مقدمه: وقتی داده‌ها ما را فریب می‌دهند

وقتی استراتژی معاملاتی جدیدی طراحی می‌کنم و آن را با داده‌های تاریخی آزمایش می‌کنم، اغلب حس پیروزی به سراغم می‌آید. نمودارها سودهای کلان را نشان می‌دهند و ذهنم فریاد می‌زند: «این همان استراتژی طلایی است!» اما تجربه به من آموخته که این احساس، گاهی نتیجه خودفریبی بک‌تست در ترید است. چرا استراتژی‌ها روی کاغذ بی‌نقص به نظر می‌رسند، اما در دنیای واقعی ناکام می‌مانند؟ در این مقاله، می‌خواهم خطاهای شناختی‌ای مثل بایاس تأییدی، خطای گذشته‌نگر و حافظه انتخابی را تحلیل کنم و نشان دهم چگونه ذهن ما نتایج را بهتر از واقعیت می‌بیند. این کاوش نه‌تنها به بک‌تستینگ، بلکه به متغیرهای کلان و فناوری‌های نوین هم گسترش می‌یابد.

بخش اول: تله‌های شناختی در بک‌تستینگ

بایاس تأییدی: فقط آنچه می‌خواهیم می‌بینیم

هرگاه بک‌تست انجام می‌دهم، ذهنم به‌دنبال تأیید فرضیه‌هایم است. این همان بایاس تأییدی (Confirmation Bias) است که مرا وادار می‌کند داده‌هایی را برجسته کنم که استراتژی‌ام را موفق نشان می‌دهند و سیگنال‌های منفی را نادیده بگیرم. برای مثال، اگر استراتژی‌ام در یک بازه زمانی خاص سودآور باشد، ممکن است آن بازه را «نماینده» بازار فرض کنم، در حالی که شرایط بازار تغییر کرده است.

بر اساس نظریه تصمیم‌گیری کاهنمن، ذهن ما برای ساده‌سازی اطلاعات به میان‌برهای ذهنی متکی است. برای مقابله با این مشکل، من از یک رویکرد سیستمی استفاده می‌کنم: ماتریس ارزیابی داده. این ماتریس مرا مجبور می‌کند سیگنال‌های مخالف را هم بررسی کنم. اما سؤالم این است: آیا این روش برای حذف کامل بایاس کافی است؟

خطای گذشته‌نگر: تاریخ را بازنویسی می‌کنیم

خطای گذشته‌نگر (Hindsight Bias) یکی دیگر از تله‌های خودفریبی بک‌تست در ترید است. وقتی به داده‌های تاریخی نگاه می‌کنم، ذهنم طوری رفتار می‌کند که گویی نتایج قابل پیش‌بینی بودند. مثلاً، اگر در سال ۲۰۲۰ استراتژی‌ام روی بیت‌کوین سودآور بود، فرض می‌کنم که «واضح بود» بازار صعودی می‌شود. این خطا باعث می‌شود نقاط ضعف استراتژی را دست‌کم بگیرم.

برای کاهش این خطا، من از تست کور (Blind Testing) استفاده می‌کنم، یعنی داده‌ها را بدون دانستن نتایج آینده تحلیل می‌کنم. اما این روش هم محدودیت‌هایی دارد. آیا می‌توانیم مدلی طراحی کنیم که گذشته‌نگری را به‌کلی حذف کند؟

حافظه انتخابی: فقط پیروزی‌ها را به خاطر می‌آوریم

حافظه انتخابی (Selective Memory) باعث می‌شود موفقیت‌های استراتژی را به خاطر بیاورم و شکست‌ها را فراموش کنم. وقتی بک‌تست انجام می‌دهم، ذهنم روی دوره‌هایی تمرکز می‌کند که استراتژی سودآور بود و دوره‌های زیان‌ده را کم‌اهمیت جلوه می‌دهد. این تله، اعتمادبه‌نفس کاذب ایجاد می‌کند و مرا از اصلاح استراتژی بازمی‌دارد.

بخش دوم: چرا بک‌تست روی کاغذ بهتر است؟

بهینه‌سازی بیش از حد: نفرین داده‌های گذشته

یکی از بزرگ‌ترین مشکلات خودفریبی بک‌تست در ترید، بهینه‌سازی بیش از حد (Overfitting) است. وقتی پارامترهای استراتژی را طوری تنظیم می‌کنم که با داده‌های تاریخی کاملاً جفت‌وجور شود، استراتژی‌ام در گذشته بی‌نقص به نظر می‌رسد. اما در دنیای واقعی، بازارها پویا هستند و این مدل‌ها شکننده‌اند.

نادیده گرفتن متغیرهای کلان

بک‌تست‌ها معمولاً فقط داده‌های قیمتی را در نظر می‌گیرند، اما من فکر می‌کنم این رویکرد ناقص است. تغییرات در سیاست‌های پولی، مثل افزایش نرخ بهره توسط بانک‌های مرکزی، می‌توانند کل بازار را جابه‌جا کنند. برای مثال، در سال ۲۰۲۲، تشدید سیاست‌های انقباضی فدرال رزرو باعث سقوط دارایی‌های پرریسک شد. اگر بک‌تست این متغیرها را نادیده بگیرد، نتایجش گمراه‌کننده خواهد بود. آیا می‌توانیم بک‌تست‌هایی طراحی کنیم که متغیرهای کلان را هم مدل‌سازی کنند؟

بخش سوم: فناوری و خودفریبی بک‌تست

نقش داده‌های غیرمتمرکز

اخیراً به نقش فناوری‌های غیرمتمرکز در کاهش خودفریبی بک‌تست در ترید فکر کرده‌ام. داده‌های آن‌چین (On-Chain Data) در بلاکچین، مثل حجم تراکنش‌ها یا تعداد کیف‌پول‌های فعال، شفاف و بدون دستکاری هستند. این داده‌ها می‌توانند سیگنال‌های ارزشمندی برای بک‌تست فراهم کنند. من در حال آزمایش مدلی هستم که این داده‌ها را با اندیکاتورهای تکنیکال ترکیب می‌کند. نتایج اولیه امیدوارکننده‌اند، اما چالش اینجاست: پردازش این حجم داده نیاز به ابزارهای پیشرفته دارد.

الگوریتم‌های خودکار: راه‌حل یا تله جدید؟

برای حذف خطاهای شناختی، از تریگرهای سیستمی و الگوریتم‌های خودکار استفاده می‌کنم. این سیستم‌ها بر اساس قوانین از پیش تعیین‌شده عمل می‌کنند و احساسات را حذف می‌کنند. اما یک پرسش ذهنم را مشغول کرده: آیا این الگوریتم‌ها خودشان می‌توانند بهینه‌سازی بیش از حد را بازتولید کنند؟ اگر داده‌های ورودی ناقص باشند، حتی بهترین الگوریتم‌ها هم می‌توانند ما را فریب دهند.

بخش چهارم: چگونه خودفریبی را مهار کنیم؟

تحلیل سناریوها: آماده‌سازی برای غیرمنتظره‌ها

برای کاهش خودفریبی بک‌تست در ترید، من از تحلیل سناریوها استفاده می‌کنم. مثلاً، فرض می‌کنم یک شوک اقتصادی مثل بحران ۲۰۰۸ رخ دهد. آیا استراتژی‌ام همچنان سودآور خواهد بود؟ با استفاده از تحلیل حساسیت (Sensitivity Analysis)، متغیرهای کلیدی مثل نوسانات یا نقدینگی را تغییر می‌دهم تا نقاط ضعف استراتژی را پیدا کنم.

آموزش ذهن: تمرین آگاهی

علاوه بر ابزارهای فنی، روی آموزش ذهنم هم کار می‌کنم. تمرین‌هایی مثل مدیتیشن آگاهی (Mindfulness) به من کمک می‌کنند تا در لحظه تصمیم‌گیری، از سوگیری‌ها فاصله بگیرم. این روش شاید غیرمتعارف به نظر برسد، اما تحقیقات نشان می‌دهد که آگاهی ذهنی می‌تواند تصمیم‌گیری تحت فشار را بهبود ببخشد.

نتیجه‌گیری: خودفریبی، دشمن همیشگی

در پایان، فکر می‌کنم خودفریبی بک‌تست در ترید بخشی جدایی‌ناپذیر از تجربه معامله‌گری است. ذهن ما طوری طراحی شده که الگوها را ساده کند و موفقیت را بزرگ‌نمایی کند. اما با استفاده از داده‌های شفاف، سیستم‌های خودکار، و تحلیل‌های چندلایه، می‌توانیم این تله‌ها را کم‌رنگ کنیم. هنوز هم سؤالم باقی است: آیا روزی می‌توانیم بک‌تست‌هایی طراحی کنیم که کاملاً از خطاهای شناختی مصون باشند؟ یا این خودفریبی، بخشی از طبیعت انسانی ماست؟

شما چه فکر می‌کنید؟ وقتی نتایج بک‌تست شما درخشان است، چگونه مطمئن می‌شوید که این فقط یک توهم نیست؟