Mecanismo: o que “Média de Ganho e Perda” mede
A Média de Ganho e Perda (frequentemente abreviada para AWL) descreve o tamanho médio de resultados positivos versus resultados negativos em um conjunto de trades. O significado exato depende das regras usadas para rotular os resultados.
Um trade normalmente é contado como ganho se seu resultado realizado estiver acima de zero (ou acima de um limite escolhido) e como perda se estiver abaixo de zero (ou abaixo de um limite escolhido). A “média de ganho” é o tamanho médio dos ganhos; a “média de perda” é o tamanho médio das perdas (às vezes reportada como um número negativo, às vezes como uma magnitude absoluta).
Como você precisa definir o rótulo de ganho/perda e como os trades são encerrados, o timeframe se torna central. Se você observar resultados após diferentes períodos de permanência—minutos versus dias, ou dentro de diferentes janelas de calendário—você está alterando tanto:
- o período de permanência usado para realizar os resultados (quando você decide o resultado do trade), e
- o período em que as trajetórias de preço são amostradas (quanto movimento e variação um trade tem tempo para vivenciar).
Como o timeframe muda as estatísticas de ganho/perda
O timeframe afeta a AWL por vários canais gerais e mecanicamente estáveis.
-
Mais tempo permite mais divergência Com períodos de permanência mais longos, uma posição tem mais oportunidade de se afastar da entrada. Isso pode aumentar tanto a chance de ganhos maiores quanto a chance de perdas maiores. Em outras palavras, a distribuição dos resultados pode se ampliar com o tempo, mesmo que a deriva média de longo prazo não mude.
-
O timing dos resultados muda o que você chama de “ganho” Se você encurtar a janela de medição, alguns trades que eventualmente virariam ganhos podem ser contados como perdas se suas regras os encerrarem cedo. Por outro lado, atrasar a medição pode reclassificar resultados quando um trade é permitido se recuperar.
-
Custos e microestrutura importam mais em horizontes curtos Em timeframes curtos, pequenas fricções (como custos de trading) podem representar uma parcela maior dos resultados realizados. Isso pode deslocar a média de ganho e a média de perda, especialmente quando muitos trades têm pouco movimento bruto de preço.
-
Mudanças de regime e eventos raros importam mais em horizontes mais longos Em timeframes mais longos, os mercados podem entrar em regimes diferentes (por exemplo, volatilidade maior versus volatilidade menor). Isso pode fazer a AWL refletir uma mistura de condições em vez de um único ambiente estável. Eventos raros, mas com impacto, também podem alterar as médias.
Exemplo de cenário com premissas explícitas
Considere um processo simplificado em que os trades são mantidos por 1 hora ou 5 dias, e o resultado de cada trade é registrado no fim do período de permanência. Além disso, suponha que o mesmo método de entrada seja usado nos dois casos, mas o tempo de saída seja diferente.
- Em 1 hora, muitos trades podem ser encerrados após um movimento limitado. Alguns trades terminarão ligeiramente positivos e outros ligeiramente negativos, então a média de ganho e a média de perda podem ser relativamente pequenas.
- Em 5 dias, os mesmos trades podem vivenciar um movimento mais amplo. Alguns podem alcançar resultados positivos muito maiores; outros podem se mover mais para o lado negativo. Assim, as médias podem se afastar.
Isso ilustra o ponto-chave: mudar o período de permanência muda qual parte da trajetória de preço se torna realizada, o que muda a AWL calculada.
Limitações, modos de falha e o que você pode verificar
O timeframe pode fazer a AWL parecer melhor ou pior sem nenhuma mudança na habilidade subjacente, porque as regras de medição mudam.
Limitações materiais / modos de falha
- Viés de seleção a partir da regra de medição: Se a rotulagem de ganho/perda depende do tempo de permanência, comparações de AWL entre timeframes podem estar comparando “experimentos” diferentes.
- Sensibilidade a custos: Se os custos não forem contabilizados de forma consistente, a AWL de curto prazo pode ser enganosa.
- Não-estacionariedade: Relações históricas entre timeframe e AWL não garantem comportamento futuro.
Como verificar usando apenas fatos gerais Um leitor pode verificar o efeito do timeframe checando que todos os itens a seguir são consistentes ao comparar AWL entre períodos de permanência:
- a definição de um ganho e de uma perda (limites e ponto zero),
- a regra de saída que finaliza o resultado realizado,
- o tratamento de custos usado no dataset (ao menos conceitualmente, mesmo que valores exatos não estejam disponíveis), e
- a cobertura da amostra (por exemplo, se ambos os timeframes cobrem condições de mercado semelhantes).
Ponto de controle (pergunta importante) Pergunte: Você está comparando AWL entre timeframes usando a mesma lógica de classificação e de saída, mudando apenas o período de permanência?
DOCUMENT END