Come Cambiano le Impostazioni l’Average Win Loss?

Risposta diretta: quali “impostazioni” possono cambiare l’Average Win Loss

“Come cambiano le impostazioni l’Average Win Loss?” dipende da cosa si intende per “impostazioni”. Nella pratica, le impostazioni alterano (1) come un risultato viene classificato come vittoria o sconfitta, (2) quali trade sono inclusi nel calcolo e (3) come vengono riflessi costi ed esecuzione. Per questo motivo, l’Average Win Loss può variare anche se le condizioni di mercato sottostanti rimangono invariate. Questo fenomeno è meglio interpretato come un problema di sensibilità e compromessi, non come una semplice regola di causa ed effetto.

Se cambi le tue regole decisionali, i limiti di rischio, il tempo di detenzione o il modo in cui tratti gli esiti parziali, cambi anche la distribuzione dei risultati effettivi dei trade. L’Average Win Loss è quindi sensibile sia al tuo insieme di regole che alle tue assunzioni di elaborazione dei dati.

Meccanismo o definizione: cosa misura l’Average Win Loss

L’Average Win Loss è un confronto riassuntivo tra due medie:

• la dimensione media dei risultati etichettati come “vittorie”
• la dimensione media dei risultati etichettati come “perdite”

Il dettaglio chiave è che la “dimensione” è definita dal tuo metodo di misurazione (ad esempio, profitto netto dopo i costi, o movimento di prezzo grezzo convertito nella valuta del conto). L’aspetto cruciale per l’interpretazione è che l’etichettatura vittoria/perdita deriva anch’essa dalle tue impostazioni. Ad esempio, se una regola attiva l’uscita non appena viene raggiunta una soglia, la metrica riflette le dimensioni tipiche degli esiti sotto quella logica di uscita.

Un modello semplice per la sensibilità:

1. Le tue impostazioni definiscono una “condizione di uscita” (cosa conclude un trade e come viene classificato).
2. Queste condizioni di uscita cambiano l’insieme di esiti che entrano nella media delle vittorie e in quella delle perdite.
3. I costi (spread, commissioni, slippage) modificano la dimensione netta registrata per ogni trade.
4. L’Average Win Loss riportato è una funzione di questi input e della selezione del campione (quali trade includi).

Evidenza o esempio: come l’etichettatura e il raggruppamento degli esiti cambiano la metrica

Considera due backtest sullo stesso percorso storico di prezzo con impostazioni diverse, usando esiti netti.

Assunzione: etichetti vittorie/perdite in base al raggiungimento di una soglia di uscita prima che una condizione opposta chiuda il trade. In entrambi i test registri esiti netti dopo i costi.

• Se restringi la soglia di vittoria mantenendo simile quella di perdita, meno trade potrebbero raggiungere prima la condizione di vittoria. Ciò può ridurre la proporzione e la dimensione tipica delle vittorie, aumentando anche la probabilità che i trade terminino secondo la logica di perdita. L’Average Win Loss può spostarsi perché il campione delle vittorie cambia.
• Se cambi il tempo di detenzione o introduci un’uscita basata sul tempo, potresti trasformare ciò che sarebbero state vittorie più grandi in vittorie più piccole o addirittura in perdite. Poiché alcuni esiti vengono “accorciati”, le medie di vittoria e perdita cambiano entrambe.
• Se cambi le regole di inclusione dei trade (ad esempio, escludendo trade con spread atipici o gestendo diversamente le uscite parziali), la metrica può spostarsi senza alcun cambiamento nel comportamento del mercato. Le medie ora vengono calcolate su un dataset diverso.

Questi esempi mostrano lo stesso principio: cambiare le impostazioni modifica la classificazione, l’impatto dei costi e la composizione del campione.

Limitazioni e rischi: perché i confronti possono fallire

Limitazione fondamentale: l’Average Win Loss non è un indicatore universale della performance futura.

I modi comuni di fallimento includono:

• Cambi di regime e non stazionarietà: le distribuzioni storiche di vittoria/perdita potrebbero non corrispondere a quelle future.
• Divergenza tra costi ed esecuzione: i backtest o le fonti dati potrebbero rappresentare spread o slippage in modo diverso rispetto al tuo ambiente reale. Questo modifica le dimensioni nette di vittoria e perdita.
• Effetti della dimensione del campione: con meno trade, le medie possono essere dominate da outlier. Una vittoria o perdita insolitamente grande può distorcere il risultato.
• Bias nascosto di sopravvivenza o selezione: se le tue impostazioni escludono certi trade, la metrica riflette effetti di selezione piuttosto che il “vero” comportamento dei trade.
• Incoerenza nella definizione della metrica: se un calcolo usa esiti lordi e un altro usa esiti netti, non stai confrontando cose equivalenti.

Verifica o prossima domanda: cosa puoi controllare autonomamente

Per verificare come le impostazioni hanno influenzato l’Average Win Loss, controlla esplicitamente questi elementi nella tua analisi o documentazione:

• Controllo definizione: conferma esattamente come gli esiti vengono etichettati come vittorie e perdite e come viene calcolata la “dimensione” dell’esito.
• Controllo costi: conferma se spread, commissioni e slippage sono inclusi e come vengono modellati.
• Controllo inclusione: conferma quali trade sono inclusi (filtri, finestre temporali, uscite parziali) e se tali regole sono cambiate.