Yang Perlu Diketahui Pemula Tentang Expectancy

Apa itu expectancy?

Expectancy (sering disebut nilai ekspektasi) adalah cara untuk menyatakan hasil rata-rata yang Anda dapatkan per peluang, dengan asumsi Anda dapat mendefinisikan peluang dan hasilnya. Secara sederhana: jika Anda mengulangi proses keputusan yang sama berkali-kali dalam kondisi serupa, expectancy mewakili imbal hasil rata-rata yang Anda harapkan.

Konsep kunci bagi pemula adalah bahwa expectancy adalah statistik ringkasan. Ini tidak memprediksi apa yang akan terjadi selanjutnya. Ini menggambarkan apa yang tersirat oleh sampel masa lalu Anda tentang rata-rata, dan hanya berdasarkan asumsi yang digunakan dalam perhitungan.

Bagaimana expectancy bekerja dalam praktik

Untuk menghitung expectancy, Anda biasanya menggabungkan tiga komponen:

1. Hasil: jumlah laba atau rugi untuk setiap jenis hasil (misalnya, “menang” dan “kalah” berdasarkan aturan yang ditentukan).
2. Probabilitas: perkiraan peluang terjadinya setiap jenis hasil.
3. Inklusi biaya: apakah hasil Anda sudah mencakup biaya relevan seperti spread, biaya, atau komisi.

Struktur umum adalah rata-rata tertimbang:

• Kalikan setiap jumlah hasil dengan probabilitas hasil tersebut.
• Jumlahkan hasilnya untuk mendapatkan satu angka “rata-rata per peluang”.

Contoh asumsi material (dengan ketidakpastian): Misalkan Anda mendefinisikan sebuah “peluang” dan, dalam catatan historis, Anda melihat bahwa 40% hasil adalah kemenangan dan 60% adalah kekalahan. Jika rata-rata kemenangan adalah +2 unit dan rata-rata kekalahan adalah −1 unit, perkiraan expectancy sederhana adalah: 0,40×(+2) + 0,60×(−1) = 0,8 − 0,6 = +0,2 unit per peluang.

Angka ini hanya bermakna jika:

• Klasifikasi menang/kalah Anda sesuai dengan aturan yang ingin Anda ulangi.
• Probabilitas (40% dan 60%) diperkirakan dari kumpulan data yang mencerminkan kondisi yang Anda pedulikan.
• Hasil +2 dan −1 menyertakan asumsi biaya yang sama yang digunakan nanti.

Skenario realistis di mana expectancy dapat menyesatkan

Skenario (ketidakcocokan sampel): Jika kumpulan data Anda mencakup rezim pasar yang luar biasa menguntungkan (misalnya, periode dengan volatilitas lebih rendah atau kondisi trading yang lebih ketat), perkiraan probabilitas dan hasil rata-rata mungkin tidak mewakili kondisi masa depan. Perhitungan tetap berjalan, tetapi maknanya berubah.

Skenario (perubahan biaya atau eksekusi): Jika hasil historis Anda tidak menyertakan biaya realistis atau jika kualitas eksekusi berubah, jumlah rata-rata kemenangan dan kekalahan dapat bergeser. Bahkan perkiraan expectancy yang “positif” dapat bergerak mendekati nol, atau berubah menjadi negatif, setelah biaya.

Skenario (pergeseran definisi): Jika “menang” dan “kalah” didefinisikan berbeda di masa lalu dibandingkan dengan sekarang (misalnya, mengubah ambang batas atau metode pengukuran), maka Anda tidak lagi menghitung expectancy untuk proses keputusan yang sama.

Keterbatasan, risiko, dan titik kendali untuk verifikasi

Pemula sering memperlakukan expectancy seolah-olah menjamin kinerja. Padahal tidak. Keterbatasan yang paling penting adalah:

• Ketidakstabilan probabilitas: Probabilitas adalah perkiraan. Dengan sampel kecil, probabilitas dapat berfluktuasi secara signifikan.
• Variabilitas tersembunyi: Rata-rata dapat menyembunyikan distribusi dengan kerugian besar yang kadang terjadi.
• Bias data: Jika kumpulan data terlalu mewakili hasil tertentu, expectancy bisa terlihat lebih baik dari kenyataannya.

Titik kendali praktis adalah menghitung ulang expectancy dengan asumsi yang dinyatakan secara jelas dan memeriksa sensitivitasnya. Misalnya, tanyakan bagaimana expectancy berubah jika biaya lebih tinggi, jika probabilitas bergerak dalam rentang yang masuk akal, atau jika jendela waktu yang berbeda namun sebanding digunakan.

Jika dua kumpulan data yang masuk akal menghasilkan nilai expectancy yang berbeda secara signifikan, anggaplah 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 dengan tepat input perhitungan Anda: bagaimana peluang didefinisikan, bagaimana hasil menang/kalah diukur, biaya apa yang disertakan, dan periode kumpulan data apa yang diasumsikan. Kemudian Anda dapat menilai apakah asumsi tersebut sesuai dengan kondisi yang ingin Anda deskripsikan.