MFTI: testowanie strategii handlowych kryptowalut w warunkach rzeczywistego rynku

W MFTI zaprezentowano system, w którym testowanie strategii handlowych kryptowalut opiera się nie na idealizowanej historii cen, ale na modelowaniu warunków zbliżonych do rzeczywistego handlu. Opracowanie uwzględnia prowizje, poślizg, płynność, koszty finansowania kontraktów wieczystych i inne czynniki, przez które zyskowna na papierze strategia może okazać się słaba po uruchomieniu.

Karta rozwoju

• Twórca: Moskiewski Instytut Fizyki i Techniki (MFTI).
• Data premiery systemu: 30 lipca 2026 roku.
• Branża: usługi finansowe, inwestycje i audyt.
• Technologie: Data Mining.

System należy do narzędzi inteligentnej analizy danych i ma na celu bardziej rygorystyczną ocenę strategii kryptowalutowych. Jego zadaniem jest pokazanie, jak algorytm zachowywałby się nie w warunkach laboratoryjnych, ale w środowisku, w którym transakcje są realizowane z kosztami, opóźnieniami i ograniczeniami rynku.

Czym jest backtesting i po co jest potrzebny

Backtesting to testowanie strategii handlowej na danych historycznych. Mówiąc prościej, algorytm jakby przechodzi przez przeszły odcinek rynku na nowo: otrzymuje ceny, otwiera i zamyka transakcje zgodnie z ustalonymi zasadami, a następnie pokazuje, jaki mógłby być wynik.

Tego rodzaju testowanie jest potrzebne, aby z wyprzedzeniem ocenić logikę strategii: czy przynosiła zyski, jak bardzo kapitał spadał, jak często występowały okresy strat i czy pomysł wytrzymuje różne fazy rynku. Dla robota handlowego backtesting jest szczególnie ważny: pomaga znaleźć słabe punkty przed uruchomieniem na prawdziwe pieniądze.

Jak przeprowadzić backtest strategii lub robota

Zwykle testowanie opiera się na zrozumiałym algorytmie:

• Przygotować dane historyczne: ceny, wolumeny, prowizje i inne parametry rynku.
• Ustawić zasady strategii: warunki wejścia, wyjścia, wielkość pozycji i ograniczenia ryzyka.
• Wprowadzić rzeczywiste warunki handlowe: prowizje, poślizg, płynność i koszty finansowania dla kontraktów wieczystych.
• Uruchomić test tak, aby algorytm nie korzystał z danych z przyszłości.
• Przeanalizować wyniki za pomocą raportów, wykresów i tabel transakcji.

Do backtestingu często używa się MetaTrader, TradingView, Amibroker i podobnych platform. Jeśli potrzebny jest własny system testowy, zwykle pisze się go w Pythonie, C++ lub R.

Optymalizacja robota handlowego sprowadza się do przeszukiwania i porównywania parametrów: na przykład okresu wskaźnika, zasad wyjścia lub wielkości pozycji. Jednak wybieranie tylko opcji z maksymalną rentownością jest niebezpieczne - ważne jest, aby sprawdzić, jak stabilny jest wynik na różnych odcinkach rynku.

Są też dodatkowe sposoby testowania. Forward testing uruchamia strategię na nowych danych po skonfigurowaniu, aby sprawdzić ją już poza historycznym odcinkiem, na którym dobierano parametry. Testowanie wizualne pokazuje transakcje bezpośrednio na wykresie krok po kroku: w ten sposób łatwiej zobaczyć, gdzie algorytm wchodzi, wychodzi i popełnia błędy.

Metryki, czynniki i częste błędy backtestu

Wynik backtestu ocenia się nie tylko na podstawie zysku. Zwykle zwraca się uwagę na kilka wskaźników:

• Rentowność: pokazuje, ile strategia zarobiła w wybranym okresie.
• Maksymalne obsunięcie: pokazuje, jak bardzo kapitał spadł od szczytu do minimum.
• Wskaźnik Sharpe'a: pomaga ocenić rentowność z uwzględnieniem ryzyka.
• Zmienność: pokazuje, jak gwałtownie zmieniały się wyniki strategii.
• Stosunek zysk/ryzyko: pomaga zrozumieć, czy potencjalny zysk przewyższa możliwe straty.

Na skuteczność testowania największy wpływ mają jakość danych, uwzględnienie prowizji, płynności, poślizgu, realistyczność modelowania, długość okresu testowego oraz ryzyko nadmiernego dopasowania.

Najczęstsze błędy to: użycie danych z przyszłości, nadmierne dopasowanie do udanego odcinka historii, ignorowanie kosztów handlowych oraz zbyt krótki okres testowania. To właśnie przez takie błędy strategia może wydawać się silna na wykresie, ale szybko tracić efektywność po uruchomieniu.

Co dokładnie badali naukowcy MFTI

W centrum badań znalazły się strategie momentum - jedno z popularnych podejść w handlu algorytmicznym. Ich idea jest prosta: jeśli cena aktywa już porusza się w określonym kierunku, może kontynuować ten ruch przez jakiś czas. Na tradycyjnych rynkach finansowych takie podejścia stosowane są od dawna, ale w kryptowalutach często testuje się je zbyt uproszczono.

Na rynku kryptowalut występują różne typy strategii:

• Momentum: zakład na kontynuację już rozpoczętego ruchu ceny.
• Arbitraż: poszukiwanie różnicy cen między platformami lub instrumentami.
• Scalping: częste krótkoterminowe transakcje z małym celem zysku.
• Strategie trendowe: praca w kierunku głównego ruchu rynku.
• Strategie kontrtrendowe: próba zarobienia na korekcie przeciwko aktualnemu ruchowi.
• Market making: składanie zleceń kupna i sprzedaży w celu zarobienia na spreadzie.

Głównym problemem takich testów jest oderwanie od rzeczywistości. Notowanie na historycznym wykresie pokazuje cenę, ale nie ujawnia wszystkich warunków transakcji: jaka była płynność, ile kosztowało wykonanie, jakie było poślizgnięcie i jak zmieniały się cykle rynkowe. Z tego powodu strategia może wydawać się silna na danych z przeszłości, a po uruchomieniu szybko stracić oczekiwaną rentowność.

Zespół katedry <> MFTI postanowił sprawdzić, jak bardzo strategie momentum są odporne przy bardziej realistycznym podejściu. W tym celu praca została podzielona na kilka praktycznych kroków:

• Stworzenie systemu testowania.
• Zbieranie danych godzinowych z rynku spot.
• Zbieranie danych godzinowych z kontraktów wieczystych przez 8 lat.

Jak działa system testowania

Rozwój krok po kroku imituje działanie strategii handlowej tak, jakby była uruchomiona w czasie rzeczywistym. Na każdym kroku system sprawdza kilka warunków:

• Algorytm otrzymuje tylko te dane rynkowe, które mogły być dostępne w momencie podejmowania decyzji.
• Wynik transakcji obliczany jest z uwzględnieniem prowizji.
• Do obliczeń dodawane jest poślizgnięcie.
• Uwzględniana jest dostępna płynność.
• Dla kontraktów wieczystych uwzględniana jest cena finansowania.

Po obliczeniu jednego okresu czasowego algorytm przechodzi do następnego i powtarza procedurę na zaktualizowanych danych. Takie podejście pomaga uniknąć powszechnego błędu - używania informacji z przyszłości. W rezultacie test pokazuje nie abstrakcyjną rentowność na historii, ale bardziej wiarygodny obraz zachowania strategii w handlu.

System reprodukuje działanie strategii krok po kroku: wykorzystuje tylko dostępne w danym momencie dane, uwzględnia rzeczywiste koszty handlowe, a następnie przechodzi do następnego okresu. Taka metoda pozwala ocenić, jak strategia mogłaby się zachować w rzeczywistych warunkach rynkowych, - wyjaśnił Maksym Egorow, absolwent katedry <> MFTI.

Dla rynku, na którym traderzy często testują pomysły w MetaTrader, piszą własne modele w Pythonie lub przenoszą wysokoobciążone algorytmy na C++, ważna jest nie tylko logika wejścia i wyjścia z pozycji. Jakość testowania opiera się na trzech rzeczach:

• Uwzględnienie kosztów, które powstają przy realizacji transakcji.
• Uwzględnienie ograniczeń realizacji, w tym płynności i poślizgnięcia.
• Porównanie ostatecznej oceny z tym, jak strategia mogłaby zadziałać w rzeczywistym handlu.

Wyniki: rentowność okazała się nie główną zaletą

Otrzymane wyniki dodatkowo zweryfikowano metodami statystycznymi. Było to potrzebne, aby oddzielić trwały efekt od przypadkowego zbiegu parametrów z udanym segmentem rynku. Taka kontrola pokazała: wiele strategii, które dobrze wyglądają w standardowych testach, znacznie traci na efektywności po uwzględnieniu rzeczywistych warunków handlowych.

Główny wniosek nie polegał na tym, że strategie momentum przynoszą maksymalne zyski. Ważniejszą zaletą stała się ich zdolność do ograniczania strat w okresach gwałtownych spadków rynku. Przy realistycznym sprawdzeniu to właśnie ochrona kapitału podczas krachów wyszła na pierwszy plan.

Przez system przetestowano 132 warianty strategii. Badanie pokazało, że nie można polegać tylko na jednym wariancie, który najlepiej sprawdził się na danych historycznych. Po poprawce na przypadkowy dobór jego wynik statystycznie już nie różnił się od szczęścia. Przy tym sam efekt momentum nie zniknął.

Jeśli oceniać strategię nie według jednego najbardziej udanego scenariusza, ale w średniej i tworzyć portfel z kilku wariantów, zachowuje ona stabilną rentowność. Jej kluczową cechą jest zmniejszenie drawdownu w okresach kryzysowych. Według obliczeń MFTI maksymalny drawdown zmniejszał się ponad 2 razy: z 67% do 29%.

Dlaczego taka weryfikacja jest potrzebna rynkowi kryptowalut

Autorzy opracowania uważają, że system może stać się podstawą do oceny i tworzenia nowych produktów inwestycyjnych na rynku kryptowalut. Jego wartość polega na tym, że produkt można wcześniej przetestować w warunkach zbliżonych do rzeczywistego handlu i zrozumieć, jak dobrze potrafi chronić kapitał w czasie silnych spadków.

Taki system może stać się podstawą oceny nowych produktów inwestycyjnych dla rynku kryptowalut. Pozwala z wyprzedzeniem zobaczyć, jak strategia radzi sobie w okresach silnych spadków i jak kontrolowane pozostaje ryzyko. W obliczu tworzenia w Rosji ram prawnych dla cyfrowych aktywów finansowych takie narzędzia mogą stać się szczególnie poszukiwane, - zauważył Maksym Egorow.

Następnym krokiem naukowcy z MFTI planują sprawdzić inne klasy strategii handlowych. Chcą również rozszerzyć badanie na nowe typy aktywów kryptograficznych, aby ocenić, jak realistyczne testowanie zmienia postrzeganie ryzyka i rentowności w różnych segmentach rynku.