Overfitting finanziario: quando una strategia perfetta nei test fallisce sui mercati reali

Nel trading automatico, una strategia può apparire eccellente durante i test e rivelarsi molto meno efficace quando viene applicata ai mercati reali.

È uno dei problemi più insidiosi nello sviluppo degli algoritmi e prende il nome di overfitting.

L’overfitting si verifica quando una strategia viene adattata in modo eccessivo ai dati storici utilizzati durante la fase di sviluppo.

Il sistema finisce per riconoscere molto bene le caratteristiche specifiche di quel passato, ma perde capacità di adattamento quando incontra condizioni nuove.

Il risultato è paradossale: più il backtest appare perfetto, più può aumentare il rischio che la strategia sia fragile.

Quando il sistema impara troppo bene il passato

Un algoritmo viene costruito attraverso regole, parametri, filtri e condizioni operative.

Durante lo sviluppo, questi elementi vengono spesso modificati per migliorare i risultati ottenuti sui dati storici.

Il problema nasce quando il processo di ottimizzazione diventa eccessivo.

Se ogni parametro viene calibrato per ottenere il massimo risultato possibile su uno specifico periodo, il sistema può iniziare a catturare non solo le caratteristiche reali del mercato, ma anche coincidenze, anomalie e movimenti casuali.

In pratica, la strategia non impara una logica generale. Impara a riprodurre quasi perfettamente ciò che è già accaduto.

È come costruire una chiave capace di aprire una sola serratura: può funzionare in modo impeccabile nel test, ma diventare inutile appena cambia il contesto.

Perché un backtest troppo perfetto può essere sospetto

Risultati storici molto regolari, drawdown estremamente bassi, percentuali di successo elevate e curve di crescita quasi prive di oscillazioni possono sembrare segnali di qualità.

In alcuni casi lo sono. In altri possono indicare che la strategia è stata ottimizzata troppo.

I mercati reali sono incerti, irregolari e soggetti a cambiamenti improvvisi. Una strategia che mostra risultati quasi perfetti su un lungo periodo dovrebbe quindi essere analizzata con particolare attenzione.

Occorre chiedersi:

• quanti parametri sono stati modificati;
• quante combinazioni sono state provate;
• se i risultati dipendono da condizioni molto precise;
• se una piccola variazione dei parametri produce un forte peggioramento;
• se la strategia funziona anche su periodi non utilizzati nello sviluppo.

Più una strategia necessita di impostazioni estremamente specifiche, più potrebbe essere fragile.

Il ruolo dei parametri

Ogni parametro aggiunge flessibilità al sistema, ma anche un nuovo rischio di adattamento eccessivo.

Una strategia semplice, basata su poche regole coerenti, tende a essere più facile da interpretare e controllare.

Un sistema composto da molti filtri, eccezioni e condizioni può invece diventare molto efficiente sui dati storici ma difficile da valutare fuori da quel campione.

Questo non significa che una strategia complessa sia necessariamente peggiore.

Significa però che ogni livello aggiuntivo di complessità deve avere una giustificazione reale.

Se un filtro migliora il backtest ma non ha una logica economica o operativa chiara, potrebbe essere stato introdotto soltanto per adattarsi a eventi già avvenuti.

Dati di sviluppo e dati di verifica

Uno dei modi più comuni per ridurre il rischio di overfitting è separare i dati utilizzati per costruire la strategia da quelli utilizzati per verificarla.

Una parte dei dati storici viene impiegata nella fase di sviluppo.

Un’altra parte, non vista dal sistema durante l’ottimizzazione, viene utilizzata successivamente per controllare se la strategia mantiene una certa coerenza.

Se i risultati crollano appena il sistema viene applicato a dati nuovi, è possibile che abbia imparato troppo bene il campione iniziale.

Questa verifica viene spesso definita test out-of-sample. Non elimina completamente il rischio di overfitting, ma aiuta a capire se la logica della strategia possiede una capacità di generalizzazione.

La robustezza conta più della perfezione

Una strategia robusta non deve produrre necessariamente il massimo rendimento possibile su ogni periodo storico.

Deve mostrare una certa stabilità anche quando cambiano leggermente dati, parametri e condizioni di mercato.

Per esempio, se un sistema funziona soltanto con un parametro impostato esattamente su 20, ma diventa negativo con valori pari a 19 o 21, potrebbe essere troppo fragile.

Se invece mantiene risultati ragionevoli in un intervallo più ampio, la sua logica potrebbe essere più solida.

La robustezza si osserva proprio nella capacità di resistere alle variazioni.

Un sistema meno spettacolare nei test, ma capace di mantenere coerenza in contesti diversi, può essere più affidabile di una strategia perfetta su un solo campione.

Il pericolo della ricerca del miglior risultato

L’overfitting nasce spesso da un obiettivo sbagliato: cercare il risultato storico più alto.

Se il processo di sviluppo viene guidato soltanto dal profitto finale, si rischia di premiare le configurazioni più adatte al passato, non quelle più plausibili per il futuro.

La ricerca dovrebbe invece concentrarsi su più elementi:

• stabilità del comportamento;
• contenimento del drawdown;
• regolarità dei risultati;
• coerenza della logica;
• capacità di affrontare differenti condizioni di mercato;
• semplicità e comprensibilità dei parametri.

Il miglior backtest non è necessariamente quello con il rendimento più elevato. È quello che offre una rappresentazione credibile del possibile comportamento del sistema.

Il mercato reale è il vero test

Anche dopo analisi accurate, test out-of-sample e verifiche di robustezza, nessuna strategia può essere considerata definitivamente valida prima del confronto con il mercato reale.

L’operatività effettiva introduce elementi che la simulazione non riesce a riprodurre completamente: slippage, variazioni dello spread, ritardi, liquidità, eventi imprevisti e cambiamenti di regime.

Per questo il passaggio dai test all’operatività dovrebbe essere graduale e controllato.

L’obiettivo non è dimostrare immediatamente che il sistema funziona, ma osservare se il suo comportamento reale resta coerente con quello previsto.

Dalla perfezione apparente alla solidità reale

L’overfitting ricorda che, nel trading automatico, la precisione storica non coincide necessariamente con la qualità futura.

Una strategia non deve conoscere perfettamente il passato. Deve essere abbastanza flessibile e robusta da affrontare situazioni che non ha mai incontrato.

Per questo un backtest realistico, con oscillazioni, fasi negative e risultati non perfetti, può essere più credibile di una curva ideale costruita attraverso un’ottimizzazione estrema.

Nel trading automatico, la vera solidità non si misura dalla capacità di spiegare ogni movimento già avvenuto. Si misura dalla capacità di mantenere una logica coerente quando il mercato presenta qualcosa di nuovo.

Per approfondire temi legati all’analisi macroeconomica, ai mercati globali e all’innovazione finanziaria, è possibile consultare www.softitrading.com