Finestre expanding e rolling per la validazione walk-forward

All’origine di una previsione, il ricercatore conosce alcune caratteristiche e risultati storici, adatta o aggiorna un modello e lo valuta su un blocco successivo. Spostando in avanti l’origine si ottengono periodi consecutivi fuori campione. La regola della finestra di addestramento stabilisce quali righe passate ammissibili entrano in ogni adattamento. Le regole di validazione e test stabiliscono quali risultati successivi confrontano le opzioni e misurano le prestazioni. Sono decisioni collegate, ma non indicano la stessa finestra.

La regola expanding parte da un limite storico fisso e cresce quando diventano disponibili nuovi risultati. Quella rolling sposta entrambi gli estremi mantenendo costante il numero di osservazioni dopo il periodo iniziale. Nessuna delle due può usare un obiettivo non ancora concluso all’origine della previsione. Se le etichette coprono più sessioni, la data della riga può non indicare quando il risultato era noto: registra l’ora di fine dell’etichetta e applicala.

Separa anche il periodo retrospettivo delle caratteristiche dalla finestra di addestramento. Un segnale può calcolare la volatilità di ogni riga su un breve periodo recente, mentre il modello usa righe di diversi anni. Cambiare il periodo della caratteristica cambia i predittori; cambiare la finestra di addestramento cambia le osservazioni usate per stimare il modello.

Sia \(s\) l’indice della prima osservazione ammissibile e \(t\) quello dell’ultima osservazione con etichetta completa al momento dell’adattamento. L’insieme expanding è \(\{s,s+1,\ldots,t\}\). All’origine successiva conserva le righe e aggiunge quelle diventate ammissibili. La dimensione cresce nel tempo, salvo filtri o rimozioni separati.

Più osservazioni possono ridurre il rumore campionario delle stime se i dati passati descrivono ancora il processo studiato. Possono conservare condizioni di mercato rare che un campione recente breve potrebbe omettere ed evitare un taglio storico scelto arbitrariamente. Il limite è che le righe vecchie non perdono influenza solo perché sono datate. Se cambia il rapporto tra predittori e rendimenti, i dati iniziali possono spostare le stime verso condizioni superate; gli adattamenti più grandi possono anche rallentare. Conservare la storia non la rende automaticamente più rappresentativa.

Per una lunghezza fissa \(W\), l’insieme al punto \(t\) è \(\{t-W+1,\ldots,t\}\), dopo aver considerato ritardo delle etichette e un eventuale intervallo di confine. All’origine seguente l’estremo finale avanza e la riga ammissibile più vecchia esce. La lunghezza può essere espressa in osservazioni o in tempo di calendario, ma con dati irregolari le due unità non sono equivalenti.

La finestra rolling definisce una regola di attualità. Può essere utile se la domanda riguarda l’adattamento a condizioni mutevoli o se l’operatività richiede una dimensione di addestramento limitata. Non rende però il modello adattivo da sola. Riaddestramenti poco frequenti o cambiamenti graduali possono ritardare la risposta. Un intervallo breve offre meno informazioni, può rendere instabili le stime, escludere fasi di stress rare o lasciare pochi esempi a un modello complesso; uno lungo conserva più storia ma può attenuare gli schemi recenti.

Conta anche l’unità: lo stesso numero di righe può coprire periodi di calendario diversi per festività, dati mancanti o frequenze differenti. Nei dati panel, specifica se la finestra elimina righe o gruppi di attività per data. Se scegli \(W\) dopo aver visto il test finale, il test diventa parte della selezione e non è più indipendente.

Per isolare la regola della finestra, mantieni uguali il limite informativo, le caratteristiche, la classe del modello, l’obiettivo di addestramento, le date di riadattamento, l’orizzonte, i blocchi di test e le ipotesi di esecuzione. Se il modello rolling viene anche riaddestrato più spesso o usa altre scelte, la differenza di punteggio non si può attribuire alla sola finestra.

Queste regole non stabiliscono l’origine della previsione. Entrambe le finestre si possono valutare con origini mobili: addestrare sul passato ammissibile, prevedere il blocco seguente, avanzare e ripetere. La rassegna di Leonard Tashman sui test previsivi fuori campione00065-0) tratta origini mobili e finestre di stima mobili. La prima definisce quando avviene la valutazione; la seconda quali righe di addestramento restano.

Date e numeri sono ipotetici. Supponiamo che il modello venga riadattato ogni mese per prevedere il rendimento del mese successivo e che il primo adattamento usi 60 osservazioni ammissibili fino al mese 120. Un’etichetta si può usare solo dopo il completamento del risultato. Alla prima origine, le due regole usano le stesse 60 righe se la finestra rolling ha lunghezza 60.

Dopo che un nuovo risultato mensile è noto, expanding contiene 61 righe ammissibili; rolling aggiunge la nuova riga ed elimina la più vecchia, restando a 60. Dopo 12 aggiornamenti, expanding contiene 72 righe dall’inizio iniziale, mentre rolling conserva le 60 più recenti. Le stime possono differire perché la storia è diversa, anche se ogni riga era disponibile al rispettivo adattamento.

In questo esempio, riserva gli ultimi 24 mesi al test esterno. Regola e lunghezza della finestra, caratteristiche e altre impostazioni vanno scelte usando periodi di validazione cronologica precedenti. Valuta poi la selezione congelata secondo il calendario di riadattamento dichiarato in anticipo. Cambiare la lunghezza dopo aver visto i risultati esterni usa il test per la selezione e ne sovrastima il valore probatorio.

Formula prima la domanda: il modello deve usare tutta la storia disponibile a ogni adattamento o esiste un motivo per escludere gli esempi vecchi? La relazione obiettivo dovrebbe restare stabile oppure gli input rilevanti potrebbero cambiare? Queste domande aiutano a definire i candidati, ma non dimostrano in anticipo quale funzionerà meglio in un mercato specifico.

Usa dati di sviluppo precedenti per confrontare poche opzioni prespecificate, ad esempio expanding e alcune lunghezze rolling plausibili, sugli stessi blocchi cronologici e con la stessa frequenza di riadattamento. Definisci l’obiettivo prima dei punteggi: errore previsivo, calibrazione, utilità di portafoglio al netto del turnover e drawdown rispondono a domande diverse. Mantieni uguali costi e vincoli; registra adattamenti falliti e previsioni mancanti. Se obiettivi o blocchi si sovrappongono, i punteggi vicini possono condividere rendimenti: descrivi questa dipendenza invece di contare ogni riga come un esperimento indipendente.

Riserva un periodo cronologico successivo al test finale. In un disegno annidato, la validazione interna sceglie finestra e impostazioni solo con dati disponibili prima di ciascun blocco di test esterno; i risultati esterni valutano l’intero processo di selezione. La guida alla cross-validation purged spiega i confini con etichette sovrapposte; overfitting dei modelli finanziari e test multipli trattano rischi di selezione correlati.

A ogni origine usa soltanto caratteristiche ed etichette già note. Un rendimento futuro su più sessioni può essere ancora incompleto vicino al confine di validazione, anche se la data decisionale è precedente. Se necessario, lascia un intervallo o elimina righe secondo gli intervalli effettivi delle etichette; un numero fisso di righe è adatto solo se frequenza e orizzonte lo giustificano. Nessuna regola di finestra corregge una caratteristica che contiene informazioni future.

Adatta imputazione, scalatura, selezione delle caratteristiche e altri passaggi appresi solo sulla parte di addestramento di ogni fold. Se occorre scegliere una soglia o un iperparametro, usa una validazione cronologica interna al training e fissa la scelta prima di valutare il blocco seguente. La documentazione ufficiale scikit-learn per TimeSeriesSplit descrive un insieme di training che si espande per impostazione predefinita e max_train_size per limitarne la dimensione. gap conta i campioni; durate dei fold confrontabili presuppongono osservazioni equispaziate. Verifica anche tempi delle etichette finanziarie e versione effettivamente usata.

Riporta regola e lunghezza esatte, data più antica mantenuta, numero di righe ammissibili a ogni adattamento, convenzione di disponibilità delle etichette, date di validazione e test, orizzonte e calendario di riadattamento. Mostra i risultati per blocco oltre all’aggregato. Una media può nascondere l’influenza di un episodio di mercato; previsioni contigue possono condividere gli stessi rendimenti e non essere prove indipendenti.

La precisione previsiva non equivale al rendimento netto di trading. Costruzione delle posizioni, leva, turnover, liquidità, commissioni, spread, impatto di mercato, prestito, funding e tempi di esecuzione influiscono sul risultato. Mantieni queste ipotesi uguali e dichiara cosa manca. Lo studio di Cerqueira, Torgo e Mozetič sulla stima delle prestazioni delle serie temporali riporta stime diverse in contesti stazionari e non stazionari. Non confronta direttamente le politiche di finestra finanziarie né dimostra che una prevalga sempre.

Considera ogni backtest come evidenza relativa a una storia e a una procedura definite. Expanding può conservare un regime superato; rolling può scartare informazioni utili e diventare rumorosa. La regola scelta può fallire in un altro regime, universo di strumenti o contesto di costi. La validazione riduce l’incertezza sulla procedura testata, ma non promette rendimenti futuri e non dimostra che una finestra sia ottimale.