Selection bias

Detto anche: bias di selezione, campionamento distorto

Cosa rende un campione non rappresentativo?

Un campione non è rappresentativo quando l'appartenenza al campione è correlata all'esito che si sta misurando, cosa che nel backtesting avviene in tre modi:

• Strumenti scelti col senno di poi. Sai già quali nomi sono andati bene nel periodo, e sono proprio quelli nel test. La conoscenza che ha formato il campione non era disponibile all'inizio del periodo testato.
• Periodi scelti col senno di poi. Il test copre un tratto di storia di mercato adatto allo stile della strategia, scelto perché le era adatto. Una regola trend following testata solo su un lungo trend ininterrotto è un campione di un unico regime favorevole. Scegliere quel tratto e poi leggerne il risultato come conferma dell'idea è il punto in cui il selection bias sfuma nel confirmation bias.
• Campione troppo piccolo. Una manciata di strumenti o un paio d'anni non bastano a distinguere un effetto duraturo dal rumore, quindi il risultato è dominato dalle poche posizioni che hanno dominato per caso.

Il sintomo più chiaro è che la conclusione non sopravvive a un cambio di campione: applica le stesse regole a un elenco più ampio di strumenti, o a un arco di anni diverso, e l'effetto scompare.

Esempio pratico: scegliere a mano gli asset che hanno funzionato

Immagina una strategia testata su cinque strumenti. Nel 2026 sai che quei cinque sono stati fra i più forti del decennio precedente, e li hai scelti per questo. Il backtest riporta un rendimento elevato — ma quel rendimento è una proprietà dei cinque nomi, non delle regole, e le stesse regole applicate a cinque nomi scelti senza senno di poi avrebbero prodotto qualcosa di ordinario. Il test non può dirti quale delle due cose ha misurato, perché ha visto soltanto il campione favorevole. Applicare le regole identiche a un universo ampio invece che ai cinque separa le due domande: se l'effetto tiene su centinaia di nomi è almeno una proprietà delle regole, e se crolla era una proprietà dei cinque.

Cosa fa Fincanva contro il selection bias?

Fincanva permette a una strategia di attingere a un universo ampio ristretto da filtri espliciti, invece che a un elenco di nomi digitato a mano, e permette a un backtest di partire da un anno di inizio simulazione remoto, attraversando molti regimi di mercato. La vista sensibilità alla data di inizio riesegue la stessa strategia su molte date di ingresso e su diverse finestre di detenzione, e mostra direttamente se un risultato dipendeva da un unico punto di partenza favorevole.

Niente di tutto questo sceglie il campione al posto tuo. Un universo che restringi fino agli strumenti che sai già aver funzionato, o un anno di inizio che hai spostato perché gli anni precedenti sembravano brutti, porta con sé il selection bias qualunque cosa faccia lo strumento. Vedi I nove bias che Fincanva ti aiuta a evitare per il comportamento del prodotto nel contesto.

In cosa differisce il selection bias dal survivorship bias e dal cherry-picking?

I tre bias si attaccano a tre fasi diverse, e ciascuno può presentarsi senza gli altri:

Letti insieme: il survivorship bias significa che i perdenti non erano mai nell'elenco; il selection bias significa che hai scelto il campione che ti conveniva; il cherry-picking significa che hai eseguito il test completo e poi hai citato solo la parte buona.

I backtest mostrano cosa sarebbe successo — non cosa succederà. Fincanva non fornisce consulenza finanziaria — vedi È una consulenza finanziaria?.