Win rate sahaja sangat mengelirukan. Win rate 90% kedengaran hebat — tetapi jika purata kemenangan anda $10 dan purata kerugian anda $200, anda sebenarnya rugi. Di sinilah expectancy memainkan peranan:
Expectancy = (Win Rate × Average Win) - (Loss Rate × Average Loss)
Contoh: Win rate 62%, purata kemenangan $85, purata kerugian $120:
Expectancy = (0.62 × $85) - (0.38 × $120) = $52.70 - $45.60 = $7.10 per trade
Setiap trade mempunyai expectancy positif sebanyak $7.10. Sepanjang 100 trade, anda boleh menjangka menghasilkan ~$710.
Win Rate vs. Risk-Reward: Jadual Breakeven
Ini ialah salah satu konsep terpenting dalam trading. Win rate dan risk-reward ratio (RR) berhubungan secara songsang: anda boleh untung dengan win rate rendah jika kemenangan anda cukup besar berbanding kerugian anda.
Win rate breakeven bagi mana-mana risk-reward ratio ialah:
Breakeven Win Rate = 1 / (1 + Risk-Reward Ratio)
| Risk-Reward Ratio | Breakeven Win Rate | Contoh: Risiko $100 |
|---|---|---|
| 1:0.5 | 66.7% | Untung $50, rugi $100 — perlu menang 2 daripada 3 |
| 1:1.0 | 50.0% | Untung $100, rugi $100 — perlu menang separuh |
| 1:1.5 | 40.0% | Untung $150, rugi $100 — menang 2 daripada 5 |
| 1:2.0 | 33.3% | Untung $200, rugi $100 — menang 1 daripada 3 |
| 1:3.0 | 25.0% | Untung $300, rugi $100 — menang 1 daripada 4 |
| 1:5.0 | 16.7% | Untung $500, rugi $100 — menang 1 daripada 6 |
Contoh praktikal: Bot DCA dengan win rate 40% dan risk-reward 1:3:
- Daripada 100 trade: 40 menang × $300 = untung $12,000
- 60 kalah × $100 = kerugian $6,000
- Untung bersih = $6,000 (profit factor = 2.0)
Bandingkan ini dengan bot yang mempunyai win rate 70% dan risk-reward 1:0.5:
- 70 menang × $50 = untung $3,500
- 30 kalah × $100 = kerugian $3,000
- Untung bersih = $500 (profit factor = 1.17)
Strategi dengan win rate 40% menghasilkan untung bersih 12× lebih banyak. Win rate ialah kebanggaan; expectancy ialah kewarasan.
Semasa menilai backtest, sentiasa kira expectancy sebelum membuat sebarang keputusan deploy. Win rate tinggi dengan expectancy negatif akan menghakis akaun anda secara perlahan — dan keselesaan psikologi daripada kemenangan yang kerap akan menghalang anda daripada mematikannya sehingga kerosakan sebenar berlaku.
Analisis Equity Curve
Equity curve memplot nilai portfolio anda dari semasa ke semasa. Ia adalah visual dengan ketumpatan maklumat tertinggi dalam mana-mana laporan backtest.
Tangga Licin (Ideal)
Equity curve yang sihat naik dalam kenaikan berperingkat yang konsisten seperti anak tangga. Setiap langkah mewakili satu deal yang selesai. Anak tangga naik lebih banyak daripada turun, dan drawdown antara langkah adalah cetek dan singkat.
Apa yang ia beritahu anda: Strategi menjana edge yang konsisten dan boleh diulang merentasi pelbagai keadaan pasaran. Inilah kurva strategi yang boleh anda percayai dengan modal sebenar.
Gergaji Bergerigi (Membimbangkan)
Pergerakan naik tajam diikuti pergerakan turun yang sama tajam, mewujudkan corak zigzag. Trajektori keseluruhan mungkin naik, tetapi perjalanannya ganas.
Apa yang ia beritahu anda: Varians yang tinggi dalam return. Max drawdown berkemungkinan besar, Sharpe ratio mungkin di bawah 1.0, dan live trading akan menguji had emosi anda. Walaupun total return positif, strateginya rapuh.
Kayu Hoki (Berbahaya)
Rata atau sedikit negatif untuk sebahagian besar tempoh, kemudian lonjakan mengejut yang menghasilkan kebanyakan untung dalam beberapa trade sahaja.
Apa yang ia beritahu anda: Strategi bergantung pada peristiwa pasaran tertentu (satu crash, satu pump, atau satu candle besar). Buang beberapa trade itu, dan strategi menjadi tidak menguntungkan. Ini bukan edge yang sistematik — ia nasib yang kebetulan bertepatan dengan tetingkap backtest anda.
Jatuh dari Cenuram (Maut)
Naik secara mantap diikuti kejatuhan mengejut yang katastrofik yang memadam kebanyakan atau kesemua keuntungan.
Apa yang ia beritahu anda: Strategi tiada perlindungan downside. Biasanya disebabkan stop loss yang tiada, leverage berlebihan, atau strategi yang secara tersirat short volatility (mengumpul premium kecil sehingga peristiwa tail memadam segalanya).
| Bentuk Kurva | Anggaran Sharpe | Punca Lazim | Risiko Live Trading |
|---|---|---|---|
| Tangga licin | 1.5 – 2.5 | Edge konsisten, pengurusan risiko yang betul | Rendah — strategi teguh |
| Gergaji bergerigi | 0.3 – 0.8 | Volatiliti tinggi, entri tidak konsisten | Sederhana — drawdown menyebabkan exit panik |
| Kayu hoki | Berubah-ubah dengan liar | Keuntungan tertumpu pada beberapa trade | Tinggi — prestasi tidak boleh diulang |
| Jatuh dari cenuram | Negatif atau hampir 0 | Tiada stop loss, leverage berlebihan | Kritikal — potensi akaun habis total |
Mengesan Overfitting
Overfitting ialah pembunuh senyap bagi strategi yang di-backtest. Strategi yang di-curve-fit kelihatan luar biasa dalam backtest tetapi gagal di pasaran sebenar kerana ia menghafal noise sejarah dan bukannya menangkap corak pasaran yang tulen.
Tanda-Tanda Overfitting
-
Berfungsi pada satu pasangan, gagal pada pasangan serupa. Jika strategi BTC/USDT anda menghasilkan return 35% tetapi tetapan yang sama persis pada ETH/USDT menghasilkan -5%, strategi berkemungkinan di-fit pada sejarah harga khusus BTC.
-
Hanya berfungsi pada satu timeframe. Strategi yang menghasilkan 28% pada 6 bulan terakhir tetapi -3% pada 6 bulan sebelumnya telah menghafal satu regime khusus.
-
Terlalu banyak parameter yang dioptimumkan. Setiap parameter tambahan memberi optimizer lebih banyak darjah kebebasan untuk men-fit noise. Jika strategi anda mempunyai 8+ parameter yang kesemuanya dioptimumkan secara individu, overfitting hampir pasti berlaku.
-
Metrik yang tidak realistik. Sharpe > 4, win rate > 98%, sifar losing trade, atau profit factor > 5 pada 50+ trade — kesemuanya menunjuk kepada strategi yang telah diseksa untuk men-fit data.
-
Prestasi merosot pada perubahan tetapan yang kecil. Strategi yang teguh menunjukkan perubahan prestasi beransur-ansur apabila anda melaras parameter sedikit. Strategi yang di-overfit runtuh jika anda mengubah RSI dari 27 ke 28 atau take profit dari 1.87% ke 1.90%.
Pengujian In-Sample vs. Out-of-Sample
Kaedah piawai untuk mengesan overfitting:
-
Bahagikan data anda. Ambil jumlah sejarah yang tersedia (contohnya, 12 bulan) dan bahagikan: 8 bulan pertama = in-sample (training), 4 bulan terakhir = out-of-sample (pengesahan).
-
Optimumkan pada in-sample sahaja. Cari parameter terbaik anda menggunakan hanya 8 bulan pertama.
-
Uji pada out-of-sample tanpa perubahan. Terapkan parameter yang sama persis itu pada 4 bulan terakhir. Jangan laras apa-apa.
-
Bandingkan keputusan. Jika prestasi out-of-sample berada dalam lingkungan 30-40% daripada prestasi in-sample, strategi berkemungkinan mempunyai edge yang tulen. Jika prestasi out-of-sample negatif atau jauh lebih teruk, strategi tersebut di-overfit.
Contoh:
- In-sample (Jan–Ogo): return 24%, Sharpe 1.8, win rate 67%
- Out-of-sample (Sep–Dis): return 11%, Sharpe 1.2, win rate 61%
- Keputusan: Prestasi menurun tetapi kekal positif dengan kukuh. Ini strategi yang sah.
Bandingkan dengan keputusan yang di-overfit:
- In-sample (Jan–Ogo): return 42%, Sharpe 3.1, win rate 88%
- Out-of-sample (Sep–Dis): return -4%, Sharpe -0.3, win rate 43%
- Keputusan: Keruntuhan sepenuhnya. Strategi menghafal data training.
Jangan sekali-kali mengoptimumkan pada data out-of-sample anda. Sebaik sahaja anda mengintai keputusan out-of-sample dan melaras parameter mengikutnya, anda telah mencemarkan ujian tersebut. Data itu sudah terbakar — anda memerlukan dataset baharu yang belum pernah dilihat. Ini adalah peraturan yang paling kerap dilanggar dalam pembangunan strategi.
Walk-Forward Analysis
Pendekatan yang lebih ketat berbanding satu pembahagian in/out tunggal:
- Optimumkan pada bulan 1–6, uji pada bulan 7
- Optimumkan pada bulan 2–7, uji pada bulan 8
- Optimumkan pada bulan 3–8, uji pada bulan 9
- Teruskan bergulir ke hadapan
Setiap tempoh out-of-sample diuji dengan parameter yang dioptimumkan pada tetingkap yang berbeza. Jika strategi berprestasi baik secara konsisten merentasi semua tempoh out-of-sample, ia telah lulus ujian overfitting terkuat yang tersedia.
Tanda Amaran dalam Keputusan Backtest
Corak tertentu dalam laporan backtest sepatutnya mencetuskan sikap skeptik serta-merta:
| Tanda Amaran | Mengapa Ia Mencurigakan | Apa yang Perlu Disiasat |
|---|---|---|
| Sharpe Ratio > 4.0 | Melebihi hedge fund kelas atasan. Tidak realistik untuk kripto. | Semak look-ahead bias atau overfitting |
| Win Rate > 98% | Hampir sifar kerugian = mungkin tidak menutup losing trade | Semak sama ada stop loss tiada atau ditetapkan terlalu lebar secara tidak realistik |
| Sifar losing trade | Mustahil di pasaran sebenar pada saiz sampel yang ketara | Semak sama ada bot menahan posisi rugi tanpa had (kerugian belum direalisasi) |
| Profit Factor > 5.0 | Pada 50+ trade, ini secara statistik tidak berkemungkinan | Kurangkan pengoptimuman dan uji out-of-sample |
| Max Drawdown < 1% | Menunjukkan strategi tidak pernah menghadapi kesukaran | Semak sama ada tempoh backtest merangkumi sebarang penurunan ketara |
| Purata tempoh deal < 1 minit | Berkemungkinan mengeksploitasi keanehan enjin backtest | Sahkan resolusi candle dan logik fill |
| Total deal < 10 | Saiz sampel tidak mencukupi untuk sebarang kesimpulan statistik | Panjangkan tempoh backtest atau terima keputusan sebagai tidak boleh dipercayai |
Contoh Sebenar: Strategi A vs. Strategi B
Mari kita bandingkan dua keputusan backtest sebenar pada BTC/USDT selama 6 bulan (Jan–Jun) dengan modal permulaan $10,000.
Strategi A: “Win Rate Tinggi”
| Metrik | Nilai |
|---|---|
| Total Return | 8.2% ($820) |
| Win Rate | 95.3% (82/86 deal) |
| Purata Kemenangan | $18.40 (0.184%) |
| Purata Kerugian | $142.00 (1.42%) |
| Max Drawdown | -6.8% |
| Sharpe Ratio | 0.72 |
| Profit Factor | 1.38 |
| Purata Tempoh Deal | 3.2 jam |
| Expectancy | $18.40 × 0.953 - $142 × 0.047 = $10.86 |
Strategi B: “Penangkap Tren”
| Metrik | Nilai |
|---|---|
| Total Return | 22.7% ($2,270) |
| Win Rate | 55.4% (36/65 deal) |
| Purata Kemenangan | $112.00 (1.12%) |
| Purata Kerugian | $48.50 (0.485%) |
| Max Drawdown | -11.3% |
| Sharpe Ratio | 1.64 |
| Profit Factor | 2.48 |
| Purata Tempoh Deal | 18.6 jam |
| Expectancy | $112 × 0.554 - $48.50 × 0.446 = $40.42 |
Analisis
Strategi A mempunyai win rate 95% yang menggoda, tetapi ia mencapainya dengan mengambil untung kecil dan menahan posisi rugi. Setiap kemenangan purata $18.40 sementara setiap kerugian purata $142 — risk-reward ratio kira-kira 1:0.13. Empat trade buruk boleh memadam 31 winning trade. Profit factor 1.38 hampir tidak menyisakan margin untuk slippage dan yuran dalam live trading. Sharpe yang rendah (0.72) mengesahkan prestasi terselaras risiko yang lemah.
Strategi B menang hanya 55% masa, tetapi kemenangannya 2.3× lebih besar daripada kerugiannya. Expectancy per trade ($40.42) hampir 4× lebih tinggi daripada Strategi A ($10.86). Sharpe 1.64 dan profit factor 2.48 menunjukkan return terselaras risiko yang kuat. Max drawdown yang lebih tinggi (-11.3% vs -6.8%) ialah harga bagi strategi yang benar-benar mengambil posisi yang bermakna.
Strategi B secara objektif lebih unggul walaupun win rate-nya lebih rendah. Sepanjang tempoh yang sama, ia menghasilkan untung 2.77× lebih banyak dengan Sharpe ratio lebih daripada dua kali ganda Strategi A. Semasa memilih antara strategi, fokus pada expectancy, profit factor, dan Sharpe ratio — bukan win rate.
Apa yang Berlaku dalam Senario Tekanan?
Bayangkan crash BTC 12% secara tiba-tiba semasa tempoh backtest:
- Strategi A: Crash mencetuskan 4 stop loss secara serentak (ia mempunyai banyak micro-deal terbuka). Kerugian: 4 × $142 = $568, memadam 31 winning trade bernilai $570. Satu peristiwa crash memadam keuntungan sebulan.
- Strategi B: Crash mencetuskan 2 stop loss. Kerugian: 2 × $48.50 = $97. Dua winning trade ($224) menampung kerugian dengan lebihan. Strategi ini teguh dari segi struktur.
Menyatukan Semuanya: Kerangka Penilaian
Apabila anda menerima laporan backtest, nilai metrik dalam susunan ini:
- Expectancy — Adakah ia positif? Berapa besar per trade?
- Profit Factor — Adakah ia melebihi 1.5? Melebihi 2.0?
- Maximum Drawdown — Bolehkah anda menanggung 1.5× angka ini secara psikologi dan kewangan?
- Sharpe Ratio — Adakah ia melebihi 1.0? Jika melebihi 3.0, siasat untuk overfitting.
- Equity Curve — Adakah ia tangga licin atau kekusutan bergerigi?
- Prestasi Out-of-Sample — Adakah strategi bertahan pada data yang belum pernah dilihat?
- Win Rate — Hanya relevan dalam konteks purata kemenangan vs. purata kerugian.
Strategi yang lulus kesemua tujuh semakan ini adalah jarang — dan berbaloi untuk deploy. Strategi yang gagal pada item 1–3 patut dibuang atau direka semula secara fundamental, tidak kira bagaimana metrik lain kelihatan.
Untuk panduan mengoptimumkan strategi yang lulus kerangka ini, lihat panduan pengoptimuman bot kami.
Soalan Lazim
Apakah Sharpe ratio yang bagus untuk bot trading kripto?
Sharpe ratio antara 1.0 dan 2.0 dianggap bagus untuk strategi kripto. Pasaran kripto lebih volatil berbanding ekuiti tradisional, jadi mencapai Sharpe melebihi 2.0 secara konsisten benar-benar sukar. Nilai melebihi 3.0 patut diperiksa untuk overfitting. Sebagai konteks, banyak hedge fund kuantitatif yang berjaya menyasarkan Sharpe ratio antara 1.5 dan 2.5. Jika bot kripto anda mencapai Sharpe 1.5 dalam backtest yang merangkumi pelbagai regime pasaran, itu adalah keputusan yang kukuh.
Bagaimana saya mengira max drawdown jika saya mempunyai beberapa posisi terbuka?
Maximum drawdown patut dikira pada jumlah equity portfolio, bukan pada trade individu. Pada mana-mana titik, nilai portfolio anda sama dengan tunai + P&L belum direalisasi pada semua posisi terbuka. Jejaki nilai gabungan ini dari semasa ke semasa, kenal pasti puncak tertinggi dan lembah terendah berikutnya, dan kira peratusan penurunannya. Ramai trader melakukan kesilapan dengan hanya melihat P&L yang direalisasi, yang mengabaikan risiko drawdown daripada posisi terbuka.
Mengapa strategi saya mempunyai Sharpe yang bagus tetapi profit factor yang buruk?
Ini boleh berlaku apabila strategi membuat banyak trade kecil yang menguntungkan (mewujudkan return konsisten dengan volatiliti rendah → Sharpe tinggi) tetapi beberapa losing trade besar berbanding kemenangan individu (menarik turun nisbah gross profit / gross loss → profit factor rendah). Ia menunjukkan strategi mempunyai risiko fat-tail: ia berprestasi baik pada kebanyakan masa tetapi terdedah kepada kerugian besar sekali-sekala. Mengetatkan stop loss biasanya membetulkan profit factor dengan kos win rate yang lebih rendah.
Patutkah saya menggunakan Sharpe atau Sortino ratio?
Gunakan kedua-duanya, tetapi berikan bobot lebih kepada Sortino untuk strategi dengan profil return asimetri. Jika strategi anda menangkap pergerakan upside besar sambil mengehadkan downside, Sortino akan jauh lebih tinggi daripada Sharpe, mencerminkan hakikat bahawa volatiliti upside adalah bermanfaat. Jika Sharpe dan Sortino serupa, volatiliti strategi anda lebih kurang simetri — pergerakan naik dan turun mempunyai magnitud yang serupa.
Berapa banyak trade yang saya perlukan untuk metrik yang boleh dipercayai secara statistik?
Sekurang-kurangnya, 30 trade memberikan kebolehpercayaan statistik asas. Agar Sharpe ratio dan profit factor berbeza secara bermakna daripada noise rawak, 50+ trade lebih diutamakan. Agar win rate stabil dalam ±5% daripada nilai sebenar, anda biasanya memerlukan 100+ trade. Jika backtest anda hanya menunjukkan 15 trade, layan semua metrik sebagai anggaran kasar, bukan peramal yang boleh dipercayai. Panjangkan tempoh backtest atau gunakan strategi berfrekuensi tinggi untuk menjana lebih banyak titik data.
Bolehkah dua strategi dengan total return yang sama berbeza secara drastik dari segi kualiti?
Sudah tentu. Strategi X mungkin menghasilkan return 20% dengan Sharpe 0.6, max drawdown -25%, dan equity curve jatuh dari cenuram. Strategi Y mungkin menghasilkan return 20% dengan Sharpe 1.8, max drawdown -8%, dan equity curve tangga licin. Destinasi yang sama, perjalanan yang jauh berbeza. Strategi Y unggul dalam setiap dimensi terselaras risiko. Total return ialah metrik paling kurang berguna untuk membandingkan strategi dengan profil risiko yang berbeza.