Apa itu expectancy?
Expectancy (sering disebut expected value) adalah cara untuk menyatakan hasil rata-rata yang Anda peroleh per peluang, dengan asumsi Anda dapat mendefinisikan peluang tersebut dan hasil-hasilnya. Dalam bahasa sederhana: jika Anda mengulang proses keputusan yang sama berkali-kali dalam banyak kesempatan dengan kondisi yang mirip, expectancy mewakili rata-rata payoff yang Anda harapkan.
Konsep penting bagi pemula adalah bahwa expectancy adalah statistik ringkasan. Ia tidak memprediksi apa yang akan terjadi selanjutnya. Ia menjelaskan apa yang disiratkan sampel masa lalu Anda tentang rata-rata, dan hanya berlaku berdasarkan asumsi yang digunakan dalam perhitungan.
Cara kerja expectancy dalam praktik
Untuk menghitung expectancy, biasanya Anda menggabungkan tiga komponen:
- Hasil (outcomes): besaran profit atau loss untuk setiap jenis hasil (misalnya, “win” dan “loss” berdasarkan aturan yang didefinisikan).
- Probabilitas: perkiraan peluang terjadinya setiap jenis hasil.
- Penyertaan biaya (cost inclusion): apakah hasil Anda sudah memasukkan biaya relevan seperti spread, fee, atau komisi.
Struktur yang umum adalah rata-rata tertimbang:
- Kalikan setiap besaran outcome dengan probabilitas outcome tersebut.
- Jumlahkan hasilnya untuk mendapatkan satu angka “rata-rata per peluang”.
Contoh asumsi material (dengan ketidakpastian): Misalkan Anda mendefinisikan sebuah “peluang” dan, dari catatan historis, Anda melihat bahwa 40% dari outcome adalah win dan 60% adalah loss. Jika rata-rata win adalah +2 unit dan rata-rata loss adalah −1 unit, estimasi expectancy sederhana adalah: 0.40×(+2) + 0.60×(−1) = 0.8 − 0.6 = +0.2 unit per peluang.
Angka ini hanya bermakna jika:
- Klasifikasi win/loss Anda sesuai dengan aturan yang ingin Anda ulang.
- Probabilitas (40% dan 60%) diestimasi dari kumpulan data yang mencerminkan kondisi yang Anda pedulikan.
- Outcome +2 dan −1 memasukkan asumsi biaya yang sama yang akan digunakan nanti.
Skenario realistis di mana expectancy bisa menyesatkan
Skenario (ketidakcocokan sampel): Jika kumpulan data Anda mencakup rezim pasar yang tidak biasa menguntungkan (misalnya, periode dengan volatilitas lebih rendah atau kondisi trading yang lebih ketat), probabilitas yang diperkirakan dan rata-rata outcome mungkin tidak mewakili kondisi di masa depan. Perhitungan tetap berjalan, tetapi maknanya berubah.
Skenario (perubahan biaya atau eksekusi): Jika outcome historis Anda tidak memasukkan biaya yang realistis atau jika kualitas eksekusi berubah, besaran rata-rata win dan loss dapat bergeser. Bahkan estimasi expectancy “positif” bisa bergerak lebih dekat ke nol, atau menjadi negatif, setelah biaya.
Skenario (pergeseran definisi): Jika “win” dan “loss” didefinisikan secara berbeda di masa lalu dibandingkan saat ini (misalnya, mengubah ambang batas atau metode pengukuran), maka Anda tidak lagi menghitung expectancy untuk proses keputusan yang sama.
Keterbatasan, risiko, dan titik kontrol untuk verifikasi
Pemula sering memperlakukan expectancy seolah-olah itu menjamin performa. Itu tidak. Keterbatasan yang paling penting adalah:
- Ketidakstabilan probabilitas: Probabilitas adalah estimasi. Dengan sampel kecil, nilainya bisa berfluktuasi secara signifikan.
- Variabilitas tersembunyi: Penghitungan rata-rata dapat menyembunyikan distribusi yang memiliki sesekali loss besar.
- Bias data: Jika kumpulan data terlalu banyak mewakili outcome tertentu, expectancy bisa terlihat lebih baik daripada kenyataannya.
Titik kontrol praktis adalah untuk menghitung ulang expectancy dengan asumsi yang dinyatakan dengan jelas dan memeriksa sensitivitasnya. Misalnya, tanyakan bagaimana perubahan expectancy jika biaya lebih tinggi, jika probabilitas bergerak dalam rentang yang masuk akal, atau jika digunakan jendela waktu yang berbeda namun masih sebanding.
Jika dua kumpulan data yang masuk akal menghasilkan nilai expectancy yang berbeda secara bermakna, anggap itu sebagai bukti bahwa kondisi atau asumsi yang mendasarinya tidak stabil.
Pertanyaan berikutnya yang perlu diajukan
Untuk memverifikasi secara independen apakah expectancy berguna, pastikan Anda dapat menjelaskan secara tepat input perhitungan Anda: bagaimana peluang didefinisikan, bagaimana outcome win/loss diukur, biaya apa saja yang dimasukkan, dan periode kumpulan data apa yang diasumsikan. Setelah itu, Anda dapat menilai apakah asumsi tersebut sesuai dengan kondisi yang ingin Anda jelaskan.