Bagaimana Average Win Loss dapat di-backtest secara bertanggung jawab?
Definisikan Average Win Loss sebagai konsep yang terukur
Average Win Loss adalah cara untuk merangkum seberapa besar “kemenangan” cenderung dibandingkan dengan seberapa besar “kerugian” cenderung, menggunakan hasil trade historis. Dalam backtesting yang bertanggung jawab, Anda terlebih dahulu mendefinisikan kuantitas pasti yang akan diukur, karena “menang” dan “kalah” dapat dihitung dengan berbagai cara.
Struktur yang umum adalah:
- Pilih aturan yang konsisten untuk apa yang dianggap sebagai hasil trade (misalnya, laba/rugi akhir dari setiap trade yang diselesaikan).
- Ubah hasil ke dalam unit yang sebanding (seperti P&L dalam mata uang akun, atau istilah pergerakan harga).
- Definisikan “trade menang” sebagai trade dengan hasil positif dan “trade kalah” sebagai trade dengan hasil negatif (atau gunakan nilai absolut, tetapi nyatakan dengan jelas).
- Hitung rata-ratanya: ukuran rata-rata kemenangan (average win) dan ukuran rata-rata kerugian (average loss).
Jika Anda menggunakan rasio (misalnya, average win dibagi average loss), definisikan konvensi tanda. Banyak kesalahan dalam backtesting berasal dari mencampur rata-rata bertanda dengan rata-rata absolut.
Mekanisme: input, asumsi, dan peran biaya
Backtest Average Win Loss yang cermat bergantung pada model data yang Anda pilih. Minimal, Anda memerlukan:
- Daftar catatan trade yang diurutkan berdasarkan waktu (waktu entry/exit dan hasil terealisasi yang dihasilkan).
- Aturan untuk menangani kasus tepi (penutupan parsial, trade impas, pembatalan, dan trade yang tidak selesai).
- Asumsi eksplisit untuk realisme eksekusi.
Prinsip “costs-features” yang utama adalah: hasil historis Anda harus didasarkan pada asumsi ekonomi yang sama dengan yang ingin Anda evaluasi. Biaya dan friksi mencakup hal-hal seperti spread, komisi, dan slippage. Bahkan jika Anda tidak mengetahui biaya masa depan yang pasti, Anda tetap dapat melakukan pengujian yang bertanggung jawab dengan:
- Menyimpan setiap asumsi yang digunakan untuk mengubah pergerakan harga menjadi P&L trade.
- Menjalankan pemeriksaan sensitivitas (misalnya, memvariasikan asumsi slippage atau tingkat biaya dalam rentang yang masuk akal) untuk melihat apakah kesimpulan bergantung pada satu pengaturan yang optimis.
Bukti dan contoh perhitungan (dengan asumsi)
Misalkan Anda memiliki kumpulan data trade yang diselesaikan. Anda memutuskan:
- Kemenangan adalah trade dengan P&L terealisasi > 0.
- Kerugian adalah trade dengan P&L terealisasi < 0.
- Anda menggunakan rata-rata P&L terealisasi untuk setiap kelompok.
- Trade impas dikeluarkan dari kedua rata-rata (atau dimasukkan sebagai nol—nyatakan mana yang Anda pilih).
Contoh (hanya ilustratif):
- Average win = (jumlah nilai P&L positif) / (jumlah trade menang).
- Average loss = (jumlah nilai P&L negatif) / (jumlah trade kalah). Jika nanti Anda mengambil “rata-rata kerugian absolut,” Anda menggunakan besaran nilainya.
Untuk memverifikasi backtest, hitung ulang nilai-nilai ini secara langsung dari daftar P&L trade yang tersimpan. Jika rata-rata yang Anda hitung tidak cocok, masalahnya ada pada definisi atau penanganan data, bukan kinerja pasar.
Keterbatasan dan mode kegagalan yang harus Anda uji
Average Win Loss bersifat deskriptif, bukan prediktif. Backtesting yang bertanggung jawab memperlakukannya sebagai ringkasan historis yang stabilitasnya dapat gagal ketika kondisi pasar, kualitas eksekusi, atau waktu pengambilan keputusan berubah.
Setidaknya satu keterbatasan material sangat penting:
- Pergeseran rezim: Sebuah strategi dapat menunjukkan hubungan tertentu antara rata-rata kemenangan dan kerugian di satu lingkungan pasar, lalu berubah di kemudian hari.
- Ketidakcocokan biaya: Jika hasil historis mengabaikan spread/komisi atau meremehkan slippage, perbandingan “average win” dan “average loss” dapat terdistorsi.
- Bias seleksi dan survivorship: Jika kumpulan data hanya berisi trade yang “selamat” dari proses tinjauan, atau jika Anda secara tidak sengaja menyaring hasil dengan cara yang berkorelasi dengan profitabilitas, rata-rata dapat menjadi bias.
- Overfitting pada definisi: Mencoba banyak varian tentang apa yang dianggap menang/kalah, waktu yang Anda gunakan untuk entry/exit, atau bagaimana Anda mengukur hasil dapat menghasilkan rasa ketahanan yang salah.
Kontrol bias dan pemeriksaan out-of-sample
Untuk mengurangi risiko ini, gunakan prosedur yang menguji apakah hubungan yang diukur dapat digeneralisasi:
- Definisi yang konsisten sepanjang waktu: Gunakan aturan menang/kalah yang sama, penanganan impas, dan perhitungan P&L di semua periode.
- Pemisahan berbasis waktu: Perkirakan pendekatan pengukuran Anda pada periode awal dan evaluasi pada periode selanjutnya yang tidak digunakan untuk menyempurnakan definisi.
- Pelaporan out-of-sample: Bandingkan average win dan average loss (dan rasio apa pun) antara in-sample dan out-of-sample.
- Analisis sensitivitas: Hitung ulang metrik di bawah asumsi biaya/eksekusi yang berbeda dan masuk akal untuk memeriksa apakah kesimpulan bergantung pada satu skenario optimis.