Simulazione Monte Carlo nel trading: perché un backtest da solo non basta

Perché esiste la simulazione Monte Carlo

Il fatto che un backtest restituisca risultati positivi è un primo segnale interessante, ma non offre garanzie sul comportamento futuro di un trading system. Mostra infatti ciò che sarebbe accaduto applicando determinate regole a una specifica sequenza storica di dati.

Il punto è proprio questo: quella osservata nel backtest è una sola sequenza possibile. Vincite e perdite avrebbero potuto presentarsi in un ordine diverso, dando origine a un percorso dell’equity e, soprattutto, a un drawdown differente.

La simulazione Monte Carlo aiuta ad approfondire questo aspetto. Non permette di prevedere il futuro, ma consente di osservare molti scenari alternativi costruiti a partire dai risultati disponibili. Per chi sviluppa trading system con un approccio sistematico, può quindi diventare uno strumento utile per valutare il rischio in modo più ampio rispetto al solo backtest.

Cos’è la simulazione Monte Carlo applicata al trading

Nel trading sistematico, la simulazione Monte Carlo può essere utilizzata per generare numerose varianti della sequenza di operazioni prodotta da un backtest.

Supponiamo, per esempio, di avere uno storico di 200 trade. Un software può riorganizzare più volte l’ordine di quelle operazioni e ricalcolare, per ogni sequenza, l’andamento dell’equity. In questo modo, invece di analizzare una sola curva, possiamo osservarne centinaia o migliaia.

Esistono diverse modalità di simulazione. Tra le più comuni troviamo:

• il rimescolamento delle operazioni, che modifica il loro ordine ma mantiene gli stessi trade;
• il ricampionamento con reinserimento, nel quale alcuni trade possono comparire più volte e altri non essere selezionati;
• la variazione di specifiche ipotesi, come costi, slippage o parametri di esecuzione, se il software utilizzato lo consente.

Questi metodi non rispondono esattamente alla stessa domanda. Per questo è importante sapere come è stata costruita la simulazione prima di interpretarne i risultati.

Il rischio di sequenza: ciò che il backtest può nascondere

Quando si rimescolano le operazioni senza modificarne il valore, il risultato complessivo resta invariato. A cambiare è il percorso seguito per raggiungerlo.

Una serie di perdite distribuita nel tempo può produrre un drawdown relativamente contenuto. Le stesse perdite, concentrate una dopo l’altra, possono invece generare una fase negativa molto più profonda e difficile da sostenere.

Questo fenomeno viene spesso definito rischio di sequenza. La simulazione Monte Carlo permette di stimare quanto il profilo di rischio osservato nel backtest dipenda dall’ordine specifico con cui si sono presentati i trade.

Un sistema apparentemente regolare potrebbe quindi mostrare, in alcune simulazioni, drawdown superiori a quello storico. Non significa necessariamente che il sistema debba essere scartato. Significa, però, che il rischio potrebbe essere più ampio di quanto suggerisca la singola equity line iniziale.

Monte Carlo e overfitting non sono la stessa cosa

La simulazione Monte Carlo è utile, ma non verifica ogni aspetto della robustezza di un trading system.

In particolare, non basta per individuare l’overfitting, cioè il rischio che le regole siano state adattate troppo bene ai dati storici e non riescano a mantenere un comportamento simile su dati nuovi.

Per questo motivo va inserita in un processo di validazione più ampio, affiancandola a altri strumenti di analisi come ad esempio:

• test out-of-sample;
• verifica della stabilità dei parametri;
• analisi su mercati e periodi differenti, quando coerente con la logica del sistema;
• valutazione realistica di costi e condizioni di esecuzione;
• walk-forward analysis.

La logica è la stessa che ritroviamo nell’approccio sistematico seguito in Unger Academy: un risultato storico non viene considerato isolatamente, ma analizzato attraverso più prove, con l’obiettivo di comprendere meglio punti di forza e limiti della strategia.

Quali risultati osservare in una simulazione Monte Carlo

Concentrarsi soltanto sulla curva media rischia di far perdere le informazioni più utili. L’interesse principale della simulazione è infatti la distribuzione degli scenari, comprese le sue aree meno favorevoli.

Tra i dati che possono essere analizzati troviamo:

• la distribuzione del drawdown massimo;
• la durata delle fasi di recupero;
• la probabilità di superare una determinata soglia di perdita;
• la variabilità del risultato finale, quando il metodo di ricampionamento può modificarlo;
• la frequenza e la lunghezza delle serie consecutive di operazioni negative.

Si possono inoltre osservare percentili specifici della distribuzione. Per esempio, un percentile elevato del drawdown può essere usato per studiare gli scenari più sfavorevoli, senza limitarsi al valore medio. La scelta del percentile e delle soglie da considerare, tuttavia, dipende dagli obiettivi dell’analisi, dalle caratteristiche del sistema e dalla tolleranza al rischio. Non esiste un valore unico adatto a tutti.

Quante operazioni servono per ottenere indicazioni utili?

La qualità di una simulazione dipende anche dai dati di partenza. Se lo storico contiene poche operazioni, le combinazioni generate continueranno a riflettere un campione limitato. Il software potrà produrre migliaia di curve, ma questo non aggiungerà automaticamente nuove informazioni ai trade originali.

Non esiste una soglia universale oltre la quale una simulazione diventa affidabile. Un campione più ampio tende a offrire una base statistica più informativa, ma il numero di trade va interpretato insieme ad altri elementi:

• la frequenza operativa del sistema;
• la varietà delle condizioni di mercato presenti nello storico;
• la durata del periodo analizzato;
• la concentrazione dei risultati in pochi trade particolarmente positivi o negativi;
• la coerenza tra il campione e il tipo di strategia studiata.

Con pochi trade, la simulazione può comunque offrire qualche indicazione, ma i risultati vanno letti con maggiore prudenza. Una rappresentazione numericamente precisa non equivale necessariamente a una stima solida.

Cosa fare se emergono drawdown più profondi

Se gli scenari simulati mostrano drawdown sensibilmente superiori a quello del backtest originale, il dato merita un approfondimento. Le possibili decisioni non dipendono da una regola automatica, ma dal quadro complessivo.

Tra le valutazioni possibili rientrano:

• rivedere il position sizing per verificare se l’esposizione è coerente con il rischio emerso;
• eseguire ulteriori test di robustezza;
• raccogliere un campione più ampio di operazioni;
• confrontare il comportamento del sistema in regimi di mercato differenti;
• decidere di non utilizzare la strategia se il rischio resta incompatibile con i propri criteri.

La size può incidere sull’entità monetaria del drawdown, ma non corregge un eventuale problema nella logica del sistema. Per questo il money management deve accompagnare l’analisi della strategia, non sostituirla.

I limiti della simulazione Monte Carlo

Anche una simulazione molto articolata resta basata sui dati e sulle ipotesi utilizzate per costruirla. Non può rappresentare eventi mai comparsi nel campione, cambiamenti strutturali del mercato o condizioni operative diverse da quelle considerate.

Inoltre, i risultati possono cambiare in modo significativo in base al metodo scelto. Rimescolare i trade, ricampionarli o modificare costi e slippage significa simulare fenomeni differenti.

La Monte Carlo non certifica quindi che un trading system funzionerà in futuro. Il suo valore consiste nel rendere visibili scenari che un singolo backtest non mostra e nel favorire decisioni più consapevoli sul rischio.

Conclusioni

Un backtest rappresenta una tappa importante nello sviluppo di un trading system, ma racconta una sola delle sequenze possibili. La simulazione Monte Carlo amplia l’analisi e aiuta a capire come potrebbero cambiare drawdown, serie di perdite e tempi di recupero in scenari differenti.

Non è un verdetto e non sostituisce gli altri test di robustezza. È uno strumento da inserire in un processo più ampio, basato su regole, dati e valutazioni coerenti con il proprio profilo di rischio.

È proprio questa attenzione al processo, più che al singolo risultato, a distinguere un approccio sistematico da una decisione basata soltanto su un’equity line favorevole.

FAQ sulla simulazione Monte Carlo nel trading

Cos’è la simulazione Monte Carlo nel trading?

È una tecnica statistica che genera numerosi scenari a partire dai risultati di un backtest. A seconda del metodo utilizzato, può rimescolare o ricampionare le operazioni per analizzare la variabilità del percorso dell’equity e del rischio.

A cosa serve la simulazione Monte Carlo per un trading system?

Serve soprattutto a studiare il rischio di sequenza, la distribuzione dei drawdown e altri scenari che non emergono dalla singola sequenza storica mostrata dal backtest.

La simulazione Monte Carlo dimostra che un sistema è robusto?

No. Può aggiungere informazioni importanti, ma deve essere affiancata da test out-of-sample e altre verifiche coerenti con la strategia.

Quante operazioni servono per una simulazione affidabile?

Non esiste un numero valido per ogni trading system. In generale, un campione più ampio e rappresentativo offre indicazioni più utili. Il numero di operazioni va però valutato insieme alla durata dello storico, alla frequenza operativa e alla varietà delle condizioni di mercato considerate.

La simulazione Monte Carlo può prevedere il drawdown futuro?

No. Può mostrare una distribuzione di drawdown compatibile con i dati e con le ipotesi utilizzate, ma non può prevedere con certezza ciò che accadrà in futuro.