Risposta diretta: cosa “le impostazioni” possono cambiare nell’Average Win Loss
“In che modo le impostazioni cambiano l’Average Win Loss?” dipende da cosa intendi per “impostazioni”. Nella pratica, le impostazioni alterano (1) come un esito viene classificato come vittoria o perdita, (2) quali operazioni vengono incluse nel calcolo e (3) come i costi e l’esecuzione vengono riflessi. Per questo, l’Average Win Loss può spostarsi anche se le condizioni di mercato sottostanti restano le stesse. È meglio spiegato come un problema di sensibilità e trade-off, non come una singola regola causa-effetto.
Se cambi le regole decisionali, i limiti di rischio, il tempo di detenzione o come tratti gli esiti parziali, cambi anche la distribuzione degli esiti realizzati delle operazioni. L’Average Win Loss è quindi sensibile sia al tuo set di regole sia alle 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 degli esiti etichettati come “vittorie”
- la dimensione media degli esiti etichettati come “perdite”
Il dettaglio chiave è che “dimensione” è definita dal tuo metodo di misurazione (ad esempio, profitto netto dopo i costi, oppure movimento di prezzo grezzo convertito nella valuta del conto). Il dettaglio chiave per l’interpretazione è che l’etichettatura vittoria/perdita deriva anch’essa dalle tue impostazioni. Ad esempio, se una regola attiva un’uscita non appena viene raggiunta una soglia, allora la metrica riflette le dimensioni tipiche degli esiti sotto quella logica di uscita.
Un modello semplice di sensibilità:
- Le tue impostazioni definiscono una “condizione di uscita” (cosa chiude un’operazione e come viene classificata).
- Queste condizioni di uscita cambiano l’insieme degli esiti che entrano nella media delle vittorie e nella media delle perdite.
- I costi (spread, commissioni, slippage) cambiano la dimensione netta registrata per ogni operazione.
- L’Average Win Loss riportata è una funzione di questi input e della selezione del campione (quali operazioni includi).
Evidenza o esempio: come l’etichettatura degli esiti e il raggruppamento cambiano la metrica
Considera due backtest su lo stesso percorso storico dei prezzi con impostazioni diverse, usando esiti netti.
Assunzione: etichetti vittorie/perdite in base al fatto che il prezzo raggiunga una soglia di uscita prima che una condizione opposta chiuda l’operazione. In entrambe le esecuzioni registri esiti netti dopo i costi.
- Se stringi la soglia di vittoria mantenendo simile la soglia di perdita, meno operazioni potrebbero raggiungere per prime la condizione di vittoria. Questo può ridurre la proporzione e la dimensione tipica delle vittorie e può anche aumentare la probabilità che le operazioni si chiudano secondo la logica della perdita. L’Average Win Loss può spostarsi perché cambia il campione delle vittorie.
- Se cambi il tempo di detenzione o introduci un’uscita basata sul tempo, potresti convertire ciò che sarebbe diventato una vittoria più grande in una vittoria più piccola o persino in una perdita. Poiché alcuni esiti vengono “tagliati” in anticipo, sia la media delle vittorie sia quella delle perdite cambiano.
- Se cambi le regole di inclusione delle operazioni (ad esempio, escludendo operazioni con spread atipici, oppure includendo le uscite parziali in modo diverso), 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 sostanziale: l’Average Win Loss non è un indicatore universale delle performance future.
Le modalità di fallimento più comuni includono:
- Cambi di regime e non-stazionarietà: le distribuzioni storiche di vittorie/perdite potrebbero non corrispondere alle distribuzioni future.
- Mancata corrispondenza tra costi ed esecuzione: i backtest o le fonti dati potrebbero rappresentare spread o slippage in modo diverso rispetto al tuo ambiente reale. Questo cambia le dimensioni nette delle vittorie/perdite.
- Effetti della dimensione del campione: con meno operazioni, le medie possono essere dominate dagli outlier. Una vittoria o una perdita insolitamente grande può distorcere il risultato.
- Sopravvivenza nascosta o bias di selezione: se le tue impostazioni escludono alcune operazioni, la metrica riflette effetti di selezione invece del comportamento “vero” delle operazioni.
- Incoerenza nella definizione della metrica: se un calcolo usa esiti lordi e un altro usa esiti netti, non stai confrontando “pari con pari”.
Verifica o prossima domanda: cosa puoi controllare in modo indipendente
Per verificare come le impostazioni abbiano influenzato l’Average Win Loss, controlla esplicitamente questi punti nella tua analisi o nella tua documentazione:
- Controllo della definizione: conferma esattamente come gli esiti vengono etichettati come vittorie e perdite e come viene calcolata la “dimensione” dell’esito. - Controllo dei costi: conferma se spread/commissioni/slippage sono inclusi e come vengono modellati. - Controllo dell’inclusione: conferma quali operazioni sono incluse (filtri, finestre temporali, uscite parziali) e se queste regole sono cambiate.
DOCUMENT END