Cosa significa Average Win Loss nel Forex
Average Win Loss è una semplice misura descrittiva che confronta la dimensione tipica dei trade vincenti con la dimensione tipica dei trade perdenti. Nel forex, di solito risponde a una domanda come: “Quando i trade sono vincenti, quanto sono grandi i vincitori in media rispetto ai perdenti in media?”
Per rendere il concetto verificabile, devi separare la misurazione da qualsiasi interpretazione. La misurazione è meccanica: usa i risultati dei trade registrati. L’interpretazione è condizionale: dipende da come definisci win e loss, da come misuri l’esito del trade e da quale periodo e dataset usi.
Un punto chiave è che “average win loss” non è la stessa cosa che prevedere risultati futuri. Riassume ciò che è già accaduto nel campione scelto. Le relazioni storiche possono indebolirsi quando cambiano le condizioni di mercato, la qualità dell’esecuzione o i costi di trading.
Un modello semplice per il calcolo
Un modo pratico per definire la metrica è calcolare due medie dalla lista dei trade:
- Average Win (AW): la media dell’esito tra tutti i trade vincenti.
- Average Loss (AL): la media dell’esito tra tutti i trade perdenti.
Poi Average Win Loss spesso viene espresso come uno dei seguenti rapporti (autori diversi usano formati diversi):
- AW/|AL|: la media della win divisa per il valore assoluto della media della loss.
- AL/AW o AW−AL: meno comune, ma a volte usato a seconda che l’obiettivo sia il confronto o la differenza.
Poiché le definizioni variano, l’“input” più importante è la tua regola esatta per calcolare gli importi di win e loss.
Definisci cosa significa “outcome”
Per ogni trade, devi decidere quale numero chiami outcome. Scelte comuni includono:
- Profitto/perdita netti dopo i costi (preferibile per realismo quando hai dati affidabili sui costi).
- Profitto/perdita lordi prima dei costi (può sovrastimare i risultati quando contano spread o commissioni).
- Movimento in pips rispetto al valore nella valuta del conto (i pips non sono sempre confrontabili tra dimensioni di posizione diverse).
Qualunque cosa tu scelga, usa la stessa base per ogni trade nel campione.
Usa una convenzione di segno coerente
I trade vincenti sono in genere registrati come outcome positivi, e i trade perdenti come outcome negativi. Quando calcoli AL, spesso fai la media dei numeri negativi e poi usi il valore assoluto in seguito (|AL|) così che un rapporto come AW/|AL| resti interpretabile.
Assunzioni per gli esempi
Per rendere verificabile qualsiasi esempio, devi dichiarare assunzioni come:
- Se i costi sono inclusi.
- Se le chiusure parziali sono trattate come trade separati o come parte di un unico outcome.
- Se escludi i trade di pareggio (outcome zero) o li mantieni nei set win/loss.
Se non le dichiari, due persone possono calcolare “average win loss” e ottenere risposte diverse dallo stesso log di trading grezzo.
Input, Output e la sequenza per calcolarlo
Ecco una sequenza verificabile che non assume alcuna piattaforma o indicatore specifico.
Input
Ti serve un dataset di trade completati, in cui ogni trade abbia almeno:
- Valore dell’esito del trade (in unità coerenti).
- Un’etichetta per win vs. loss basata sulla tua regola (ad es., outcome > 0 è una win; outcome < 0 è una loss).
- Opzionale ma utile: la dimensione del trade o la base che hai usato per calcolare profitto/perdita.
Generazione dell’output passo-passo
- Seleziona la finestra temporale e includi solo i trade completati in quel periodo.
- Dividi i trade in due gruppi:
- Wins: outcome sopra lo zero (secondo la tua definizione).
- Losses: outcome sotto lo zero.
- Calcola AW come media aritmetica degli outcome vincenti.
- Calcola AL come media aritmetica degli outcome perdenti.
- Calcola Average Win Loss come un confronto scelto, comunemente AW/|AL|.
Cosa rappresenta il numero
Se AW/|AL| è maggiore di 1, indica che i trade vincenti medi sono più grandi dei trade perdenti medi in termini di grandezza (secondo la tua regola di misurazione). Se è minore di 1, le perdite medie sono più grandi in termini di grandezza delle win medie.
Questo non indica “buono” o “cattivo” di per sé. Una strategia può avere win medie più piccole delle loss medie e comunque produrre risultati netti positivi se il win rate è abbastanza alto, oppure se le perdite sono controllate altrove. Average win loss è solo una parte di un quadro più ampio.
Evidenza tramite un esempio svolto (con assunzioni esplicite)
Supponi che il dataset contenga 10 trade completati e che tu misuri l’esito di ogni trade come profitto/perdita netti nella valuta del conto, dopo spread e commissioni. Inoltre supponi:
- Le win sono trade con outcome > 0.
- Le loss sono trade con outcome < 0.
- Gli outcome zero (se presenti) sono esclusi da entrambe le medie.
Supponi che i cinque outcome vincenti siano: 6, 4, 8, 5, 7 (nella valuta del conto).
- AW = (6+4+8+5+7)/5 = 30/5 = 6.
Supponi che i cinque outcome perdenti siano: -3, -4, -2, -5, -4.
- AL = (-3-4-2-5-4)/5 = -18/5 = -3.6.
Allora AW/|AL| = 6 / 3.6 = 1.67.
Questo valore significa: in media, le win sono circa 1.67 volte più grandi delle loss in termini di grandezza, usando la definizione di outcome netta dichiarata. Una seconda persona che calcola la stessa metrica con assunzioni diverse—come outcome lordi prima dei costi, inclusione diversa dei trade di pareggio, oppure outcome basati sui pips con dimensioni di posizione variabili—può ottenere un risultato diverso anche partendo dagli stessi trade sottostanti.
Ecco perché il calcolo è “meccanica”, mentre l’interpretazione dipende dalle assunzioni.
Limiti e modalità di fallimento comuni
Average win loss è utile per descrivere la forma degli esiti storici, ma ha limiti sostanziali.
1) Dimensione del campione e instabilità
Con pochi trade, AW e AL possono cambiare molto a causa della variazione casuale. La metrica può sembrare stabile in un periodo e cambiare in modo significativo in un altro periodo.
2) Costi ed esecuzione che cambiano
Se spread, commissioni o qualità dell’esecuzione variano nel tempo, e usi outcome netti o lordi in modo incoerente, la metrica può riflettere differenze di costo più che il comportamento dei trade.
3) Bias di selezione su cosa includi
Se escludi alcuni trade (ad esempio quelli eseguiti in condizioni insolite) oppure se registri solo i trade che “si adattano” a una regola, le medie potrebbero non rappresentare tutti gli esiti.
4) Modelli di rischio misti
Se la dimensione della posizione o le regole di rischio variano da trade a trade, allora gli outcome “medi” possono mescolare livelli di esposizione diversi. La metrica può quindi riflettere cambiamenti nel sizing più che cambiamenti nella qualità delle decisioni.
5) “Average” può nascondere la distribuzione
Due dataset possono condividere lo stesso rapporto AW/|AL| ma avere distribuzioni degli esiti molto diverse (per esempio, loss occasionalmente grandi vs.