Si vous vous appuyez sur des données historiques de change pour backtester vos stratégies de trading d’ETH, prêtez une attention particulière à cette mise à jour des données. 📉
Coin Metrics a récemment reconstruit ses Indicateurs historiques de flux standard Ethereum depuis la genèse. En identifiant des portefeuilles d’exchanges nouvellement découverts, il est possible de reconstituer plus précisément les mouvements d’offre passés, mais cela introduit un piège majeur pour les traders : le biais de révision.
Les graphiques téléchargés aujourd’hui reflètent une connaissance des entités acquise bien après que ces transactions aient eu lieu. Si vous backtestez en utilisant des métriques aujourd’hui « polies », votre modèle fait essentiellement du trading sur des données d’adresses « futures » qui n’étaient pas disponibles à l’époque. Pour éviter des tests de signaux faussés, les analystes doivent isoler les versions de données (data vintages) ou s’appuyer sur des métriques en Point-in-Time (PIT).
Pour les traders algorithmiques et les chercheurs quantitatifs, ne pas faire cette distinction peut conduire à une performance de stratégie trop optimiste qui échoue en conditions réelles.
Comment gérez-vous le biais de sur-anticipation lorsque vous testez des métriques on-chain — vous vous fiez à des données Point-in-Time, ou vous vous en tenez à une simple analyse de l’action des prix ?
#Ethereum #Crypto #Onchain #tradingStrategy
Coin Metrics a récemment reconstruit ses Indicateurs historiques de flux standard Ethereum depuis la genèse. En identifiant des portefeuilles d’exchanges nouvellement découverts, il est possible de reconstituer plus précisément les mouvements d’offre passés, mais cela introduit un piège majeur pour les traders : le biais de révision.
Les graphiques téléchargés aujourd’hui reflètent une connaissance des entités acquise bien après que ces transactions aient eu lieu. Si vous backtestez en utilisant des métriques aujourd’hui « polies », votre modèle fait essentiellement du trading sur des données d’adresses « futures » qui n’étaient pas disponibles à l’époque. Pour éviter des tests de signaux faussés, les analystes doivent isoler les versions de données (data vintages) ou s’appuyer sur des métriques en Point-in-Time (PIT).
Pour les traders algorithmiques et les chercheurs quantitatifs, ne pas faire cette distinction peut conduire à une performance de stratégie trop optimiste qui échoue en conditions réelles.
Comment gérez-vous le biais de sur-anticipation lorsque vous testez des métriques on-chain — vous vous fiez à des données Point-in-Time, ou vous vous en tenez à une simple analyse de l’action des prix ?
#Ethereum #Crypto #Onchain #tradingStrategy