بکتست با هوش مصنوعی؛ چطور سود ناشی از نگاه به آینده را تشخیص دهیم؟

قبل از اعتماد به سود یک بکتست، بررسی کنید استراتژی در لحظه تصمیمگیری چه اطلاعاتی داشته است. اگر سیگنال با قیمت بستهشدن یک کندل ساخته شده، خرید در قیمت بازشدن همان کندل میتواند سودی بسازد که در عمل قابلدستیابی نبوده است. هوش مصنوعی برای پیداکردن چنین تناقضی دستیار مفیدی است؛ اما تأیید نهایی باید با زمانبندی داده و محاسبه قابلبازتولید انجام شود، نه با جمله «کد درست است».
در این روش، Claude نقش بازبین قواعد و کد را دارد؛ موتور بکتست یا ربات اجرای معامله نیست. کافی است ابتدا یک نمونه کوچک و بدون اطلاعات شخصی، منطق سیگنال و فرض اجرای سفارش را آماده کنید. هیچ اتصال به حساب مالی، کلید API یا معامله واقعی برای این بررسی لازم نیست.
فهرست مطالب
- 1 نگاه به آینده در بکتست یعنی چه؟
- 2 گام اول: قرارداد زمانی را پیش از ارسال به Claude بنویسید
- 3 گام دوم: خطا را با یک مثال سهروزه آشکار کنید
- 4 گام سوم: از Claude مدرک بخواهید، نه نظر کلی
- 5 گام چهارم: آینده را حذف کنید و دوباره خروجی بگیرید
- 6 گام پنجم: آموزش و آزمون را در زمان از هم جدا کنید
- 7 پیش از اعتماد به نتیجه، این پنج خروجی را داشته باشید
نگاه به آینده در بکتست یعنی چه؟
«سوگیری نگاه به آینده» زمانی رخ میدهد که تصمیم شبیهسازیشده از اطلاعاتی استفاده کند که در آن لحظه هنوز در دسترس نبوده است. ممکن است کد بدون خطا اجرا شود و حتی منطقش معقول به نظر برسد، اما ترتیب زمانی اشتباه باشد.
مستندات رسمی Freqtrade درباره lookahead-analysis توضیح میدهد که دسترسی بکتست به کل داده میتواند زمینه این خطا را فراهم کند؛ مثلاً جابهجایی به ردیف آینده یا محاسبه میانگین روی تمام دوره، بهجای پنجره گذشته. ابزار بررسی آن نیز نتایج آزمون پایه را با آزمونهای برشخورده مقایسه میکند. صرف خواندن کد توسط یک مدل زبانی، معادل انجام این آزمون نیست.
برای انتخاب نقش مناسب ابزارها میتوانید راهنمای ابزارهای هوش مصنوعی برای تحلیل و بکتست را ببینید. اینجا مسئله مشخصتر است: آیا هر سیگنال فقط از گذشته خودش خبر داشته است؟
گام اول: قرارداد زمانی را پیش از ارسال به Claude بنویسید
یک برگه کوتاه کنار داده بسازید و این موارد را روشن کنید:
- زمان داده: زمان هر ردیف، آغاز کندل است یا پایان آن؟ منطقه زمانی چیست؟
- زمان تصمیم: سیگنال در پایان کندل کاملشده محاسبه میشود یا درون کندل؟
- زمان اجرا: سفارش در اولین قیمت قابلدسترسی پس از تصمیم اجرا میشود یا یک فرض ساده مثل بازشدن کندل بعد دارید؟
- اطلاعات مجاز: هر ویژگی دقیقاً از کدام ردیفها استفاده میکند؟ خبر یا داده اقتصادی چه زمانی منتشر شده است؟
- قواعد ثابت: ورود، خروج، اندازه موقعیت و هزینهها پیش از مشاهده نتیجه چگونه تعریف شدهاند؟
نام دارایی و واحد قیمت را هم ثبت کنید. در داده واقعی، زمان رویداد با زمان انتشار یکی نیست؛ برای نمونه، تاریخ مربوط به یک گزارش، لزوماً زمانی نیست که معاملهگر میتوانسته آن را بخواند. اگر زمان دسترسی معلوم نیست، آن متغیر را «نامعلوم» علامت بزنید؛ از Claude نخواهید جای خالی را حدس بزند.

گام دوم: خطا را با یک مثال سهروزه آشکار کنید
تمام اعداد جدول زیر فرضی و صرفاً آموزشیاند؛ این جدول داده بازار یا نتیجه اجرای بکتست نیست. واحد قیمت را دلار فرض میکنیم. قانون نمونه این است: اگر قیمت بستهشدن امروز از دیروز بیشتر بود، پس از پایان امروز سیگنال خرید صادر شود؛ ورود فرضی در بازشدن روز بعد و خروج در بستهشدن همان روز بعد باشد. این قانون فقط برای نشاندادن خطای زمانی انتخاب شده است.
| روز فرضی | قیمت بازشدن، دلار | قیمت بستهشدن، دلار |
|---|---|---|
| روز اول | ۹۹ | ۱۰۰ |
| روز دوم | ۱۰۱ | ۱۱۰ |
| روز سوم | ۱۱۲ | ۱۰۸ |
در پایان روز دوم، مقایسه ۱۱۰ با ۱۰۰ سیگنال میسازد. اگر برنامه خرید را به بازشدن همان روز، یعنی ۱۰۱ دلار، برگرداند و فروش را ۱۱۰ بگیرد، بازده ظاهری برابر است با ۸٫۹۱٪: حاصل تقسیم ۹ بر ۱۰۱. مشکل این است که هنگام بازشدن روز دوم، بستهشدن ۱۱۰دلاری هنوز معلوم نبوده است.
طبق قرارداد زمانی نمونه، ورود باید در ۱۱۲ و خروج در ۱۰۸ باشد؛ بنابراین بازده قبل از هزینهها منفی ۳٫۵۷٪ است: منفی ۴ تقسیم بر ۱۱۲. این اختلاف، شاهد سودآور یا زیاندهبودن یک استراتژی واقعی نیست؛ فقط نشان میدهد عقببردن زمان ورود چگونه نتیجه همان مثال را عوض میکند. کارمزد و لغزش عمداً از این مثال جدا شدهاند تا خطای زمان دیده شود و در آزمون واقعی باید جداگانه لحاظ شوند.
گام سوم: از Claude مدرک بخواهید، نه نظر کلی
ابتدا فقط قرارداد زمانی، همین جدول کوچک و شبهکد یا بخش مرتبط کد را وارد کنید. اطلاعات هویتی، موجودی حساب و کلیدهای دسترسی را حذف کنید. پرامپت زیر یک درخواست بازبینی است، نه ادعای اینکه خروجی آن از قبل آزمایش شده است:
نقش تو بازبین زمانبندی بکتست است، نه پیشنهاددهنده معامله. فقط از داده و قواعد پیوست استفاده کن. برای هر سیگنال این پنج ستون را بده: شناسه ردیف، دادههای مصرفشده، اولین زمان در دسترس بودن آن دادهها، زمان تصمیم و اولین زمان اجرای مجاز طبق قرارداد. اگر بخشی نامعلوم است صریحاً بنویس نامعلوم. هر ایراد را به ردیف یا خط مشخص کد ارجاع بده. پارامترها را برای افزایش سود تغییر نده و هیچ قیمت یا اجرای آزمونی را جعل نکن.
پاسخ را با سه سؤال کنترل کنید: آیا مدل خرید روز دوم در ۱۰۱ را نامعتبر تشخیص داده؟ آیا ورود روز سوم را از قاعده استنتاج کرده، نه از حدس درباره بازار؟ آیا فرق بین «ایراد مشاهدهشده» و «نیازمند بررسی» را حفظ کرده است؟ اگر پاسخ مبهم بود، درخواست دوم را محدود کنید:
فقط سیگنال پایان روز دوم را بازسازی کن. مشخص کن پیش از بستهشدن آن روز کدام مقدار هنوز معلوم نبود. محاسبه بازده را با صورت و مخرج بنویس. اگر کد یا داده برای نتیجه کافی نیست، دقیقاً همان بخش مفقود را نام ببر.
طبق راهنمای رسمی Anthropic برای کاهش توهم، محدودکردن پاسخ به منابع دادهشده، درخواست شاهد و اجازه بیان ندانستن میتواند به کنترل پاسخ کمک کند؛ این اقدامات خطا را ناممکن نمیکنند. جواب روان یا مطمئن، جای شاهد را نمیگیرد.
گام چهارم: آینده را حذف کنید و دوباره خروجی بگیرید
پس از بازبینی متن، نوبت بررسی در محیط بکتست خودتان است. یک نسخه از داده تا یک نقطه مشخص، مثلاً پایان یک روز منتخب، نگه دارید و ردیفهای بعد از آن را حذف کنید. محاسبه ویژگیها و سیگنالها را با همان قواعد و سابقه اولیه تکرار کنید. سپس خروجی ردیفهای مشترک را با اجرای دارای کل دوره مقایسه کنید.
سیگنالی که فقط به گذشته متکی است نباید با حذف آینده تغییر کند. اگر تغییر کرد، علت را بررسی کنید: آیا میانگین کل دوره استفاده شده، داده آینده به عقب منتقل شده یا مدل با دادههای پس از نقطه تصمیم آموزش دیده است؟ پیش از نتیجهگیری، یکسانبودن دوره آمادهسازی اندیکاتورها، نسخه داده و تنظیمات تصادفی را نیز کنترل کنید.
برای بررسی تفاوتها میتوانید از این درخواست استفاده کنید:
دو خروجی همساختار پیوست شدهاند: اجرای کل دوره و اجرای داده قطعشده در زمان مشخص. فقط ردیفهای مشترک را بر اساس شناسه و زمان مقایسه کن. اختلاف سیگنال یا ویژگی را همراه مقدار هر دو نسخه گزارش بده؛ علت را قطعی اعلام نکن مگر خط مرتبط کد موجود باشد. نبود اختلاف را اثبات نبود همه انواع نشت داده معرفی نکن.
ممکن است خطا فقط در یک وضعیت کمتکرار ظاهر شود؛ بنابراین یک برش کافی نیست. چند نقطه با شرایط متفاوت را بررسی کنید و نتیجه هر آزمون، نسخه کد و تاریخ داده را نگه دارید. عبور از این کنترل نیز فقط یکی از شروط اعتبار بکتست است، نه تأیید سودآوری.

گام پنجم: آموزش و آزمون را در زمان از هم جدا کنید
اگر استراتژی شما مدل یادگیری ماشین دارد، فقط جابهجایی زمان ورود کافی نیست. داده آموزش باید پیش از داده ارزیابی قرار بگیرد. مستندات TimeSeriesSplit این جداسازی ترتیبی را توضیح میدهد؛ در مقابل، تقسیم نامناسب ممکن است آموزش روی آینده و ارزیابی روی گذشته را ممکن کند. قابلیت فاصلهگذاری بین آموزش و آزمون نیز وجود دارد، اما اندازه مناسب این فاصله به مسئله و افق اطلاعات وابسته است.
یک ترتیب عملی این است: ابتدا بازه آموزش، سپس بازه اعتبارسنجی برای انتخاب قواعد، و در پایان یک بازه آزمون دستنخورده تعیین کنید. اگر پس از دیدن نتیجه آزمون، قواعد را تغییر دادید، همان بازه دیگر آزمون مستقل شما نیست. مرزهای زمانی را پیش از مقایسه نتیجه ثبت کنید و به AI هم اجازه جابهجایی آنها برای بهترشدن عدد ندهید.
نشت داده ممکن است در آمادهسازی پنهان شود. طبق راهنمای رسمی scikit-learn درباره نشت داده، پارامترهای تبدیل، مانند میانگین موردنیاز برای استانداردسازی، باید از داده آموزش یاد گرفته شوند؛ نه از کل دوره شامل آزمون. پس ترتیب درست «تفکیک داده، یادگیری تبدیل روی آموزش، اعمال همان تبدیل بر آزمون» است. از Claude بخواهید مسیر هر مرحله را نشان دهد، نه اینکه صرف وجود عبارت train و test را کافی بداند.
پیش از اعتماد به نتیجه، این پنج خروجی را داشته باشید
- قرارداد روشن برای زمان داده، تصمیم و اجرای سفارش؛
- یک مثال کوچک با محاسبه دستی که کد باید همان نتیجه را بازتولید کند؛
- فهرست ایرادهای مستند و ابهامهای حلنشده، جدا از هم؛
- مقایسه سیگنالها پس از حذف آینده و کنترل مسیر آموزش و آمادهسازی داده؛
- آزمون مستقل با فرض مشخص هزینه، لغزش و محدودیت اجرای سفارش.
اگر یکی از این موارد نامعلوم است، نتیجه هنوز برای تصمیم مالی قابلاتکا نشده است. حتی بکتست بدون نشت داده هم میتواند بهدلیل بیشبرازش، تغییر شرایط بازار یا فرض اجرای غیرواقعی گمراهکننده باشد. کاربرد ارزشمند AI در این فرایند، کوتاهکردن مسیر یافتن تناقضهاست؛ نه تبدیل یک شبیهسازی به تضمین بازده.
اگر مسئله شما بهجای قواعد شبیهسازی، بررسی معاملات ثبتشده است، راهنمای تحلیل ژورنال معاملات و کنترل سود خالص مسیر جداگانهای دارد. این دو بررسی مکملاند، اما گزارش معامله واقعی را نباید با خروجی فرضی بکتست یکی گرفت.









