بکتست ربات فارکس (Forex Robot Backtesting)

تعریف و اهمیت بکتستینگ در معاملات الگوریتمی

بکتستینگ (Backtesting)، فرآیندی حیاتی در دنیای معاملات الگوریتمی و توسعه Forex Robot یا همان Expert Advisor (EA) است. این فرآیند به معنای شبیه‌سازی عملکرد یک استراتژی معاملاتی خودکار بر اساس داده‌های Historical Data گذشته بازار است. هدف اصلی بکتستینگ، ارزیابی پتانسیل سودآوری و ریسک‌پذیری یک سیستم معاملاتی در شرایطی است که بازار قبلاً آن‌ها را تجربه کرده است.

در بازار فارکس، که رقابت شدید و نوسانات لحظه‌ای حرف اول را می‌زند، اعتماد به یک ربات بدون پشتوانه آزمون تاریخی تقریباً غیرممکن است. بکتستینگ به توسعه‌دهندگان و تریدرها این امکان را می‌دهد تا قبل از سرمایه‌گذاری پول واقعی، نقاط قوت و ضعف استراتژی خود را شناسایی کنند. یک بکتست قوی، اعتماد لازم برای انتقال یک ایده معاملاتی از مرحله تئوری به مرحله عملی را فراهم می‌آورد. بدون آن، هر الگوریتمی یک حدس و گمان صرف است.

اهمیت بکتستینگ نه تنها در تأیید سودآوری است، بلکه در درک رفتار سیستم تحت شرایط مختلف بازار، مانند دوره‌های با نوسان بالا (Volatility) یا بازار رنج (Consolidation)، نیز نهفته است. این شبیه‌سازی به ما نشان می‌دهد که سیستم در شرایط بحرانی چگونه واکنش نشان می‌دهد و آیا قابلیت مدیریت Drawdown (افت سرمایه) را دارد یا خیر.

تفاوت بکتستینگ، حساب دمو و فوروارد تستینگ

بسیاری از کاربران تازه‌کار، Backtesting را با حساب دمو (Demo Account) یا Forward Testing اشتباه می‌گیرند. در حالی که همه این‌ها ابزارهایی برای ارزیابی عملکرد هستند، اما تفاوت‌های ماهوی و کاربردی مهمی دارند:

بکتستینگ (Backtesting)

بکتستینگ روی داده‌های تاریخی انجام می‌شود. این فرآیند در محیط‌های شبیه‌سازی شده (مانند Strategy Tester در متاتریدر) اتفاق می‌افتد و از داده‌هایی استفاده می‌کند که قبلاً ثبت شده‌اند. نقاط قوت آن سرعت بالا، امکان اجرای سریع روی سال‌ها داده و قابلیت Strategy Optimization است. با این حال، بزرگ‌ترین محدودیت آن این است که نمی‌تواند احساسات انسانی یا مشکلات اتصال به سرور بروکر در زمان واقعی را شبیه‌سازی کند. همچنین، کیفیت داده‌های مورد استفاده (به ویژه Tick Data در مقابل OHLC) تأثیر مستقیمی بر دقت نتایج دارد.

حساب دمو (Demo Trading)

حساب دمو، محیطی زنده (Live) است که در آن معامله‌گر با پول مجازی اما با قیمت‌های واقعی بازار (Real-time quotes) معامله می‌کند. این حساب برای عادت کردن به پلتفرم، درک زمان‌بندی سفارشات و عادت کردن به محیط واقعی مفید است. اما حساب دمو همچنان از نظر روانشناختی با حساب واقعی متفاوت است و مشکلات مربوط به اجرای واقعی سفارشات (Execution) را به‌طور کامل منعکس نمی‌کند.

فوروارد تستینگ (Forward Testing)

فوروارد تستینگ مرحله‌ای است که پس از بکتستینگ موفقیت‌آمیز و معمولاً پس از تست دمو، انجام می‌شود. در این مرحله، Expert Advisor روی یک حساب واقعی (معمولاً با سرمایه بسیار کم یا از طریق سرویس‌های مدیریت ریسک) اجرا می‌شود. این تست، عملکرد واقعی سیستم را در برابر اسپرد، اسلیپیج (Slippage)، و شرایط بازار لحظه‌ای می‌سنجد. فوروارد تستینگ صادقانه‌ترین روش ارزیابی است، اما زمان‌بر بوده و ریسک محدودی از سرمایه واقعی را درگیر می‌کند.

به طور خلاصه، بکتستینگ “آزمون گذشته”، حساب دمو “آزمون شبیه‌سازی شده زنده” و فوروارد تستینگ “آزمون واقعی” است.

انواع داده‌های تاریخی و تأثیر آن‌ها بر دقت بکتست

دقت نتایج Backtesting مستقیماً به کیفیت داده‌هایی که تحلیل می‌کنیم وابسته است. در بازار فارکس، دو نوع اصلی از داده‌ها مورد استفاده قرار می‌گیرند:

داده‌های OHLC (Open, High, Low, Close)

این داده‌ها رایج‌ترین و در دسترس‌ترین نوع داده‌ها هستند که شامل قیمت باز شدن، بالاترین، پایین‌ترین و بسته شدن در یک دوره زمانی مشخص (مثلاً یک ساعت یا یک روز) می‌باشند.

محدودیت‌ها: زمانی که یک Forex Robot با تایم‌فریم‌های پایین (مانند M1 یا M5) در حال تست باشد، داده‌های OHLC کافی نیستند. یک استراتژی ممکن است بر اساس نوسانات کوچک درون آن کندل (که در داده‌های OHLC نمایش داده نمی‌شوند) سیگنال بگیرد. اگر ربات ما نیاز به دانستن بالاترین قیمت در طول یک دقیقه داشته باشد و ما فقط قیمت‌های ساعتی را داشته باشیم، نتایج به‌شدت غیرقابل اعتماد خواهند بود.

داده‌های تیک (Tick Data)

Tick Data حاوی هر تغییر قیمت (هر بار که قیمت خرید یا فروش تغییر می‌کند) است و جزئی‌ترین اطلاعات بازار را ارائه می‌دهد. این داده‌ها برای شبیه‌سازی دقیق معاملات در تایم‌فریم‌های پایین ضروری هستند.

مزایا: استفاده از Tick Data واقعی (که از بروکرها یا منابع داده معتبر جمع‌آوری شده است) باعث می‌شود که شبیه‌سازی بسیار نزدیک به واقعیت باشد. این امر به ویژه در محاسبات مربوط به محاسبات مارجین، Slippage و زمان‌بندی دقیق ورود و خروج اهمیت دارد.

چالش‌ها: جمع‌آوری، ذخیره‌سازی و پردازش Tick Data بسیار منابع‌بر است و همچنین باید مطمئن شویم که داده‌های دریافتی شامل اسپرد و سایر هزینه‌های واقعی هستند.

کیفیت مدل‌سازی (Modeling Quality)

در پلتفرم‌هایی مانند متاتریدر، پس از اجرای بکتست، گزارشی از Modeling Quality ارائه می‌شود که بر حسب درصد (مثلاً ۹۰٪ یا ۹۹٪) است. این معیار نشان می‌دهد که شبیه‌ساز با چه دقتی توانسته است داده‌های ورودی را بازسازی کند.

• Modeling Quality بالا (۹۹٪): معمولاً نشان می‌دهد که از داده‌های تیک یا داده‌های OHLC با کیفیت بالا و با فواصل زمانی بسیار کم استفاده شده است. این نتایج قابل اعتمادتر هستند.
• Modeling Quality پایین (<۹۰٪): نشان می‌دهد که شبیه‌ساز مجبور بوده بخش بزرگی از داده‌های میانی را بر اساس مدل‌های تقریبی تولید کند، که این امر صحت بکتست را کاهش می‌دهد.

تأثیر پارامترهای محیطی بر نتایج بکتست

یک ربات فارکس هرگز در خلأ کار نمی‌کند. محیط بازار، شامل اسپرد، Slippage و زمان‌بندی، تأثیر بسزایی بر سودآوری یک استراتژی دارد.

اسپرد (Spread) و اهمیت آن

اسپرد تفاوت بین قیمت خرید (Ask) و قیمت فروش (Bid) است و هزینه ذاتی انجام هر معامله در فارکس محسوب می‌شود.

در بکتست، باید مطمئن شویم که اسپرد استفاده شده در شبیه‌سازی، اسپرد واقعی مورد انتظار از بروکر هدف ما باشد. بسیاری از ربات‌ها در یک اسپرد ثابت (مثلاً ۱ پیپ) تست می‌شوند. اگر استراتژی شما بر اساس اسکالپینگ (Scalping) باشد و اسپرد واقعی بروکر ۵ پیپ باشد، ربات شما در حساب واقعی احتمالاً با ضرر مواجه خواهد شد.

نکته تخصصی: در زمان Strategy Optimization، باید اسپرد را به عنوان یک متغیر داخلی (Constant) در نظر بگیریم یا بازه‌ای از اسپردها را تست کنیم.

اسلیپیج (Slippage)

اسلیپیج زمانی رخ می‌دهد که قیمت اجرای سفارش شما با قیمتی که شما در زمان ارسال سفارش دیده‌اید، متفاوت باشد. این پدیده در بازارهای پرنوسان و هنگام انتشار اخبار مهم بسیار شایع است.

بکتسترهای استاندارد (مانند Strategy Tester متاتریدر) معمولاً به طور پیش‌فرض اسلیپیج را در نظر نمی‌گیرند، مگر اینکه به صورت دستی در کدنویسی EA یا تنظیمات تست فعال شود. نادیده گرفتن اسلیپیج یکی از دلایل اصلی شکست ربات‌ها در مرحله Forward Testing است. اگر ربات شما به سرعت و با حجم بالا معامله می‌کند، باید حتماً تأثیر اسلیپیج (مثلاً ۰.۵ تا ۱ پیپ در هر طرف) را در شبیه‌سازی بگنجانید.

تأثیر تایم‌فریم (Timeframe)

تایم‌فریم انتخاب شده برای بکتست، ارتباط مستقیمی با عملکرد مورد انتظار دارد:

1. تایم‌فریم‌های بالا (H4, Daily): معاملات کمتر و ثبات بیشتر در نتایج. داده‌های OHLC برای این تایم‌فریم‌ها معمولاً کافی هستند.
2. تایم‌فریم‌های پایین (M1, M5): معاملات بیشتر و نویز بیشتر. این تایم‌فریم‌ها به شدت به کیفیت Tick Data و در نظر گرفتن دقیق اسپرد و اسلیپیج وابسته هستند.

اگر یک استراتژی برای تایم‌فریم M1 طراحی شده باشد، اجرای آن روی داده‌های H1 بی‌معنی است. همیشه تست را روی تایم‌فریمی انجام دهید که استراتژی برای آن طراحی شده است.

مدیریت ریسک در بکتست (Risk Management Evaluation)

هیچ بکتستی بدون ارزیابی دقیق معیارهای Risk Management کامل نیست. سودآوری تنها نیمی از ماجراست؛ نحوه حفظ سرمایه در طول مسیر، نیمه دیگر است.

معیار بیشینه افت سرمایه (Maximum Drawdown)

Drawdown (افت سرمایه) به کاهش درصد یا مقداری از حساب کاربری از بالاترین نقطه (Peak Equity) تا پایین‌ترین نقطه قبل از بازیابی گفته می‌شود. Maximum Drawdown بحرانی‌ترین معیار در بکتست است.

[ \text{Max Drawdown} = \frac{\text{Peak Equity} – \text{Trough Equity}}{\text{Peak Equity}} \times 100 ]

یک استراتژی با Win Rate بالا اما Max Drawdown نزدیک به ۵۰٪، ریسک بسیار بالاتری نسبت به استراتژی با Win Rate متوسط اما Max Drawdown زیر ۱۵٪ دارد. تریدرها و سرمایه‌گذاران معمولاً تحمل کمی برای افت‌های شدید دارند.

نسبت ریسک به ریوارد (Risk/Reward Ratio) و فاکتور سود

این معیارها نشان می‌دهند که در ازای ریسک پذیری، چه میزان سود انتظاری وجود دارد.

• Risk/Reward Ratio: میزان سود مورد انتظار تقسیم بر حداکثر ریسک تعیین شده برای یک معامله. نسبت‌های ۱:۲ یا ۱:۳ اغلب ایده‌آل در نظر گرفته می‌شوند.
• Profit Factor: مجموع سودهای ناخالص تقسیم بر مجموع ضررهای ناخالص. یک Profit Factor بالاتر از ۱.۵ تا ۲.۰ به طور کلی نشان‌دهنده یک استراتژی قوی است.

نرخ برد (Win Rate) و میانگین سود/ضرر

Win Rate (درصد معاملات سودده) نباید معیار اصلی باشد. یک استراتژی با Win Rate ۹۰٪ که میانگین سود آن ۰.۵ پیپ و میانگین ضرر آن ۱۰ پیپ باشد (ریسک به ریوارد 1:20)، بسیار پرریسک است.

معیارهای مهم‌تر عبارتند از:

1. Average Win: میانگین سود معاملات برنده.
2. Average Loss: میانگین ضرر معاملات بازنده.

باید اطمینان حاصل شود که: (\text{Average Win} \gg \text{Average Loss}) (حتی اگر Win Rate پایین باشد).

خطاهای رایج در بکتستینگ و تله‌های

موفقیت در بکتست لزوماً موفقیت در بازار زنده را تضمین نمی‌کند. خطاهای متعددی وجود دارند که می‌توانند نتایج را به‌شدت خوش‌بینانه (Overly Optimistic) نشان دهند.

بیش‌برازش (Overfitting)

این شاید بزرگ‌ترین چالش در بکتستینگ باشد. Overfitting زمانی رخ می‌دهد که پارامترهای ربات به‌گونه‌ای تنظیم شوند که نه تنها با داده‌های گذشته مطابقت داشته باشند، بلکه برای نویزهای خاص آن داده‌ها نیز بیش از حد بهینه شوند. در واقع، شما استراتژی را برای “داده‌های خاص” آموزش داده‌اید، نه برای “قوانین کلی بازار”.

نشانه‌های Overfitting:

1. نتایج عالی روی داده‌های محدود: ربات در تست روی داده‌های یک سال گذشته سود خیره‌کننده‌ای کسب کرده اما در تست روی داده‌های پنج سال گذشته ضعیف عمل می‌کند.
2. پارامترهای غیرمنطقی: مقادیر پارامترها (مانند RSI=13 یا Moving Average=233) بسیار خاص و غیرمعمول باشند.

راه‌حل: استفاده از روش‌هایی مانند Walk Forward Optimization و تست روی بازه‌های زمانی طولانی‌تر و ناهمگون (Out-of-Sample Data) برای تأیید پایداری پارامترها.

خطای ناشی از استفاده از داده‌های نامناسب

همانطور که قبلاً ذکر شد، استفاده از داده‌های OHLC برای استراتژی‌های کوتاه‌مدت و استفاده از داده‌های با Modeling Quality پایین، نتایج را غیرقابل اعتماد می‌سازد.

نادیده گرفتن هزینه‌های واقعی

تست با اسپرد صفر یا اسلیپیج صفر، یک خطای فاحش است. این کار باعث می‌شود رباتی که به طور نظری سودآور است، در عمل هرگز به سود نرسد، زیرا هزینه‌های عملیاتی، سود مورد انتظار را می‌بلعند.

تست روی یک دوره زمانی خاص

تست صرفاً روی یک دوره گاوی (Bull Market) یا یک دوره رنج، دیدی ناقص می‌دهد. اگر استراتژی شما در بازار صعودی بسیار خوب عمل کرده اما در بازارهای نزولی ضررده است، این یک ایراد ساختاری است که باید با تست روی داده‌هایی که شامل هر دو شرایط باشند، کشف شود.

بکتستینگ پیشرفته در MetaTrader 4 و MetaTrader 5

پلتفرم‌های MetaTrader محبوب‌ترین محیط‌ها برای Backtesting هستند. اگرچه اصول یکسان است، اما تفاوت‌های مهمی بین MT4 و MT5 وجود دارد که بر نحوه اجرای تست تأثیر می‌گذارد.

Strategy Tester در MetaTrader 4 (MT4)

MT4 از قابلیت Backtesting مبتنی بر داده‌های OHLC (یا مدل‌سازی بر اساس تیک‌های داخلی) استفاده می‌کند.

محدودیت‌های MT4:

1. مدل‌سازی فقط بر اساس OHLC: حتی زمانی که گزینه “Every Tick” انتخاب می‌شود، MT4 اغلب از یک مدل داخلی استفاده می‌کند که اغلب شبیه‌ساز را محدود به داده‌های نقطه‌ای می‌کند و دقت Tick Data واقعی را ندارد.
2. تک رشته‌ای (Single-Threaded): تست‌های MT4 معمولاً کند هستند و برای آزمایش چندین جفت‌ارز به صورت همزمان بهینه نیستند.

تنظیمات کلیدی MT4:

• Modeling Method: باید روی “Every Tick” تنظیم شود تا بهترین دقت ممکن در محیط MT4 به دست آید.
• Leverage و Deposit: باید با شرایط واقعی حساب مورد نظر مطابقت داده شوند تا محاسبات مارجین درست انجام شود.

Strategy Tester در MetaTrader 5 (MT5)

MT5 به طور قابل ملاحظه‌ای قابلیت‌های Backtesting را بهبود بخشیده است.

مزایای MT5:

1. استفاده واقعی از Tick Data: MT5 اجازه می‌دهد داده‌های تیک واقعی را دانلود کرده و از آن‌ها برای شبیه‌سازی استفاده کنید، که منجر به Modeling Quality بسیار بالاتر (اغلب ۹۹.۹٪) می‌شود.
2. تست چند هسته‌ای (Multi-Threading): تست‌ها می‌توانند به صورت موازی اجرا شوند و سرعت Strategy Optimization را به طرز چشمگیری افزایش دهند.
3. تست چند جفت‌ارز (Multi-Currency Testing): MT5 اجازه می‌دهد عملکرد یک EA را به طور همزمان بر روی چندین نماد و دارایی در یک محیط شبیه‌سازی واحد ارزیابی کنید، که برای استراتژی‌هایی که از همبستگی (Correlation) استفاده می‌کنند، حیاتی است.

تنظیمات کلیدی MT5:

• Data Selection: اطمینان از اینکه داده‌های تیک برای نماد مورد نظر در دسترس و به‌روز هستند.
• Testing Mode: انتخاب “Every Tick Based on Real Ticks” برای بالاترین دقت.

مثال آموزشی: ارزیابی یک استراتژی میانگین متحرک ساده (SMA Crossover)

فرض کنید یک Forex Robot داریم که بر اساس تقاطع دو میانگین متحرک (یک سریع و یک کند) سیگنال خرید یا فروش صادر می‌کند. ما این ربات را برای EUR/USD در تایم فریم H1 توسعه داده‌ایم.

مرحله ۱: آماده‌سازی و داده‌ها

1. انتخاب داده: به دلیل تایم فریم H1، داده‌های OHLC پنج سال اخیر (۲۰۱۹ تا ۲۰۲۴) کفایت می‌کند، اما برای اطمینان از Modeling Quality، داده‌های تیک برای آن بازه زمانی بارگذاری می‌شود.
2. تنظیمات تست:
   • مدل: Every Tick (در MT5، با استفاده از Real Ticks).
   • اسپرد: ۲ پیپ (بازتاب متوسط اسپرد در شرایط عادی).
   • زمان شروع/پایان: ۲۰۲۲/۰۱/۰۱ تا ۲۰۲۴/۰۱/۰۱ (به عنوان داده‌های تست اصلی).

مرحله ۲: اجرای بکتست و بررسی اولیه

پس از اجرای بکتست، نتایج اولیه به شرح زیر است:

معیارمقدارسود خالص (Net Profit)+۴۵۰۰ دلارMax Drawdown-۲۵٪Profit Factor۱.۸۵تعداد معاملات۵۰۰Win Rate۵۵٪

بررسی اولیه نشان می‌دهد استراتژی سودده است (Profit Factor خوب)، اما Max Drawdown (۲۵٪) کمی بالاست.

مرحله ۳: و مدیریت ریسک

هدف ما کاهش Drawdown با حفظ سودآوری است. پارامترهای ربات (طول میانگین متحرک سریع و کند) بهینه می‌شوند.

پس از اجرای Strategy Optimization روی پارامترها، به دنبال تنظیماتی می‌گردیم که Drawdown را زیر ۱۵٪ نگه دارند.

نتیجه بهینه‌سازی:

• تنظیم پارامتر A: (MA Fast=10, MA Slow=50) منجر به سود +۳۸۰۰ دلار و Drawdown -۱۴٪ شد.
• تنظیم پارامتر B: (MA Fast=12, MA Slow=45) منجر به سود +۴۱۰۰ دلار و Drawdown -۱۷٪ شد.

ما پارامتر A را به عنوان کاندید اصلی انتخاب می‌کنیم، زیرا Drawdown آن قابل تحمل‌تر است، هرچند سود کمی کمتر شده است.

مرحله ۴: اعتبارسنجی (Validation) و جلوگیری از

برای اطمینان از اینکه پارامتر A فقط برای داده‌های ۲۰۲۲ تا ۲۰۲۴ مناسب نیست، یک تست جدید (Out-of-Sample Test) روی داده‌های قبل از آن اجرا می‌کنیم:

• داده‌های تست: ۲۰۱۹/۰۱/۰۱ تا ۲۰۲۱/۱۲/۳۱.
• پارامترهای استفاده شده: (MA Fast=10, MA Slow=50).

اگر در این دوره نیز ربات به طور منطقی سودآور باشد (مثلاً سود +۲۰۰۰ دلار و Drawdown زیر ۲۰٪)، می‌توانیم نتیجه بگیریم که استراتژی پایدار است و بکتست اولیه دچار Overfitting جدی نبوده است.

معیارهای ارزیابی عملکرد پس از بکتست

یک گزارش بکتست خوب باید مجموعه‌ای از معیارها را ارائه دهد تا تریدر بتواند تصمیم‌گیری دقیقی داشته باشد. علاوه بر موارد ذکر شده، معیارهای زیر اهمیت ویژه‌ای دارند:

فاکتور شارپ (Sharpe Ratio)

فاکتور شارپ معیاری است که بازده تعدیل شده بر اساس ریسک (Risk-Adjusted Return) را محاسبه می‌کند. این معیار به ما می‌گوید در ازای هر واحد ریسک (ریسک معمولاً با انحراف معیار بازده اندازه‌گیری می‌شود)، چقدر بازده کسب کرده‌ایم.

[ \text{Sharpe Ratio} = \frac{R_a – R_f}{\sigma_a} ]

که در آن (R_a) میانگین بازده سیستم، (R_f) نرخ بدون ریسک (معمولاً صفر در نظر گرفته می‌شود) و (\sigma_a) انحراف معیار بازده است. هر چه شارپ ریشیو بالاتر باشد، عملکرد استراتژی نسبت به ریسک پذیرفته شده بهتر است.

مدت زمان بزرگ‌ترین ضرر متوالی (Maximum Consecutive Loss)

این معیار نشان می‌دهد که در بدترین سناریو، ربات چند معامله پشت سر هم را متوالی باخته است. این امر برای برنامه‌ریزی ذهنی و مالی بسیار مهم است. یک ربات با Win Rate بالا اما دارای ۳۰ معامله متوالی ضررده، می‌تواند سرمایه را به دلیل فشارهای روانی یا نیاز به پوشش مارجین، به سرعت از بین ببرد.

نوسان بازده (Return Volatility)

انحراف معیار بازدهی یک ابزار قدرتمند برای سنجش ثبات درآمد است. استراتژی‌ای که در یک سال ۱۰۰٪ سود می‌کند اما بازدهی آن به شدت نوسانی است (نیمی از سال با ۲۰٪ سود و نیمی دیگر با کاهش‌های شدید)، ریسکی‌تر از استراتژی است که به طور منظم ماهیانه ۱۰٪ بازدهی داشته است.

تست در شرایط مختلف بازار و پایداری استراتژی

یکی از ضعف‌های بکتست‌های ساده، عدم نمایش توانایی ربات در مقابله با تغییرات ساختاری بازار است.

تست چرخه کامل بازار (Full Market Cycle Testing)

یک استراتژی قوی باید بتواند حداقل یک دوره صعودی، یک دوره نزولی و یک دوره رنج (Range-bound) را با موفقیت پشت سر بگذارد. معمولاً توصیه می‌شود داده‌هایی حداقل ۵ تا ۱۰ ساله برای بکتست استفاده شود تا نوسانات اقتصادی بزرگ (مانند بحران ۲۰۰۸ یا شیوع کووید-۱۹) در آن پوشش داده شوند.

تست همبستگی و تست چندین جفت‌ارز

بسیاری از ربات‌های مدرن از همبستگی بین جفت‌ارزها برای کاهش ریسک استفاده می‌کنند (مثلاً ورود به معاملات همزمان در EUR/USD و GBP/USD که همبستگی بالایی دارند).

بکتست چند جفت‌ارز: این کار باید در محیطی انجام شود که بتواند تأثیر مارجین کلی روی کل پورتفولیو را محاسبه کند. در MT5، این امکان فراهم است که ربات روی تمام نمادها به صورت یکپارچه تست شود. اگر هر معامله به صورت مجزا (Independent) سودآور باشد، اما مجموع معاملات در یک لحظه باعث لیکویید شدن کل حساب شود، آن استراتژی ناپایدار است.

نکات تکمیلی برای توسعه‌دهندگان ربات

برای کسانی که به کدنویسی Expert Advisor مشغول هستند، چند نکته تخصصی دیگر در مورد بکتست وجود دارد:

1. استفاده از تاریخ در کد: همیشه باید کد ربات به گونه‌ای نوشته شود که در صورت نیاز، بتواند از اطلاعات تاریخ و زمان در منطق معاملاتی خود استفاده کند، اما این اطلاعات نباید در منطق اصلی سیگنال‌گیری برای جلوگیری از Overfitting نقش محوری داشته باشند.
2. Backtesting با اسلیپیج واقعی در کد: اگر از زبان‌های برنامه‌نویسی مانند MQL4/MQL5 استفاده می‌کنید، سعی کنید از توابعی استفاده کنید که می‌توانند اسلیپیج را به صورت پویا (بر اساس میزان نوسان لحظه‌ای) به محاسبات اضافه کنند، نه صرفاً یک عدد ثابت.
3. توجه به اجرای سفارش (Order Execution Time): در تایم‌فریم‌های بسیار پایین، زمان صرف شده برای ارسال سفارش (Latency) و اجرای آن می‌تواند تأثیرگذار باشد. اگرچه این امر در MT4/MT5 به سختی مدل‌سازی می‌شود، اما در فوروارد تست باید به شدت مورد توجه قرار گیرد.

بکتست ربات فارکس یک علم و هنر است؛ علم برای استفاده از داده‌ها و آمار دقیق، و هنر برای حدس زدن رفتار آینده بازار بر اساس مدل‌های گذشته. با رعایت این اصول، می‌توانیم ربات‌هایی توسعه دهیم که نه تنها در گذشته سودآور بوده‌اند، بلکه پتانسیل موفقیت در آینده را نیز دارند.