Definisikan Average Win Loss sebagai konsep yang dapat diukur
Average Win Loss adalah cara untuk merangkum seberapa besar “kemenangan” cenderung dibandingkan dengan seberapa besar “kekalahan” cenderung, dengan menggunakan outcome trade historis. Dalam backtesting yang bertanggung jawab, Anda pertama-tama mendefinisikan kuantitas yang tepat yang akan Anda ukur, karena “win” dan “loss” dapat dihitung dalam beberapa cara.
Struktur yang umum adalah:
- Pilih aturan yang konsisten untuk apa yang dihitung sebagai outcome trade (misalnya, profit/loss akhir dari setiap trade yang selesai).
- Konversi outcome menjadi unit yang dapat dibandingkan (seperti P&L mata uang akun, atau istilah pergerakan harga).
- Definisikan “trade win” sebagai trade dengan outcome positif dan “trade loss” sebagai trade dengan outcome negatif (atau gunakan nilai absolut, tetapi kemudian nyatakan dengan jelas).
- Hitung rata-ratanya: ukuran win rata-rata (average win) dan ukuran loss rata-rata (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 (signed) 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 perlu:
- Daftar catatan trade yang diurutkan berdasarkan waktu (waktu entry/exit dan outcome yang direalisasikan).
- Aturan untuk menangani edge case (partial closes, trade break-even, pembatalan, dan trade yang tidak selesai).
- Asumsi eksplisit untuk realisme eksekusi.
Prinsip kunci “costs-features” adalah: outcome historis Anda harus didasarkan pada asumsi ekonomi yang sama yang ingin Anda evaluasi. Biaya dan friksi mencakup hal-hal seperti spread, komisi, dan slippage. Bahkan jika Anda tidak mengetahui biaya masa depan secara tepat, Anda tetap bisa melakukan pengujian yang bertanggung jawab dengan:
- Menyimpan setiap asumsi yang digunakan untuk mengonversi pergerakan harga menjadi P&L trade.
- Menjalankan uji sensitivitas (misalnya, mengubah slippage atau level biaya yang diasumsikan dalam rentang yang masuk akal) untuk melihat apakah kesimpulannya bergantung pada satu pengaturan yang terlalu optimistis.
Bukti dan contoh perhitungan (dengan asumsi)
Misalkan Anda memiliki dataset trade yang sudah selesai. Anda memutuskan:
- Wins adalah trade yang P&L yang direalisasikan > 0.
- Losses adalah trade yang P&L yang direalisasikan < 0.
- Anda menggunakan rata-rata (mean) P&L yang direalisasikan untuk setiap kelompok.
- Trade break-even dikecualikan dari kedua rata-rata (atau dimasukkan sebagai nol—nyatakan yang mana).
Contoh (hanya ilustratif):
- Average win = (jumlah nilai P&L positif) / (jumlah trade win).
- Average loss = (jumlah nilai P&L negatif) / (jumlah trade loss). Jika nanti Anda mengambil “absolute average loss,” Anda menggunakan besarnya.
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 adalah definisi atau penanganan data, bukan performa 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 bisa gagal ketika kondisi pasar, kualitas eksekusi, atau timing keputusan berubah.
Setidaknya satu keterbatasan material itu penting:
- Pergeseran rezim (regime shift): Sebuah strategi bisa menunjukkan hubungan tertentu antara average wins dan losses di satu lingkungan pasar, lalu berubah kemudian.
- Mismatch biaya: Jika hasil historis mengabaikan spread/komisi atau meremehkan slippage, perbandingan “average win” dan “average loss” bisa menjadi terdistorsi.
- Bias seleksi dan survivorship: Jika dataset hanya berisi trade yang “lolos” proses peninjauan, atau jika Anda secara tidak sengaja memfilter outcome dengan cara yang berkorelasi dengan profitabilitas, rata-rata bisa menjadi bias.
- Overfitting pada definisi: Mencoba banyak variasi tentang apa yang dihitung sebagai win/loss, timing yang Anda gunakan untuk entry/exit, atau cara Anda mengukur outcome dapat menghasilkan rasa ketahanan (robustness) yang semu.
Kontrol bias dan pemeriksaan out-of-sample
Untuk mengurangi risiko ini, gunakan prosedur yang menguji apakah hubungan yang terukur dapat digeneralisasi:
- Definisi yang konsisten lintas waktu: Gunakan aturan win/loss yang sama, penanganan break-even yang sama, dan komputasi P&L yang sama di semua periode.
- Pembagian berbasis waktu: Estimasikan pendekatan pengukuran Anda pada periode yang lebih awal dan evaluasi pada periode yang lebih akhir 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 dengan asumsi biaya/eksekusi yang berbeda namun masuk akal untuk memeriksa apakah kesimpulan bergantung pada satu skenario yang optimistis.
DOCUMENT END