Cosa i principianti devono sapere sull’aspettativa
Cos’è l’aspettativa?
L’aspettativa (spesso chiamata valore atteso) è un modo per esprimere il risultato medio ottenuto per ogni opportunità, a patto che tu possa definire l’opportunità e i suoi esiti. In termini semplici: se ripeti lo stesso processo decisionale molte volte in condizioni simili, l’aspettativa rappresenta il guadagno medio che ti aspetteresti.
Un concetto fondamentale per i principianti è che l’aspettativa è una statistica riassuntiva. Non prevede ciò che accadrà in seguito. Descrive solo ciò che il tuo campione passato implica riguardo alle medie, e unicamente sotto le assunzioni utilizzate nel calcolo.
Come funziona l’aspettativa nella pratica
Per calcolare l’aspettativa, di solito si combinano tre elementi:
- Esiti: gli importi di profitto o perdita per ciascun tipo di esito (ad esempio, “vincita” e “perdita” in base a una regola definita).
- Probabilità: la stima della probabilità che si verifichi ciascun tipo di esito.
- Inclusione dei costi: se gli esiti includono già costi rilevanti come spread, commissioni o fee.
Una struttura comune è la media ponderata:
- Moltiplica ciascun importo di esito per la probabilità di quell’esito.
- Somma i risultati per ottenere un singolo numero di “risultato medio per opportunità”.
Esempio di assunzione significativa (con incertezza): Supponiamo di definire un’“opportunità” e, nei dati storici, di osservare che il 40% degli esiti sono vincite e il 60% sono perdite. Se la vincita media è +2 unità e la perdita media è −1 unità, una stima semplice dell’aspettativa è: 0.40×(+2) + 0.60×(−1) = 0.8 − 0.6 = +0,2 unità per opportunità.
Questo numero è significativo solo se:
- La classificazione di vincita/perdita corrisponde alla regola che intendi ripetere.
- Le probabilità (40% e 60%) sono stimate da un dataset che riflette le condizioni di tuo interesse.
- Gli esiti +2 e −1 includono le stesse assunzioni sui costi utilizzate in seguito.
Scenari realistici in cui l’aspettativa può fuorviare
Scenario (differenza nel campione): Se il tuo dataset include regimi di mercato particolarmente favorevoli (ad esempio, periodi con volatilità più bassa o condizioni di trading più favorevoli), le probabilità stimate e gli esiti medi potrebbero non rappresentare le condizioni future. Il calcolo può comunque essere eseguito, ma il suo significato cambia.
Scenario (cambio di costi o esecuzione): Se gli esiti storici non includevano costi realistici o se la qualità dell’esecuzione cambia, gli importi medi di vincita e perdita possono variare. Anche una stima di aspettativa “positiva” può avvicinarsi allo zero, o diventare negativa, dopo aver considerato i costi.
Scenario (deriva della definizione): Se “vincita” e “perdita” sono state definite in modo diverso in passato rispetto al presente (ad esempio, cambiando le soglie o i metodi di misurazione), allora non stai più calcolando l’aspettativa per lo stesso processo decisionale.
Limitazioni, rischi e un punto di controllo per la verifica
Spesso i principianti trattano l’aspettativa come se garantisse le prestazioni. Non è così. Le limitazioni più importanti sono:
- Instabilità delle probabilità: Le probabilità sono stime. Con campioni piccoli, possono fluttuare notevolmente.
- Variabilità nascosta: La media può nascondere distribuzioni con perdite occasionali molto elevate.
- Distorsione dei dati: Se il dataset rappresenta in modo eccessivo certi esiti, l’aspettativa può apparire migliore di quanto non sia in realtà.
Un punto di controllo pratico è ricalcolare l’aspettativa con assunzioni chiaramente dichiarate e verificarne la sensibilità. Ad esempio, chiediti come cambia l’aspettativa se i costi sono più elevati, se le probabilità variano entro range plausibili, o se viene utilizzata una finestra temporale diversa ma comparabile.
Se due dataset ragionevoli producono valori di aspettativa significativamente diversi, considera questo come prova che le condizioni sottostanti o le assunzioni non sono stabili.
Prossima domanda da porsi
Per verificare in modo indipendente se l’aspettativa è utile, assicurati di poter spiegare con precisione gli input del tuo calcolo: come sono definite le opportunità, come vengono misurati gli esiti di vincita/perdita, quali costi sono inclusi e quale periodo del dataset è preso in considerazione. Solo allora potrai valutare se le assunzioni sono appropriate per le condizioni che stai cercando di descrivere.