Resposta direta: o que “configurações” podem mudar na média de ganhos e perdas
“Como as configurações alteram a média de ganhos e perdas?” depende do que você quer dizer com “configurações”. Na prática, as configurações alteram (1) como um resultado é categorizado como ganho ou perda, (2) quais operações entram no cálculo e (3) como custos e execução são refletidos. Por causa disso, a média de ganhos e perdas pode se mover mesmo que as condições subjacentes do mercado permaneçam as mesmas. Isso é melhor explicado como um problema de sensibilidade e trade-off, e não como uma regra única de causa e efeito.
Se você mudar suas regras de decisão, limites de risco, tempo de permanência ou como você trata resultados parciais, você também muda a distribuição dos resultados reais das operações. Portanto, a média de ganhos e perdas é sensível tanto ao seu conjunto de regras quanto às suas suposições de processamento de dados.
Mecanismo ou definição: o que a média de ganhos e perdas mede
A média de ganhos e perdas é uma comparação-resumo entre duas médias:
- o tamanho médio dos resultados rotulados como “ganhos”
- o tamanho médio dos resultados rotulados como “perdas”
O detalhe-chave é que “tamanho” é definido pelo seu método de medição (por exemplo, lucro líquido após custos, ou movimento bruto de preço convertido para a moeda da conta). O detalhe-chave para a interpretação é que a rotulagem de ganho/perda também vem das suas configurações. Por exemplo, se uma regra dispara uma saída assim que um limiar é atingido, então a métrica reflete os tamanhos típicos dos resultados sob essa lógica de saída.
Um modelo simples para sensibilidade:
- Suas configurações definem uma “condição de saída” (o que encerra uma operação e como ela é classificada).
- Essas condições de saída mudam o conjunto de resultados que entram na média de ganhos e na média de perdas.
- Custos (spread, comissões, slippage) mudam o tamanho líquido registrado para cada operação.
- A média de ganhos e perdas reportada é uma função dessas entradas e da seleção da amostra (quais operações você inclui).
Evidência ou exemplo: como rotulagem de resultados e agrupamento mudam a métrica
Considere dois backtests no mesmo caminho histórico de preços com configurações diferentes, usando resultados líquidos.
Suposição: você rotula ganhos/perdas com base em se o preço atinge um limiar de saída antes de uma condição contrária encerrar a operação. Em ambas as execuções, você registra resultados líquidos após custos.
- Se você apertar o limiar de ganho mantendo o limiar de perda semelhante, menos operações podem atingir primeiro a condição de ganho. Isso pode reduzir a proporção e o tamanho típico dos ganhos, e também pode aumentar a chance de as operações terminarem sob a lógica de perda. A média de ganhos e perdas pode mudar porque a amostra de ganhos muda.
- Se você mudar o tempo de permanência ou introduzir uma saída baseada em tempo, você pode converter o que teria se tornado ganhos maiores em ganhos menores ou até em perdas. Como alguns resultados são “cortados”, as médias de ganho e de perda mudam.
- Se você mudar as regras de inclusão das operações (por exemplo, excluir operações com spreads atípicos, ou incluir saídas parciais de forma diferente), a métrica pode mudar sem nenhuma alteração no comportamento do mercado. As médias agora são calculadas em um conjunto de dados diferente.
Esses exemplos mostram o mesmo princípio: mudar configurações altera a classificação, os custos impactam e a composição da amostra muda.
Limitações e riscos: por que comparações podem falhar
Limitação material: a média de ganhos e perdas não é um indicador universal de desempenho futuro.
Modos comuns de falha incluem:
- Mudanças de regime e não-estacionariedade: as distribuições históricas de ganhos/perdas podem não corresponder às distribuições futuras.
- Descompasso de custos e execução: backtests ou fontes de dados podem representar spreads ou slippage de forma diferente do seu ambiente ao vivo. Isso muda os tamanhos líquidos de ganhos/perdas.
- Efeitos do tamanho da amostra: com menos operações, as médias podem ser dominadas por outliers. Um ganho ou uma perda incomumente grande pode distorcer o resultado.
- Viés oculto de sobrevivência ou de seleção: se suas configurações excluem certas operações, a métrica reflete efeitos de seleção em vez de “comportamento verdadeiro” das operações.
- Inconsistência na definição da métrica: se um cálculo usa resultados brutos e outro usa resultados líquidos, você não está comparando coisas equivalentes.
Verificação ou próxima pergunta: o que você pode checar de forma independente
Para verificar como as configurações afetaram a média de ganhos e perdas, confira explicitamente estes itens na sua própria análise ou documentação:
- Checagem de definição: confirme exatamente como os resultados são rotulados como ganhos e perdas, e como o “tamanho” do resultado é calculado. - Checagem de custos: confirme se spreads/comissões/slippage são incluídos e como eles são modelados. - Checagem de inclusão: confirme quais operações são incluídas (filtros, janelas de tempo, saídas parciais) e se essas regras mudaram.
DOCUMENT END