Ang report ng backtest ay isang siksik na sheet ng mga numero. Total return, Sharpe ratio, max drawdown, profit factor, win rate — bawat metric ay sumasagot sa ibang tanong tungkol sa iyong strategy. Kung mali ang pagbasa mo, mag-de-deploy ka ng strategy na mukhang mahusay sa papel ngunit nauubos ang kapital sa live na merkado. Kung tama ang pagbasa mo, mafi-filter mo ang mga marupok na configuration bago pa man ito magpalugi sa iyo.
Binibigyan ka ng gabay na ito ng mga formula, ng mga benchmark, at — pinakamahalaga — ng judgment framework para makilala ang isang tunay na malakas na backtest mula sa isang tusong overfitted na resulta.
Mahahalagang Punto
- Sinusukat ng Sharpe Ratio ang return kada unit ng kabuuang risk; ang mga halagang mahigit 1.0 ay maganda, mahigit 2.0 ay napakahusay, mahigit 4.0 ay kahina-hinala.
- Inihahayag ng Maximum Drawdown ang pinakamasamang peak-to-trough na lugi — tinutukoy nito ang psychological at pinansyal na hangganan ng sakit.
- Walang kabuluhan ang win rate mag-isa nang walang konteksto ng risk-reward: ang 40% win rate na may 1:3 RR ay mas kumikita kaysa 70% na may 1:0.5.
- Ang overfitting ay gumagawa ng resulta ng backtest na gumagana lamang sa isang partikular na dataset — tuklasin ito sa pamamagitan ng pag-test sa hindi pa nakikitang data.
- Ang hugis ng equity curve ay nagpapakita ng higit tungkol sa robustness ng strategy kaysa sa anumang iisang metric.
- Kabilang sa mga red flag ang Sharpe >4, win rate >98%, at zero na losing trade — halos palaging tanda ito ng isang depektibong backtest.
Kung hindi ka pa nagpapatakbo ng backtest, magsimula muna sa aming step-by-step na gabay sa backtesting bago basahin ang artikulong ito.
Ang mga halagang dolyar at porsyento sa gabay na ito ay mga halimbawang kalkulasyon, hindi rekomendasyon. Maaaring malugi sa crypto trading — maglaan sa bawat bot ng pondong kaya mong mawala, at basahin ang buong Pagsisiwalat ng Panganib bago mag-live.
Mga Pangunahing Performance Metric na may Formula
Total Return vs. CAGR
Ang Total Return ang pinakasimpleng metric: kung magkano ang natamo o nalugi ng iyong portfolio sa buong panahon ng backtest.
Total Return = (Ending Value - Starting Value) / Starting Value × 100
Kung nagsimula ka sa $10,000 at nagtapos sa $11,850, ang iyong total return ay 18.5%.
Ang problema sa total return ay hindi nito isinasaalang-alang ang panahon. Ang 18.5% na return sa loob ng 3 buwan ay kamangha-mangha. Ang parehong 18.5% sa loob ng 3 taon ay nakakadismaya. Inaayos ito ng CAGR (Compound Annual Growth Rate) sa pamamagitan ng pag-normalize ng return sa annualized na basehan:
CAGR = (Ending Value / Starting Value)^(365 / days) - 1
Halimbawa: $10,000 → $11,850 sa loob ng 180 araw:
CAGR = (11850 / 10000)^(365/180) - 1 = 1.185^2.028 - 1 = 0.4036 = 40.36%
Ang parehong $10,000 → $11,850 sa loob ng 730 araw (2 taon):
CAGR = (11850 / 10000)^(365/730) - 1 = 1.185^0.5 - 1 = 0.0887 = 8.87%
Palaging ihambing ang mga strategy gamit ang CAGR, hindi ang total return. Ang isang strategy na nagbibigay ng 25% return sa 6 na buwan (CAGR ≈ 56%) ay higit na nakakahigit kaysa sa isang nagbibigay ng 30% sa 14 na buwan (CAGR ≈ 25%), kahit na mas mababa ang total return.
Sharpe Ratio
Ang Sharpe Ratio ang gold standard para sa risk-adjusted na performance. Sinasagot nito: "Gaano karaming return ang kinita ko para sa bawat unit ng volatility na tiniis ko?"
Sharpe Ratio = (Rp - Rf) / σp
Kung saan:
- Rp = annualized na return ng portfolio
- Rf = risk-free rate (karaniwang 4-5% para sa USD, o 0% kung crypto-only ang inihahambing)
- σp = annualized na standard deviation ng return ng portfolio
Halimbawang kalkulasyon: Ang iyong bot ay nagbibigay ng 42% annualized na may standard deviation na 18%. Ang risk-free rate ay 5%.
Sharpe = (0.42 - 0.05) / 0.18 = 0.37 / 0.18 = 2.06
| Sharpe Ratio | Interpretasyon | Aksyon |
|---|---|---|
| < 0.5 | Mahinang risk-adjusted na return | Idisenyong muli ang strategy |
| 0.5 – 1.0 | Katanggap-tanggap | Magagamit ngunit maghanap ng mga pagpapabuti |
| 1.0 – 2.0 | Maganda | Malakas na kandidato para sa live na deployment |
| 2.0 – 3.0 | Napakahusay | I-deploy nang may kumpiyansa, bantayan ang pagbabago ng regime |
| > 4.0 | Kahina-hinala | Halos tiyak na overfitted — imbestigahan |
Ang Sharpe ratio na mahigit 4.0 sa isang crypto backtest ay isang red flag, hindi isang tanda ng parangal. Ang crypto markets ay likas na volatile — ang pagkamit ng hedge-fund-tier na risk-adjusted na return nang tuluy-tuloy ay hindi kapani-paniwala nang walang overfitting o look-ahead bias. Kung ipinapakita ng iyong backtest ang Sharpe > 4, ang una mong reaksyon ay dapat pagdududa, hindi pagdiriwang.
Sortino Ratio
Pinaparusahan ng Sharpe Ratio ang lahat ng volatility nang pantay — ngunit ang upside volatility ay mabuti. Kung ang iyong strategy ay tumaas ng 5% sa isang araw, itinuturing ito ng Sharpe na katulad ng 5% na pagbagsak. Inaayos ito ng Sortino Ratio sa pamamagitan ng pagpaparusa lamang sa downside deviation:
Sortino Ratio = (Rp - Rf) / σd
Kung saan ang σd ay ang standard deviation ng negatibong return lamang.
Bakit mahalaga: Ang isang strategy na nakakahuli ng malalaking upside na galaw ngunit nililimitahan ang mga lugi ay magkakaroon ng Sortino Ratio na makabuluhang mas mataas kaysa sa Sharpe Ratio nito. Sinasabi nito sa iyo na ang volatility ay "ang mabuting uri."
Halimbawa: Parehong bot na may 42% annualized na return at 5% risk-free rate, ngunit may downside deviation na 11% lamang:
Sortino = (0.42 - 0.05) / 0.11 = 3.36
Ihambing ito sa Sharpe na 2.06. Ang malaking agwat ay nagsasabi sa iyo na karamihan sa volatility ng strategy ay nagmumula sa mga upside na galaw — isang kanais-nais na katangian.
Maximum Drawdown
Sinusukat ng maximum drawdown (MDD) ang pinakamalaking peak-to-trough na pagbaba sa halaga ng portfolio. Sinasagot nito ang pinakapersonal na tanong sa trading: "Ano ang pinakamasamang sakit na tiniis ko sana?"
MDD = (Trough Value - Peak Value) / Peak Value × 100
Halimbawa: Ang iyong portfolio ay umakyat mula $10,000 hanggang $13,200 (ang peak), pagkatapos ay bumaba sa $10,890 bago mag-recover:
MDD = (10890 - 13200) / 13200 × 100 = -17.5%
Dalawang kritikal na sub-metric:
- Drawdown Duration: Ilang araw mula peak hanggang trough. Ang -15% na drawdown na tumatagal ng 4 na araw ay mas madali sa psychological na aspeto kaysa sa -15% na tumatagal ng 2 buwan.
- Recovery Time: Ilang araw mula sa trough pabalik sa nakaraang peak. Mabilis na recovery = matatag na strategy.
| Max Drawdown | Antas ng Risk | Angkop Para Sa |
|---|---|---|
| < 5% | Konserbatibo | Mga trader na iwas-risk, malaking kapital |
| 5% – 15% | Katamtaman | Karamihan sa mga bot trader |
| 15% – 25% | Agresibo | Mga bihasang trader na may kumbiksyon |
| > 25% | Mataas na risk | Sa maliit na allocation at mataas na expected return lamang |
Isang kapaki-pakinabang na tuntunin: huwag kailanman mag-deploy ng strategy kung saan ang maximum drawdown ay lumampas sa kaya mong tiisin nang emosyonal na minultiply ng 1.5×. Kung ipinapakita ng iyong backtest ang -15% MDD, maghanda para sa -22.5% sa live trading. Ang mga live na drawdown ay halos palaging lumalampas sa mga na-backtest dahil sa slippage, latency, at mga kondisyon ng merkado na wala sa historical data.
Profit Factor
Ang profit factor ay lubhang simple at agad na maaaring kilos-an:
Profit Factor = Gross Profit / Gross Loss
Halimbawa: Ang iyong bot ay kumita ng $4,200 sa mga winning trade at nalugi ng $2,100 sa mga losing trade:
Profit Factor = 4200 / 2100 = 2.0
| Profit Factor | Interpretasyon |
|---|---|
| < 1.0 | Naluluging strategy — lumalampas ang gross loss sa gross profit |
| 1.0 – 1.5 | Marginal — bahagya lang kumikita pagkatapos ng bayarin at slippage |
| 1.5 – 2.0 | Maganda — solidong edge |
| 2.0 – 3.0 | Napakahusay — malakas at pare-parehong edge |
| > 3.0 | Berbisyuhing mabuti — maaaring overfitted o kakaunti masyado ang trade |
Win Rate at Expectancy
Ang Win Rate ay ang porsyento ng mga deal na nagsara nang kumikita:
Win Rate = Winning Deals / Total Deals × 100
Mapanganib na nakakalinlang ang win rate mag-isa. Ang 90% win rate ay parang kahanga-hanga — ngunit kung ang average win mo ay $10 at ang average loss mo ay $200, nalulugi ka. Dito pumapasok ang expectancy:
Expectancy = (Win Rate × Average Win) - (Loss Rate × Average Loss)
Halimbawa: Win rate 62%, average win $85, average loss $120:
Expectancy = (0.62 × $85) - (0.38 × $120) = $52.70 - $45.60 = $7.10 per trade
Ang bawat trade ay may positibong expectancy na $7.10. Sa 100 trade, inaasahan mong kikita ng ~$710.
Win Rate vs. Risk-Reward: Ang Breakeven Table
Ito ang isa sa pinakamahalagang konsepto sa trading. Ang win rate at risk-reward ratio (RR) ay magkabaligtad ang relasyon: maaari kang kumita nang may mababang win rate kung sapat ang laki ng iyong mga panalo kumpara sa iyong mga talo.
Ang breakeven win rate para sa anumang risk-reward ratio ay:
Breakeven Win Rate = 1 / (1 + Risk-Reward Ratio)
| Risk-Reward Ratio | Breakeven Win Rate | Halimbawa: $100 Risk |
|---|---|---|
| 1:0.5 | 66.7% | Panalo $50, talo $100 — kailangang manalo 2 sa 3 |
| 1:1.0 | 50.0% | Panalo $100, talo $100 — kailangang manalo sa kalahati |
| 1:1.5 | 40.0% | Panalo $150, talo $100 — manalo 2 sa 5 |
| 1:2.0 | 33.3% | Panalo $200, talo $100 — manalo 1 sa 3 |
| 1:3.0 | 25.0% | Panalo $300, talo $100 — manalo 1 sa 4 |
| 1:5.0 | 16.7% | Panalo $500, talo $100 — manalo 1 sa 6 |
Praktikal na halimbawa: Isang DCA bot na may 40% win rate at 1:3 risk-reward:
- Sa 100 trade: 40 panalo × $300 = $12,000 profit
- 60 talo × $100 = $6,000 lugi
- Net profit = $6,000 (profit factor = 2.0)
Ihambing ito sa isang bot na may 70% win rate at 1:0.5 risk-reward:
- 70 panalo × $50 = $3,500 profit
- 30 talo × $100 = $3,000 lugi
- Net profit = $500 (profit factor = 1.17)
Ang strategy na may 40% win rate ay gumagawa ng 12× na mas maraming net profit. Ang win rate ay kayabangan; ang expectancy ay katinuan.
Kapag nag-eebalweyt ng backtest, palaging kalkulahin ang expectancy bago gumawa ng anumang desisyon sa deployment. Ang mataas na win rate na may negatibong expectancy ay dahan-dahang uubos ng iyong account — at ang psychological na ginhawa ng madalas na panalo ang pipigil sa iyo na isara ito hanggang sa mangyari na ang tunay na pinsala.
Pagsusuri ng Equity Curve
Ipinapakita ng equity curve ang halaga ng iyong portfolio sa paglipas ng panahon. Ito ang iisang pinaka-siksik-sa-impormasyon na visual sa anumang report ng backtest.
Makinis na Hagdanan (Ideal)
Ang isang malusog na equity curve ay umaakyat sa pare-pareho at parang baitang na pagtaas. Bawat baitang ay kumakatawan sa isang natapos na deal. Mas madalas umaakyat ang hagdanan kaysa bumaba, at mababaw at maiksi ang mga drawdown sa pagitan ng mga baitang.
Ano ang sinasabi nito sa iyo: Ang strategy ay gumagawa ng pare-pareho at maulit na edge sa iba't ibang kondisyon ng merkado. Ito ang curve ng isang strategy na mapagkakatiwalaan mo ng tunay na kapital.
Bakong Lagari (Nakakabahala)
Matalim na pag-akyat na sinusundan ng pantay na matalim na pagbaba, lumilikha ng zigzag na pattern. Ang pangkalahatang direksyon ay maaaring pataas, ngunit magulo ang biyahe.
Ano ang sinasabi nito sa iyo: Mataas na variance sa return. Malamang malaki ang max drawdown, malamang mababa sa 1.0 ang Sharpe ratio, at susubukin ng live trading ang iyong emosyonal na hangganan. Kahit positibo ang total return, marupok ang strategy.
Hockey Stick (Mapanganib)
Patag o bahagyang negatibo sa halos buong panahon, pagkatapos ay biglang pagsulputot na gumagawa ng karamihan sa profit sa iilang trade.
Ano ang sinasabi nito sa iyo: Nakadepende ang strategy sa isang partikular na kaganapan sa merkado (isang crash, isang pump, o iisang malaking candle). Alisin ang iilang trade na iyon, at hindi kumikita ang strategy. Hindi ito isang sistematikong edge — ito ay swerteng nagkataong nag-tugma sa iyong backtest window.
Pagbagsak sa Bangin (Nakamamatay)
Matatag na pag-akyat na sinusundan ng biglaan at katastropikong pagbagsak na bumubura sa halos lahat o lahat ng natamo.
Ano ang sinasabi nito sa iyo: Walang downside protection ang strategy. Karaniwang sanhi ng nawawalang stop loss, sobrang leverage, o isang strategy na implicit na short volatility (nangongolekta ng maliliit na premium hanggang sa isang tail event ang bumura ng lahat).
| Hugis ng Curve | Tinatayang Sharpe | Karaniwang Sanhi | Risk sa Live Trading |
|---|---|---|---|
| Makinis na hagdanan | 1.5 – 2.5 | Pare-parehong edge, tamang risk management | Mababa — matatag ang strategy |
| Bakong lagari | 0.3 – 0.8 | Mataas na volatility, hindi pare-parehong entry | Katamtaman — nagdudulot ng panic exit ang drawdown |
| Hockey stick | Iba-iba nang husto | Nakakonsentrang kita sa iilang trade | Mataas — hindi nauulit na performance |
| Pagbagsak sa bangin | Negatibo o malapit sa 0 | Walang stop loss, sobrang leverage | Kritikal — posibleng maubos ang buong account |
Pagtukoy sa Overfitting
Ang overfitting ang tahimik na pumapatay sa mga na-backtest na strategy. Ang isang curve-fitted na strategy ay mukhang kahanga-hanga sa backtest ngunit nabibigo sa live na merkado dahil kinabisado nito ang historical na noise sa halip na mahuli ang isang tunay na pattern ng merkado.
Mga Palatandaan ng Overfitting
-
Gumagana sa isang pair, nabibigo sa mga katulad na pair. Kung ang iyong BTC/USDT na strategy ay nagbibigay ng 35% ngunit ang eksaktong parehong setting sa ETH/USDT ay nagbibigay ng -5%, malamang na naka-fit ang strategy sa partikular na kasaysayan ng presyo ng BTC.
-
Gumagana sa isang timeframe lamang. Ang strategy na gumagawa ng 28% sa nakaraang 6 na buwan ngunit -3% sa naunang 6 na buwan ay nakabisado ng isang partikular na regime.
-
Sobrang daming optimized na parameter. Ang bawat karagdagang parameter ay nagbibigay sa optimizer ng mas maraming degrees of freedom para i-fit ang noise. Kung ang iyong strategy ay may 8+ na parameter na lahat ay indibidwal na na-optimize, halos tiyak ang overfitting.
-
Hindi makatotohanang metric. Sharpe > 4, win rate > 98%, zero na losing trade, o profit factor > 5 sa 50+ na trade — lahat ay nagtuturo sa isang strategy na pinilit-pilit para mag-fit sa data.
-
Bumababa ang performance sa maliliit na pagbabago sa setting. Ang matibay na strategy ay nagpapakita ng unti-unting pagbabago sa performance kapag bahagya mong inaayos ang mga parameter. Ang overfitted na strategy ay bumabagsak kung ililipat mo ang RSI mula 27 hanggang 28 o ang take profit mula 1.87% hanggang 1.90%.
In-Sample vs. Out-of-Sample na Testing
Ang standard na paraan para tukuyin ang overfitting:
-
Hatiin ang iyong data. Kunin ang kabuuang available na kasaysayan (halimbawa, 12 buwan) at hatiin ito: unang 8 buwan = in-sample (training), huling 4 buwan = out-of-sample (validation).
-
Mag-optimize sa in-sample lamang. Hanapin ang iyong pinakamahusay na parameter gamit lamang ang unang 8 buwan.
-
I-test sa out-of-sample nang walang pagbabago. Ilapat ang eksaktong mga parameter na iyon sa huling 4 na buwan. Huwag baguhin ang anuman.
-
Ihambing ang mga resulta. Kung ang out-of-sample na performance ay nasa loob ng 30-40% ng in-sample na performance, malamang na may tunay na edge ang strategy. Kung ang out-of-sample na performance ay negatibo o mas malala nang husto, overfitted ang strategy.
Halimbawa:
- In-sample (Ene–Ago): 24% return, Sharpe 1.8, 67% win rate
- Out-of-sample (Set–Dis): 11% return, Sharpe 1.2, 61% win rate
- Hatol: Bumaba ang performance ngunit nanatiling matatag na positibo. Ito ay isang lehitimong strategy.
Ihambing sa isang overfitted na resulta:
- In-sample (Ene–Ago): 42% return, Sharpe 3.1, 88% win rate
- Out-of-sample (Set–Dis): -4% return, Sharpe -0.3, 43% win rate
- Hatol: Ganap na pagbagsak. Kinabisado ng strategy ang training data.
Huwag kailanman mag-optimize sa iyong out-of-sample na data. Sa sandaling silipin mo ang mga resulta ng out-of-sample at iayon ang mga parameter batay dito, nakontamina mo na ang test. Sunog na ang data na iyon — kailangan mo ng sariwa, hindi pa nakikitang dataset. Ito ang pinakamadalas na nilalabag na tuntunin sa pagbuo ng strategy.
Walk-Forward Analysis
Isang mas mahigpit na paraan kaysa sa iisang in/out na paghahati:
- Mag-optimize sa buwan 1–6, i-test sa buwan 7
- Mag-optimize sa buwan 2–7, i-test sa buwan 8
- Mag-optimize sa buwan 3–8, i-test sa buwan 9
- Ipagpatuloy ang paggulong pasulong
Ang bawat out-of-sample na panahon ay tine-test gamit ang mga parameter na na-optimize sa ibang window. Kung ang strategy ay pare-parehong gumaganap nang maayos sa lahat ng out-of-sample na panahon, naipasa na nito ang pinakamalakas na test ng overfitting na magagamit.
Mga Red Flag sa Resulta ng Backtest
Ang ilang partikular na pattern sa report ng backtest ay dapat agad magpasimula ng pagdududa:
| Red Flag | Bakit Kahina-hinala | Ano ang Iimbestigahan |
|---|---|---|
| Sharpe Ratio > 4.0 | Lumalampas sa top-tier na hedge fund. Hindi realistiko para sa crypto. | Suriin ang look-ahead bias o overfitting |
| Win Rate > 98% | Halos zero na lugi = malamang hindi isinasara ang losing trade | Suriin kung nawawala ang stop loss o naka-set nang hindi realistikong malawak |
| Zero na losing trade | Imposible sa tunay na merkado sa makabuluhang laki ng sample | Suriin kung hawak ng bot ang mga talo nang walang-hangganan (unrealized loss) |
| Profit Factor > 5.0 | Sa 50+ na trade, hindi ito malamang sa statistika | Bawasan ang optimization at i-test ang out-of-sample |
| Max Drawdown < 1% | Nagmumungkahi na hindi kailanman humarap sa hirap ang strategy | Suriin kung kasama sa panahon ng backtest ang anumang malaking pagbaba |
| Average na tagal ng deal < 1 minuto | Malamang sinasamantala ang mga kakaiba ng backtesting engine | Beripikahin ang candle resolution at fill logic |
| Kabuuang deal < 10 | Hindi sapat na laki ng sample para sa anumang statistical na konklusyon | Palawigin ang panahon ng backtest o tanggapin ang resulta bilang hindi maaasahan |
Tunay na Halimbawa: Strategy A vs. Strategy B
Ihambing natin ang dalawang aktwal na resulta ng backtest sa BTC/USDT sa loob ng 6 na buwan (Ene–Hun) na may $10,000 na panimulang kapital.
Strategy A: "Ang Mataas na Win Rate"
| Metric | Halaga |
|---|---|
| Total Return | 8.2% ($820) |
| Win Rate | 95.3% (82/86 deal) |
| Average Win | $18.40 (0.184%) |
| Average Loss | $142.00 (1.42%) |
| Max Drawdown | -6.8% |
| Sharpe Ratio | 0.72 |
| Profit Factor | 1.38 |
| Average na Tagal ng Deal | 3.2 oras |
| Expectancy | $18.40 × 0.953 - $142 × 0.047 = $10.86 |
Strategy B: "Ang Trend Catcher"
| Metric | Halaga |
|---|---|
| Total Return | 22.7% ($2,270) |
| Win Rate | 55.4% (36/65 deal) |
| Average Win | $112.00 (1.12%) |
| Average Loss | $48.50 (0.485%) |
| Max Drawdown | -11.3% |
| Sharpe Ratio | 1.64 |
| Profit Factor | 2.48 |
| Average na Tagal ng Deal | 18.6 oras |
| Expectancy | $112 × 0.554 - $48.50 × 0.446 = $40.42 |
Pagsusuri
Ang Strategy A ay may nakakaakit na 95% win rate, ngunit nakakamit nito ito sa pamamagitan ng pagkuha ng maliliit na profit at paghawak sa mga talo. Ang bawat panalo ay nag-a-average ng $18.40 habang ang bawat lugi ay nag-a-average ng $142 — isang risk-reward ratio na humigit-kumulang 1:0.13. Apat na masamang trade ang makakabura ng 31 na winning trade. Ang profit factor na 1.38 ay halos walang iniiwang margin para sa slippage at bayarin sa live trading. Kinukumpirma ng mababang Sharpe (0.72) ang mahinang risk-adjusted na performance.
Ang Strategy B ay nananalo lamang 55% ng panahon, ngunit ang mga panalo ay 2.3× na mas malaki kaysa sa mga talo. Ang expectancy kada trade ($40.42) ay halos 4× na mas mataas kaysa sa Strategy A ($10.86). Ang Sharpe na 1.64 at profit factor na 2.48 ay nagpapakita ng malakas na risk-adjusted na return. Ang mas mataas na max drawdown (-11.3% vs -6.8%) ay ang presyo ng isang strategy na tunay na kumukuha ng makabuluhang posisyon.
Ang Strategy B ay obhetibong nakakahigit sa kabila ng mas mababang win rate. Sa parehong panahon, gumawa ito ng 2.77× na mas maraming profit na may Sharpe ratio na mahigit doble ng Strategy A. Kapag pumipili sa pagitan ng mga strategy, tumuon sa expectancy, profit factor, at Sharpe ratio — hindi sa win rate.
Ano ang Nangyayari sa mga Stress Scenario?
Isipin ang isang biglaang 12% na crash ng BTC sa panahon ng backtest:
- Strategy A: Ang crash ay nag-trigger ng 4 na stop loss nang sabay-sabay (marami itong bukas na micro-deal). Lugi: 4 × $142 = $568, binubura ang 31 na winning trade na nagkakahalaga ng $570. Isang crash event ang bumura ng isang buwang kita.
- Strategy B: Ang crash ay nag-trigger ng 2 stop loss. Lugi: 2 × $48.50 = $97. Dalawang winning trade ($224) ang sumasaklaw sa mga lugi na may sobra pa. Ang strategy ay istrukturang matatag.
Pagsasama-sama ng Lahat: Ang Evaluation Framework
Kapag nakatanggap ka ng report ng backtest, i-ebalweyt ang mga metric sa ganitong pagkakasunod:
- Expectancy — Positibo ba? Gaano kalaki kada trade?
- Profit Factor — Mahigit ba sa 1.5? Mahigit sa 2.0?
- Maximum Drawdown — Kaya mo bang tiisin ang 1.5× nitong numero nang psychological at pinansyal?
- Sharpe Ratio — Mahigit ba sa 1.0? Kung mahigit sa 3.0, imbestigahan para sa overfitting.
- Equity Curve — Isa ba itong makinis na hagdanan o isang bakong kaguluhan?
- Out-of-Sample na Performance — Nananatili ba ang strategy sa hindi pa nakikitang data?
- Win Rate — Relevante lamang sa konteksto ng average win vs. average loss.
Ang mga strategy na pumapasa sa lahat ng pitong check ay bihira — at karapat-dapat i-deploy. Ang mga strategy na nabibigo sa item 1–3 ay dapat itapon o idisenyong muli nang fundamental, anuman ang hitsura ng ibang metric.
Para sa gabay sa pag-optimize ng mga strategy na pumapasa sa framework na ito, tingnan ang aming gabay sa bot optimization.
Mga Madalas Itanong
Ano ang magandang Sharpe ratio para sa isang crypto trading bot?
Ang Sharpe ratio na nasa pagitan ng 1.0 at 2.0 ay itinuturing na maganda para sa mga crypto strategy. Ang crypto markets ay mas volatile kaysa sa tradisyonal na equity, kaya ang pagkamit ng Sharpe na mahigit 2.0 nang tuluy-tuloy ay tunay na mahirap. Ang mga halagang mahigit 3.0 ay dapat suriin para sa overfitting. Bilang konteksto, maraming matagumpay na quantitative hedge fund ang naglalayong maabot ang Sharpe ratio na nasa pagitan ng 1.5 at 2.5. Kung nakakamit ng iyong crypto bot ang Sharpe na 1.5 sa isang backtest na sumasaklaw sa maraming regime ng merkado, iyon ay isang malakas na resulta.
Paano ko kakalkulahin ang max drawdown kung mayroon akong maraming bukas na posisyon?
Ang maximum drawdown ay dapat kalkulahin sa kabuuang portfolio equity, hindi sa mga indibidwal na trade. Sa anumang punto, ang halaga ng iyong portfolio ay katumbas ng cash + unrealized P&L sa lahat ng bukas na posisyon. Subaybayan ang pinagsamang halagang ito sa paglipas ng panahon, tukuyin ang pinakamataas na peak at ang pinakamababang kasunod na trough, at kalkulahin ang porsyento ng pagbaba. Maraming trader ang nagkakamali sa pagtingin lamang sa realized P&L, na hindi isinasaalang-alang ang drawdown risk ng mga bukas na posisyon.
Bakit magandang Sharpe ang strategy ko ngunit masamang profit factor?
Maaari itong mangyari kapag ang isang strategy ay gumagawa ng maraming maliliit na kumikitang trade (lumilikha ng pare-parehong return na may mababang volatility → mataas na Sharpe) ngunit ang iilang losing trade ay malaki kumpara sa mga indibidwal na panalo (hinihila pababa ang ratio ng gross profit / gross loss → mababang profit factor). Ipinapahiwatig nito na ang strategy ay may fat-tail na risk: gumaganap ito nang maayos sa halos lahat ng panahon ngunit mahina laban sa paminsan-minsang malalaking lugi. Ang paghihigpit ng stop loss ay karaniwang nag-aayos sa profit factor sa halaga ng mas mababang win rate.
Dapat ko bang gamitin ang Sharpe o Sortino ratio?
Gamitin ang pareho, ngunit bigyan ng mas malaking bigat ang Sortino para sa mga strategy na may asymmetric na return profile. Kung ang iyong strategy ay nakakahuli ng malalaking upside na galaw habang nililimitahan ang downside, ang Sortino ay magiging makabuluhang mas mataas kaysa sa Sharpe, na sumasalamin sa katotohanang ang upside volatility ay kapaki-pakinabang. Kung magkatulad ang Sharpe at Sortino, ang volatility ng iyong strategy ay halos simetriko — magkatulad ang magnitude ng pataas at pababang galaw.
Ilang trade ang kailangan ko para sa istadistikong maaasahang metric?
Sa minimum, ang 30 trade ay nagbibigay ng basic na istadistikong pagkamaaasahan. Para maging makabuluhang naiiba sa random na noise ang Sharpe ratio at profit factor, mas kanais-nais ang 50+ na trade. Para maging matatag ang win rate sa loob ng ±5% ng tunay na halaga, karaniwang kailangan mo ng 100+ na trade. Kung ang iyong backtest ay nagpapakita lamang ng 15 trade, ituring ang lahat ng metric bilang magaspang na pagtatantiya, hindi maaasahang predictor. Palawigin ang panahon ng backtest o gumamit ng mas mataas na frequency na strategy para makabuo ng mas maraming data point.
Maaari bang dalawang strategy na may parehong total return ay magkaiba nang husto sa kalidad?
Talagang oo. Ang Strategy X ay maaaring magbigay ng 20% return na may Sharpe na 0.6, max drawdown na -25%, at isang cliff-drop na equity curve. Ang Strategy Y ay maaaring magbigay ng 20% return na may Sharpe na 1.8, max drawdown na -8%, at isang makinis na hagdanang curve. Parehong destinasyon, ganap na magkaibang biyahe. Ang Strategy Y ay nakakahigit sa bawat risk-adjusted na dimensyon. Ang total return ang pinaka hindi kapaki-pakinabang na metric para ihambing ang mga strategy na may magkaibang risk profile.