Definisi dan apa yang sebenarnya diukur oleh metrik ini
Average Win Loss adalah ringkasan kinerja yang membandingkan besarnya kemenangan yang “khas” dengan besarnya kekalahan. Dalam praktiknya, orang biasanya menghitungnya dari sekumpulan trade dengan mengambil rata-rata ukuran kemenangan dan rata-rata ukuran kekalahan, lalu mengekspresikan hubungan di antara keduanya (sering sebagai rasio atau selisih).
Karena “ukuran kemenangan” dan “ukuran kekalahan” dapat didefinisikan dalam beberapa cara, pertimbangan lanjutan yang paling penting bukan hanya rumusnya, melainkan konvensi pengukurannya. Dua dataset bisa menghasilkan nilai Average Win Loss yang berbeda meskipun aktivitas trading yang mendasarinya identik, hanya karena satu dataset mengukur kemenangan dan kekalahan sebelum biaya sementara yang lain memasukkan biaya.
Model sederhana yang bisa dipakai untuk diskusi:
- Definisikan setiap hasil trade sebagai hasil yang terealisasi (misalnya, dalam pips, mata uang akun, atau persentase return).
- Tandai trade sebagai “win” jika hasil terealisasinya berada di atas ambang netral (umumnya lebih besar dari nol, tetapi beberapa sistem memakai ambang breakeven setelah biaya).
- Tandai trade sebagai “loss” jika hasil terealisasinya berada di bawah ambang tersebut.
- Hitung AvgWin sebagai rata-rata (mean) dari hasil win.
- Hitung AvgLoss sebagai rata-rata (mean) dari hasil loss (umumnya dilaporkan sebagai angka negatif).
- Gabungkan keduanya menjadi satu metrik, seperti AvgWin / |AvgLoss|, untuk membuat perbandingan yang tidak berdimensi.
Jika Anda memakai rasio, tentukan apakah Anda ingin memperlakukan AvgLoss sebagai negatif (dan mengambil nilai absolut) atau menghitung perbandingan yang bertanda (signed). Keduanya bisa valid, tetapi mencampur konvensi bisa membuat perbandingan menjadi tidak andal.
Mekanisme inti: input, konsistensi, dan batasan implementasi
1) Definisi outcome (gross vs net)
Ketergantungan utama adalah apakah outcome diukur secara gross (sebelum biaya transaksi) atau net (setelah biaya transaksi). Biaya transaksi dapat mencakup spread, komisi, dan efek lain terkait eksekusi. Jika Anda mengukur kemenangan dan kekalahan sebelum biaya, Average Win Loss Anda bisa terlihat lebih kuat dibandingkan jika Anda mengukur trade yang sama secara net.
Agar metrik bisa diverifikasi, nyatakan asumsi Anda secara eksplisit:
- Asumsi untuk contoh: Anda mengukur hasil terealisasi setiap trade dalam mata uang akun setelah semua biaya eksplisit yang diketahui pada saat penutupan trade.
- Asumsi alternatif: Anda hanya mengukur pergerakan harga mentah (pips) tanpa memasukkan biaya.
Asumsi-asumsi tersebut menghasilkan “kemenangan” dan “kekalahan” yang “khas” berbeda, terutama ketika kekalahan lebih sering terjadi di pasar yang biaya eksekusinya relatif besar dibandingkan ukuran pergerakan tipikal.
2) Perlakuan partial close dan breakeven
Kasus tepi muncul ketika sebuah trade ditutup secara bertahap (dalam bagian) atau ketika hasil terealisasinya tepat nol (atau sama dengan ambang breakeven yang Anda pilih).
Pilihan umum meliputi:
- Perlakukan penutupan breakeven sebagai bukan win maupun loss dan keluarkan dari kedua rata-rata.
- Perlakukan sebagai win (jika Anda mendefinisikan win sebagai >= threshold) atau sebagai loss (jika Anda mendefinisikan loss sebagai <= threshold).
Setiap pilihan mengubah AvgWin dan/atau AvgLoss. Pertimbangan lanjutan adalah menghindari pilihan “diam-diam” (silent) yang berbeda antara backtest, log live, dan spreadsheet. Bahkan perubahan kebijakan kecil bisa menggeser metrik secara material ketika dataset berisi banyak outcome yang berada di dekat breakeven.
3) Mata uang, scaling, dan komparabilitas
Jika Anda menghitung outcome dalam pips, Anda mungkin memiliki nilai pip yang berbeda antar instrumen; jika Anda menghitung dalam mata uang akun, Anda mungkin menghadapi efek ukuran dan leverage. Jika Anda menghitung dalam persentase return, Anda dapat memperkenalkan efek compounding dan ukuran eksposur yang bervariasi.
Untuk verifikasi, kunci satu sistem unit:
- Entah gunakan unit yang sama untuk setiap trade (misalnya, realized P&L dalam mata uang akun).
- Atau, jika instrumen berbeda, lakukan normalisasi agar setiap outcome memiliki makna yang konsisten.
4) Sensitivitas metrik terhadap outlier
Karena Average adalah mean, Average Win Loss sensitif terhadap nilai ekstrem.
Mode kegagalan:
- Sejumlah kecil kemenangan yang sangat besar atau kekalahan yang sangat besar dapat mendominasi rata-rata, sehingga nilai “khas” menjadi kurang representatif.
Cara praktis untuk memahami ketergantungan ini tanpa berpura-pura memprediksi hasil adalah memeriksa distribusi secara kualitatif atau menghitung ringkasan alternatif (misalnya, median) bersama dengan mean. Poin kuncinya adalah bahwa “rata-rata” tidak robust, dan tingkat robustness memengaruhi interpretasi.
Bukti melalui contoh dan apa yang perlu diperiksa
Contoh 1: Win rate sama, Average Win Loss berbeda
Asumsikan Anda memiliki 10 trade.
- Dataset A: 5 win rata-rata +10 unit masing-masing; 5 loss rata-rata −5 unit masing-masing.
- AvgWin = 10, AvgLoss = −5, konvensi rasio AvgWin/|AvgLoss| = 2.0
- Dataset B: 5 win rata-rata +10 unit masing-masing; 5 loss rata-rata −2 unit masing-masing.
- AvgWin = 10, AvgLoss = −2, rasio = 5.0
Meskipun win rate identik (50%), Average Win Loss berbeda karena besarnya kekalahan berbeda.
Pemeriksaan lanjutan:
- Verifikasi bahwa definisi Anda tentang outcome win/loss konsisten di kedua dataset, termasuk biaya dan threshold.
Contoh 2: “Average win” berubah setelah memasukkan biaya
Asumsikan 4 trade:
- Dua trade yang menang memiliki pergerakan harga mentah positif yang kecil.
- Dua trade yang kalah memiliki pergerakan mentah yang lebih besar.
Jika biaya transaksi hanya dimasukkan untuk sebagian trade (atau dimasukkan secara berbeda), AvgWin bisa menyusut mendekati nol atau bahkan melewati ambang breakeven Anda, sehingga mengubah trade mana yang dihitung sebagai win. AvgLoss juga bisa bergeser, bukan hanya dari sisi besarnya, tetapi juga dari sisi keanggotaan (membership).
Pemeriksaan lanjutan:
- Hitung ulang metrik berdasarkan asumsi biaya yang Anda nyatakan dan pastikan membership (win vs loss) tidak berubah secara diam-diam.
Contoh 3: AvgLoss nol atau mendekati nol
Jika jumlah trade yang kalah sangat sedikit, atau jika kekalahan mengelompok rapat di dekat ambang breakeven, |AvgLoss| bisa menjadi sangat kecil. Dalam rumus rasio, ini dapat membuat Average Win Loss melonjak secara dramatis.
Mode kegagalan:
- Metrik yang tampak “kuat” mungkin justru digerakkan oleh noise pengukuran, bukan oleh hubungan yang stabil.
Pemeriksaan lanjutan:
- Laporkan jumlah win dan loss bersama dengan metrik.
- Perlakukan kasus dengan ukuran sampel loss yang sangat kecil sebagai interpretasi dengan kepercayaan rendah.
Keterbatasan dan risiko (apa yang bisa salah)
1) Ketergantungan pada market regime dan agregasi waktu
Average Win Loss bukan konstanta universal. Kondisi pasar yang berbeda mengubah ukuran pergerakan tipikal, perilaku tren, volatilitas, dan distribusi outcome trade.
Pertimbangan lanjutan yang penting adalah timeframe:
- Timeframe yang lebih pendek cenderung memasukkan lebih banyak noise dan dapat menghasilkan banyak outcome yang berada di dekat breakeven.
- Timeframe yang lebih panjang dapat mencakup perubahan rezim (regime shifts) di mana hubungan antara besarnya win dan loss berubah.
Artinya, metrik bisa berubah dari waktu ke waktu meskipun “proses” yang mendasarinya tidak berubah.