Defina Average Win Loss como um conceito mensurável
Average Win Loss é uma forma de resumir o tamanho das “vitorias” em comparação com o tamanho das “perdas”, usando resultados históricos de trades. Em backtesting responsável, você primeiro define as quantidades exatas que vai medir, porque “win” e “loss” podem ser calculados de várias maneiras.
Uma estrutura comum é:
- Escolha uma regra consistente para o que conta como um resultado de trade (por exemplo, o lucro/prejuízo final de cada trade concluído).
- Converta os resultados em uma unidade comparável (como P&L na moeda da conta, ou termos de movimento de preço).
- Defina “trades vencedoras” como trades com resultado positivo e “trades perdedoras” como trades com resultado negativo (ou use valores absolutos, mas então declare isso claramente).
- Calcule as médias: o tamanho médio da vitória (average win) e o tamanho médio da perda (average loss).
Se você usar uma razão (por exemplo, average win dividido por average loss), defina a convenção de sinais. Muitos erros em backtesting vêm de misturar médias com sinal com médias absolutas.
Mecanismo: entradas, premissas e o papel dos custos
Um backtest cuidadoso de Average Win Loss depende do modelo de dados que você escolhe. No mínimo, você precisa de:
- Uma lista de registros de trades em ordem temporal (horários de entrada/saída e o resultado realizado correspondente).
- Uma regra para lidar com casos de borda (fechamentos parciais, trades no break-even, cancelamentos e trades que não são concluídos).
- Premissas explícitas para realismo de execução.
O princípio-chave de “costs-features” é: seus resultados históricos devem ser baseados nas mesmas premissas econômicas que você quer avaliar. Custos e fricções incluem itens como spreads, comissões e slippage. Mesmo que você não saiba os custos futuros exatos, ainda é possível fazer testes responsáveis ao:
- Armazenar todas as premissas usadas para converter movimento de preço em P&L do trade.
- Rodar análises de sensibilidade (por exemplo, variando slippage ou níveis de custo assumidos dentro de uma faixa plausível) para ver se a conclusão depende de uma configuração otimista.
Evidência e exemplo de cálculo (com premissas)
Suponha que você tenha um conjunto de dados de trades concluídos. Você decide:
- Vitorias são trades em que o P&L realizado > 0.
- Perdas são trades em que o P&L realizado < 0.
- Você usa a média do P&L realizado para cada grupo.
- Trades no break-even são excluídos de ambas as médias (ou incluídos como zero—indique qual).
Exemplo (apenas ilustrativo):
- Average win = (soma dos valores de P&L positivos) / (número de trades vencedoras).
- Average loss = (soma dos valores de P&L negativos) / (número de trades perdedoras). Se você depois fizer um “absolute average loss”, você usa a magnitude.
Para verificar o backtest, recalcule esses valores diretamente a partir da lista de P&L dos trades armazenada. Se as médias calculadas não coincidirem, o problema é definição ou tratamento de dados, não desempenho do mercado.
Limitações e modos de falha que você deve testar
Average Win Loss é descritivo, não preditivo. Backtesting responsável o trata como um resumo histórico cuja estabilidade pode falhar quando as condições de mercado, a qualidade de execução ou o timing das decisões mudam.
Pelo menos uma limitação material é essencial:
- Mudança de regime: uma estratégia pode mostrar uma certa relação entre average wins e losses em um ambiente de mercado, e depois mudar mais tarde.
- Desalinhamento de custos: se resultados históricos ignorarem spreads/comissões ou subestimarem slippage, a comparação entre “average win” e “average loss” pode ser distorcida.
- Viés de seleção e de sobrevivência: se o conjunto de dados contiver apenas trades que “sobreviveram” a um processo de revisão, ou se você filtrou inadvertidamente resultados de uma forma que se correlaciona com lucratividade, as médias podem ficar enviesadas.
- Overfitting às definições: tentar muitas variações do que conta como win/loss, qual timing você usa para entradas/saídas, ou como você mede os resultados pode gerar uma falsa sensação de robustez.
Controles de viés e verificações fora da amostra
Para reduzir esses riscos, use procedimentos que testem se a relação medida generaliza:
- Definições consistentes ao longo do tempo: use a mesma regra de win/loss, tratamento do break-even e cálculo de P&L em todos os períodos.
- Divisão baseada em tempo: estime sua abordagem de medição em um período anterior e avalie-a em um período posterior que não foi usado para refinar definições.
- Relato fora da amostra: compare average win e average loss (e qualquer razão) entre períodos in-sample e out-of-sample.
- Análise de sensibilidade: recalcule métricas sob diferentes premissas razoáveis de custo/execução para verificar se as conclusões dependem de um único cenário otimista.
DOCUMENT END