สามตัวกรองที่ดูฉลาด แต่ล้มเหลวในการทดสอบ

⚠️ งานวิจัยและบันทึกการเทรดส่วนบุคคล ไม่ใช่คำแนะนำการลงทุน ผู้จัดทำไม่ได้ให้บริการที่ปรึกษาที่ได้รับใบอนุญาต

ใน assumption audit ของผม ผมทดสอบการปรับปรุงที่เป็นไปได้หกอย่างต่อ contracting-base breakout method หนึ่งอย่างผ่าน — volume pop requirement ในไทย อีกสามอย่างดูมีความหวัง แสดงค่าเฉลี่ยที่ดีขึ้นในผลลัพธ์ดิบ แล้วก็ล้มเหลวเมื่อทดสอบอย่างถูกวิธี

นี่คือสามอย่างนั้น แต่ละอย่างสอนบางสิ่งเฉพาะเจาะจงเกี่ยวกับวิธีที่เทรดเดอร์รายย่อยหลอกตัวเองด้วย backtest

ความล้มเหลวที่ 1: การ size position ตาม ATR

ไอเดีย: Average True Range (ATR) วัด volatility รายวันของหุ้น สัญชาตญาณในการใช้มัน: แทนที่จะ size ทุก trade ที่ความเสี่ยงเป็นเปอร์เซ็นต์คงที่ (เช่น 0.5% ของพอร์ต) ให้ size ตาม ATR เพื่อที่หุ้นที่ volatility สูงกว่าจะได้ตำแหน่งที่เล็กกว่า และหุ้น low-volatility จะได้ตำแหน่งที่ใหญ่กว่า ความเสี่ยงที่ปรับแล้ว

มีการสอนอย่างแพร่หลาย ระบบมืออาชีพหลายอย่างใช้มัน ผมทดสอบเป็น overlay บน contracting-base setup วัดว่า ATR-based sizing ปรับปรุง distribution ของผลลัพธ์หรือเปล่า

สิ่งที่เกิดขึ้น: ATR ratio มีความสัมพันธ์กับผลลัพธ์ trade จริง — หุ้น ATR สูงกว่ามีผลลัพธ์ที่แปรปรวนกว่า แต่เมื่อทดสอบว่าการกรองหรือ weight ด้วย ATR ปรับปรุงระบบโดยรวม ผลลัพธ์เป็นแบบแบน การปรับปรุงในแง่ risk-adjusted ถูก offset โดยการตัด trade ที่อยู่ในโซน ATR สูงกว่าออกในช่วงตลาดที่ขึ้นแรง ที่ซึ่ง volatility และ momentum ไปด้วยกัน

ที่สำคัญกว่า: stop 7% มาตรฐาน (หรือ higher-low stop) ทำงานส่วนใหญ่ที่ ATR ทำอยู่แล้ว ถ้าคุณ size ให้เป็นเปอร์เซ็นต์คงที่ของเงินทุนที่เสี่ยงต่อ trade การวาง stop คือ การปรับ volatility ของคุณอยู่แล้ว ATR-based sizing เพิ่มการคำนวณชั้นที่สองของสิ่งเดียวกันโดยไม่เพิ่ม signal

บทเรียน: เมื่อ input ใหม่มีความสัมพันธ์กับผลลัพธ์ ไม่ได้หมายความโดยอัตโนมัติว่ามันปรับปรุงการตัดสินใจ บางครั้งคุณแค่กล่าวซ้ำข้อมูลที่มีอยู่แล้วในรูปแบบอื่น

สำหรับการวิเคราะห์ ATR เชิงลึก — รวมถึงผลการพลิกกลับระหว่างตลาดไทยและ US สามการทดสอบแยกกัน — ดูที่ [เราลองทำให้ระบบฉลาดขึ้น — ATR ไม่ได้ช่วยอะไร](/articles/atr-adds-nothing-to-breakout.html)

ความล้มเหลวที่ 2: วอลุ่มแห้งระหว่างสร้างฐาน

ไอเดีย: VCP (Volatility Contraction Pattern) ของ Minervini รวมวอลุ่มแห้งในช่วงฐานเป็นคุณสมบัติ — ความคิดคือเมื่อวอลุ่มแห้ง ผู้ขายหมดแรงและหุ้นกำลังขดตัวพร้อมวิ่ง ผมทดสอบว่าการบังคับให้วอลุ่ม below-average ใน 15 วันก่อน breakout ปรับปรุงผลลัพธ์หรือเปล่า

อันนี้เจ็บปวดที่จะ falsify มันดูถูกต้องชัดเจนบนกราฟที่ดี ผมหาตัวอย่างห้าสิบตัวที่ dry-up นำหน้าผู้ชนะรายใหญ่ได้ เรื่องเล่ามันน่าเชื่อ

สิ่งที่เกิดขึ้น: เมื่อทดสอบอย่างเป็นระบบข้ามข้อมูลหลายทศวรรษ by-year check เล่าความจริง ค่าเฉลี่ยดีขึ้นเล็กน้อย Median year ไม่ดีขึ้น — จริง ๆ median year แย่ลงเล็กน้อย เพราะการบังคับ dry-up กรอง breakout ที่ valid ออกในตลาดที่กำลัง trend ซึ่ง volume ยังสูงอยู่

ปัญหาลึกกว่านั้น: volume dry-up filter ลดขนาด sample อย่างมีนัยสำคัญ ทำให้ผลลัพธ์แปรปรวนมากขึ้นรายปี เมื่อตัวกรองรวม sample ให้เป็นสถานการณ์ ATR สูงน้อยลง ดูเหมือนว่ากำลังเลือกคุณภาพ — แต่อาจเป็นแค่การเลือก variance

วอลุ่มแห้งทำงานเป็นการอ่านแบบ aesthetic — มันเพิ่มคะแนนคุณภาพภาพของกราฟ ไม่รอดเป็นกฎเชิงกล

บทเรียน: สิ่งที่ดูถูกต้องที่สุดบนตัวอย่างที่คัดแล้วมักยากที่สุดที่จะทดสอบอย่างซื่อสัตย์ ถ้าคุณเลือกตัวอย่างจากกราฟที่กฎใช้ได้ แน่นอนว่ามันจะดูเป็นจริง การทดสอบคือว่ามันใช้ได้ข้ามกราฟ ทั้งหมด รวมถึงที่คุณไม่เคยจำ

ความล้มเหลวที่ 3: ซ้อนตัวกรองเพื่อ "ระบบซูเปอร์"

ไอเดีย: การปรับปรุงแต่ละอย่างแยกกัน — pivot ใกล้จุดสูง 52 สัปดาห์, วอลุ่มแห้ง, stop ที่แน่นกว่า, RS cutoff ที่เข้มกว่า — แสดงค่าเฉลี่ยที่ดีขึ้นทีละตัว แล้วถ้ารวมกัน? ซ้อนสามสี่ตัวกรองเข้าด้วยกันเพื่อได้ subset คุณภาพสูงขึ้นมากของ trades

สิ่งที่เกิดขึ้น: ระบบรวมแสดง per-trade R สูงกว่าอย่างมาก ค่าเฉลี่ยเกือบเท่าตัว Win rate ดีขึ้น ดูเหมือน breakthrough

By-year split เผยความจริง: ค่าเฉลี่ยพิเศษมาจาก ปี 2020 เกือบทั้งหมด ปีพิเศษเดียวที่ sample size น้อย (n=6 ในการรวมตัวกรองนั้น) ที่ COVID bounce ให้ผลตอบแทนมหาศาลในทุก trade ในทุกปีอื่น ระบบที่ซ้อนตัวกรอง perform ที่หรือต่ำกว่า baseline

นี่คือตัวอย่างที่ชัดเจนที่สุดของ tail-year trap เมื่อคุณซ้อนตัวกรองที่จำกัด สองอย่างเกิดขึ้นพร้อมกัน: (1) sample หดตัวอย่างมาก และ (2) sample ที่เหลือกระจุกตัวในปีที่ทุกอย่างใช้ได้มากขึ้น คุณไม่ได้หา setup ที่ดีที่สุด — คุณกำลังหาปีที่แม้แต่ trade แบบสุ่มจะได้ผล แล้วเรียกนั่นว่าระบบของคุณ

ระบบที่มี n=6 ในปี bull และ n=3 ในปีปกติ ทดสอบไม่ได้ มันเป็นข่าวลือที่แต่งตัวเป็นหลักฐาน

บทเรียน: ตัวกรองมากขึ้นหมายถึง sample เล็กลง หมายถึง noise มากกว่า signal ทิศทางที่ถูกต้องสำหรับระบบมักเป็นไปในทาง กฎ น้อยลง ที่ fundamental กว่า — กฎที่มีกลไกทางทฤษฎีและ sample support ขนาดใหญ่

สิ่งที่ความล้มเหลวทั้งสามมีเหมือนกัน

ทั้งสามดูสมเหตุสมผล ทั้งสามมี logic รองรับ ทั้งสามแสดงการปรับปรุงในการทดสอบแบบง่าย

ทั้งหมดล้มเพราะ: 1. รวม sample ให้อยู่ใน sub-period โชคดีแทนที่จะปรับปรุง performance ทั่วไป 2. กล่าวซ้ำข้อมูลที่มีอยู่ในรูปแบบใหม่ (ATR vs fixed-stop sizing) 3. ลดขนาด sample จนกระทั่ง noise ครอบงำ signal

ตัวกรองที่รอด — volume pop ในวัน breakout — หลีกเลี่ยง failure mode ทั้งสามอย่าง มันปรับปรุง ปีทั่วไป ไม่ใช่แค่ปีพิเศษ เพิ่มข้อมูลที่ไม่มีอยู่ใน stop ที่มีอยู่แล้ว รักษา sample size ที่เพียงพอตลอด history เต็มรูปแบบ

นั่นคือบาร์ ตัวกรองที่ไม่ผ่านไม่ใช่การปรับปรุง เป็นแค่ noise ที่มี PR ดี

ตามรอย ศึกษา รอจังหวะ จู่โจม

งานวิจัยและบันทึกการเทรดส่วนบุคคล ไม่ใช่คำแนะนำการลงทุน — MOEasymmetry

ฉบับร่าง 2026-06-09 ยังไม่เผยแพร่ | คู่กับ EN version | ที่มา: assumption audit sweeps BT_ATR / BT_VOLDRY / BT_DRYDOWN / BT_PIVHIGH / stacking combos