Pertimbangan Lanjutan untuk Average Win Loss

Definisi dan apa yang sebenarnya diukur oleh metrik ini

Average Win Loss adalah ringkasan kinerja yang membandingkan besaran tipikal dari hasil menang dengan hasil kalah. Dalam praktiknya, orang biasanya menghitungnya dari sekumpulan trading dengan mengambil ukuran rata-rata kemenangan dan ukuran rata-rata kekalahan, lalu menyatakan hubungan di antara keduanya (sering kali sebagai rasio atau selisih).

Karena “ukuran kemenangan” dan “ukuran kekalahan” dapat didefinisikan dengan berbagai cara, pertimbangan paling lanjutan bukan hanya rumusnya, melainkan konvensi pengukurannya. Dua kumpulan data dapat menghasilkan nilai Average Win Loss yang berbeda bahkan jika aktivitas trading yang mendasarinya identik, hanya karena satu kumpulan data mengukur kemenangan dan kekalahan sebelum biaya sementara yang lain sudah termasuk biaya.

Model sederhana yang mandiri untuk diskusi:

• Definisikan setiap hasil trading sebagai hasil yang terealisasi (misalnya, dalam pip, mata uang akun, atau persentase return).
• Tandai trading sebagai “menang” jika hasil terealisasinya berada di atas ambang batas netral (biasanya lebih besar dari nol, tetapi beberapa sistem menggunakan ambang batas breakeven setelah biaya).
• Tandai trading sebagai “kalah” jika hasil terealisasinya berada di bawah ambang batas tersebut.
• Hitung AvgWin sebagai rata-rata dari hasil menang.
• Hitung AvgLoss sebagai rata-rata dari hasil kalah (biasanya dilaporkan sebagai angka negatif).
• Gabungkan keduanya menjadi satu metrik, seperti AvgWin / |AvgLoss|, untuk membuat perbandingan tanpa dimensi.

Jika Anda menggunakan rasio, putuskan apakah Anda ingin memperlakukan AvgLoss sebagai negatif (dan mengambil nilai absolutnya) atau menghitung perbandingan bertanda. Keduanya bisa valid, tetapi mencampur konvensi dapat membuat perbandingan menjadi tidak dapat diandalkan.

Mekanisme inti: input, konsistensi, dan batasan implementasi

1) Definisi hasil (bruto vs neto)

Ketergantungan utama adalah apakah hasil diukur bruto terhadap biaya transaksi atau neto. Biaya transaksi dapat mencakup spread, komisi, dan efek terkait eksekusi lainnya. Jika Anda mengukur kemenangan dan kekalahan sebelum biaya, Average Win Loss Anda bisa terlihat lebih kuat daripada jika Anda mengukur trading yang sama secara neto.

Untuk menjaga metrik tetap dapat diverifikasi, nyatakan asumsi Anda secara eksplisit:

• Asumsi untuk sebuah contoh: Anda mengukur hasil terealisasi setiap trading dalam mata uang akun setelah semua biaya eksplisit yang diketahui pada saat penutupan trading.
• Asumsi alternatif: Anda hanya mengukur pergerakan harga mentah (pip) tanpa memasukkan biaya.

Asumsi-asumsi tersebut menghasilkan kemenangan dan kekalahan “tipikal” yang berbeda, terutama ketika kekalahan lebih sering terjadi di pasar di mana biaya eksekusi relatif besar dibandingkan dengan ukuran pergerakan tipikal.

2) Perlakuan terhadap penutupan parsial dan breakeven

Kasus tepi muncul ketika sebuah trading ditutup sebagian atau ketika hasil terealisasi tepat nol (atau sama dengan ambang batas breakeven yang Anda pilih).

Pilihan umum meliputi:

• Perlakukan penutupan breakeven sebagai bukan menang maupun kalah dan keluarkan dari kedua rata-rata.
• Perlakukan sebagai menang (jika Anda mendefinisikan menang sebagai >= ambang batas) atau sebagai kalah (jika Anda mendefinisikan kalah sebagai <= ambang batas).

Setiap pilihan mengubah AvgWin dan/atau AvgLoss. Pertimbangan lanjutannya adalah menghindari pilihan “diam-diam” yang berbeda antara backtest, log langsung, dan spreadsheet. Bahkan perubahan kebijakan kecil pun dapat menggeser metrik secara material ketika kumpulan data mencakup banyak hasil mendekati breakeven.

3) Mata uang, penskalaan, dan keterbandingan

Jika Anda menghitung hasil dalam pip, Anda mungkin memiliki nilai pip yang berbeda antar instrumen; jika Anda menghitung dalam mata uang akun, Anda mungkin memiliki efek ukuran dan leverage. Jika Anda menghitung dalam persentase return, Anda mungkin memperkenalkan efek bunga majemuk dan ukuran eksposur yang bervariasi.

Untuk verifikasi, kunci satu sistem unit:

• Gunakan unit yang sama untuk setiap trading (misalnya, P&L terealisasi dalam mata uang akun).
• Atau, jika instrumen berbeda, normalisasi sehingga setiap hasil memiliki makna yang konsisten.

4) Sensitivitas metrik terhadap outlier

Karena Average adalah rata-rata, Average Win Loss sensitif terhadap nilai ekstrem.

Mode kegagalan:

• Sejumlah kecil kemenangan atau kekalahan yang sangat besar dapat mendominasi rata-rata, membuat nilai “tipikal” menjadi kurang representatif.

Cara praktis untuk memahami ketergantungan ini tanpa berpura-pura memprediksi hasil adalah dengan memeriksa distribusi secara kualitatif atau menghitung ringkasan alternatif (misalnya, median) di samping rata-rata. Poin kuncinya adalah bahwa “rata-rata” tidaklah kokoh, dan ketidakkokohan ini memengaruhi interpretasi.

Bukti melalui contoh dan apa yang perlu diperiksa

Contoh 1: Win rate sama, Average Win Loss berbeda

Asumsikan Anda memiliki 10 trading.

• Dataset A: 5 menang rata-rata +10 unit masing-masing; 5 kalah rata-rata −5 unit masing-masing.
  • AvgWin = 10, AvgLoss = −5, konvensi rasio AvgWin/|AvgLoss| = 2.0
• Dataset B: 5 menang rata-rata +10 unit masing-masing; 5 kalah rata-rata −2 unit masing-masing.
  • AvgWin = 10, AvgLoss = −2, rasio = 5.0

Meskipun win rate-nya identik (50%), Average Win Loss berbeda karena besaran kekalahan berbeda.

Pemeriksaan lanjutan:

• Verifikasi bahwa definisi hasil menang/kalah Anda konsisten di kedua dataset, termasuk biaya dan ambang batas.

Contoh 2: “Rata-rata kemenangan” berubah setelah memasukkan biaya

Asumsikan 4 trading:

• Dua trading menang memiliki pergerakan harga mentah positif yang kecil.
• Dua trading kalah memiliki pergerakan mentah yang lebih besar.

Jika biaya transaksi hanya dimasukkan untuk sebagian trading (atau dimasukkan secara berbeda), AvgWin dapat menyusut mendekati nol atau bahkan melewati ambang batas breakeven Anda, mengubah trading mana yang dihitung sebagai menang. AvgLoss juga dapat bergeser, tidak hanya berdasarkan besaran tetapi juga berdasarkan keanggotaan.

Pemeriksaan lanjutan:

• Hitung ulang metrik berdasarkan asumsi biaya yang Anda nyatakan dan konfirmasi bahwa keanggotaan (menang vs kalah) tidak berubah secara diam-diam.

Contoh 3: AvgLoss nol atau mendekati nol

Jika ada sangat sedikit trading yang kalah, atau jika kekalahan mengelompok erat di dekat ambang batas breakeven, |AvgLoss| bisa menjadi sangat kecil. Dalam rumus rasio, hal ini dapat meningkatkan Average Win Loss secara dramatis.

Mode kegagalan:

• Metrik yang tampak “kuat” mungkin didorong oleh noise pengukuran, bukan oleh hubungan yang stabil.

Pemeriksaan lanjutan:

• Laporkan jumlah kemenangan dan kekalahan di samping metrik.
• Perlakukan kasus dengan ukuran sampel kekalahan yang sangat kecil sebagai keyakinan rendah dalam interpretasi.

Keterbatasan dan risiko (apa yang bisa salah)

1) Ketergantungan pada rezim pasar dan agregasi waktu

Average Win Loss bukanlah konstanta universal. Kondisi pasar yang berbeda mengubah ukuran pergerakan tipikal, perilaku tren, volatilitas, dan distribusi hasil trading.

Pertimbangan lanjutan yang utama adalah kerangka waktu:

• Kerangka waktu yang lebih pendek cenderung mencakup lebih banyak noise dan dapat menghasilkan banyak hasil mendekati breakeven.
• Kerangka waktu yang lebih panjang dapat mencakup pergeseran rezim di mana hubungan antara besaran kemenangan dan kekalahan berubah.

Itu berarti metrik dapat bervariasi seiring waktu bahkan jika “proses” yang mendasarinya tidak berubah.