Bezpośrednia odpowiedź: dywergencja w Average Win Loss
Dywergencja w Average Win Loss oznacza, że „average win” i „average loss” przestają poruszać się razem w sposób spójny. Zamiast tego, aby strona zysków i strona strat zachowywały się podobnie do tego, czego oczekiwałeś na podstawie wcześniejszego okresu, jedna ze stron zmienia swoją typową wielkość: rośnie, maleje lub zmienia charakter, podczas gdy druga nie.
Prosto mówiąc: Average Win Loss to porównanie dwóch średnich z wyników transakcji. Dywergencja pojawia się wtedy, gdy to porównanie wygląda inaczej w różnych segmentach czasu, zbiorach danych lub metodach liczenia.
Mechanizm lub definicja: jak budowane są te średnie
Aby wyjaśnić dywergencję, zacznij od tego, jak konstruowane są „Average Win” i „Average Loss”:
- Average Win jest zwykle liczone jako średnia arytmetyczna wielkości zwycięskich transakcji (np. kwot zysku) w wybranej próbie.
- Average Loss jest zwykle liczone jako średnia arytmetyczna wielkości przegrywających transakcji (np. kwot straty) w wybranej próbie.
Dywergencja pojawia się wtedy, gdy na przykład:
- W jednym okresie średnie zyski są stosunkowo duże, a średnie straty stosunkowo małe, ale później ten wzorzec się odwraca.
- Albo średnie straty stają się mniej ujemne/bardziej ujemne, podczas gdy średnie zyski pozostają mniej więcej takie same.
Prosty model „co się zmieniło” brzmi: zmienił się rozkład wyników albo zmienił się sposób, w jaki próbkowałeś i mierzyłeś wyniki. Te dwa czynniki mają znaczenie, ponieważ prowadzą do różnych interpretacji.
Typowe wybory pomiarowe, które mogą zmieniać średnie (bez niczego „tajemniczego” się dziejącego), obejmują:
- dokładne okno czasowe,
- to, czy uwzględniasz wszystkie transakcje, czy tylko podzbiór,
- czy średnie są liczone na surowych kwotach, czy po uwzględnieniu pewnych kosztów,
- oraz to, czy zbiór danych zawiera częściowe realizacje (partial fills) lub korekty.
Dowód lub przykład: dlaczego dywergencja może się pojawić
Rozważ hipotetyczną konfigurację podobną do backtestu z jasnymi założeniami:
- Załóż, że liczysz average win i average loss na podstawie historii transakcji tej samej strategii.
- Załóż, że dzielisz historię na dwa równe okna czasowe.
- Załóż, że jakość realizacji oraz spready/koszty pozostają stałe w obrębie każdego okna, ale mogą się różnić między oknami.
Jeśli average wins i average losses poruszają się inaczej między Window 1 i Window 2, obserwujesz dywergencję.
Tę dywergencję można wyjaśnić co najmniej trzema niezależnymi (nie wykluczającymi się) przyczynami:
- Zmiana reżimu rynkowego: typowy dystans, o jaki porusza się cena przed zyskiem lub stratą, zmienia się.
- Zmiana kosztów lub realizacji: jeśli koszty rosną w Window 2, straty mogą pogarszać się bardziej niż zyski (lub odwrotnie), co zmienia średnie w inny sposób.
- Różnice w próbkowaniu i liczeniu: jeśli późniejsze okno zawiera więcej skrajnych obserwacji odstających (outliers) po jednej stronie, średnia przesuwa się bardziej właśnie dla tej strony.
Kluczowy punkt: „dywergencja” jest opisem danych, które policzyłeś, a nie automatycznym wyjaśnieniem pojedynczej przyczyny.
Ograniczenia i ryzyka: limity potwierdzenia i hindsight bias
Istnieją istotne ograniczenia i tryby porażki w interpretowaniu dywergencji:
- Dywergencja nie oznacza automatycznie, że wskaźnik „działa” lub „nie działa”. Tylko mówi, że historyczne cechy average win i loss różnią się między porównywanymi segmentami.
- Hindsight bias: jeśli najpierw spojrzysz na największą dywergencję, możesz „dopasować” wyjaśnienie po zobaczeniu wyniku, nawet jeśli wcześniejsze oczekiwanie było niejasne.
- Overfitting do jednego okresu: dywergencja może odzwierciedlać chwilowy stan. Historyczne zależności nie gwarantują przyszłych wyników.
- Niepewność wynikająca z kosztów i realizacji: średnie są wrażliwe na to, jak rejestrowane są wyniki. Dwa zbiory danych, które różnią się nieznacznie kosztami transakcyjnymi lub modelowaniem realizacji, mogą pokazywać inną dywergencję.
Weryfikacja lub następne pytanie: co możesz sprawdzić niezależnie
Aby zweryfikować, co dywergencja oznacza w Twoim kontekście, możesz sprawdzić, czy jest stabilna przy rozsądnych, z góry określonych wariantach:
- Przelicz Average Win i Average Loss według spójnych zasad (ta sama definicja win/loss, te same kryteria włączenia).
- Porównaj wiele podziałów czasowych (nie tylko okres, w którym dywergencja wygląda największa).
- Tam, gdzie to możliwe, rozdziel efekty, analizując kwoty wyników przed versus po wskazanych kosztach, jeśli Twoje zapisy pozwalają na taki podział.
- Sprawdź wrażliwość na sposób liczenia, powtarzając średnie z oczywistymi anomaliami danych (np. brakującymi transakcjami lub nieporównywalnymi rekordami realizacji) i bez nich.
Jeśli dywergencja utrzymuje się we wszystkich tych sprawdzeniach, sugeruje to, że zmieniły się bazowe rozkłady wyników. Jeśli znika, sugeruje to wrażliwość na pomiar/próbkowanie, a nie stabilną zmianę cech wydajności.