Žebříček může ukazovat účty, které zůstaly aktivní, a reklama na kurz vybrané absolventy. Než vyvodíte úspěšnost, zjistěte počáteční skupinu a chybějící členy. Zkreslení přeživšími vzniká, když závěr o celé skupině opřete jen o případy, které zůstaly pozorovatelné, a dřívější zániky vynecháte.

Co je zkreslení přeživšími

Vyloučení podle přežití, výběr nejlepších dní stále běžícího účtu a dobrovolné zapojení do dotazníku jsou odlišné mechanismy. Mohou působit současně, ale neoznačujte každé chybění za stejnou chybu. Uzavřený účet nebo ukončené zveřejňování neprokazují ztrátu; neznámý výsledek není automaticky nula. Ptejte se, zda možnost zůstat ve vzorku souvisí s měřeným výsledkem.

Brown, Goetzmann, Ibbotson a Ross v práci z roku 1992 zkoumali vztah kolísání a výnosů ve vzorku omezeném přežitím. Ukazují možnost zdánlivé předvídatelnosti. Jde o měření výkonnosti, nikoli současnou statistiku forexových traderů nebo důkaz příběhu o opravách letadel. Autentické dostupné záznamy mohou být pro závěr o celé skupině nedostatečné; chybějící data sama neprokazují podvod.

Kde se problém skrývá v tradingu

Reklamy, veřejné příspěvky a žebříčky mohou vybírat jinou skupinu, než kterou chcete posoudit. Ověřte pravidlo zařazení, období, náklady, vklady, výběry a otevřenou expozici. Nemáme zde údaj, jak často algoritmus potlačuje ztráty, proč konkrétní autor přestal psát nebo kolik úspěšných účtů je reklamou.

U historické akciové metody může dnešní složení indexu vynechat dříve dostupné nástroje. Způsobilá skupina musí odpovídat pravidlu a danému okamžiku. Předem vymezený test jediného měnového páru naopak automaticky nepotřebuje všechny zaniklé měny. Dodatečný výběr páru, období či parametru podle známého výsledku představuje příbuzný problém výběru a přeučení.

Zdrojový úplný smyšlený registr obsahuje 100 původních účtů. Z 20 veřejně viditelných je po nákladech 16 kladných a 4 záporné: 80 % kladných. U 80 vynechaných známe z úplného registru 14 kladných a 66 záporných. Celkem tedy 30 kladných ze 100, neboli 30 %. Rozdíl proti veřejnému podílu činí 50 procentních bodů. Vynechání zde neznamená vždy ztrátu. Bez úplného registru byste těch 80 výsledků nemohli libovolně doplnit.

U neznámých výsledků uveďte meze

Šest kladných, šest nekladných, osm neznámýchDvacet osob, jedno společné období a stejná definice kladného výsledku. Neznámým nepřiřazujeme rozdělení.MODELOVÝ VÝPOČETDostupná část6/12 = 50 %Minimum celku6/20 = 30 %Maximum celku14/20 = 70 %
Šest kladných, šest nekladných, osm neznámých. Dvacet osob, jedno společné období a stejná definice kladného výsledku. Neznámým nepřiřazujeme rozdělení.

Rozmezí je dáno možnými doplněními, ne statistickou spolehlivostí nebo osobní prognózou.

Dostupná část
6/12 = 50 % – Pouze dvanáct známých výsledků.
Minimum celku
6/20 = 30 % – Všech osm neznámých by bylo nekladných.
Maximum celku
14/20 = 70 % – Všech osm neznámých by bylo kladných.

Jiná zdrojová smyšlená skupina má 20 lidí za stejné období a se stejnou definicí kladného výsledku. Známe 6 kladných, 6 nekladných a 8 neznámých. Pozorovaný podíl je 6/12 = 50 %. U celé skupiny je minimum 6/20 = 30 %, jestliže všech osm neznámých bude nekladných; maximum (6 + 8)/20 = 70 %, budou-li všichni kladní.

Rozmezí 30–70 % vzniká jen z počtů a možných doplnění. Není intervalem spolehlivosti, odhadem pravděpodobnosti vašeho zisku ani předpovědí. Užší závěr vyžaduje další informace. Označit neznámé automaticky za ztrátové by vydávalo dolní mez za zjištěný výsledek.

Jak výběr vítěze mění očekávání

Populaci, období a měřítko určete před hodnocením. Ve zdrojovém čistě pravděpodobnostním modelu dělá 16 smyšlených lidí po čtyřech nezávislých pokusech s šancí úspěchu 1/2 u každého. Nezávislost platí také mezi lidmi. Předem vybraný člověk uspěje čtyřikrát s pravděpodobností (1/2)⁴ = 1/16 = 6,25 %.

Pravděpodobnost, že to nedokáže nikdo ze šestnácti, je (15/16)¹⁶ ≈ 35,61 %. Alespoň jeden uspěje se šancí přibližně 64,39 %. Skutečný výsledek čtyři ze čtyř lze tedy vybrat bez rozdílů v dovednosti. Za těchto předpokladů zůstává další šance vybraného člověka 1/2. Model není odhadem forexového trhu ani důkazem, že všechny skutečné metody postrádají výhodu. Přehnaná sebedůvěra může rozšířit otázku rozsahu důkazů.

Podíl ztrátových účtů není úspěšnost obchodů

Oznámení ESMA z 27. března 2018 uvádělo analýzy evropských vnitrostátních orgánů, v nichž typicky prodělávalo 74–89 % retailových CFD účtů. Toto historické rozmezí není dnešní celosvětovou statistikou ani osobní pravděpodobností. Rámec obsahoval také standardizované varování konkrétního poskytovatele. U současného údaje ověřte právní subjekt, produkt, platná pravidla a výpočetní období.

Podíl ziskových obchodů 98 % nemá stejný jmenovatel jako podíl ztrátových účtů. Ve zdrojovém beznákladovém modelu vydělá 98 obchodů po jedné jednotce a dva ztratí po 100. Součet 98 − 200 = −102 jednotek je záporný přes 98% úspěšnost. Účet není člověk ani jeden obchod; varování samo neprokazuje, že profil s vysokou úspěšností lže, měl štěstí nebo představuje statistickou výjimku.

Nový samostatný CZK případ nestejných dokladů: čtyři předem vybrané účty mají stejnou počáteční částku 10 000 Kč a celé společné období bez vkladů a výběrů. U A známe čistých +1 000 Kč, u B −500 Kč. U C je k dispozici pouze hrubých +200 Kč a víme, že chybí nenulová nezáporná provize; její částku neznáme. D nemá výsledek doložený vůbec.

A a B dávají kladný podíl 1/2 = 50 % pouze mezi plně doloženými. U celé čtveřice je minimum 1/4 = 25 % a maximum 3/4 = 75 %, protože kladnost C a D je dosud neznámá. C nelze zařadit jako čistě kladný jen podle hrubého čísla: při hypotetické provizi 50 Kč by skončil +150 Kč, při 250 Kč na −50 Kč. Obě částky jsou alternativy, ne odhalený sazebník. Přesnější hranice bez dalších dokladů nevznikne.

Konkrétní obrana proti neúplnému výběru

Hledejte skupinu určenou před výsledky, společné období a zpracování neznámých. Kolekce velkolepých neúspěchů je také výběrový soubor, nikoli automaticky chybějící jmenovatel. Jednotlivé příběhy pomáhají tvořit otázky, ale neurčují univerzálně vhodné počáteční riziko nebo šanci úspěchu.

Pro hodnocení použijte oddělená data odpovídající způsobilým nástrojům a uchovejte neúspěšné konfigurace. Bailey a kolegové v práci z roku 2014 rozebírají, jak testování více variant vytváří působivý historický výsledek. Opakované nahlížení do stejné oddělené sady její nezávislost oslabuje. Samotná oddělená sada neopraví neúplnou historickou skupinu. Ani dlouhá ověřená historie jednoho účtu neobjasní, proč byl pro reklamu vybrán právě on.

První přezkum jednoho žebříčku

  1. Zapište výchozí skupinu, pravidlo zařazení, období, definici výsledku a počet chybějících pozorování.
  2. Ověřte společné zacházení s náklady, peněžními toky a otevřenou expozicí; neznámé odpovědi ponechte označené.
  3. Uveďte závěr pouze pro doložený rozsah. „Účet byl kladný v tomto období“ není „metoda zajistí zisk většině lidí“.

Vliv skupiny, realistické cíle a kontrola procesu vedle výsledku rozvíjejí jiné části hodnocení. K přezkumu důkazů nemusíte kopírovat obchod ani domýšlet výsledky cizích lidí.