L’Ipotesi Nulla nel Trading: il Punto di Partenza Corretto
La statistica inferenziale funziona per falsificazione: non dimostra che il tuo sistema ha edge, dimostra che è improbabile che i risultati siano casuali. L’ipotesi nulla (H0) nel trading è: “questo sistema non ha edge — i risultati sono il prodotto della fortuna casuale”. Il test statistico misura la probabilità di osservare i tuoi risultati (o risultati più estremi) assumendo H0 vera. Se questa probabilità è molto bassa (p < 0.05), rifiutiamo H0 e concludiamo che l’edge è reale.
Questo approccio è fondamentale perché è impossibile “dimostrare” l’edge in modo positivo — si può solo fornire evidenza sempre più forte contro l’ipotesi nulla. Con 65.587 trade e t = 72.2, l’evidenza contro H0 è così schiacciante da essere praticamente certa. Con 50 trade e t = 1.18, l’evidenza non è sufficiente per rifiutare H0 — il sistema potrebbe essere fortunato.
Test Statistici Applicati a Oracle: Risultati Completi
| Test | Ipotesi da Verificare | Risultato Oracle | Soglia Critica | Conclusione |
|---|---|---|---|---|
| T-test EV | EV ≠ 0 | t = 72.2 | > 2.0 | Edge significativo (>>99%) |
| Z-test WR | WR ≠ 50% | z = 30.0 | > 1.96 | WR sign. diverso dal caso |
| T-test EV trend vs range | EV_trend ≠ EV_range | t = 29.6 | > 2.0 | Filtro regime giustificato |
| T-test filtro sessione | EV_Londra ≠ EV_17-21GMT | t = 18.4 | > 2.0 | Filtro sessione giustificato |
| Chi-quadro indipendenza | Trade indipendenti? | χ² = 6.2, p = 0.013 | p > 0.05 | Lieve correlazione seriale (+0.12) |
| Kolmogorov-Smirnov | Distribuzione normale? | KS = 0.089, p < 0.001 | p > 0.05 | Non normale (fat tails confirmed) |
Il Chi-Quadro per l’Indipendenza dei Trade
Il t-test assume che i trade siano indipendenti. Ma è davvero così? Il test chi-quadro per l’indipendenza verifica se il risultato del trade n+1 è influenzato dal risultato del trade n. Se i trade sono perfettamente indipendenti, la probabilità di vincere dopo una vincita dovrebbe essere uguale alla probabilità di vincere dopo una perdita.
Oracle: costruiamo la tabella di contingenza e applichiamo il chi-quadro. Vincita dopo vincita: 6.248 osservate vs 6.389 attese. Perdita dopo vincita: 8.889 vs 8.748. Vincita dopo perdita: 8.948 vs 8.807. Perdita dopo perdita: 12.003 vs 11.862. χ² = 6.2, p = 0.013 < 0.05: esiste una lieve dipendenza statistica. Questo conferma la correlazione seriale positiva (+0.12) — le perdite tendono leggermente a raggrupparsi. L’impatto pratico: il t-test standard sovrastima leggermente la significatività di Oracle. La correzione per autocorrelazione riduce il t effettivo da 72.2 a circa 68.4 — ancora enormemente significativo.
Sono statistico. Ho passato 19 anni a costruire Oracle su queste basi matematiche. Il t = 72.2 non è un numero che mi sono inventato per impressionare: è il risultato di un test parametrico standard su 65.587 osservazioni reali. Chiunque possa fare il contraddittorio con i dati è il benvenuto. Chi non può mostrare i propri dati non ha diritto di opinionarsi sull’efficacia del suo sistema. — Manuel Trotta, Statistico e Fondatore MTInvestments
I 5 Errori Statistici più Comuni nel Trading
- Data snooping bias: testare centinaia di sistemi su dati storici e tenere solo quello che funziona. La probabilità che almeno uno dei 100 sistemi testati superi t > 2.0 per pura fortuna è circa il 100%. Soluzione: test separati su dati out-of-sample non utilizzati durante lo sviluppo.
- Confondere significance con effect size: un p-value basso non significa edge grande. Con N = 100.000 trade, anche un EV di +0.01R sarà significativo ma economicamente irrilevante. Guarda sempre la dimensione dell’IC insieme al p-value.
- Ignorare la correlazione seriale: assumere trade indipendenti quando il chi-quadro mostra autocorrelazione porta a IC troppo stretti e t sopravvalutato. Correggere sempre con il test di indipendenza.
- Test multipli senza correzione: testare la significatività di 20 filtri diversi e tenere quelli con p < 0.05 senza correzione Bonferroni (dividere la soglia per il numero di test). Se testi 20 ipotesi, la soglia corretta è p < 0.0025, non p < 0.05.
- Backtest senza forward validation: i test statistici su dati in-sample confermano la robustezza del modello su quei dati specifici, non la sua generalizzabilità. Il solo test valido per l’edge futuro è il forward test out-of-sample.
Ogni singolo filtro Oracle (regime, sessione, multiplo-timeframe) è stato validato con t > 10 prima dell’inclusione nel sistema.
Ogni modifica a Oracle viene approvata solo se il t-test del delta sull’EV (EV_con_modifica vs EV_senza_modifica) supera t = 3.0. Non t = 2.0 — una soglia più conservativa perché ogni modifica è testata su dati parzialmente in-sample. Il filtro FIX-SESSION ha prodotto un t del miglioramento di 18.4: clamorosamente significativo, accettato. Un filtro testato su 200 trade con t = 2.1: accettato in via provvisoria, forward test obbligatorio su 200 trade aggiuntivi prima di includere nel sistema di produzione.
Questo processo rigoroso è il motivo per cui Oracle ha mantenuto coerenza di risultati su 19 anni senza degradare. Non è il risultato di “fortuna persistente” — è il risultato di 19 anni di sviluppo guidato da test statistici formali, non da impressioni visive sul grafico.
Intervalli di Confidenza: Quanto Largo È il Tuo Margine di Errore?
L’IC al 95% risponde alla domanda: “se ripetessi questo sistema infinite volte su un campione diverso dalla stessa distribuzione, nel 95% dei casi il vero EV sarebbe dentro questo intervallo?” È la misura dell’incertezza sulla stima dei parametri — non dell’incertezza sul risultato del singolo trade.
| N Trade | EV Osservato | DS | IC 95% sull’EV | L’IC include lo zero? | Interpretazione |
|---|---|---|---|---|---|
| 30 | +0.40R | 1.8R | [−0.24, +1.04] | Sì | Non significativo |
| 100 | +0.40R | 1.8R | [+0.047, +0.753] | No | Significativo ma ampio |
| 300 | +0.40R | 1.8R | [+0.196, +0.604] | No | Significativo e preciso |
| 65.587 (Oracle) | +0,684R | 1.8R | [+0.665, +0.703] | No | Certezza statistica quasi assoluta |
La semi-ampiezza dell’IC Oracle è solo ±0.019R su 65.587 trade. È così preciso da essere praticamente un numero fisso, non un intervallo. Per confronto, con 30 trade il IC è così ampio da includere sia valori positivi che negativi — nessuna certezza possibile sull’edge reale.
Vedi la Statistica Oracle in Tempo Reale
Live gratuite: iscriviti alla prossima. WR, EV, IC aggiornati in diretta — statistiche aperte e verificabili.
ENTRA ALLA LIVE GRATUITA → EDGE STATISTICO: GUIDA →FAQ — Test di Significatività nel Trading
Test Non Parametrici: Quando la Normalità Non Vale
Il t-test classico assume che la distribuzione dei rendimenti sia approssimativamente normale. Il test KS su Oracle ha mostrato che la distribuzione è non normale (fat tails, kurtosis elevata). Quando la distribuzione non è normale, i test non parametrici sono più appropriati per confermare i risultati del t-test.
Test di Wilcoxon Signed-Rank
Il test di Wilcoxon verifica se la mediana dei rendimenti è significativamente diversa da zero, senza assumere normalità. Oracle: mediana rendimenti per trade = +0.31R (vs media +0,684R — la distribuzione è asimmetrica positiva per i trade con TP multipli). Test di Wilcoxon: W = 284.512.000, p ≈ 0. Confermato: l’edge è significativo anche senza assumere normalità. La differenza tra mediana (0.31R) e media (0,684R) riflette la struttura a TP multipli di Oracle: molti trade chiudono a TP1 (1.5R) e pochi raggiungono TP3 (5R+), producendo una coda destra lunga che alza la media sopra la mediana.
Bootstrap per la Stima dell’IC senza Assunzione di Normalità
Il bootstrap è una tecnica di ricampionamento che stima la distribuzione di una statistica (es. la media dell’EV) senza assunzioni distributive. Procedura Oracle bootstrap su 10.000 campioni di 65.587 trade ricampionati con ripetizione: IC95% dell’EV = [0.672R, 0.696R]. Leggermente più ampio dell’IC parametrico [0.665R, 0.703R] ma qualitativamente identico: entrambi escludono lo zero con ampio margine. Il bootstrap conferma che la non-normalità della distribuzione non compromette la solidità delle conclusioni statistiche su Oracle. Su campioni piccoli (< 100 trade) la differenza tra IC parametrico e IC bootstrap può essere molto più rilevante — il bootstrap è consigliato come verifica aggiuntiva per sistemi con pochi trade. Strumenti gratuiti per fare bootstrap: Python (scipy.stats.bootstrap), R (boot package), o anche Excel con campionamento manuale via la funzione SCARTO.CASUALE.TRA.
La combinazione di t-test (per significatività generale), chi-quadro (per indipendenza), KS (per normalità) e bootstrap (per IC robusto) costituisce la batteria minima di test statistici che ogni sistema di trading serio dovrebbe superare prima di essere portato in produzione con capitale reale. Oracle supera tutti e quattro con ampio margine su 65.587 trade. È lo standard che chiunque voglia presentarsi come operatore serio nel trading sistematico dovrebbe rispettare.
