期待値（フォレックスのパフォーマンスレビュー）に関する高度な考慮事項

期待値が意味するもの、検証可能なモデルとして

期待値（Expectancy）は、意思決定プロセスの平均結果を、機会ごと（たとえば、1回の取引、1つのシグナル、またはルールが適用される1回の時間）に表すための単一の数値です。最も単純な形では、期待値は各結果を「勝ち」か「負け」のいずれかとして扱い、次を組み合わせます。

• 勝率（勝ちの確率）
• 平均勝ち幅（勝ったときにどれだけ得るか）
• 負け率（負けの確率）
• 平均負け幅（負けたときにどれだけ失うか）

よくある概念モデルは次のとおりです。

期待値 =（勝ちの確率 × 平均勝ち幅） +（負けの確率 × 平均負け幅）

このモデルを本当に検証可能にするには、各項の定義をデータと計算の中で同じ方法で定める必要があります。「勝ち」「負け」「平均勝ち幅」「平均負け幅」は自動的な事実ではなく、測定ルールから生まれます（たとえば、部分決済が勝ちとして数えられるかどうか、ブレークイーブンの扱い、そしてグロスかネットかを使うかどうか）。

依存関係：比較可能であるために期待値が必要とするもの

1) 結果定義：グロス vs ネット

期待値の式が意味を持つのは、その式が使う「結果」がどのようなものかに依存します。あるデータセットがネット結果（スプレッド、コミッション、ファイナンス後）を使い、別のデータセットがグロスの値動きを使っているなら、期待値の数値は比較できません。

概念的な説明（リアルタイムの数値）をしたい場合でも、会計上の選択肢を特定のものとして仮定するべきです。たとえば、推定した取引コストと執行スリッページの後の、機会ごとのネット損益として結果を定義できます。そうしたら、その定義を一貫して適用する必要があります。

2) 分析単位：1取引あたり vs 1機会あたり

期待値は、1取引あたり、1シグナルあたり、またはルールを継続的に適用するなら1本足/期間あたりで計算できます。単位を変えると解釈が変わります。ときどき横ばいになるプロセスは、「機会」ごとの期待値が、同じロジックをエントリーしたときだけサンプリングした場合とは異なります。

検証可能なアプローチとして、分析単位を明示するのが有効です。

• 「提出されたエントリーあたり」、または
• 「完了した取引あたり」、または
• 「ルール評価ウィンドウあたり」

そして、データセットをそれに合わせます。

3) 確率モデル： 「確率」とは何を数えるのか

実務では、確率は過去のサンプルから推定されます。期待値の式はしばしば、勝ち/負けが安定した分布から引かれるかのように扱います。この仮定は、狭い範囲で一貫したレジームでは妥当であることもありますが、複数の変化する市場状況にまたがると、はるかに妥当性が下がります。

ここでの高度な依存関係は、期待値が「単なる数値」ではなく、サンプルが表す分布に結びついた推定である、という点です。

4) 分布の形：期待値は高次モーメントを無視する

勝率/平均勝ち幅/平均負け幅のモデルは、結果を2つの平均に圧縮します。結果が大きく歪んでいる（たとえば、多くの小さな勝ちと、まれな大きな負けがある）場合、リスク特性が劇的に変わっていても、期待値は安定して見えることがあります。

したがって、高度な考慮事項として、期待値を結果分布の完全な説明ではなく、1つの要約として扱うことが挙げられます。

解釈を変える例外とエッジケース

1) ブレークイーブン取引と「ゼロ」の結果

ネット結果がゼロの取引（勝ちでも負けでもない）をどう扱うべきでしょうか。いくつかのアプローチではそれらを勝ちに折り込み、別のものでは負けに折り込み、また別のものでは別枠として扱います。

それらを「勝ちでも負けでもない」として含めるなら、第3のカテゴリが必要です。勝ちまたは負けに無理やり割り当てると、平均勝ち幅/平均負け幅と、そこから導かれる確率が変わります。独立した検証のためには、ブレークイーブンの結果に対する方法を明文化する必要があります。

2) 非対称な損失の扱い（例：ストップ vs 決済）

評価において、条件に応じて異なる決済ルールを含めるなら、「平均負け幅」は単一の普遍的な値ではなく、条件付きのプロセスの結果になります。たとえば、ある決済ルールのもとで発生した損失は、別の決済ルールのもとで発生した損失と直接比較できません。

金融アドバイスなしでこれに対処するには、データセットを決済タイプまたはセットアップ条件で分割し、セグメントごとに期待値を計算します。ポイントは、互換性のないサブプロセスを混ぜると、誤解を招く平均が生まれ得ることです。

3) 非定常性：レジームシフト

市場はボラティリティ、流動性、スプレッドの挙動が変わります。サンプルが複数のレジームを混ぜていると、勝ち/負けの確率や平均的な結果が変わり得ます。

高度な失敗パターンとして、「バックテストの期待値は良さそうに見えるが、フォワードの期待値が悪化する」があります。推定した確率が将来の分布と一致しなくなるためです。これは失敗を保証するものではありませんが、期待値が分布の変化に敏感であることを思い出させるものです。

4) 機会のフィルタリングによる選択バイアス

データセットに、結果を見た後に選んだ特定のフィルタを通過した機会だけが含まれている場合、期待値は過大に膨らむ可能性があります。特定の推奨がなくても、これは一般的な研究リスクです。評価プロセスが意図せず結果に関する知識を含めてしまうことがあるためです。

独立した検証では、ルールとそのフィルタが結果データの前に定義されていたか、そして確率を推定するために使ったデータ範囲と同じものが評価ウィンドウになっているかを確認すべきです。

エビデンスと例（監査できる前提を用いる）

A) 明示的な前提による単純な数値例

「機会」を1回の完了した取引と定義し、結果を固定コスト控除後の1取引あたりのネット損益とします。100回の取引のサンプルでは：

• 55回の取引を勝ちとしてラベル付けし、45回を負けとしてラベル付けします。
• 勝ちの取引における平均ネット利益は +0.8 ユニットです。
• 負けの取引における平均ネット利益は −0.6 ユニットです。

すると、1取引あたりの期待値は次のとおりです。

• 勝ちの確率 = 55/100 = 0.55
• 負けの確率 = 45/100 = 0.45

期待値 = (0.55 × 0.8) + (0.45 × −0.6) = 0.44 − 0.27 = 0.17 ユニット/取引

これは、期待値が勝ち/負けの確率と条件付き平均から計算されることを示しています。また、どこで誤りが起きるかも示します。勝ちの定義やコストの前提が異なると、条件付き平均と勝ち/負けの確率が変わるためです。

他人の期待値を再現するときに確認すべきこと

期待値の主張を独立に検証するには、著者が次をしているか確認します。

• 勝ち/負けの定義（ブレークイーブンの扱いを含む）を述べているか、
• 分析単位（1取引あたりか、1シグナルあたりか）を明記しているか、
• ネット結果に用いたコストモデルを述べているか、そして
• 確率と平均を推定するためのデータ範囲が同じか。

これらの詳細がない場合、2つの期待値は「数学的に似ている」一方で、実務上は比較できないことがあります。

限界とリスク：期待値が誤解を招き得る場所

1) サンプリングのばらつきと小さなサンプル

期待値は、推定された確率と平均を使います。サンプルサイズが小さいと、ランダムな変動が支配的になり、真の基礎分布を反映しない期待値推定が生じ得ます。