Trading bez růžových brýlí – pracujeme s vhodnými metrikami

V nedávném článku popisujícím plán vytvoření komplexního portfolio systému spravující větší počet systémů a komoditních trhů jsem zmínil cíl pracovat se Sharpe ratio o hodnotě minimálně 1. Dostal jsem hned několik dotazů, jaké to tedy bude konkrétně zhodnocení? Na jaké výdělky cílím? Pojďme si tedy dnes ukázat, jakou má Sharpe ratio souvislost s výdělky a proč tuto metriku používám.
Většina obchodníků zde jistě již více než tuší, že výdělky pocházejí na burze z podstupovaného risku.
Pokud máme obchodní systém pracující s úspěšností např. 60 % při RRR 1:1 (na obchod vyděláme průměrně tolik, kolik průměrně riskujeme), pak víme, že systém bude z dlouhodobého pohledu vydělávat. Nicméně kolik a s jakým drawdownem bude záležet na tom, kolik budeme riskovat na jednotlivé obchody. Jiné zhodnocení a drawdown bude, pokud budeme na obchod riskovat 0,01 % a jiné, pokud na obchod budeme riskovat 10 %.
Většina profesionálních obchodníků tak výkonnost systémů posuzuje nikoliv podle parametrů typu úspěšnost nebo RRR, ale podle toho, jaký mají poměr průměrné výkonnosti k risku. Riskem může být například maximální drawdown. A určitě jste narazili na obchodníky, kteří referují o kvalitě systému například pomocí metriky průměrné zhodnocení/maximální drawdown. S maximálním drawdownem je ale ta potíž, že jde o jediné číslo – tedy statisticky velmi nerelevantní údaj. Ne nadarmo se říká, že maximální drawdown strategie je ten, který je teprve před námi.
Sám tak dnes risk posuzuji skrz volatilitu. Tedy to, jak rozskákaná je výkonností křivka. Protože zde platí přímá úměra – čím volatilnější (rozskákanější) výsledky jsou, tím vyšší drawdown jednou přijde. Volatilitu lze měřit jednoduše, sám pracuji se směrodatnou odchylkou – funkcí, kterou naleznete v každém tabulkovém procesoru.
A co je extrémně důležité – volatilitu lze nejen měřit, ale v tradingu i kontrolovat (řídit). Vesměs pomocí risk managementu, kterým ovlivňujeme velikost otevíraných pozic. Vím, že toto téma bude pro začínající obchodníky náročné na pochopení, ale pro začátek je dobré si vštípit do hlavy – v tradingu nelze kontrolovat zisky, lze ale kontrolovat risk (právě zmíněnou volatilitu). Jen naivní začátečník staví strategie tak, aby vydělal „xx procent ročně“. Profesionál je staví tak, aby měly volatilitu „xx procent“, kterou dokáže na účtu ustát a zisky se dostaví.
A zde se dostáváme k samotnému Sharpe ratio. To ve své zjednodušené podobě představuje poměr průměrné výkonnosti právě k volatilitě (směrodatné odchylce výnosů).
Tedy:
Sharpe ratio = průměrná výkonnost / volatilita
Přičemž volatilitu dokážeme v rámci strategií řídit risk managementem.
Sharpe ratio samo o sobě představuje parametr kvality systému (tedy reflektující náš edge).
Máme-li tak k dispozici Sharpe ratio a volatilitu (kterou můžeme řídit = ovlivňovat), dostaneme průměrnou výkonnost vynásobením Sharpe ratio volatilitou.
Podívejme se na konkrétní příklad portfolio systému pracujícího s komoditními trhy.
Systém má Sharpe ratio cca 1.1. Pomocí modulu risk managementu otevíráme pozice tak, aby průměrná roční volatilita byla cca 15 %. Při backtestu s použitím dat 1.1.2000 – 12.5.2020 vychází průměrné roční zhodnocení 16,4 % (což hrubě odpovídá výše uvedenému vzorečku, kdy bychom ke zhodnocení došli vynásobením 1,1 * 15 %). Maximální drawdown byl při této volatilitě -20,3 % a equity křivka vypadala následovně:

A nyní malé „kouzlo“. V rámci position sizingu změním jedinou konstantu, aby systém obchodoval s vyšším riskem a cílil na roční průměrnou volatilitu 25 %. V praxi to znamená, že systém bude otevírat trochu větší pozice. Sharpe ratio systému se tím moc nezmění (malý rozdíl je dán mj. různými zaokrouhleními ve velikosti pozic), ale díky vyšší volatilitě bychom měli dostat vyšší průměrné zhodnocení (a logicky i vyšší drawdown, který z vyšší volatility vychází). A přesně takové výsledky backtest nabízí:

Najednou zde máme průměrné roční zhodnocení 29,85 % při vyšší volatilitě a vyšším drawdownu. Ten vyšel na -29,8 %, ale nezapomínejme na to, že jde o jediné číslo – v reálu může být i vyšší.
To byla tedy věřím praktická demonstrace toho, proč sám rád Sharpe ratio používám – protože dokáže srovnávat výkonnost při definovaném risku. Pokud budete mít součástí svého obchodování modul risk managementu řídící volatilitu obchodování, sami se můžete rozhodnout, jak velký risk chcete do obchodování pustit a jak vysokým zhodnocením (a drawdownům) se otevřít.
V případě FinFolia to znamená, že s malým kapitálem bude možné obchodovat s riskem na úrovni 30 % anualizované volatility (a očekávat drawdowny i přes 30 %) a s velkým kapitálem risk snížit například na polovinu – tím se sníží jak drawdowny, tak pochopitelně i zhodnocení. Sharpe ratio pak definuje právě vztah mezi volatilitou a výnosy.
Závěrečné shrnutí
Pro maximální flexibilitu v řízení volatility v rámci strategie je dobré obchodovat s pákovými instrumenty. Pokud obchodujete futures, určitě se vyplatí o Sharpe ratio zajímat. Hlavně proto, že vás v konečném důsledku metrika dovede i k risku, který reálně podstupujete.
V případě akcií je možné princip použít také, ale jen v omezené míře. V případě málo volatilních akcií prostě nejde vždy cílit na vysokou volatilitu (protože nám broker díky nižší páce nedovolí otevřít dostatečný počet akcií). Nicméně i tak se vyplatí uvažovat výše popsaným způsobem. Základní mustr, jak toto provádím v akciích popisuji ve strategii SMO PRO (vyučované ve swingovém workshopu). Minulý týden jsem pak v TechLabu publikoval nový tutoriál, kde popisuji, jak lze volatilitu ve strategii kontrolovat a jak princip aplikovat do dalších strategií).

Amibroker počítá sharpe ratio poměrně nestandardně - tj. z obchodů, nikoliv z equity křivky.
V tutoriálu si ukážeme, jak toto obejít. S použitím funkce AddCustomMetric si následně přidáme standardně vypočítané sharpe ratio mezi ostatní parametry, které nám Amibroker reportuje.

Tutoriál a kód naleznete zde.
 

Úspěšnost obchodovaného systému poměřuje většina začínajících obchodníků skrz vydělané peníze zobrazené v historických obchodech, tj. nejčastěji v backtestu. To však není zdaleka optimální přístup. Jaké nejběžnější metriky máme k dispozici a na které se zaměřovat?
Jakmile se pustíme do systematické práce na obchodních strategiích, získáme k dispozici mnoho statistických ukazatelů o jejich historické výkonnosti. A je jedno, jestli pocházejí z ručně vytvářeného backtestu analyzovaného pomocí Excelu, nebo z automatizovaného backtestu.
Přehled může vypadat jako ten publikovaný na obrázku:

Jde o report historické výkonnosti testované intradenní strategie a na první pohled máme k dispozici spoustu informací (a to ještě na screenshotu nejsou zobrazeny všechny). Není divu, že začínající obchodníky mohou podobné statistiky vystrašit a raději se jimi příliš nezabývají.
Dobrou zprávou je, že pro vyhodnocování systémů nepotřebujeme sledovat všechny publikované informace. Je ale potřeba si vybrat ty nejrelevantnější, což bohužel většina obchodníků nedělá.
Pojďme si projít postupně nejběžnější metriky a popsat si, jak je interpretovat.
Důležité je začít u počtu obchodů. Pro jakékoliv analýzy potřebujeme dostatečně reprezentativní vzorek dat. Minimálně bychom měli pracovat se sto obchody. V případě intradenních strategií ale rád analyzuji systémy, které mají nejméně několik set obchodů. Na publikovaném screenshotu je vidět, že daná strategie má 723 historických obchodů (365 na dlouhou a 358 na krátkou stranu), což je již solidní počet. Jinými slovy – pokud máme k dispozici jen několik málo desítek obchodů, tak nemá smysl se ani snažit je nějak statisticky analyzovat.
Hodně začínajících obchodníků upírá pozornost k procentuální úspěšnosti obchodů. Ta udává poměr ziskových a ztrátových obchodů. Na první pohled se zdá, že čím vyšší úspěšnost, tím lépe. Vždyť co může být lepšího, než obchodovat například s 80% úspěšností. Ta přeci znamená, že z deseti obchodů budeme mít průměrně osm zisků a jen dvě ztráty. Bohužel ale úspěšnost obchodů zisky nezaručí. V praxi totiž záleží na tom, jak velké budou průměrné zisky a jak velké průměrné ztráty. Vesměs platí, že systémy s vysokou úspěšností mívají ohromné množství malých zisků a občasné velké ztráty. Procentuální úspěšnost tak v důsledku nepředstavuje moc důležitý údaj. V praxi je dobré nezacházet v úspěšnosti do extrémů. Sám nejraději obchoduji systémy s úspěšností někde kolem 40 – 70 %. Ale jak jsem uvedl – konkrétní úspěšnost nemá souvislost s tím, kolik budeme vydělávat. Spíše se pojí s různými obchodními styly. V některých obchodujeme aktivněji pro častější menší profity, a tudíž vyšší úspěšnost (a musíme se tedy připravit na občasnou vyšší ztrátu), v jiných obchodujeme pro větší, ale méně časté zisky (a musíme se tak připravit na dlouhé série období, kdy systémy nebudou vydělávat).
Studujeme-li procentuální úspěšnost, je potřeba se ještě dívat na velikosti průměrného risku vůči průměrnému zisku. Tyto tři hodnoty nám již dokáží poskytnout určitou představu, kolik vyděláme. Ovšem stále je to spíše jen orientační popis cesty, jak se dostaneme ke konkrétnímu zisku vycházejícímu v daném systému.
Mnohem důležitější jsou pro mne informace týkající se risk profilu strategie. Pro jeho sledování používám nejvíce tzv. sharpe ratio. Pokud jste se zatím ve světě obchodování příliš nepohybovali, patrně jste o něm vůbec neslyšeli. A je tak dobré, že jste se o něm dozvěděli již nyní. Až s překvapením sleduji, kolik obchodníků, často již riskujících reálné peníze v trzích, nemá o významu této metriky ani potuchy. Často je to proto, že jim přijde příliš vědecký už samotný název (který se moc často nepřekládá do češtiny, byť se občas používá označení sharpeho poměr) a z principu používají metriky, které jim přijdou srozumitelnější, byť nemají příliš vypovídající hodnotu – jako třeba výše uvedená procentuální úspěšnost.
Síla sharpe ratia je v tom, že posuzuje výkonnost strategie v kontextu dosaženého risku. Konkrétně tak, že ve výpočtu zohledňuje historickou volatilitu strategie. Tedy to, jak hodně kolísal stav účtu strategie v průběhu roku. Představte si strategii A, která dosáhne zhodnocení 30 %, v průběhu roku bude ale účet strategie běžně lítat nahoru a dolu o 50 %. Oproti tomu můžeme posuzovat strategii, která dosáhla stejného zhodnocení, ale s mnohem nižší volatilitou – účet strategie například běžně lítal jen o 15 %. Strategie B bude mít mnohem vyšší sharpe ratio než strategie A. Sharpe ratio tedy do velké míry vypovídá o stabilitě obchodních výsledků strategie, což je jeden z hlavních parametrů, který by nás měl v obchodování zajímat.
Konkrétní výpočet sharpe ratio není důležitý, neboť jej většina programů dělá za nás (byť některé to dělají zvláštně a je dobré se vždy zajímat, jak konkrétně je výpočet prováděn – viz poznámka na konci článku). Pokud se chcete ponořit v pochopení této metriky trochu hlouběji, zde je stručný popis výpočtu. Počítáme-li denní sharpe ratio, použijeme průměrné denní zhodnocení a vydělíme jej standardní odchylkou denních zhodnocení. Hodnotu anualizujeme tak, že výsledek vynásobíme odmocninou z 252 (protože rok má přibližně 252 obchodních dnů). Občas se pracuje s trochu přesnějším výpočtem, který místo dosahovaného absolutního průměrného zhodnocení používá dosažené zhodnocení mínus běžná úroková míra dluhopisů. Sharpe ratio se také často používá na měsíčních datech. Tuto metriku používám zejména při posuzování systémů v portfoliích, kdy mě zajímá nejenom průměrné měsíční zhodnocení systémů, ale také jejich volatilita. A o tom přesně sharpe ratio vypovídá.
Výše uvedený způsob výpočtu jsem uvedl skutečně jen pro ty obchodníky, kteří chtějí metrice lépe porozumět. Z počátku stačí používat samotný výstup metriky. U sharpe ratio platí, že čím vyšší číslo je, tím lepší. Nicméně pokud je číslo až moc vysoké, je velmi pravděpodobné, že naše testy nejsou příliš realistické a jsou přeoptimalizované. Sám mám rád, když se sharpe ratio dlouhodobých výsledků pohybuje přibližně v rozmezí 0,9 a 2,5. Pokud tedy zbacktestuji systém a ten má velmi hezké zhodnocení, ale sharpe ratio 0,3 tak jej obchodovat nebudu. Jednoduše proto, že cesta k dosažení výsledků bude velmi kostrbatá (volatilní).
Samozřejmě existují i další ukazatele, které u statistik obchodů sleduji. Důležitá je hodnota průměrného obchodu. Číslo by mělo být dostatečně vysoké na to, aby schovalo různé chyby a zejména skryté náklady obchodování. Ty se projevují skluzy v plnění. V reálném světě nebudeme obchodovat za ceny, které nám vycházejí v testech. Často například vystoupíme z pozice o trochu hůře než nám ukazuje logika systému na statistických datech. Průměrný obchod musí být dostatečně velký na to, abychom podobné extra náklady na obchod dokázali vstřebat a stále vydělat.
Velmi důležitým parametrem je drawdown. O tom jsem podrobně psal v článku Drawdown v obchodování. Drawdown představuje pokles kapitálu strategie od nejvyššího stavu našeho účtu. V reálném obchodování jsme v nějakém drawdownu prakticky neustále, neboť žádná strategie netvoří neustálé nové přírůstky účtu, ale prochází i sériemi ztrát. Při posuzování drawdownu nás ale vesměs zajímají největší drawdowny. Byť vždy platí, že nejvyšší drawdown strategie je ten, který nás teprve čeká. Ve svých analýzách sleduji pět historicky nejvyšších drawdownů. A to jak z pohledu jejich procentuální hodnoty, tak délky trvání. Drawdown 50 % o délce 260 obchodních dnů například znamená, že obchodní účet dané strategie spadl ze svých maxim v určitém okamžiku na polovinu a trvalo více než rok, než systém začal tvořit nová maxima. Pokud analyzujeme historickou výkonnost systému před jeho nasazením do živého obchodování, tak tato informace také znamená, že po spuštění strategie můžeme přijít o polovinu peněz, strategie bude rok prodělávat a to vše bude v intencích historicky zbacktestovaných pravděpodobností. Drawdown tak představuje velmi důležité vodítko obchodovatelnosti strategie. Sám se snažím obchodovat strategie s očekávaným drawdownem do přibližně 30 %. Zde je dobré připomenout, že historická výkonnost se nikdy nebude zcela přesně opakovat v budoucnu a u všech parametrů musíme počítat s možnými odchylkami. Podrobněji jsem na toto téma psal v článku Nejistota a trading.
Výše uvedené parametry představují ty nejzákladnější, které sám při posuzování obchodních systémů používám. Nejprve se tedy podívám, jestli statistiky dávají smysl z pohledu počtu obchodů, letmo shlédnu také průměrnou velikost obchodu. Dále se zajímám o hodnotu drawdownu a především o stabilitu obchodního systému interpretovanou pomocí sharpe ratio.
Pokud vypadá vše nadějně, zajímám se samozřejmě i o další, podpůrné parametry. Zajímá mě průměrné roční zhodnocení, a to zejména ve vztahu k expozici kapitálu (tedy jak často byl obchodní kapitál umístěn do trhu). Zejména u pozičních systémů zkoumám průměrný počet dnů v pozici. Do živého obchodování se snažím upřednostňovat ty systémy, které držely pozici kratší dobu. V neposlední řadě je vhodné podívat se i na nejvyšší velikosti ztrát a zisků. Není moc dobré, pokud byl některý z pěti nejvyšších drawdownů způsoben jediným obchodem a stejně tak nejsem rád, pokud byla výrazná část ročního profitu vytvořena jediným ziskem.
Výkonnost systémů lze posuzovat s použitím dalších různých metrik. Nicméně pokud začnete s výše uvedeným výčtem, tak budete mít jednoznačně základní potřeby velmi dobře pokryté.
TIP: Pracujete-li s Amibrokerem, tak při vyhodnocování sharpe ratia narazíte na to, že hodnoty jsou u některých systémů nezvykle nízké. Je to z důvodu, že Amibroker počítá sharpe ratio z obchodů a nikoliv stavu účtu (equity). Sám tak v Amibrokeru počítám denní i měsíční sharpe ratio pomocí CBT právě z equity systémů a ve svých analýzách se orientuji pomocí takto získaných hodnot. Pokud jste zapojeni do skupiny "technické asistence", tak v průběhu týdne publikuji do TechLabu video tutoriál, jak konkrétně si podobný kód v Amibrokeru nastavit.