Jawaban langsung
Contoh terbukti (worked example) dari Expectancy menunjukkan cara menghitung hasil rata-rata per trade (atau keputusan) dari sejumlah kecil input: probabilitas menang, probabilitas kalah, serta nilai payoff untuk kemenangan dan kerugian. Bagian “worked” berarti Anda benar-benar memasukkan angka ke dalam rumus dan menjaga setiap asumsi tetap terlihat.
Mekanisme: definisi dan cara perhitungannya
Expectancy (sering ditulis sebagai E) adalah cara untuk memperkirakan rata-rata hasil jangka panjang dari proses pengambilan keputusan yang dapat diulang. Pengaturan umum untuk keputusan seperti trade adalah:
- Misalkan p(win) adalah probabilitas terjadinya kemenangan.
- Misalkan p(loss) adalah probabilitas terjadinya kekalahan.
- Misalkan W adalah profit bersih dari trade yang menang (setelah biaya).
- Misalkan L adalah besaran kerugian bersih dari trade yang kalah (sebagai angka positif).
Lalu expectancy dapat dinyatakan sebagai:
E = p(win) × W − p(loss) × L
Jika Anda menggunakan model dua-kemungkinan yang paling sederhana, Anda juga mengasumsikan:
- p(win) + p(loss) = 1
Satuan itu penting. Jika W dan L diukur dalam “mata uang akun per trade,” maka E juga dalam “mata uang akun per trade.” Jika Anda menggunakan “pips” atau “persen,” maka E akan berada dalam satuan yang sama.
Bukti atau contoh: skenario numerik yang transparan
Asumsikan aturan keputusan yang menghasilkan hanya dua outcome: menang atau kalah, dengan asumsi berikut yang dinyatakan dengan jelas:
- p(win) = 0.40 (40% dari keputusan berakhir dengan kemenangan)
- p(loss) = 0.60 (60% berakhir dengan kekalahan)
- W = +2.0 unit (kemenangan adalah +2.0 setelah biaya)
- L = 1.5 unit (kekalahan adalah −1.5; kita memperlakukan L sebagai besaran 1.5)
Sekarang hitung:
E = 0.40 × 2.0 − 0.60 × 1.5 E = 0.80 − 0.90 E = −0.10 unit per keputusan
Interpretasi (kata-kata yang hati-hati): dengan asumsi ini, rata-rata hasil bersih per keputusan adalah negatif. Yang penting, ini tidak memprediksi hasil masa depan untuk urutan tertentu; ini merangkum apa yang disiratkan model Anda ketika input tersebut benar dan stabil.
Untuk mengecek kewajaran perhitungan, bandingkan bobotnya:
- Kontribusi kemenangan adalah 40% dari +2.0 → +0.8
- Kontribusi kekalahan adalah 60% dari −1.5 → −0.9
- Rata-rata bersih → −0.1
Keterbatasan dan risiko: apa yang bisa membuat Expectancy menyesatkan
Setidaknya satu mode kegagalan yang material adalah bahwa expectancy bergantung sepenuhnya pada ketepatan dan stabilitas input:
-
Kesalahan biaya dan netting: Jika Anda menggunakan profit/loss kotor alih-alih net (termasuk spread, komisi, slippage), expectancy yang dihitung bisa terlihat lebih baik daripada kenyataannya.
-
Perubahan kondisi pasar/provider: Probabilitas dan payoff bisa bergeser. Bahkan jika expectancy positif pada satu sampel, itu mungkin tidak berlaku ketika kondisi berubah.
-
Pemilihan outcome dan data yang tidak representatif: Jika sampel yang digunakan untuk mengestimasi p(win) atau payoff bias, perhitungan worked akan benar secara matematis tetapi tidak dapat diandalkan secara empiris.
-
Penyederhanaan dua outcome: Outcome nyata bisa mencakup breakeven, partial fills, atau ukuran kemenangan yang bervariasi. Model “hanya menang/kalah” dapat menyembunyikan detail distribusi yang penting.
Verifikasi atau pertanyaan berikutnya
Karena perhitungannya sederhana, Anda bisa memverifikasinya secara independen:
- Hitung ulang E menggunakan p(win), W, dan L yang Anda nyatakan sendiri.
- Pastikan probabilitas berjumlah 1 (dalam model dua-outcome).
- Periksa bahwa payoff diukur secara konsisten (satuan yang sama, dan net dari biaya).
Pertanyaan berikutnya yang praktis adalah: Apakah definisi Anda tentang “win” dan “loss” sesuai dengan hasil net yang benar-benar bisa Anda ukur (termasuk biaya), dan apakah estimasi probabilitasnya berdasarkan sampel yang representatif?