Apa arti expectancy, dalam model yang bisa dicek
Expectancy adalah cara satu angka untuk mendeskripsikan hasil rata-rata dari proses pengambilan keputusan per kesempatan (misalnya, per trade, per sinyal, atau per waktu aturan diterapkan). Dalam bentuk paling sederhananya, expectancy memperlakukan setiap hasil sebagai baik “win” maupun “loss” dan menggabungkannya:
- Win rate (probabilitas terjadinya kemenangan)
- Rata-rata ukuran kemenangan (seberapa banyak yang Anda peroleh saat menang)
- Loss rate (probabilitas terjadinya kekalahan)
- Rata-rata ukuran kekalahan (seberapa banyak yang Anda rugi saat kalah)
Sebuah model konseptual yang umum adalah:
Expectancy = (Probability of win × Average win) + (Probability of loss × Average loss)
Agar model ini benar-benar bisa diverifikasi, istilah-istilahnya harus didefinisikan dengan cara yang sama di seluruh data dan perhitungan Anda. “Win,” “loss,” “average win,” dan “average loss” bukan fakta otomatis; semuanya berasal dari aturan pengukuran Anda (misalnya, apakah partial exit dihitung sebagai kemenangan, bagaimana Anda menangani hasil break-even, dan apakah Anda menggunakan hasil kotor atau bersih).
Ketergantungan: apa yang dibutuhkan agar expectancy bisa dibandingkan
1) Definisi hasil: gross vs net
Rumus expectancy hanya sebermakna “outcome” yang digunakannya. Jika satu kumpulan data memakai hasil bersih (setelah spread, komisi, dan pembiayaan) dan yang lain memakai pergerakan harga kotor, angka expectancy tidak akan bisa dibandingkan.
Bahkan ketika Anda menginginkan penjelasan konseptual (bukan angka real-time), Anda tetap harus mengasumsikan pilihan akuntansi yang spesifik. Misalnya, Anda bisa mendefinisikan outcome sebagai profit/rugi bersih per kesempatan setelah estimasi biaya transaksi dan slippage eksekusi. Lalu Anda harus menerapkan definisi yang sama secara konsisten.
2) Unit analisis: per trade vs per opportunity
Expectancy bisa dihitung per trade, per sinyal, atau per bar/periode jika aturan diterapkan secara berkelanjutan. Mengubah unit akan mengubah interpretasinya. Sebuah proses yang kadang tetap datar akan memiliki expectancy per “opportunity” yang berbeda dibanding logika yang sama tetapi hanya di-sampling saat ia masuk.
Pendekatan yang bisa dicek adalah dengan menyatakan unit secara eksplisit:
- “per submitted entry,” atau
- “per completed trade,” atau
- “per rule evaluation window,”
lalu pastikan kumpulan data sesuai.
3) Model probabilitas: apa yang dihitung sebagai “probability”
Dalam praktiknya, probabilitas diestimasi dari sampel historis. Rumus expectancy sering memperlakukan win/loss seolah setiap hasil diambil dari distribusi yang stabil. Asumsi ini bisa masuk akal pada rezim yang sempit dan konsisten, namun jauh lebih tidak masuk akal ketika mencakup banyak kondisi pasar yang berubah.
Ini menciptakan ketergantungan lanjutan: expectancy bukan sekadar “sebuah angka,” melainkan estimasi yang terikat pada distribusi yang diwakili oleh sampel Anda.
4) Bentuk distribusi: expectancy mengabaikan higher moments
Model win-rate/average-win/average-loss mereduksi hasil menjadi dua rata-rata. Jika hasil sangat timpang (misalnya, banyak kemenangan kecil dan kekalahan besar yang jarang), expectancy mungkin terlihat stabil sementara karakteristik risiko berubah secara dramatis.
Jadi pertimbangan lanjutan adalah memperlakukan expectancy sebagai satu ringkasan, bukan deskripsi penuh dari distribusi hasil.
Pengecualian dan kasus tepi yang mengubah interpretasi
1) Break-even trades dan hasil “zero”
Apa yang terjadi pada trade dengan hasil bersih nol (bukan win maupun loss)? Beberapa pendekatan memasukkannya ke dalam wins, sebagian ke dalam losses, dan sebagian memperlakukannya secara terpisah.
Jika Anda memasukkannya sebagai bukan win maupun loss, Anda perlu kategori ketiga. Jika Anda memaksanya masuk ke win atau loss, Anda mengubah rata-rata ukuran win/loss dan probabilitas yang tersirat. Untuk verifikasi independen, metode untuk hasil break-even harus dituliskan.
2) Penanganan loss yang asimetris (mis., stops vs exits)
Jika evaluasi Anda mencakup aturan exit yang berbeda tergantung kondisi, maka “average loss” bukan nilai universal tunggal; itu adalah hasil dari proses kondisional. Misalnya, loss yang terjadi di bawah satu aturan exit tidak langsung sebanding dengan loss yang terjadi di bawah aturan exit yang lain.
Untuk mengatasi ini tanpa memberikan saran finansial, Anda bisa membagi kumpulan data berdasarkan tipe exit atau berdasarkan kondisi setup, lalu menghitung expectancy per segmen. Intinya adalah mencampur sub-proses yang tidak kompatibel dapat menghasilkan rata-rata yang menyesatkan.
3) Non-stationarity: pergeseran rezim
Pasar dapat berubah dalam volatilitas, likuiditas, dan perilaku spread. Jika sampel Anda mencampur beberapa rezim, probabilitas win/loss dan outcome rata-rata bisa bergeser.
Salah satu mode kegagalan lanjutan adalah “backtest expectancy terlihat bagus, forward expectancy memburuk” karena probabilitas yang diestimasi tidak lagi sesuai dengan distribusi di masa depan. Ini bukan jaminan kegagalan—hanya pengingat bahwa expectancy sensitif terhadap perubahan distribusi.
4) Selection bias dari penyaringan peluang
Jika kumpulan data Anda hanya mencakup opportunity yang lolos filter tertentu yang dipilih setelah melihat hasil, expectancy bisa menjadi terinflasi. Bahkan tanpa rekomendasi spesifik, ini adalah risiko riset yang umum: proses evaluasi bisa secara tidak sengaja memasukkan pengetahuan tentang outcome.
Verifikasi independen seharusnya memeriksa apakah aturan dan filter-nya didefinisikan sebelum data outcome, serta apakah jendela evaluasi sama dengan cakupan data yang digunakan untuk mengestimasi probabilitas.
Bukti dan contoh (menggunakan asumsi yang bisa Anda audit)
A) Contoh numerik sederhana dengan asumsi yang eksplisit
Asumsikan Anda mendefinisikan “opportunity” sebagai satu trade yang selesai, dan outcome adalah profit/rugi bersih per trade setelah biaya tetap. Dalam sampel 100 trade:
- Anda memberi label 55 trade sebagai wins dan 45 trade sebagai losses.
- Rata-rata profit bersih pada trade yang menang adalah +0.8 unit.
- Rata-rata profit bersih pada trade yang kalah adalah −0.6 unit.
Lalu expectancy per trade adalah:
- Probability of win = 55/100 = 0.55
- Probability of loss = 45/100 = 0.45
Expectancy = (0.55 × 0.8) + (0.45 × −0.6) = 0.44 − 0.27 = 0.17 unit per trade
Contoh ini menunjukkan bagaimana expectancy dihitung dari probabilitas win/loss dan rata-rata kondisional. Contoh ini juga menunjukkan di mana kesalahan terjadi: jika definisi win Anda atau asumsi biaya Anda berbeda, rata-rata kondisional dan probabilitas win/loss akan berubah.
Apa yang harus dicek saat Anda mereplikasi expectancy orang lain
Untuk memverifikasi klaim expectancy secara independen, periksa apakah penulis:
- menyatakan definisi win/loss (termasuk penanganan break-even),
- menentukan unit analisis (per trade vs per signal),
- menyatakan model biaya yang digunakan untuk outcome net, dan
- menggunakan cakupan data yang sama untuk mengestimasi probabilitas dan rata-rata.
Tanpa detail-detail tersebut, dua nilai expectancy bisa “secara matematis mirip” sementara secara praktis tidak bisa dibandingkan.
Keterbatasan dan risiko: di mana expectancy bisa menyesatkan
1) Sampling variability dan sampel kecil
Expectancy menggunakan probabilitas dan rata-rata yang diestimasi. Dengan ukuran sampel yang kecil, variasi acak dapat mendominasi, menghasilkan estimasi expectancy yang mungkin tidak mencerminkan distribusi yang sebenarnya.
DOCUMENT END