AI Trading Track Record-ஐ எவ்வாறு சரிபார்ப்பது?

ஒரு AI trading track record சரிபார்க்கக்கூடியதாக இருப்பதற்கு, முடிவுகள் உருவாகும் முன் இருந்த பதிவுகளிலிருந்து ஒரு வெளிப்புற நபர் அதை மீண்டும் கட்டமைக்க முடிந்திருக்க வேண்டும். இணையத்தில் வெளியிடப்பட்ட பதிவுகளில் மிகச் சிலவே இந்த அளவுகோலைப் பூர்த்தி செய்கின்றன. கீழே உள்ள checklist-ஐ வாசகர் சுமார் இரண்டு நிமிடங்களில் பயன்படுத்தலாம். இதில் benchmark, timestamps, trading costs மற்றும் sample length ஆகிய நான்கு அம்சங்களுக்கு market data ஆதாரம் வழங்கப்பட்டுள்ளது.

AI trading track record-ஐ சரிபார்க்கக்கூடியதாக்குவது எது?

ஆறு அம்சங்கள் உள்ளன. ஒவ்வொன்றையும் மதிப்பீட்டுச் சார்பின்றி நேரடியாகச் சரிபார்க்கலாம்.

1. முடிவு தெரியும் முன் வெளியிடப்பட்ட entries. Timestamp-ஐ ஆசிரியர் பின்னர் மாற்ற முடியாத இடத்தில் பதிவு செய்திருக்க வேண்டும். உதாரணமாக, அந்த நேரத்தில் push செய்யப்பட்ட commit அல்லது broker statement இதற்கு ஆதாரமாக இருக்கலாம். கடந்த trades-ஐ பட்டியலிடும் file, கடந்தகாலத்தைப் பற்றிய claim மட்டுமே; அது நடந்தபோதைய record அல்ல.
2. ஒரே benchmark; தொடக்கத்திலேயே குறிப்பிடப்பட்டு பின்னர் மாற்றப்படாதது. குறிப்பிட்ட காலப்பகுதியில் குறிப்பிட்ட fund-ஐ ஒப்பீட்டுக்கு நிர்ணயிக்கும் வரை “சந்தையை வென்றது” என்பதற்கு அர்த்தமில்லை.
3. Reported numbers-க்குள் costs சேர்க்கப்பட்டிருத்தல். Commissions, regulatory fees, short positions மீதான borrow செலவு, entry மற்றும் exit இரண்டிலும் செலுத்திய spread ஆகியவை சேர்க்கப்பட வேண்டும்.
4. திருத்தப்படாமல் version செய்யப்பட்ட runbook. Public repository record-ஐ ஆதரித்தால், பயனுள்ள link tagged release அல்லது commit hash-ஐச் சுட்ட வேண்டும். Default branch-க்கான link இன்றைய strategy-யைக் காட்டும்; அது March மாதத்தில் trade செய்த strategy ஆக இருக்க வேண்டிய அவசியமில்லை.
5. Losers உட்பட ஒவ்வொரு position-உம் ஒவ்வொரு account-உம் காட்டப்படுதல். ஐந்து accounts-ல் ஒன்றை மட்டும் வெளியிடுவது selection ஆகும்.
6. Fills நம்பகத்தன்மையுடன் அமையப் போதுமான starting capital. சில நூறு dollars notional இருந்தால், அச்சிடப்பட்ட price-ல் எந்த உண்மையான order-உம் நிரப்ப முடியாத positions-ஐ “வைத்திருக்க” முடியும்.

இந்த அம்சங்களில் ஒன்று இல்லாத record தானாகவே நேர்மையற்றது என்று அர்த்தமில்லை. அது சரிபார்க்க முடியாதது. இது மிகவும் பொதுவானது; வாசகருக்கு அதே அளவு பயனற்றதும் ஆகும்.

Benchmark-ஐ முன்கூட்டியே குறிப்பிட வேண்டியதன் காரணம்

முடிவுகள் கிடைத்த பிறகு தேர்ந்தெடுக்கப்படும் benchmark, finance துறையில் கிடைக்கும் மலிவான edge ஆகும். 2026-ன் அதே ஆறு மாத காலத்தில் ஆறு பரந்த US index funds-ன் price change மட்டும்:

WITH rets AS (
    SELECT ticker,
           round(100 * (toFloat64(argMax(close, window_start))
                        / toFloat64(argMin(close, window_start)) - 1), 2) AS return_pct
    FROM global_markets.delayed_stocks_minute_aggs
    WHERE ticker IN ('SPY', 'QQQ', 'IWM', 'DIA', 'RSP', 'MDY')
      AND toDate(toTimeZone(window_start, 'America/New_York')) >= toDate('2026-01-02')
      AND toDate(toTimeZone(window_start, 'America/New_York')) <= toDate('2026-06-30')
      AND (toHour(toTimeZone(window_start, 'America/New_York')) * 60
           + toMinute(toTimeZone(window_start, 'America/New_York'))) BETWEEN 570 AND 959
    GROUP BY ticker
)
SELECT ticker,
       return_pct,
       round(return_pct - min(return_pct) OVER (), 2) AS points_above_worst
FROM rets
ORDER BY return_pct DESC

IWM 21.12% return வழங்கியது; DIA 8.42% return வழங்கியது. ஒரே காலப்பகுதியில் 6-ன் உயர்ந்த மற்றும் தாழ்ந்த முடிவுகளுக்கு இடையில் 12.7 points வித்தியாசம் இருந்தது. காலப்பகுதி முடிந்த பிறகு எந்த fund-ஐ ஒப்பிடுவது என்று தேர்ந்தெடுப்பது, அந்த முழு வித்தியாசத்திற்குச் சமமான நன்மையை வழங்கும். இதைப் பெற strategy எதுவும் செய்ய வேண்டியதில்லை. இவை dividends-க்கு முன் கணக்கிடப்பட்ட price returns. இதையும் முன்கூட்டியே குறிப்பிட வேண்டும் (மாதாந்திர returns எவ்வாறு அளவிடப்படுகின்றன என்பதில் total-return arithmetic விளக்கப்பட்டுள்ளது).

Entry timestamp ஏன் முழு claim-ஆகிறது?

Move நடந்த பிறகு தோன்றும் entry, chart-ன் விளக்கம் மட்டுமே. ஒரே session-க்குள் market கடக்கும் distance போதுமான அளவு பெரியது. எனவே “09:35-க்கு வெளியிடப்பட்டது” என்பதற்கும் “15:55-க்கு வெளியிடப்பட்டது” என்பதற்கும் உள்ள வேறுபாடு, பெரும்பாலான claimed edges-ஐ விடப் பெரியதாக இருக்கலாம். 2026-ன் முதல் பாதியில் ஒவ்வொரு session-ன் முதல் print-இலிருந்து அளவிடப்பட்ட அந்த distance இதோ:

WITH minute_px AS (
    SELECT toDate(toTimeZone(window_start, 'America/New_York')) AS session_date,
           toTimeZone(window_start, 'America/New_York') AS et,
           toFloat64(close) AS px
    FROM global_markets.delayed_stocks_minute_aggs
    WHERE ticker = 'SPY'
      AND toDate(toTimeZone(window_start, 'America/New_York')) >= toDate('2026-01-02')
      AND toDate(toTimeZone(window_start, 'America/New_York')) <= toDate('2026-06-30')
      AND (toHour(toTimeZone(window_start, 'America/New_York')) * 60
           + toMinute(toTimeZone(window_start, 'America/New_York'))) BETWEEN 570 AND 959
),
opens AS (
    SELECT session_date, argMin(px, et) AS open_px
    FROM minute_px
    GROUP BY session_date
),
buckets AS (
    SELECT session_date,
           toStartOfInterval(et, INTERVAL 30 MINUTE) AS bucket,
           argMax(px, et) AS bucket_px
    FROM minute_px
    GROUP BY session_date, bucket
)
SELECT formatDateTime(b.bucket, '%H:%i') AS et_time,
       count() AS session_count,
       round(quantileDeterministic(0.5)(abs(100 * (b.bucket_px / o.open_px - 1)),
                                        cityHash64(b.session_date)), 3) AS median_abs_move_pct
FROM buckets AS b
INNER JOIN opens AS o ON b.session_date = o.session_date
GROUP BY et_time
ORDER BY et_time

09:30 ET bucket-ல் median session, opening print-இலிருந்து 0.216% தொலைவில் முடிந்தது. 15:30 bucket-ல் median distance 0.415% ஆக இருந்தது. Open நேரத்தில் agent அறிந்த தகவல், அந்த நகர்வின் பெரும்பகுதியை முன்னரே அறிந்ததாக இருக்க முடியாது. Commit history அல்லது தேதி குறிப்பிடப்பட்ட public feed, தகவல் வெளியிடப்பட்ட வரிசைக்கான ஆதாரத்தை வழங்கும் (AI daily market research reports இதே அம்சத்தின் அடிப்படையில் வெற்றி பெறுகின்றன அல்லது தோல்வியடைகின்றன). Equity curve-ன் screenshot இதற்கான ஆதாரம் எதையும் வழங்காது.

Numbers-க்குள் என்ன இருக்க வேண்டும்?

Gross returns என்பது யாராலும் உண்மையில் வைத்திருக்க முடியாத portfolio-ஐ விவரிக்கின்றன. ஒவ்வொரு entry மற்றும் exit-லும் bid-ask spread கடக்கப்படுகிறது. இது வாங்குவதற்கான சிறந்த price மற்றும் விற்பதற்கான சிறந்த price ஆகியவற்றுக்கிடையிலான வித்தியாசம். அந்த வித்தியாசம் ஒவ்வொரு name-லும் ஒரே மாதிரி இருக்காது:

SELECT ticker,
       round(quantileDeterministic(0.5)(20000 * (toFloat64(ask_price) - toFloat64(bid_price))
                                        / (toFloat64(ask_price) + toFloat64(bid_price)),
                                        cityHash64(sip_timestamp)), 2) AS median_spread_bps,
       round(25000 * quantileDeterministic(0.5)(2 * (toFloat64(ask_price) - toFloat64(bid_price))
                                                / (toFloat64(ask_price) + toFloat64(bid_price)),
                                                cityHash64(sip_timestamp)), 2) AS round_trip_cost_per_25k_usd
FROM global_markets.cache_stocks_quotes
WHERE ticker IN ('SPY', 'AAPL', 'MSFT', 'NVDA', 'KO', 'MSTR')
  AND sip_timestamp >= toDateTime('2026-07-15 15:00:00')
  AND sip_timestamp < toDateTime('2026-07-15 16:00:00')
  AND bid_price > 1
  AND ask_price > bid_price
GROUP BY ticker
ORDER BY median_spread_bps DESC

அந்த ஒரு midday hour-ல், MSTR-க்கு எதிராக median quoted spread 10.08 basis points ஆக இருந்தது; SPY-க்கு எதிராக அது 0.27 ஆக இருந்தது. ஒரு basis point என்பது percentage point-ன் நூறில் ஒரு பங்கு. $25,000 position-ல் அந்த spread-ஐ இரு திசைகளிலும் ஒருமுறை கடக்க, இந்தப் பட்டியலில் wide end-ல் $25.2 செலவாகும்; tight end-ல் $0.66 செலவாகும். இதில் commissions சேர்க்கப்படவில்லை. வாரத்திற்கு ஒருமுறை முழுமையாக turnover ஆகும் book, ஆண்டுக்கு சுமார் ஐம்பது முறை இந்தச் செலவைச் செலுத்தும். இதைத் தவிர்க்கும் record, அந்த dollars-ஐ அமைதியாகத் தன்னுடைய வருமானமாகக் கணக்கிடுகிறது (ஒரு stock-ஐ trade செய்வதற்கான செலவு மீதமுள்ள செலவுகளை விளக்குகிறது).

Live results அர்த்தமுள்ளதாக மாறுவதற்கு எவ்வளவு காலம் தேவை?

ஒரு quarter அளவிலான live trading, பரந்த distribution-இலிருந்து எடுக்கப்பட்ட ஒரு draw மட்டுமே. அதன் width-ஐ அளவிட முடியும். 2015 ஜனவரி முதல் SPY-க்கான குறிப்பிட்ட நீளமுள்ள ஒவ்வொரு overlapping window-உம் percentile-களாக வரிசைப்படுத்தப்பட்டுள்ளது. SPY, S&P 500-ஐ track செய்யும் மிகப்பெரிய fund ஆகும்:

WITH daily AS (
    SELECT toDate(toTimeZone(window_start, 'America/New_York')) AS session_date,
           toFloat64(argMax(close, window_start)) AS close_px
    FROM global_markets.delayed_stocks_minute_aggs
    WHERE ticker = 'SPY'
      AND toDate(toTimeZone(window_start, 'America/New_York')) >= toDate('2015-01-02')
      AND toDate(toTimeZone(window_start, 'America/New_York')) <= toDate('2026-06-30')
      AND (toHour(toTimeZone(window_start, 'America/New_York')) * 60
           + toMinute(toTimeZone(window_start, 'America/New_York'))) BETWEEN 570 AND 959
    GROUP BY session_date
),
series AS (
    SELECT groupArray(close_px) AS px
    FROM (SELECT close_px FROM daily ORDER BY session_date)
),
horizons AS (
    SELECT arrayJoin([21, 63, 126, 252]) AS sessions, px
    FROM series
),
windows AS (
    SELECT sessions,
           arrayJoin(arrayMap(i -> (i, 100 * (px[i + sessions] / px[i] - 1)),
                              range(1, length(px) - sessions + 1))) AS w
    FROM horizons
),
measured AS (
    SELECT sessions,
           w.1 AS window_index,
           w.2 AS window_return_pct
    FROM windows
)
SELECT multiIf(sessions = 21, '1 month',
               sessions = 63, '3 months',
               sessions = 126, '6 months',
               '12 months') AS holding_period,
       count() AS window_count,
       round(quantileDeterministic(0.05)(window_return_pct,
                                         cityHash64(window_index * 1000 + sessions)), 1) AS p05_return_pct,
       round(quantileDeterministic(0.50)(window_return_pct,
                                         cityHash64(window_index * 1000 + sessions)), 1) AS median_return_pct,
       round(quantileDeterministic(0.95)(window_return_pct,
                                         cityHash64(window_index * 1000 + sessions)), 1) AS p95_return_pct,
       round(quantileDeterministic(0.95)(window_return_pct,
                                         cityHash64(window_index * 1000 + sessions))
             - quantileDeterministic(0.05)(window_return_pct,
                                           cityHash64(window_index * 1000 + sessions)), 1) AS spread_pct,
       round(stddevSamp(window_return_pct), 1) AS stdev_pct
FROM measured
GROUP BY sessions
ORDER BY sessions

2826 overlapping three-month windows-ல், எதையும் செய்யாமல் வைத்திருந்ததன் median outcome 3.9% ஆக இருந்தது. 5th percentile -8.8% ஆகவும், 95th percentile 12.2% ஆகவும் இருந்தன. இதனால் band width 21.1 points ஆகும். அந்த band-க்குள் வரும் எந்த ஒரு quarterly result-உம் index-ஐ வைத்துக்கொண்டு விடுமுறைக்கு சென்றதுடன் ஒத்துப்போகிறது. இருபது agents-ஐத் தொடங்கி, அவற்றை ஒரு quarter இயக்கி, சிறந்த ஒன்றை வெளியிட்டால், காட்டப்படும் number அந்த band-ன் மேற்பகுதியிலிருந்து வருவது இயல்பானது.

Sample length-ன் arithmetic கடுமையானது. அதே series-ல் twelve-month outcomes-ன் standard deviation 13.6 points ஆகும். உண்மையான edge-ஐ noise-இலிருந்து பிரிக்க, சுமார் (2 × variation ÷ edge)² ஆண்டுகள் live results தேவை. இந்த variation அளவில், ஆண்டுக்கு 3-point edge எனக் கருதினால் பல தசாப்தங்கள் தேவைப்படும். 10-point edge-க்கும் months அல்ல, years தேவை. மேலே உள்ள windows ஒன்றுடன் ஒன்று overlap ஆகின்றன. எனவே 2826 என்பது windows-ன் எண்ணிக்கை; independent samples-ன் எண்ணிக்கை அல்ல.

$25,000 உண்மையான money இதைத் தீர்மானிக்குமா?

உண்மையான money, ஒரு குறிப்பிட்ட விதத்தில் evidence-ஐ மேம்படுத்துகிறது. Paper trading-ல் எந்த counterparty-யும் ஏற்றுக்கொள்ளாத prices-ல் fills நடக்கின்றன; order reject செய்யப்படுவதும் இல்லை. $25,000 கொண்ட funded account, live quotes-க்கு எதிராக fill ஆகிறது; real commissions செலுத்துகிறது; third party audit செய்யக்கூடிய statements உருவாகின்றன. Position sizes போதுமானதாக இருப்பதால் fills கற்பனையானவை அல்ல; வழக்கமான market fills ஆகும்.

ஆனால் sample problem மாறாது. நான்கு மாதங்களுக்கு trade செய்யப்பட்ட $25,000, மேலே உள்ள distribution-இலிருந்து எடுக்கப்பட்ட ஒரு draw மட்டுமே. Drawdown-க்குப் பிறகு live account-ஐ மூடி, record-ஐ fresh start-ஆக மீண்டும் தொடங்கவும் முடியும். Size fills-ஐ நம்பகமானதாக்குகிறது. Results-ஐ தகவலளிப்பதாக மாற்றுவது time மட்டுமே.

அடையாளம் காண வேண்டிய நான்கு failure modes

• Track record போலத் தோன்றும் backtest. கடந்த data-விலான simulated results, கடந்தகாலத்தைப் பற்றிய hypotheses மட்டுமே. Look-ahead bias மூலம் strategy-க்கு அந்த நேரத்தில் கிடைக்க முடியாத information simulation-க்குள் எப்படி சேர்கிறது என்பதை அறியலாம். Code எழுதப்படுவதற்கு பல ஆண்டுகளுக்கு முன்பே தொடங்கும் equity curve இதற்கான தெளிவான அறிகுறியாகும்.
• மேடையில் இருக்கும் survivor மட்டும். பத்து agents தொடங்கப்பட்டு, ஒன்றே வெளியிடப்படுகிறது. Multi-agent AI trading systems இதைத் தவறுதலாகச் செய்வதை எளிதாக்குகின்றன. பத்து variants-ஐ இயக்கும் framework, எழுதத் தகுந்ததாகத் தோன்றும் ஒன்றையும் தேர்ந்தெடுக்கிறது.
• Restart. Drawdown, pause, புதிய account, restart date-ல் தொடங்கும் curve. இதைத் தீர்மானிக்கும் கேள்வி: முதல் account-ன் முதல் dollar முதல் equity curve-ஐ காட்ட முடியுமா?
• மாற்றி எழுதப்பட்ட runbook. Trade நடந்ததற்கும் writeup வெளியானதற்கும் இடையில் prompts மற்றும் position limits திருத்தப்பட்டிருக்கலாம். LLM-generated alpha factors ஆயிரக்கணக்கில் உருவாக்கப்படலாம். எனவே selection rule, selection நடப்பதற்கு முன்பே வெளியிடப்பட வேண்டும். இல்லையெனில் record, எந்த factors தற்செயலாகச் செயல்பட்டன என்பதைப் பற்றிய கதையாக மாறும்.

FAQ

AI trading track record-ஐ சரிபார்க்க முடியுமா?

முடியும். Entries-ன் outcomes தெரியுமுன் அவை வெளியிடப்பட்டிருக்க வேண்டும். Benchmark முன்கூட்டியே நிர்ணயிக்கப்பட்டிருக்க வேண்டும். Costs numbers-க்குள் சேர்க்கப்பட்டிருக்க வேண்டும். ஒவ்வொரு account-உம் காட்டப்பட வேண்டும். இந்தச் சரிபார்ப்பு mechanical முறையில் சில நிமிடங்களில் முடியும். வெளியிடப்பட்ட records-ல் பெரும்பாலானவை முதல் அம்சத்திலேயே தோல்வியடைகின்றன.

Live AI trading record எவ்வளவு காலம் இயங்க வேண்டும்?

வெளியிடப்பட்ட records-ல் பெரும்பாலானவற்றை விட நீண்ட காலம் இயங்க வேண்டும். இங்கு அளவிடப்பட்ட windows-ல் index-ன் twelve-month outcomes standard deviation 13.6 points ஆக இருந்தது. எனவே modest edge-ஐ luck-இலிருந்து conventional confidence அளவில் பிரிக்க குறைந்தது பல ஆண்டுகள் தேவைப்படும்; சிறிய edge-க்கு பல தசாப்தங்களும் தேவைப்படலாம்.

AI portfolio-ன் results-ஐ meaningful ஆக்க $25,000 போதுமா?

Fills-ஐ உண்மையானதாக ஆக்க இது போதுமானது: live quotes, real commissions, audit செய்யக்கூடிய statements. ஆனால் சில மாதங்களின் results-ஐ statistical முறையில் meaningful ஆக்க இது போதாது. அது account size-ஐப் பற்றிய கேள்வி அல்ல; கடந்துசெல்லும் time-ஐப் பற்றிய கேள்வி.

Backtest மற்றும் track record இடையிலான வேறுபாடு என்ன?

Backtest என்பது ஏற்கனவே இருக்கும் data-க்கு rules-ஐப் பயன்படுத்துகிறது. Track record என்பது outcomes உருவாகும் முன் வெளியிடப்பட்ட decisions-ன் தொடராகும். அடுத்ததாக நடப்பவை மூலம் falsify செய்யக்கூடியது இரண்டாவது மட்டுமே. அதுவே அதை evidence-ஆக மாற்றுகிறது.

Benchmark தேர்வு ஏன் இவ்வளவு முக்கியம்?

2026-ன் முதல் பாதியில், மேலே குறிப்பிடப்பட்ட ஆறு index funds price மட்டும் கணக்கிட்டபோது 12.7 points வித்தியாசத்தில் முடிந்தன. காலப்பகுதி முடிந்த பிறகு தேர்ந்தெடுக்கப்படும் benchmark, strategy எதுவும் பங்களிக்காமல் அந்த முழு margin-ஐ வழங்கக்கூடும்.

இந்தப் பக்கத்தில் உள்ள ஒவ்வொரு எண்ணும் market data மீது இயக்கப்பட்ட stored query-யிலிருந்து பெறப்பட்டது. ஒவ்வொரு panel-ன் கீழும் SQL உள்ளது. அதே windows-ஐ உங்கள் சொந்த dates-க்கு Strasmore terminal-ல் பயன்படுத்திப் பாருங்கள்.