Definizione e cosa sta davvero misurando la metrica
Average Win Loss è un riepilogo delle performance che confronta l’ampiezza tipica degli esiti vincenti con quella degli esiti perdenti. Nella pratica, di solito le persone lo calcolano a partire da un insieme di operazioni, prendendo una dimensione media della vincita e una dimensione media della perdita, e poi esprimendo la relazione tra loro (spesso come rapporto o come differenza).
Poiché “dimensione della vincita” e “dimensione della perdita” possono essere definite in più modi, la considerazione più avanzata non è solo la formula, ma la convenzione di misurazione. Due dataset possono produrre valori diversi di Average Win Loss anche se l’attività di trading sottostante è identica, semplicemente perché un dataset misura le vittorie e le sconfitte prima dei costi mentre l’altro include i costi.
Un modello semplice e autosufficiente per la discussione:
- Definisci ogni esito dell’operazione come un risultato realizzato (ad esempio, in pips, valuta del conto o percentuale di rendimento).
- Segna l’operazione come una “vittoria” se il suo risultato realizzato è sopra una soglia neutra (di solito maggiore di zero, ma alcuni sistemi usano una soglia di pareggio dopo i costi).
- Segna l’operazione come una “perdita” se il suo risultato realizzato è sotto quella soglia.
- Calcola AvgWin come la media degli esiti vincenti.
- Calcola AvgLoss come la media degli esiti perdenti (spesso riportata come numero negativo).
- Combinali in una singola metrica, come AvgWin / |AvgLoss|, per ottenere un confronto senza dimensioni.
Se usi un rapporto, decidi se vuoi trattare AvgLoss come negativo (e prendere un valore assoluto) oppure calcolare un confronto con segno. Entrambe le opzioni possono essere valide, ma mescolare le convenzioni può rendere confronti poco affidabili.
Meccaniche di base: input, coerenza e vincoli di implementazione
1) Definizione dell’esito (lordo vs netto)
Una dipendenza importante è se gli esiti vengono misurati al lordo dei costi di transazione o al netto di essi. I costi di transazione possono includere spread, commissioni e altri effetti legati all’esecuzione. Se misuri le vittorie e le perdite prima dei costi, la tua Average Win Loss può apparire più forte rispetto a quando misuri le stesse operazioni al netto.
Per rendere la metrica verificabile, dichiara esplicitamente la tua assunzione:
- Assunzione per un esempio: misuri il risultato realizzato di ogni operazione nella valuta del conto dopo tutti i costi espliciti noti alla chiusura dell’operazione.
- Assunzione alternativa: misuri solo la variazione di prezzo grezza (pips) senza incorporare i costi.
Queste assunzioni portano a “vittorie” e “perdite” tipiche diverse, soprattutto quando le perdite sono più frequenti nei mercati in cui i costi di esecuzione sono relativamente grandi rispetto alle dimensioni tipiche del movimento.
2) Trattamento delle chiusure parziali e del pareggio
I casi limite emergono quando un’operazione viene chiusa in parti oppure quando il risultato realizzato è esattamente zero (o coincide con la tua soglia di pareggio scelta).
Scelte comuni includono:
- Trattare una chiusura in pareggio come né vittoria né perdita e escluderla da entrambe le medie.
- Trattarla come una vittoria (se definisci vittoria come >= soglia) oppure come una perdita (se definisci perdita come <= soglia).
Ciascuna scelta modifica AvgWin e/o AvgLoss. La considerazione avanzata è evitare scelte “silenziose” che differiscono tra backtest, log live e fogli di calcolo. Anche un piccolo cambiamento di policy può spostare la metrica in modo significativo quando il dataset include molti esiti vicini al pareggio.
3) Valuta, scalatura e comparabilità
Se calcoli gli esiti in pips, potresti avere valori di pip diversi tra strumenti; se li calcoli nella valuta del conto, potresti avere effetti di dimensione e leva. Se li calcoli in percentuale di rendimento, potresti introdurre effetti di capitalizzazione e dimensioni di esposizione variabili.
Per la verifica, blocca un sistema di unità:
- O usi la stessa unità per ogni operazione (ad esempio, P&L realizzato nella valuta del conto).
- Oppure, se gli strumenti sono diversi, normalizzi in modo che ogni esito abbia un significato coerente.
4) Sensibilità della metrica agli outlier
Poiché “Average” è una media, Average Win Loss è sensibile a valori estremi.
Modalità di fallimento:
- Un piccolo numero di vittorie molto grandi o di perdite molto grandi può dominare la media, rendendo il valore “tipico” meno rappresentativo.
Un modo pratico per capire questa dipendenza senza fingere di prevedere i risultati è controllare qualitativamente la distribuzione oppure calcolare riepiloghi alternativi (ad esempio, le mediane) insieme alla media. Il punto chiave è che “average” non è robusto e la robustezza influisce sull’interpretazione.
Evidenza tramite esempi e cosa controllare
Esempio 1: Stesso win rate, Average Win Loss diverso
Supponi di avere 10 operazioni.
- Dataset A: 5 vittorie media +10 unità ciascuna; 5 perdite media −5 unità ciascuna.
- AvgWin = 10, AvgLoss = −5, convenzione del rapporto AvgWin/|AvgLoss| = 2.0
- Dataset B: 5 vittorie media +10 unità ciascuna; 5 perdite media −2 unità ciascuna.
- AvgWin = 10, AvgLoss = −2, rapporto = 5.0
Anche se il win rate è identico (50%), Average Win Loss differisce perché cambia l’ampiezza delle perdite.
Controllo avanzato:
- Verifica che la tua definizione dell’esito vittoria/perdita sia coerente in entrambi i dataset, inclusi costi e soglie.
Esempio 2: “Average win” cambia dopo l’inclusione dei costi
Supponi 4 operazioni:
- Due operazioni vincenti hanno piccoli movimenti di prezzo positivi grezzi.
- Due operazioni perdenti hanno movimenti grezzi più grandi.
Se i costi di transazione vengono inclusi solo per alcune operazioni (o inclusi in modo diverso), AvgWin può ridursi verso lo zero o persino superare la tua soglia di pareggio, cambiando quali operazioni vengono conteggiate come vittorie. Anche AvgLoss può spostarsi, non solo per ampiezza ma anche per appartenenza.
Controllo avanzato:
- Ricalcola la metrica assumendo i costi secondo la tua ipotesi dichiarata e conferma che l’appartenenza (vittoria vs perdita) non cambi “silenziosamente”.
Esempio 3: AvgLoss zero o quasi zero
Se ci sono pochissime operazioni perdenti, oppure se le perdite si concentrano strettamente vicino alla soglia di pareggio, |AvgLoss| può diventare molto piccolo. In una formula a rapporto, questo può gonfiare Average Win Loss in modo drammatico.
Modalità di fallimento:
- Una metrica che sembra “forte” potrebbe essere guidata dal rumore di misurazione piuttosto che da una relazione stabile.
Controllo avanzato:
- Riporta i conteggi di vittorie e perdite insieme alla metrica.
- Tratta i casi con campioni di perdite estremamente piccoli come a bassa confidenza per l’interpretabilità.
Limitazioni e rischi (cosa può andare storto)
1) Dipendenza dal regime di mercato e dall’aggregazione temporale
Average Win Loss non è una costante universale. Condizioni di mercato diverse cambiano le dimensioni tipiche dei movimenti, il comportamento di trend, la volatilità e la distribuzione degli esiti delle operazioni.
Una considerazione avanzata chiave è l’orizzonte temporale:
- Gli orizzonti temporali più brevi tendono a includere più rumore e possono produrre molti esiti vicini al pareggio.
- Gli orizzonti temporali più lunghi possono includere cambi di regime in cui la relazione tra l’ampiezza delle vittorie e delle perdite cambia.
Questo significa che la metrica può variare nel tempo anche se il “processo” sottostante non cambia.