Cos’è l’expectancy?
L’Expectancy (spesso chiamata expected value) è un modo per esprimere il risultato medio che ottieni per ogni opportunità, assumendo di poter definire l’opportunità e i suoi esiti. In termini semplici: se ripeti molte volte lo stesso processo decisionale, in condizioni simili, l’expectancy rappresenta il payoff medio che ti aspetteresti.
Un concetto chiave per i principianti è che l’expectancy è una statistica riassuntiva. Non predice cosa accadrà la prossima volta. Descrive ciò che il tuo campione passato implica sulle medie e solo in base alle assunzioni usate nel calcolo.
Come funziona l’expectancy nella pratica
Per calcolare l’expectancy, in genere combini tre elementi:
- Esiti: gli importi di profitto o perdita per ciascun tipo di esito (ad esempio, “vittoria” e “perdita” in base a una regola definita).
- Probabilità: la probabilità stimata che si verifichi ciascun tipo di esito.
- Inclusione dei costi: se i tuoi esiti includono o meno costi rilevanti come spread, commissioni o commissioni/fees.
Una struttura comune è una media ponderata:
- Moltiplica ogni importo di esito per la probabilità di quell’esito.
- Somma i risultati per ottenere un singolo numero “medio per opportunità”.
Esempio di assunzione materiale (con incertezza): Supponi di definire un’“opportunità” e, nei registri storici, di vedere che il 40% degli esiti sono vittorie e il 60% sono perdite. Se la vittoria media è +2 unità e la perdita media è −1 unità, una stima semplice dell’expectancy è: 0.40×(+2) + 0.60×(−1) = 0.8 − 0.6 = +0.2 unità per opportunità.
Questo numero ha senso solo se:
- La tua classificazione di vittoria/perdita corrisponde alla regola che intendi ripetere.
- Le probabilità (40% e 60%) sono stimate da un dataset che rispecchia le condizioni che ti interessano.
- Gli esiti +2 e −1 includono le stesse assunzioni sui costi usate in seguito.
Scenari realistici in cui l’expectancy può fuorviare
Scenario (mismatch del campione): Se il tuo dataset include regimi di mercato insolitamente favorevoli (ad esempio, periodi con volatilità più bassa o condizioni di trading più strette), le probabilità stimate e gli esiti medi potrebbero non rappresentare le condizioni future. Il calcolo continua a funzionare, ma cambia il suo significato.
Scenario (cambio di costi o esecuzione): Se i tuoi esiti storici non includevano costi realistici o se la qualità dell’esecuzione cambia, gli importi medi di vittoria e perdita possono spostarsi. Anche una stima di expectancy “positiva” può avvicinarsi allo zero, oppure diventare negativa, dopo i costi.
Scenario (deriva della definizione): Se “vittoria” e “perdita” sono state definite in modo diverso in passato rispetto a oggi (ad esempio, cambiando le soglie o i metodi di misurazione), allora non stai più calcolando l’expectancy per lo stesso processo decisionale.
Limiti, rischi e un punto di controllo per la verifica
I principianti spesso trattano l’expectancy come se garantisse la performance. Non è così. I limiti che contano di più sono:
- Non-stazionarietà delle probabilità: le probabilità sono stime. Con campioni piccoli, possono fluttuare in modo significativo.
- Variabilità nascosta: fare una media può nascondere distribuzioni con perdite occasionali molto grandi.
- Distorsione dei dati: se il dataset sovrarappresenta alcuni esiti, l’expectancy può sembrare migliore di quanto sia.
Un punto di controllo pratico è ricalcolare l’expectancy sotto assunzioni chiaramente dichiarate e verificare la sensibilità. Ad esempio, chiediti come cambia l’expectancy se i costi sono più alti, se le probabilità si muovono entro intervalli plausibili, oppure se si usa una finestra temporale diversa ma comparabile.
Se due dataset ragionevoli producono valori di expectancy significativamente diversi, consideralo come evidenza che le condizioni o le assunzioni sottostanti non sono stabili.
La prossima domanda da porsi
Per verificare in modo indipendente se l’expectancy è utile, conferma che puoi spiegare con precisione gli input del tuo calcolo: come vengono definite le opportunità, come vengono misurati gli esiti di vittoria/perdita, quali costi sono inclusi e quale periodo del dataset è assunto. Poi puoi valutare se le assunzioni sono appropriate per le condizioni che stai cercando di descrivere.