محاكاة مونت كارلو لاستراتيجيات الفوركس: ما تثبته وما لا تستطيع إثباته

تحذير من المخاطر. تحمل منتجات العملات ذات الرافعة المالية مخاطر جسيمة على رأس مالك. لا يعني اجتياز أي اختبار متانة وجود نتائج مستقبلية، وكل رقم يتم مناقشته أدناه ناتج عن محاكاة تاريخية.

الإجابة المباشرة

لا تثبت محاكاة مونت كارلو أن استراتيجية التداول الخاصة بك ستحقق الربح. من المهم ذكر ذلك أولاً، لأن نسخة عام 2019 من هذا المقال كانت توحي بغير ذلك، وأفضل تصحيح ذلك بوضوح بدلاً من الصمت.

ما تفعله هذه الطريقة هو قياس مدى حساسية النتيجة التاريخية لتغييرات محددة: إعدادات مؤشر مختلفة، نقطة بداية مختلفة، فروق أسماك (سبريد) أوسع، تسلسلات أسعار متغيرة، أو عمليات تنفيذ مفقودة. الاستراتيجية التي تنجو من هذه الاضطرابات تكون أقل هشاشة في ظل الافتراضات التي اخترت اختبارها. ومع ذلك، قد يكون أداؤها الفعلي مخيباً للآمال، وقد تظل غير ملائمة للواقع أو تعتمد على نظام سوق معين أو غير مناسبة لرأس مال حقيقي.

تلك الفجوة بين “الأقل هشاشة تحت الافتراضات المختبرة” و”المتانة” هي جوهر هذا الموضوع.

ما تقيسه محاكاة مونت كارلو في الواقع

تعمل جميع متغيرات مونت كارلو بنفس الطريقة في الأساس. خذ الاختبار التاريخي الأصلي، قم بتغيير شيء واحد عشوائياً، أعد تشغيله مرة أخرى، كرر العملية عدة مرات، ثم انظر إلى توزيع النتائج بدلاً من رقم واحد فقط.

الرؤية هنا حقيقية. تشغيل تاريخي واحد ينتج منحنى رأس مال واحد، ويبدو دقيقاً بطريقة لا يستحقها، لأن تاريخ بدء مختلف قليلاً أو سبريد أوسع بنقطتين كان سينتج شيئاً مختلفاً تماماً. إن إنشاء مئات عمليات محاكاة مونت كارلو يستبدل الدقة الزائفة بنطاق من النتائج المحتملة، وهو أمر أكثر صدقاً.

ما لا تستطيع فعله هو توليد معلومات لم تكن موجودة في بياناتك من الأساس. إن عشوائية التسلسل التاريخي تنتج تنويعات على ذلك التسلسل، وليس على ظروف لم يبتكرها السوق بعد.

ما تثبته وما لا تثبته

النتيجة	قراءة منطقية	ما لا تثبته
تظل التغييرات الصغيرة في المعلمات مربحة	الاستراتيجية ليست متوازنة على حافة سكين بالقرب من تلك الإعدادات	أن الإعدادات مثالية، أو وجود أي ميزة (Edge)
تظل تواريخ البدء المختلفة مربحة	النتائج لا تعتمد كلياً على نقطة دخول تاريخية واحدة	الربحية المستقبلية
تظل السبريدات الأوسع مقبولة	التكاليف ضمن النطاق المختبر يمكن تحملها	أن التنفيذ الفعلي يطابق النموذج
المراكز المفقودة لا تدمر النتائج	اعتماد أقل على التقاط كل إشارة	أن مخاطر تنفيذ الوسيط قد تمت معالجتها
تظل معظم عمليات التشغيل إيجابية	النتيجة التاريخية مستقرة تماماً تحت تلك الاضطرابات	الأهمية الإحصائية، أو عدم وجود فرط في التخصيص (Overfitting)
يبقى التراجع (Drawdown) ضمن الحدود	قد تكون المخاطر مقبولة عبر السيناريوهات المحاكية	أن أسوأ حالة خسارة معروفة

اطبع هذا الجدول وثبته في مكان ما. تقريباً كل الادعاءات المبالغ فيها في هذا المجال، بما في ذلك ادعاءاتي السابقة، تأتي من قراءة خلية في العمود الأوسط كما لو كانت تنتمي إلى العمود الأيمن.

ما لا يمكنها إثباته

بشكل صريح، لأن تدقيق هذه الصفحة حدد هذا كقسم مفقود:

• ميزة سببية: لا يوجد شيء هنا يشرح لماذا يجب أن تنجح الاستراتيجية.
• تمثيل العينة: بياناتك تغطي ما حدث، وليس ما يمكن أن يحدث.
• البقاء في ظل الأنظمة: الظروف التي لم تظهر أبداً في تاريخك لا يمكن اختبارها تحت الضغط.
• الخلو من التطفل على البيانات (Data Snooping): إذا قمت بتوليد خمسمائة مرشح واحتفظت بثلاثة فقط، فإن عملية الاختيار هذه غير مرئية لأي اختبار متانة.
• نمذجة التكاليف الصحيحة: اختبار عشوائية السبريد يختبر نطاقاً اخترته أنت. قد تكون التكاليف الحقيقية خارج هذا النطاق.
• جودة التنفيذ الفعلي: عمليات التنفيذ المحاكية هي مجرد افتراضات.
• تراجع مستقبلي محدود: أسوأ نتيجة محاكية ليست بالضرورة هي أسوأ نتيجة ممكنة.
• جاهزية النشر: اجتياز الاختبار هو مدخل واحد من عدة مدخلات، وليس حكماً نهائياً.

هذه النقطة المتعلقة بالبحث المتكرر تستحق التأكيد. إن توليد مئات المرشحين والاحتفاظ فقط بمن يستوفون معاييرك هو عملية اختيار، والاختيار ينتج فائزين بمحض الصدفة عندما تكون المجموعة كبيرة بما يكفي. تعمل محاكاة مونت كارلو على الناجي ولا تخبرك شيئاً عن عدد الجثث التي تجاوزها في طريقها.

أنواع الاختبار الستة ليست قابلة للتبادل

إن تجميع عمليات محاكاة مونت كارلو هذه معاً كخاصية واحدة تسمى المتانة هو خطأ ارتكبته مراراً، وهذه الاختبارات تجيب على أسئلة مختلفة تماماً.

الاختبار	ما يفحصه	الفئة
معلمات المؤشر العشوائية	الحساسية للإعدادات القريبة	تنوع الاستراتيجية
شمعة البداية العشوائية	الاعتماد على النافذة التاريخية المختارة	تنوع الاستراتيجية
السبريد العشوائي	الحساسية لتغيرات تكلفة المعاملة	تنوع السوق
تاريخ السعر العشوائي	الحساسية لافتراضات اضطراب البيانات	تنوع السوق
المراكز المفقودة عشوائياً	الاعتماد على تلقي كل تنفيذ متوقع	مشكلة التنفيذ
المراكز المغلقة عشوائياً	الحساسية للخروج المبكر أو الانقطاعات	مشكلة التنفيذ

قد تنجح استراتيجية ما في تجاوز عشوائية المعلمات، ولكنها قد تنهار تحت وطأة اتساع السبريد. هذه النتائج تخبرك بأشياء مختلفة وتقترح علاجات مختلفة، لذا فإن الإبلاغ عن نجاح أو فشل واحد عبر جميع الاختبارات الستة يفقدك معظم المعلومات.

المعلمات العشوائية

في هذا النوع من محاكاة مونت كارلو، يقوم البرنامج بتغيير قيم المؤشرات بشكل متكرر بمقادير صغيرة، ثم يعيد التشغيل، محاكيًا بذلك ما كنت ستفعله يدويًا عند تغيير فترة المتوسط المتحرك وإعادة الاختبار.

النجاح يشير إلى أن النتيجة لا تعتمد على مزيج دقيق واحد. أما الفشل فهو أكثر إفادة من النجاح، في الواقع: فالاستراتيجية التي تعمل فقط عند الفترة 14 وتنهار عند 13 و15 هي بالتأكيد استراتيجية تعتمد على الضجيج.

ما لا يمكنك استنتاجه هو أن القيم التي اخترتها صحيحة أو أن المنطق الأساسي يلتقط شيئًا حقيقيًا. من الممكن تمامًا أن تفشل الإعدادات المتقاربة معًا عندما تشترك جميعها في نفس الافتراض المعيب.

شريط البداية العشوائي

هنا تبدأ محاكاة مونت كارلو من نقاط متنوعة منتشرة عبر مجموعة البيانات بدلاً من البدء دائمًا من نفس التاريخ.

ادعى صياغتي الأصلية أن هذا يثبت أن الاستراتيجية ليست مفرطة في التحسين للفترة الزمنية، وأن النتيجة الناجحة تعني أنه لا يهم متى تضعها على الرسم البياني. كان كلا التصريحين مبالغًا فيهما.

إليك النسخة الأكثر دقة. النجاح يشير إلى أن النتيجة لا تعتمد كليًا على تاريخ بدء واحد داخل التاريخ المختبر. هذا مفيد، وهو يكشف بعض الحالات التي قام فيها المولد بملاءمة المعلمات لنافذة زمنية محددة. ما لا يمكن استبعاده: فرط الملاءمة للمعلمات بشكل أوسع، أو تحيز اختيار المؤشر، أو تحيز اختيار الرمز والإطار الزمني، أو احتمال أن تمثل مجموعة البيانات بأكملها نظامًا واحدًا مفضلًا.

نقاط البداية المختلفة داخل نفس السنوات الثلاث من بيانات الأسعار تظل هي نفس السنوات الثلاث. إذا كانت الظروف عبر تلك الفترة بأكملها تناسب المنطق، فستبدو كل نقطة بداية جيدة، ولن تتعلم شيئًا عن السنوات الثلاث التالية.

عشوائية السبريد والبيانات

تعد عشوائية السبريد في مونت كارلو مهمة جدًا لأي شخص يقدم وسيطه أسعارًا تتسع بشكل حاد حول الأخبار أو وقت المبادلة. إجراء الاختبار مع سبريد عشوائي يوضح ما إذا كانت النتيجة التاريخية ستصمد عندما تتحرك التكاليف ضمن النطاق الذي حددته.

لاحظ القيد. أنت من حدد النطاق. الاستراتيجية التي تتحمل سبريد بين نقطة واحدة وثلاث نقاط لا تخبرنا شيئًا عن السلوك عند ثماني نقاط أثناء طفرة التقلب.

تؤدي عشوائية تاريخ الأسعار إلى إرباك التسلسل الأساسي نفسه. هذا مفيد عندما تكون جودة بياناتك مشكوكًا فيها أو إذا كان هناك فجوات في التغذية، رغم أنه يثير سؤالًا منهجيًا لم يتطرق إليه المقال الأصلي: هل تحافظ العشوائية على تكتل التقلبات والارتباط التسلسلي؟ الأسواق الحقيقية تظهر كليهما. طريقة الاضطراب التي تخلط بينهما تختبر عالمًا غير موجود.

اختبارات التنفيذ تستحق المزيد من الاحترام

كانت المراكز المفقودة والمغلقة قبل الأوان هما المحاكاتان اللتان استخدمتهما في مونت كارلو لاستبعادهما، بناءً على منطق أن الأنظمة الآلية بالكامل لا ينبغي أن تتعرض للتدخل، وأن أي شخص يعاني من مشاكل في التنفيذ يجب أن يغير الوسيط.

كانت تلك النصيحة سطحية للغاية، وسأقوم بتعديلها الآن.

المراكز تُفقد بالفعل لأسباب لا علاقة لها بسوء الوسيط: انقطاع الاتصال، إعادة تشغيل المنصة، إعادة تشغيل خادم افتراضي للتحديثات، إعادة التسعير أثناء الحركة السريعة، نقص الهامش، أو ببساء إغلاق الطرفية. الاستراتيجية التي تعتمد نتيجتها بالكامل على التقاط دخولين محددين من أصل أربعمائة هي استراتيجية هشة بطريقة تستحق المعرفة، واختبار المراكز المفقودة يكشف ذلك بالضبط.

تغيير الوسيط يحل أيضًا مشكلات أقل مما أوحيت به. الانزلاق السعري أثناء الإعلانات هو خاصية للسوق، وليس لشركة معينة.

لذا قم بإجراء تلك الاختبارات. فهي لا تستغرق سوى دقائق، والاستراتيجية التي تنهار عندما تفقد 5% من الدخول هي تخبرك بشيء عن مخاطر التركيز.

قاعدة الـ 80 بالمائة، فحص صادق

كانت قاعدتي العملية هي أن 80 بالمائة على الأقل من عمليات مونت كارلو يجب أن تظل إيجابية، ومع عشرين عملية، يعني ذلك ست عشرة عمليات.

مثالان من التسجيل الأصلي: أحد المرشحين سجل 15 من أصل 20 وتم رفضه، والآخر سجل 17 ونجح.

الآن دعني أفكك تلك القاعدة، لأنها تستحق التدقيق.

عشرون عملية هي عدد قليل جدًا. مع عشرين عملية سحب، فإن الفرق بين 15 و16 يقع تمامًا ضمن ضجيج العينات. أعد تشغيل نفس الاستراتيجية ببذرة عشوائية مختلفة وقد تصبح الـ 15 سبعة عشر. مئات أو آلاف العمليات تكلف وقتًا أكثر وتنتج توزيعًا يمكنك قراءته فعليًا.

الربحية معيار منخفض. العملية التي تنتهي بزيادة دولار واحد تعتبر مساوية لعملية تنتهي بزيادة خمسة آلاف دولار. حساب النتائج الإيجابية يتجاهل الحجم تمامًا.

من أين جاء الرقم 80؟ من الخبرة والحدس، وليس التحقق. لم أختبر أبدًا ما إذا كانت الاستراتيجيات التي تتجاوز هذا الحد تتفوق لاحقًا على تلك التي تقل عنه مباشرة، وحتى يقوم شخص ما بذلك، يظل الرقم مجرد عرف وليس نتيجة مثبتة.

مقاييس أفضل للنظر إليها عبر مجموعة كبيرة من العمليات:

المقياس	ما يخبرك به
النتيجة الوسيطة	النتيجة النموذجية، وهي أقل تشوهاً من المتوسط
النسبة المئوية الخامسة	حالة سيئة معقولة
أسوأ نتيجة	الذيل الذي سيتعين عليك النجاة منه فعلياً
توزيع الحد الأقصى للتراجع	ليس رقماً واحداً بل مجموعة من الأرقام
احتمالية الانتهاء بالسالب	أكثر إفادة من مجرد عدد مرات النجاح
احتمالية الإفلاس	فرصة الوصول إلى مستوى يؤدي لإنهاء الحساب
أطول سلسلة خسائر متتالية	ما ستحتاج إلى تحمله
عامل الاسترداد	النتيجة بالنسبة إلى أسوأ انخفاض

إن تقديم الوسيط والنسبة المئوية الخامسة أفضل من تقديم ستة عشر من عشرين. توزيعات الاحتمالات تحمل معلومات؛ بينما النسبة الواحدة تتجاهل معظمها.

الإعدادات التي يجب عليك نشرها

لا تعني أي نتيجة من نتائج مونت كارلو شيئاً بدون تصميم المحاكاة الخاص بها، وهذا هو الإفصاح الذي افتقرت إليه الصفحة الأصلية تماماً:

• عدد مرات التشغيل
• سياسة البذرة العشوائية (Random seed)، وما إذا كانت النتائج قابلة للتكرار
• التوزيع المستخدم لتغييرات المعلمات، والانحراف المسموح به
• توزيع السبريد والحدود
• طريقة عشوائية الأسعار
• ما إذا كان ترتيب المراكز يتم خلطه
• ما إذا كانت النتائج يتم أخذ عينات منها مع الاستبدال
• ما إذا كان الارتباط المتسلسل وتكتل التقلبات يستمر
• ما إذا كانت التكاليف تختلف حسب الجلسة
• المقاييس التي تحدد النجاح

أحتفظ بالإعدادات الافتراضية للبرنامج، وهي منطقية بما يكفي لدرجة أنني لم أشعر قط بالحاجة إلى تغييرها. هذا موقف معقول، رغم أنه يعني أيضاً أنني لا أستطيع إخبارك بدقة ما هو الانحراف الذي تنطبق عليه تلك الإعدادات الافتراضية، وكذلك لا يمكن للقارئ الذي يحاول إعادة إنتاج نتائجي فعل ذلك. انشر إعداداتك.

معايير القبول تأتي أولاً

قبل بدء أي عمل من أعمال مونت كارلو، يجب على المرشحين اجتياز عتبات الجودة الأساسية. معاييري، من المولد:

المعيار	القيمة	السبب
الحد الأدنى لجودة الاختبار	98	للحماية من مشاكل الشموع الغامضة
الحد الأدنى للمراكز	350	العينات الصغيرة لا تثبت شيئاً
الحد الأدنى لعامل الربح	1.2	الأرباح الإجمالية تزيد بنسبة عشرين بالمائة عن الخسائر الإجمالية
الحد الأدنى لـ R-squared	60	يفضل منحنيات الأسهم الأكثر استقراراً

تصحيحان لما وصفته في عام 2019.

عامل الربح هو إجمالي الربح مقسوماً على إجمالي الخسارة، باستخدام القيمة المطلقة لرقم الخسارة. وصفي السابق كان يسميه صافي الربح مقابل صافي الخسارة، وهو ليس نفس الحساب وسينتج رقماً مختلفاً.

R-squared يقيس مدى قرب المنحنى الناتج من تتبعه لخط مستقيم. القراءات الأعلى تعني انحرافات أقل عن ذلك الخط. ما لا يقيسه هو الاتجاه، أو النتيجة الصافية، أو الأهمية: المنحنى المتراجع باستمرار يناسب الخط بشكل جميل ويحصل على درجة جيدة. اقرأه جنباً إلى جنب مع الميل، والتراجع، وعدد المراكز، والتكاليف، ولا تقرأه بمفرده أبداً.

الشموع الغامضة، بدقة

الأمر يستحق ضبطه بشكل صحيح، لأن التفسير الأصلي أوحى بأن منصة واحدة تنتج الإجابة الصحيحة.

تسجل شموع الأسعار القياسية أربع قيم: الافتتاح، والقمة، والقاع، والإغلاق. ما حدث بينها غير مسجل. عندما يقع كل من الخروج الوقائي والهدف الخاص بالاستراتيجية داخل شمعة واحدة، يكون التسلسل مجهولاً حقاً.

تتعامل المنصات المختلفة مع ذلك بشكل مختلف. تفترض MetaTrader أن الهدف جاء أولاً. أما المولد الذي أستخدمه فيفترض أن الخروج الوقائي هو الذي جاء أولاً.

أنا أفضل الخيار الثاني، لأن النظام الذي يكون تاريخه مليئاً بالشموع الغامضة ويتم حله بشكل متفائل سيبدو أفضل بكثير مما يستحق. لكن الخيار المتشائم هو افتراض متحفظ، وليس إعادة بناء لما حدث بالفعل. لا أحد يعرف ما حدث. البيانات ذات الدقة العالية تقلل من تكرار حدوث الغموض دون القضاء على قيود النمذجة تماماً.

وهذا هو السبب في أن عتبة الجودة تقف عند 98. دون ذلك، تعتمد الكثير من النتائج على افتراض بدلاً من الأدلة.

أين تقع مونت كارلو بين الفحوصات الأخرى

اختبار مونت كارلو هو طبقة واحدة. ليس الكلمة الأخيرة، وليس بديلاً للطبقات المحيطة به.

المرحلة	الغرض
تعريف القاعدة	جعل المنطق موضوعياً وقابلاً للتكرار
مراجعة جودة البيانات	التحقق من الطوابع الزمنية، والفجوات، والأسعار، والتكاليف
البناء داخل العينة	البناء والفحص
التحقق خارج العينة	التقييم بناءً على بيانات لم تُستخدم أبداً للتطوير
اختبار الإجهاد بمونت كارلو	قياس الحساسية للاضطرابات المختارة
التحليل المستقبلي (Walk-forward analysis)	اختبار التكيف المتكرر عبر الزمن
الاختبار الأمامي التجريبي (Demo forward testing)	مراقبة التنفيذ في ظل الظروف الحالية
النشر الحي الصغير	قياس عمليات التنفيذ الحقيقية والسلوك التشغيلي
المراقبة المستمرة	اكتشاف التدهور وتغير النظام

الفرق الذي يغفل عنه الناس غالباً: الاختبار خارج العينة يستخدم بيانات لم يراها نظام البناء أبداً، بينما تعيد محاكاة مونت كارلو استخدام نفس البيانات مع تعديلات. إنها أسئلة مختلفة تماماً. النجاح في أحدهما لا يعني الكثير عن الآخر، والاستراتيجية التي تجتاز كل فحص اضطراب على مجموعة بيانات تم ضبطها عليها تظل مضبوطة على تلك المجموعة.

يقع التحليل المستقبلي (Walk-forward) في مكان ما بينهما، حيث يتم إعادة التحسين بشكل متكرر على نافذة متحركة والاختبار للأمام، وهو ما يقرب على الأقل من كيفية تشغيلك الفعلي.

قراءة نتائج النجاح والفشل

الفشل يكون واضحاً ومفيداً. هناك شيء ما في منطقك يعتمد على شرط أزاله الاختبار، ومن الجدير بالعثв على هذا الاعتماد قبل أن تفعل رأس المال ذلك بدلاً منك.

النجاح هو المكان الذي يذهب فيه التفسير بشكل خاطئ. يعني ذلك أن النتيجة التاريخية صمدت في ظل التغييرات المحددة التي طبقتها، باستخدام الإعدادات التي اخترتها، وعلى البيانات التي كانت لديك. ثم يقول الأشخاص العقلانيون “الاستراتيجية قوية”، مما يضغط كل تلك المؤهلات في كلمة واحدة تبدو وكأنها حكم نهائي.

صياغة أفضل لملاحظاتك الخاصة: اجتاز اختبار المعلمات العشوائية والبداية العشوائية عند الانحراف الافتراضي عبر 20 دورة، الوسيط X، المئوي الخامس Y. صياغة أطول، أقل إرضاءً، ولكنها أكثر صدقاً بكثير.

أخطاء شائعة

• اعتبار اجتياز مونت كارلو بمثابة تحقق: إنه مجرد تشخيص واحد من بين عدة تشخيصات.
• تشغيل عدد قليل جداً من التكرارات. العشرين دورة تعطي صورة تقريبية، والاختلافات الصغيرة لا تعني شيئاً.
• عدّ الدورات الإيجابية فقط: الحجم والتراجع يحملان معلومات أكثر.
• تطبيقه قبل اختبار خارج العينة: الترتيب مهم؛ البيانات غير المرئية تأتي أولاً.
• تجاهل عملية الاختيار: تصفية مئات المرشحين للوصول إلى عدد قليل هو في حد ذاته مصدر للنتائج الإيجابية الزائفة.
• تخطي اختبارات التنفيذ: الخطأ الذي ارتكبته لسنوات.
• عدم نشر الإعدادات أبداً: لا يمكن لأحد، بما في ذلك مستقبلك، تفسير النتائج بدونها.

الأسئلة الشائعة

كم عدد التكرارات التي يجب أن أشغلها؟ 

مئات في الحد الأدنى، والآلاف إذا كان برنامجك يسمح بذلك، لأن التوزيع يستقر فقط مع حجم العينة. العشرين دورة تعطي تقديراً تقريبياً حيث تقع الاختلافات الصغيرة ضمن التباين العشوائي، لذا فإن نتيجة خمسة عشر مقابل ستة عشر قد تعكس ببساطة البذرة التي استخدمها البرنامج بالصدفة. المجموعات الأكبر تستغرق وقتاً أطول ولكنها تنتج مئويات وأرقام احتمالية يمكنك التفكير فيها منطقياً، بدلاً من نسبة اجتياز واحدة تتجاهل معظم المعلومات.

هل تعمل طريقة مونت كارلو مع استراتيجيات التداول اليدوي؟ 

جزئياً. طرق الاضطراب التي تعيد أخذ عينات من تسلسلات النتائج تنطبق على أي مجموعة مسجلة من النتائج، سواء كانت يدوية أو آلية، وهي توضح بشكل مفيد كيف يمكن أن تتطور نفس النتائج بشكل مختلف. عشوائية المعلمات لا تنطبق هنا، لأن النهج التقديري ليس له قيم ثابتة لتتغير. المشكلة الأكبر هي أن السجلات اليدوية نادراً ما تحتوي على مراكز كافية لإجراء تحليل ذي معنى، كما أن اتخاذ القرار البشري نفسه يدخل تبايناً لا يمكن لأي محاكاة نمذجته.

ما هو احتمال الإفلاس؟ 

تقدير لفرصة هبوط حسابك دون المستوى الذي حددته كونه غير قابل للاسترداد، ويتم حسابه عبر العديد من المسارات المحاكات بدلاً من تسلسل تاريخي واحد. حجم المركز، ومعدل الربح، ونسبة المكافأة، كلها تغذي هذا التقدير المالي. هذا الرقم يهم أكثر من العائد المتوقع لأي شخص يقرر حجم التداول، لأن النظام الذي يمتلك نتائج متوسطة جذابة واحتمال إفلاس ملموس سيصل في النهاية إلى تلك النتيجة بمرور الوقت.

هل يمكن تطبيقها على محفظة بدلاً من استراتيجية واحدة؟ 

نعم، والقيام بذلك يوفر معلومات أكثر من اختبار الأنظمة بشكل فردي، لأن الارتباط بينها يحدد المخاطر المشتركة. تشغيل الاضطرابات عبر المجموعة بأكملها يكشف ما إذا كانت عدة استراتيجيات تفشل معاً تحت نفس الظروف، وهو ما لا يمكن للتحليل الفردي إظهره. نتائج مستوى المحفظة غالباً ما تكون أسوأ مما توحي به الأرقام الفردية، لأن الأنظمة المبنية على منطق متشابه تميل إلى مواجهة فتراتها السيئة في وقت واحد بدلاً من التناوب بانتظام.

هل يجب أن تغير النتائج طريقة تحديد حجم المراكز؟ 

يمكنها ذلك، وهذا بلا شك هو الاستخدام الأكثر عملية. تعطي أرقام التراجع المئوية عبر العديد من الدورات حالة أسوأ أكثر واقعية من الحد الأقصى التاريخي الواحد، وتحديد الحجم بناءً على هذا الرقم الأوسع يترك مجالاً للنتائج التي لم تتضمنها سجلاتك التاريخية. ضع في اعتبارك أن الحالة الأسوأ المحاكات لا تزال مقيدة ببياناتك وافتراضاتك، لذا فإن التعامل معها كأرضية صلبة بدلاً من مجرد تقدير يعيد إدخال نفس الثقة الزائفة.

هل الاستراتيجية التي تجتاز كل الاختبارات جاهزة لرأس المال الحقيقي؟ 

لا. النجاح يعني أنها صمدت أمام الاضطرابات المحددة التي طبقتها على البيانات التي تم تطويرها عليها. تظل النتائج خارج العينة، والاختبار الأمامي على حساب تجريبي في ظل الظروف الحالية، وفترة من النشر الحي الصغير ضرورية جميعها، وكل منها يكشف عن مشاكل لا يمكن للآخرين كشفها. تعامل مع فحص المتانة كفلتر لإزالة المرشحين الهشين بدلاً من شهادة تأهيل للناجين. الكثير من الأنظمة تتخطى كل العقبات المحاكات وتخذل المتداول فوراً في الممارسة العملية.

هل تميز الاختبارات بين الحظ والمهارة؟ 

ليس بشكل مباشر، وهذا القيد جوهري. تقيس طرق الاضطراب الحساسية وليس السببية، لذا فإن الاستراتيجية التي عثرت بالصدفة على نمط تاريخي متوافق يمكن أن تجتاز الاختبار بسهولة طالما أن النمط مستقر عبر التعديلات المطبقة. إن التمييز بين الميزة الحقيقية والصدفة يتطلب التفكير في سبب عمل المنطق، والتأكيد خارج العينة، وفي النهاية أدلة الأداء المباشر. التدقيقات الإحصائية تضيق النطاق دون أن تحسم المسألة أبداً.

ما هو البرنامج الذي يقوم بتشغيل هذه الاختبارات؟

 تتضمن Expert Advisor Studio الوحدة الموصوفة في جميع أنحاء هذه الصفحة، حيث تقدم الأنواع الستة المذكورة أعلاه مع إعدادات انحراف قابلة للضبط. توجد بدائل في معظم منصات بناء الاستراتيجيات الجادة، ويقوم بعض المتداولين بكتابة روتين إعادة أخذ العينات الخاص بهم باستخدام لغة Python، مما يوفر تحكماً كاملاً في تصميم الاضطراب على حساب بنائه بنفسك. أياً كانت الأداة التي تختارها، فإن نشر إعداداتها إلى جانب نتائجك أهم من نوع الأداة نفسها.

إخلاء مسؤولية: للمؤلف علاقة تجارية مع Expert Advisor Studio ويبيع دورات تغطي سير العمل الموصوف هنا. المحتوى تعليمي ولا يشكل توصية بالتداول. النتائج التاريخية والمحاكاة تصف الظروف الماضية فقط.