Meccanismo: cosa misura “Average Win Loss”
Average Win Loss (spesso abbreviato in AWL) descrive la dimensione media dei risultati positivi rispetto a quelli negativi in un insieme di operazioni. Il significato esatto dipende dalle regole usate per etichettare i risultati.
Un’operazione viene in genere conteggiata come una vincita se il suo risultato realizzato è sopra lo zero (o sopra una soglia scelta) e come perdita se è sotto lo zero (o sotto una soglia scelta). La “media delle vincite” è la dimensione media delle vincite; la “media delle perdite” è la dimensione media delle perdite (a volte riportata come numero negativo, a volte come magnitudine assoluta).
Poiché devi definire l’etichetta vincita/perdita e come vengono chiuse le operazioni, il timeframe diventa centrale. Se osservi i risultati dopo periodi di detenzione diversi—minuti rispetto a giorni, o all’interno di finestre di calendario diverse—stai cambiando entrambe le cose:
- il periodo di detenzione usato per realizzare i risultati (quando decidi l’esito dell’operazione), e
- il periodo in cui i percorsi di prezzo vengono campionati (quanto movimento e variazione ha tempo di sperimentare un’operazione).
Come il timeframe cambia le statistiche win/loss
Il timeframe influisce sull’AWL attraverso diversi canali generali, meccanicamente stabili.
-
Più tempo consente più divergenza Con periodi di detenzione più lunghi, una posizione ha più opportunità di allontanarsi dall’ingresso. Questo può aumentare sia la probabilità di vincite più grandi sia la probabilità di perdite più grandi. In altre parole, la distribuzione degli esiti può ampliarsi nel tempo, anche se la deriva media di lungo periodo non cambia.
-
Il timing degli esiti cambia ciò che chiami “vincita” Se accorci la finestra di misurazione, alcune operazioni che alla fine diventerebbero vincite possono essere conteggiate come perdite se le tue regole le fermano in anticipo. Al contrario, ritardare la misurazione può riclassificare gli esiti quando a un’operazione è consentito di recuperare.
-
I costi e la microstruttura contano di più su orizzonti brevi Su timeframe brevi, piccole frizioni (come i costi di trading) possono rappresentare una quota maggiore dei risultati realizzati. Questo può spostare la media delle vincite e la media delle perdite, soprattutto quando molte operazioni hanno piccoli movimenti di prezzo “raw”.
-
I cambi di regime e gli eventi rari contano di più su orizzonti più lunghi Su timeframe più lunghi, i mercati possono entrare in regimi diversi (ad esempio, volatilità più alta rispetto a volatilità più bassa). Questo può far sì che l’AWL rifletta una miscela di condizioni invece di un singolo ambiente stabile. Anche eventi rari ma con impatto possono cambiare le medie.
Esempio di scenario con assunzioni esplicite
Supponi un processo semplificato in cui le operazioni vengono detenute sia per 1 ora sia per 5 giorni, e l’esito di ogni operazione viene registrato alla fine del suo periodo di detenzione. Inoltre, supponi che in entrambi i casi venga usato lo stesso metodo di ingresso, ma che il tempo di uscita sia diverso.
- In 1 ora, molte operazioni possono chiudersi dopo un movimento limitato. Alcune operazioni finiranno leggermente positive e altre leggermente negative, quindi la media delle vincite e la media delle perdite possono essere entrambe relativamente piccole.
- In 5 giorni, le stesse operazioni possono sperimentare un movimento più ampio. Alcune possono raggiungere risultati positivi molto più grandi; altre possono muoversi molto più in negativo. Quindi le medie possono allontanarsi.
Questo illustra il punto chiave: cambiare il periodo di detenzione cambia quale porzione del percorso di prezzo diventa realizzata, e questo cambia l’AWL calcolata.
Limitazioni, modalità di fallimento e cosa puoi verificare
Il timeframe può far sembrare l’AWL migliore o peggiore senza alcun cambiamento nell’abilità sottostante, perché cambiano le regole di misurazione.
Limitazioni / modalità di fallimento materiali
- Bias di selezione dalla regola di misurazione: Se l’etichettatura vincita/perdita dipende dal tempo di detenzione, i confronti di AWL tra timeframe possono stare confrontando “esperimenti” diversi.
- Sensibilità ai costi: Se i costi non vengono considerati in modo coerente, l’AWL su orizzonti brevi può essere fuorviante.
- Non-stazionarietà: Le relazioni storiche tra timeframe e AWL non garantiscono il comportamento futuro.
Come verificare usando solo fatti generali Un lettore può verificare l’effetto del timeframe controllando che quanto segue sia coerente quando confronta AWL tra periodi di detenzione:
- la definizione di una vincita e di una perdita (soglie e punto zero),
- la regola di uscita che finalizza il risultato realizzato,
- il trattamento dei costi usato nel dataset (almeno concettualmente, anche se non sono disponibili cifre esatte), e
- la copertura del campione (ad esempio, se entrambi i timeframe coprono condizioni di mercato simili).
Punto di controllo (domanda importante) Chiedi: Stai confrontando l’AWL tra timeframe usando la stessa logica di classificazione e di uscita, cambiando solo il periodo di detenzione?
DOCUMENT END