I sistemi di trading robusti sono strategie meccaniche che continuano a funzionare nel tempo su una grande varietà di mercati, con le stesse regole e gli stessi parametri, senza dipendere da un backtest perfetto. In sintesi: un sistema è robusto quando lavora ragionevolmente bene la maggior parte del tempo (non alla perfezione sempre), regge le variazioni dei parametri e opera su un campione molto ampio di operazioni. Questa guida raccoglie la metodologia esposta dal trader sistematico australiano Nick Radge nel podcast Chat With Traders, tradotta nel nostro linguaggio di community: come costruire strategie che reggono l’out-of-sample invece di inseguire la curva più bella su dati storici.
Che cosa sono i sistemi di trading robusti?
Per Nick Radge un sistema è robusto quando soddisfa tre condizioni. La prima: funziona ragionevolmente bene la maggior parte del tempo, non sempre e non alla perfezione. Ogni strategia va “in sync” e “out of sync” con il mercato, e restare fuori sincrono per un periodo non significa che sia rotta. La seconda: funziona con le stesse identiche regole e gli stessi parametri su un’ampia varietà di strumenti. La terza: opera su un campione molto ampio di operazioni, perché la solidità di un edge dipende da quante volte quel setup si è ripetuto in passato.
La differenza di fondo è di obiettivo. Chi cerca il sistema “migliore” finisce quasi sempre per ottimizzarlo fino a farlo aderire perfettamente al passato: un backtest scintillante è quasi sempre frutto di curve fitting e fallirà nel futuro. I sistemi di trading robusti nascono dall’obiettivo opposto: non trovare la performance più alta, ma costruire qualcosa che continui a funzionare. È un cambio di mentalità prima ancora che di tecnica, e cambia radicalmente il modo in cui si conduce ogni test.
C’è una domanda che viene prima di ogni backtest, ed è la più importante: perché la tua strategia guadagna? Se non capisci la fonte dell’edge, non reggerai la strategia quando andrà male, e ogni strategia prima o poi va male. Come dice Radge, “una media a 3 giorni che incrocia la 10, una banda di Bollinger qui, un RSI là, volume alto e luna piena” non è una spiegazione del perché un sistema guadagna: è solo un elenco di condizioni. Capire il motivo economico o comportamentale dell’edge è la precondizione per avere la disciplina di seguire il sistema quando le cose andranno storte, cosa che ogni strategia prima o poi fa.
Perché la sovra-ottimizzazione (curve fitting) è il nemico numero uno?
Il curve fitting, o sovra-ottimizzazione, è l’atto di adattare le regole e i parametri di una strategia ai dati storici finché il risultato sulla carta diventa splendido. Il problema è che quel risultato descrive il passato, non il futuro: più si ottimizza, più il sistema aderisce al rumore di quei dati specifici e meno reggerà a mercato reale. È il difetto opposto della robustezza, ed è il motivo per cui una strategia “perfetta” nel backtest è spesso la più fragile.
Più curve-fitti, più ottimizzi, più è probabile che il sistema fallisca.
— Nick Radge, Chat With Traders
Ci sono segnali che tradiscono un sistema sovra-ottimizzato. Metriche “attraverso il tetto” sono un campanello d’allarme: un win rate sopra il 75%, un profit factor sopra 3 (un profit factor di 16 è, nelle parole di Radge, “assoluto curve fitting”), oppure pochissime operazioni, come 25 trade in dieci anni. Sono le stesse metriche che “si vendono benissimo al pubblico”, perché sembrano straordinarie.
Radge racconta un aneddoto come monito sul data mining: un conoscente aveva costruito una ventina di pattern minati sui dati dei futures S&P 500, con un win rate intorno al 90% e circa 250 operazioni in dieci-quindici anni; da un conto di circa 50.000 dollari ha perso circa 60.000 dollari in una notte, e non ha mai più fatto trading. È un aneddoto, non una statistica, ma spiega bene dove porta l’ottimizzazione spinta.
Come si testa la robustezza di un sistema di trading?
Qui sta il ribaltamento di metodo di Radge: invece di cercare di dimostrare che il sistema è buono, prova a romperlo. Troppa gente cerca di provare che la propria strategia funziona; l’approccio corretto è metterla sotto stress e tentare di smentirla. Se, dopo aver provato in ogni modo a farla crollare, non ci riesci, allora probabilmente hai davvero qualcosa di robusto. Sotto questa filosofia stanno alcuni test concreti che si rafforzano a vicenda.
Il primo è il test di stabilità dei parametri. Non deve esistere un solo valore “magico”: si spostano gli input e si osserva l’impatto sulla riga finale. Se un filtro d’indice usa 100 giorni, lo si prova anche a 90, 110 e 150; si muovono gli input del 15% o del 20%. Un buon sistema mostra un parameter plateau, cioè una zona ampia di valori che danno risultati simili, non un picco isolato che crolla appena ti sposti di poco. Un altro test è la randomizzazione dei dati: si introduce rumore, per esempio randomizzando il prezzo di apertura di più o meno 10% ogni giorno su vent’anni di storico, e si guarda se il sistema regge.
Troppa gente cerca di trovare il sistema migliore. Ed è proprio l’approccio sbagliato. Quello che devi fare è cercare di rompere il tuo sistema.
— Nick Radge, Chat With Traders
C’è poi il pilastro dell’out-of-sample: si sviluppa e si ottimizza il sistema su una porzione di dati (in-sample) e si conferma su dati che il sistema non ha “mai visto” (out-of-sample). Se l’edge svanisce fuori dal campione di costruzione, era curve fitting. La simulazione Monte Carlo aggiunge la domanda “what if?”: e se il passato fosse stato leggermente diverso? Uno dei test è il trade skipping: quando le operazioni arrivano a grappoli (tipico del mean reversion) non puoi prenderle tutte per limiti di capitale, quindi simuli migliaia di scenari in cui prendi un sottoinsieme diverso di trade. Più stretto è il ventaglio dei risultati tra i vari scenari, più il sistema è robusto.
Perché servono le stesse regole su molti mercati?
La prova di robustezza più forte, per Radge, è applicare la stessa identica strategia — stessi parametri, nessuna ottimizzazione per singolo titolo — a un universo molto ampio di strumenti. Lui trada lo stesso sistema sui top 500 titoli statunitensi e sui top 500 australiani: circa mille titoli, usando le liste di constituent storiche. Se una logica funziona su mille strumenti senza aggiustamenti su misura, è molto più probabile che catturi un comportamento reale del mercato e non una coincidenza. La robustezza, in questo senso, è funzione della frequenza con cui il setup si ripete: come il sole che sorge, più volte è successo in passato più è ragionevole aspettarselo di nuovo.
Da qui una regola pratica: diffida dei sistemi costruiti su un solo mercato o un solo strumento, perché tendono a essere ottimizzati. Radge fa l’esempio di una strategia su un ETF sull’oro: se quel pattern fosse davvero robusto, applicato ai titoli dell’S&P 500 darebbe un esito positivo; invece l’esito è pessimo, quindi il pattern non è robusto e tenderà a fallire. Un ampio campione di operazioni serve anche a distinguere l’edge dalla fortuna: una strategia curve-fittata con 20 trade in 20 anni è quasi certamente un colpo di fortuna, mentre un edge che produce migliaia di trade è qualcosa su cui si può ragionare.
Perché i dati puliti contano più di un backtest perfetto?
Un test di robustezza vale quanto i dati su cui gira, e qui il nemico silenzioso è il survivorship bias. Se testi una strategia solo sui titoli che oggi esistono ancora, stai escludendo tutti quelli usciti dall’indice o falliti lungo il percorso, e questo sovrastima drammaticamente la performance simulata. La difesa è testare anche i titoli delistati e usare liste di constituent storiche, cioè l’S&P 500 com’era davvero nel 1998, delistati inclusi. Serve un data provider e un software che gestiscano correttamente le entrate e le uscite dall’indice nel tempo.
Ne discende un principio che Radge riassume con una domanda: vuoi fare soldi o risparmiare soldi? Dati, software e sistemi di qualità sono un investimento, non un costo da tagliare. Un singolo dato sbagliato — un prezzo non aggiustato preso da una fonte gratuita — genera segnali errati che portano a operazioni sbagliate, e quelle costano molto più del prezzo di buoni dati. Per chi lavora in modo quantitativo, questo si lega direttamente al modo in cui si validano le strategie senza sovra-adattarle; ne parliamo negli strumenti pratici linkati più avanti.
Come si monitora un sistema robusto nel tempo?
La robustezza non finisce con il backtest: continua a mercato reale. Radge fa girare le simulazioni fianco a fianco con il trading effettivo e le confronta a intervalli regolari, per esempio ogni settimana. Il sistema reale dovrebbe produrre più o meno lo stesso numero di operazioni e lo stesso rendimento generale della simulazione. Dalle metriche storiche fissa dei benchmark e poi sorveglia la divergenza lenta: non lo scostamento di un singolo trade, ma un allontanamento progressivo tra reale e simulato che segnala che qualcosa è cambiato. È il walk-forward applicato all’operatività, non solo alla fase di sviluppo.
Un caso concreto raccontato da Radge riguarda il 2011: una strategia short-term momentum aveva smesso di essere valida non perché la logica fosse sbagliata, ma perché lo slippage era cresciuto fino a costare intorno all’11% annuo. Era un problema di liquidità dell’esecuzione, non del sistema, ma il risultato pratico era lo stesso: la strategia andava ritirata. Quel numero è un costo storico e aneddotico, non un rendimento né una promessa. È l’esempio di come il monitoraggio live intercetti problemi che nessun backtest, per quanto pulito, può mostrare in anticipo.
Quali aspettative realistiche servono su drawdown e disciplina?
Anche il sistema più robusto passa attraverso i drawdown, e questo va messo in conto come parte del gioco, non vissuto come un guasto. Quando il sistema è “out of sync” con il mercato perdi terreno: è il prezzo da pagare. Radge usa l’analogia della Porsche portata in spiaggia: un trend following long-only non è progettato per i mercati laterali o ribassisti, quindi lì soffrirà, ed è normale. Il punto discriminante è saper rispondere alla domanda “perché non sto guadagnando?”. Se un sistema trend-following perde mentre il mercato sale con forza, quello sì è un problema; se perde in un mercato che va lateralmente, sta semplicemente facendo ciò per cui è stato costruito.
Da qui il ruolo della disciplina d’esecuzione: non ha senso un approccio sistematico se poi non segui le regole. La confidenza per farlo nasce da un sistema validato con aspettativa (expectancy) positiva, che rimuove quasi tutta l’emozione dalla singola decisione. Un eventuale override, secondo Radge, nasce dall’emozione, mai da una view macro o fondamentale: 999 volte su 1.000 conviene piazzare comunque i trade previsti dal sistema. Un sistema veramente robusto può durare per decenni — cita trend follower come Salem Abraham, William Eckhardt, Bill Dunn e Jerry Parker — e quando si rompe, spesso è perché era stato ottimizzato fin dall’inizio.
Domande frequenti sui sistemi di trading robusti
Cosa rende robusto un sistema di trading?
Un sistema di trading è robusto quando funziona ragionevolmente bene la maggior parte del tempo (non sempre), regge le stesse regole e gli stessi parametri su un’ampia varietà di mercati e opera su un campione molto ampio di operazioni. La prova pratica è resistere agli stress test: sposti i parametri, aggiungi rumore ai dati, cambi mercato, e il sistema continua a funzionare. Se invece basta una piccola variazione per far crollare i risultati, non è robusto.
Cos’è il curve fitting (sovra-ottimizzazione)?
Il curve fitting è l’adattamento eccessivo delle regole e dei parametri di una strategia ai dati storici, fino a ottenere un backtest splendido che però descrive solo il passato. Più si ottimizza, più il sistema aderisce al rumore di quei dati specifici e più è probabile che fallisca a mercato reale. Segnali tipici sono metriche troppo belle (win rate molto alto, profit factor molto elevato) e pochissime operazioni nel backtest.
Cos’è il test out-of-sample e il walk-forward?
Il test out-of-sample consiste nel costruire e ottimizzare il sistema su una porzione di dati (in-sample) e poi verificarlo su dati che il sistema non ha mai usato in fase di sviluppo (out-of-sample): se l’edge sparisce fuori dal campione, era curve fitting. Il walk-forward estende questa logica nel tempo, riottimizzando a finestre successive e, nella pratica operativa, confrontando periodicamente la simulazione con il trading reale per intercettare divergenze.
Chi è Nick Radge?
Nick Radge è un trader e system developer australiano, fondatore di The Chartist e autore del libro “Unholy Grails”. Opera in modo interamente sistematico, soprattutto sui mercati azionari australiani e statunitensi, con strategie trend following e mean reversion. La metodologia di questo articolo è tratta da un suo intervento nel podcast Chat With Traders; se vuoi il ritratto completo del suo percorso e del suo metodo puoi leggere il metodo di Nick Radge.
Questo articolo è un consiglio di investimento?
No. Questo articolo ha scopo esclusivamente informativo e formativo e non costituisce consulenza finanziaria né un invito a operare. Tutti i numeri citati (percentuali, soglie, importi degli aneddoti) sono dati storici, illustrativi o aneddotici, non promesse di rendimento. Il trading comporta un rischio concreto di perdita del capitale, e ogni strategia va validata sui propri mercati prima di essere considerata affidabile.
Per collocare questa metodologia nel quadro più ampio del nostro metodo, parti dal pillar su come funziona il trend following. Sul versante pratico e quantitativo, vedi come si validano le strategie con walk-forward e curve fitting con StrategyQuant e come ottimizzare le strategie quantitative senza sovra-adattarle. Sul metodo meccanico e sulla gestione del capitale, sono utili i sistemi di trading meccanici di Ed Seykota e la gestione del rischio nel trading. Un riferimento esterno sui concetti tecnici: la voce enciclopedica su overfitting (sovra-adattamento) e quella sulla walk-forward optimization.
I contenuti di questo articolo hanno scopo esclusivamente informativo e formativo e non costituiscono consulenza finanziaria né un invito a operare. I risultati di backtest sono dati storici, calcolati su dati passati, e non sono predittivi: non rappresentano rendimenti attesi né garanzia di risultati futuri. Le percentuali e gli importi citati (compresi gli aneddoti) sono illustrativi o storici, mai una promessa di rendimento. Il trading comporta un rischio concreto di perdita del capitale; ogni strategia va validata sui propri mercati prima di operare con denaro reale.