Definisci Average Win Loss come un concetto misurabile
Average Win Loss è un modo per riassumere quanto grandi tendono a essere le “vincite” rispetto a quanto grandi tendono a essere le “perdite”, usando gli esiti storici delle operazioni. In un backtesting responsabile, prima definisci le quantità esatte che misurerai, perché “win” e “loss” possono essere calcolati in più modi.
Una struttura comune è:
- Scegli una regola coerente per ciò che conta come esito di un’operazione (ad esempio, il profitto/perdita finale di ogni operazione completata).
- Converti gli esiti in un’unità confrontabile (come il P&L nella valuta del conto, oppure termini di movimento del prezzo).
- Definisci le “operazioni vincenti” come operazioni con esito positivo e le “operazioni perdenti” come operazioni con esito negativo (oppure usa i valori assoluti, ma allora dichiaralo chiaramente).
- Calcola le medie: la dimensione media della vincita (average win) e la dimensione media della perdita (average loss).
Se usi un rapporto (per esempio, average win diviso per average loss), definisci la convenzione del segno. Molti errori nel backtesting derivano dal mescolare medie con segno con medie assolute.
Meccanismo: input, assunzioni e il ruolo dei costi
Un backtest accurato di Average Win Loss dipende dal modello di dati che scegli. Al minimo, ti servono:
- Una lista di record di operazioni ordinati nel tempo (orari di entrata/uscita e l’esito realizzato risultante).
- Una regola per gestire i casi limite (chiusure parziali, operazioni a pareggio, cancellazioni e operazioni che non si completano).
- Assunzioni esplicite per la realistica dell’esecuzione.
Il principio chiave “costs-features” è: i tuoi esiti storici devono basarsi sulle stesse assunzioni economiche che vuoi valutare. I costi e le frizioni includono elementi come spread, commissioni e slippage. Anche se non conosci i costi futuri esatti, puoi comunque fare test responsabili:
- Salvando ogni assunzione usata per convertire il movimento di prezzo nel P&L dell’operazione.
- Eseguendo controlli di sensibilità (per esempio, variando lo slippage o i livelli di costo assunti in un intervallo plausibile) per vedere se la conclusione dipende da una singola impostazione ottimistica.
Evidenza e calcolo di esempio (con assunzioni)
Supponi di avere un dataset di operazioni completate. Decidi:
- Le vincite sono operazioni con P&L realizzato > 0.
- Le perdite sono operazioni con P&L realizzato < 0.
- Usi la media del P&L realizzato per ciascun gruppo.
- Le operazioni a pareggio sono escluse da entrambe le medie (oppure incluse come zero—indica quale).
Esempio (solo illustrativo):
- Average win = (somma dei valori di P&L positivi) / (numero di operazioni vincenti).
- Average loss = (somma dei valori di P&L negativi) / (numero di operazioni perdenti). Se in seguito prendi una “average loss assoluta”, usi la magnitudine.
Per verificare il backtest, ricalcola questi valori direttamente dalla lista salvata del P&L delle operazioni. Se le tue medie calcolate non coincidono, il problema è la definizione o la gestione dei dati, non la performance del mercato.
Limitazioni e modalità di fallimento che devi testare
Average Win Loss è descrittivo, non predittivo. Un backtesting responsabile lo tratta come un riepilogo storico la cui stabilità può fallire quando cambiano le condizioni di mercato, la qualità dell’esecuzione o i tempi delle decisioni.
Almeno una limitazione materiale è essenziale:
- Cambio di regime: una strategia può mostrare una certa relazione tra average wins e losses in un ambiente di mercato, per poi cambiare in seguito.
- Mancata corrispondenza dei costi: se i risultati storici ignorano spread/commissioni o sottostimano lo slippage, il confronto tra “average win” e “average loss” può essere distorto.
- Bias di selezione e di sopravvivenza: se il dataset contiene solo operazioni che “sono sopravvissute” a un processo di revisione, oppure se filtri involontariamente gli esiti in modo che sia correlato alla redditività, le medie possono essere distorte.
- Overfitting alle definizioni: provare molte varianti di ciò che conta come win/loss, quale timing usi per le entrate/uscite, o come misuri gli esiti può creare un falso senso di robustezza.
Controlli del bias e verifiche out-of-sample
Per ridurre questi rischi, usa procedure che testano se la relazione misurata si generalizza:
- Definizioni coerenti nel tempo: usa la stessa regola win/loss, la gestione del pareggio e il calcolo del P&L in tutti i periodi.
- Suddivisione basata sul tempo: stima il tuo approccio di misurazione su un periodo precedente e valutala su un periodo successivo che non è stato usato per affinare le definizioni.
- Reportistica out-of-sample: confronta average win e average loss (e qualsiasi rapporto) tra in-sample e out-of-sample.
- Analisi di sensibilità: ricalcola le metriche con diverse assunzioni ragionevoli su costi/esecuzione per verificare se le conclusioni dipendono da uno scenario ottimistico singolo.
DOCUMENT END