Pertimbangan lanjutan untuk Break-Even Win Rate (BEWR) dalam trading dan pengujian

Jawaban langsung: apa arti “break-even win rate”

Break-even win rate (BEWR) adalah probabilitas menang yang dibutuhkan sebuah sistem agar hasil rata-ratanya menjadi nol, setelah memperhitungkan biaya, berdasarkan definisi spesifik tentang apa yang dianggap sebagai menang atau kalah. Dengan kata lain, BEWR menghubungkan tiga komponen yang bergerak: (1) seberapa besar biasanya Anda hasilkan saat menang, (2) seberapa besar biasanya Anda rugi saat kalah, dan (3) berapa biaya yang biasanya Anda keluarkan per trade (misalnya, biaya transaksi dan efek eksekusi).

Karena BEWR adalah ambang batas yang digerakkan oleh asumsi, ia bukan konstanta universal. Jika struktur payoff, model biaya, atau definisi hasil trade Anda berubah, break-even win rate juga ikut berubah.

Mekanisme: model sederhana di balik BEWR

Titik awal yang umum adalah model dua-hasil yang disederhanakan.

Definisikan angka payoff

Asumsikan setiap trade menghasilkan salah satu dari:

• Menang dengan payoff +W (net dari biaya apa pun yang termasuk dalam definisi menang).
• Kalah dengan payoff −L (net dari biaya apa pun yang termasuk dalam definisi kalah).

Asumsikan menang terjadi dengan probabilitas p, dan kalah terjadi dengan probabilitas (1 − p).

Nilai ekspektasi sama dengan nol pada titik impas

Nilai ekspektasi per trade adalah:

• EV = p·W + (1 − p)·(−L)
• EV = p·W − (1 − p)·L

Tetapkan EV = 0 dan selesaikan untuk p:

• p = L / (W + L)

p ini adalah break-even win rate berdasarkan asumsi model.

Ubah “rasio risk/reward” menjadi BEWR

Jika Anda menyatakan besaran menang dan kalah yang khas relatif terhadap kerugian, misalnya dengan membiarkan W = R·L di mana R adalah “rasio payoff menang-ke-kalah,” maka:

• BEWR = 1 / (R + 1)

Jadi rasio payoff yang lebih tinggi (kemenangan lebih besar relatif terhadap kerugian) menurunkan ambang BEWR; kerugian yang lebih besar relatif terhadap kemenangan menaikkannya.

Apa arti “menang” dan “kalah” yang harus dipenuhi

BEWR sensitif terhadap definisi operasional Anda:

• Jika Anda mendefinisikan menang sebagai mencapai target sebelum stop, maka W dan L bergantung pada geometri target/stop.
• Jika Anda mendefinisikan menang berdasarkan penutupan akhir hari, exit trailing, pengisian parsial, atau exit berbasis waktu, W dan L dapat bervariasi secara luas.

Dalam pengujian praktis, definisi menang/kalah sering kali menjadi pendorong tersembunyi dari perubahan BEWR.

Bukti atau contoh: mengapa BEWR bisa terlihat stabil namun gagal dalam kenyataan

Berikut adalah situasi umum di mana perhitungan BEWR tampak sederhana tetapi menjadi tidak andal karena distribusi hasil yang sebenarnya tidak cocok dengan model yang disederhanakan.

Contoh (dengan asumsi eksplisit)

Misalkan sebuah pengujian menggunakan struktur target/stop yang tetap dan mengasumsikan hasil net yang konstan:

• Besaran payoff menang (net): W
• Besaran payoff kalah (net): L

Berdasarkan asumsi tersebut, BEWR adalah L/(W+L).

Sekarang ubah hanya satu elemen: biaya.

• Jika spread, komisi, atau slippage eksekusi lebih besar pada pemenang daripada pada pecundang (atau hanya lebih besar dari yang Anda sertakan), maka net W dan/atau net L berubah.
• Jika Anda secara keliru menghitung BEWR menggunakan nilai sebelum biaya, BEWR sebenarnya yang dibutuhkan untuk ekspektasi nol akan lebih tinggi.

Ini menggambarkan dependensi utama: BEWR harus dihitung menggunakan angka hasil “net” yang sama dengan yang benar-benar dihasilkan oleh backtest atau model eksekusi Anda.

Kasus tepi: distribusi payoff asimetris

Model dua-hasil mengasumsikan besaran tetap untuk kemenangan dan besaran tetap untuk kerugian. Banyak sistem trading melanggar asumsi ini.

• Pemenang mungkin mengelompok di dekat profit kecil sementara kemenangan besar yang sesekali terjadi jarang.
• Kerugian mungkin menunjukkan ekor gemuk (kerugian ekstrem yang jarang terjadi).

Bahkan jika besaran rata-rata menang dan kalah tampak cocok, waktu, ketergantungan jalur, dan perilaku ekor dapat mengubah ekspektasi yang terealisasi setelah biaya dan kendala eksekusi diterapkan.

Kasus tepi: exit “impas” dan hasil parsial

Dalam beberapa sistem, sebuah trade mungkin keluar pada kondisi netral atau mendekati netral, atau exit mungkin parsial. Maka Anda secara efektif memperkenalkan hasil ketiga (atau payoff pecahan). Jika Anda masih memaksakan hasil hanya menjadi “menang” vs “kalah,” ambang BEWR menjadi salah spesifikasi.

Kasus tepi: kondisi non-stasioner

BEWR adalah rumus untuk ambang batas di bawah model probabilitas tertentu. Jika probabilitas menang/kalah berubah seiring waktu karena perubahan rezim pasar (likuiditas, volatilitas, risiko peristiwa), maka tingkat kemenangan yang diamati mungkin tidak lagi sesuai dengan ambang impas yang dihitung.

Keterbatasan dan risiko: apa yang dapat membatalkan BEWR

1) Biaya dan efek eksekusi sulit dimodelkan secara konsisten

BEWR hanya seakurat input payoff net. Detail eksekusi seperti slippage, antrian, pengisian parsial, dan waktu dapat secara sistematis mengubah W dan L yang terealisasi.

Mode kegagalan: menghitung BEWR dari satu set asumsi biaya (misalnya, pengisian ideal) dan kemudian menerapkannya pada realitas eksekusi yang berbeda.

2) Tingkat kemenangan saja bisa menyesatkan

Banyak orang fokus pada tingkat kemenangan karena mudah dihitung. Tetapi ekspektasi bergantung pada tingkat kemenangan dan besaran menang/kalah.

• Sebuah strategi dapat memiliki tingkat kemenangan tinggi tetapi kemenangan kecil dan kerugian besar yang sesekali terjadi.
• Strategi juga dapat memiliki tingkat kemenangan rendah tetapi kemenangan besar yang mengimbangi kerugian kecil yang lebih sering.

Jadi BEWR harus diperlakukan sebagai hubungan antara probabilitas menang dan struktur payoff, bukan sebagai “target” yang berdiri sendiri.

3) Overfitting definisi hasil

Jika Anda menyetel klasifikasi menang/kalah, ukuran target, atau logika stop untuk membuat BEWR terlihat menguntungkan pada data masa lalu, Anda dapat secara tidak sengaja mengkodekan pengaturan pengujian daripada proses yang mendasarinya.

Mode kegagalan: “menang” dan “kalah” di backtest tidak terulang dalam eksekusi langsung karena logika exit atau model biaya berbeda.

4) Efek ukuran sampel dan rezim

Estimasi probabilitas menang tidak pasti, terutama dengan ukuran sampel yang terbatas.

• Sampel kecil dapat membuat tingkat kemenangan yang diamati menjadi volatil.
• Perubahan rezim dapat membatalkan asumsi bahwa probabilitas yang sama berlaku ke depan.

Dalam kasus seperti itu, BEWR masih dapat dihitung, tetapi membandingkannya dengan tingkat kemenangan yang diamati yang berisik tidak menjawab secara andal apakah sistem memiliki ekspektasi nol di luar sampel.

Verifikasi dan pertanyaan lanjutan: cara memeriksa BEWR secara independen

Untuk memverifikasi BEWR dengan cara yang dapat diperiksa secara independen, jaga proses tetap konsisten:

1. Gunakan definisi hasil net. Hitung W dan L sebagai payoff net yang terealisasi yang konsisten dengan model biaya dan asumsi eksekusi Anda. 2) Cocokkan klasifikasi menang/kalah. Pastikan bahwa peristiwa yang sama yang dihitung sebagai menang dan kalah dalam input BEWR adalah persis apa yang akan Anda hitung dalam evaluasi. 3) Hitung BEWR dari input yang cocok. Gunakan hubungan sederhana p = L/(W+L) hanya jika model hasil Anda benar-benar bernilai dua (atau perluas jika Anda memiliki beberapa hasil).