Zdefiniuj Average Win Loss jako mierzalne pojęcie
Average Win Loss to sposób na podsumowanie tego, jak duże są zwykle „wygrane” w porównaniu z tym, jak duże są zwykle „przegrane”, wykorzystując historyczne wyniki transakcji. W odpowiedzialnym backtestingu najpierw definiujesz dokładne wielkości, które będziesz mierzyć, ponieważ „wygrana” i „przegrana” mogą być liczone na kilka różnych sposobów.
Typowa struktura wygląda tak:
- Wybierz spójną regułę tego, co uznajesz za wynik transakcji (na przykład końcowy zysk/stratę każdej zakończonej transakcji).
- Przekształć wyniki do porównywalnej jednostki (takiej jak P&L w walucie konta albo w kategoriach ruchu ceny).
- Zdefiniuj „transakcje wygrywające” jako transakcje z dodatnim wynikiem, a „transakcje przegrywające” jako transakcje z ujemnym wynikiem (albo użyj wartości bezwzględnych, ale wtedy jasno to zadeklaruj).
- Oblicz średnie: średni rozmiar wygranej (average win) i średni rozmiar straty (average loss).
Jeśli używasz ilorazu (na przykład average win podzielone przez average loss), zdefiniuj konwencję znaku. Wiele błędów w backtestingu wynika z mieszania średnich ze znakiem z średnimi bezwzględnymi.
Mechanizm: dane wejściowe, założenia i rola kosztów
Ostrożny backtest Average Win Loss zależy od tego, jaki model danych wybierzesz. Co najmniej potrzebujesz:
- Listy rekordów transakcji uporządkowanej w czasie (czasy wejścia/wyjścia oraz uzyskany zrealizowany wynik).
- Reguły obsługi przypadków brzegowych (częściowe zamknięcia, transakcje na break-even, anulowania oraz transakcje, które nie zostały dokończone).
- Jawnych założeń dotyczących realizmu wykonania.
Kluczowa zasada „costs-features” brzmi: Twoje historyczne wyniki muszą wynikać z tych samych założeń ekonomicznych, które chcesz oceniać. Koszty i tarcia obejmują m.in. spready, prowizje i slippage. Nawet jeśli nie znasz dokładnych przyszłych kosztów, nadal możesz przeprowadzić odpowiedzialne testowanie, wykonując:
- Zapisywanie każdego założenia użytego do przekształcenia ruchu ceny w P&L transakcji.
- Uruchamianie testów wrażliwości (na przykład zmienianie zakładanego slippage lub poziomów kosztów w realistycznym zakresie), aby sprawdzić, czy wniosek zależy od jednego optymistycznego ustawienia.
Dowód i przykład obliczenia (z założeniami)
Załóżmy, że masz zbiór danych zakończonych transakcji. Decydujesz:
- Wygrane to transakcje, w których zrealizowany P&L > 0.
- Przegrane to transakcje, w których zrealizowany P&L < 0.
- Dla każdej grupy używasz średniej z zrealizowanego P&L.
- Transakcje na break-even są wykluczane z obu średnich (albo włączane jako zero — wskaż, które).
Przykład (tylko ilustracyjny):
- Average win = (suma dodatnich wartości P&L) / (liczba transakcji wygrywających).
- Average loss = (suma ujemnych wartości P&L) / (liczba transakcji przegrywających). Jeśli później bierzesz „absolute average loss”, używasz wartości bezwzględnej.
Aby zweryfikować backtest, przelicz te wartości bezpośrednio na podstawie listy z zapisanym P&L transakcji. Jeśli Twoje obliczone średnie się nie zgadzają, problem wynika z definicji lub obsługi danych, a nie z wyników rynkowych.
Ograniczenia i tryby awarii, które musisz przetestować
Average Win Loss jest opisowe, a nie predykcyjne. Odpowiedzialny backtesting traktuje je jako historyczne podsumowanie, którego stabilność może zawieść, gdy zmienią się warunki rynkowe, jakość realizacji lub moment podejmowania decyzji.
Co najmniej jedno istotne ograniczenie jest niezbędne:
- Zmiana reżimu: Strategia może pokazywać określoną zależność między średnimi wygranymi i przegranymi w jednym środowisku rynkowym, a potem ulec zmianie.
- Niedopasowanie kosztów: Jeśli historyczne wyniki pomijają spready/prowizje lub zaniżają slippage, porównanie „average win” i „average loss” może zostać zniekształcone.
- Uprzedzenia selekcji i przeżywalności: Jeśli zbiór danych zawiera tylko transakcje, które „przetrwały” proces przeglądu, albo jeśli przypadkowo odfiltrowałeś wyniki w sposób skorelowany z rentownością, średnie mogą być obciążone.
- Overfitting do definicji: Próbowanie wielu wariantów tego, co uznajesz za win/loss, jakiego timing używasz dla wejść/wyjść albo jak mierzysz wyniki, może dać fałszywe poczucie odporności.
Kontrole uprzedzeń i sprawdzenia out-of-sample
Aby zmniejszyć te ryzyka, stosuj procedury, które testują, czy mierzona zależność się uogólnia:
- Spójne definicje w czasie: Używaj tej samej reguły win/loss, obsługi break-even oraz obliczeń P&L we wszystkich okresach.
- Podział oparty o czas: Szacuj podejście pomiarowe na wcześniejszym okresie i oceniaj je na późniejszym okresie, który nie był użyty do dopracowania definicji.
- Raportowanie out-of-sample: Porównuj average win i average loss (oraz każdy iloraz) między in-sample i out-of-sample.
- Analiza wrażliwości: Ponownie obliczaj wskaźniki przy różnych, rozsądnych założeniach dotyczących kosztów/realizacji, aby sprawdzić, czy wnioski zależą od jednego optymistycznego scenariusza.
DOCUMENT END