Definição e o que o indicador realmente está medindo
Average Win Loss é um resumo de desempenho que compara a magnitude típica dos resultados de wins com a magnitude dos resultados de losses. Na prática, as pessoas geralmente o calculam a partir de um conjunto de trades, tirando um tamanho médio de win e um tamanho médio de loss e, em seguida, expressando a relação entre eles (frequentemente como uma razão ou uma diferença).
Como “win size” e “loss size” podem ser definidos de várias maneiras, a consideração mais avançada não é apenas a fórmula, mas a convenção de medição. Dois conjuntos de dados podem produzir valores diferentes de Average Win Loss mesmo que a atividade de trading subjacente seja idêntica, simplesmente porque um conjunto mede wins e losses antes de custos enquanto o outro inclui custos.
Um modelo simples e autocontido para discussão:
- Defina cada resultado de trade como um resultado realizado (por exemplo, em pips, moeda da conta ou percentual de retorno).
- Marque o trade como um “win” se o resultado realizado estiver acima de um limiar neutro (comumente maior que zero, mas alguns sistemas usam um limiar de break-even após custos).
- Marque o trade como um “loss” se o resultado realizado estiver abaixo desse limiar.
- Calcule AvgWin como a média dos resultados de win.
- Calcule AvgLoss como a média dos resultados de loss (comumente reportado como um número negativo).
- Combine-os em uma única métrica, como AvgWin / |AvgLoss|, para fazer uma comparação sem dimensão.
Se você usar uma razão, decida se quer tratar AvgLoss como negativo (e tirar um valor absoluto) ou se quer calcular uma comparação com sinal. Qualquer uma pode ser válida, mas misturar convenções pode tornar comparações pouco confiáveis.
Mecânicas centrais: entradas, consistência e restrições de implementação
1) Definição do resultado (bruto vs líquido)
Uma dependência importante é se os resultados são medidos brutos de custos de transação ou líquidos deles. Custos de transação podem incluir spread, comissões e outros efeitos relacionados à execução. Se você mede wins e losses antes de custos, seu Average Win Loss pode parecer mais forte do que se você medisse os mesmos trades líquidos.
Para manter a métrica verificável, declare sua suposição explicitamente:
- Suposição para um exemplo: você mede o resultado realizado de cada trade na moeda da conta após todos os custos explícitos conhecidos no fechamento do trade.
- Suposição alternativa: você mede apenas o movimento bruto de preço (pips) sem incorporar custos.
Essas suposições levam a wins e losses “típicos” diferentes, especialmente quando losses são mais frequentes em mercados onde os custos de execução são relativamente grandes em comparação com os tamanhos típicos de movimento.
2) Tratamento de fechamentos parciais e break-even
Casos de borda surgem quando um trade é fechado em partes ou quando o resultado realizado é exatamente zero (ou igual ao seu limiar de break-even escolhido).
Opções comuns incluem:
- Tratar um fechamento em break-even como nem win nem loss e excluí-lo de ambas as médias.
- Tratar como win (se você define win como >= limiar) ou como loss (se você define loss como <= limiar).
Cada escolha altera AvgWin e/ou AvgLoss. A consideração avançada é evitar escolhas “silenciosas” que diferem entre backtests, logs ao vivo e planilhas. Mesmo uma pequena mudança de política pode deslocar a métrica de forma material quando o conjunto de dados inclui muitos resultados próximos do break-even.
3) Moeda, escala e comparabilidade
Se você calcula resultados em pips, pode haver valores de pip diferentes entre instrumentos; se você calcula em moeda da conta, pode haver efeitos de tamanho e alavancagem. Se você calcula em percentual de retorno, pode introduzir efeitos de capitalização e tamanhos de exposição variáveis.
Para verificação, fixe um sistema de unidades:
- Ou use a mesma unidade para cada trade (por exemplo, P&L realizado em moeda da conta).
- Ou, se os instrumentos forem diferentes, normalize para que cada resultado tenha um significado consistente.
4) Sensibilidade da métrica a outliers
Como Average é uma média, Average Win Loss é sensível a valores extremos.
Modo de falha:
- Um pequeno número de wins muito grandes ou losses muito grandes pode dominar a média, fazendo com que o valor “típico” seja menos representativo.
Uma forma prática de entender essa dependência sem fingir prever resultados é verificar a distribuição qualitativamente ou calcular resumos alternativos (por exemplo, medianas) junto com a média. O ponto-chave é que “average” não é robusto, e a robustez afeta a interpretação.
Evidência por meio de exemplos e o que verificar
Exemplo 1: Mesma taxa de acerto, Average Win Loss diferente
Suponha que você tenha 10 trades.
- Conjunto A: 5 wins média +10 unidades cada; 5 losses média −5 unidades cada.
- AvgWin = 10, AvgLoss = −5, convenção de razão AvgWin/|AvgLoss| = 2.0
- Conjunto B: 5 wins média +10 unidades cada; 5 losses média −2 unidades cada.
- AvgWin = 10, AvgLoss = −2, razão = 5.0
Mesmo que a taxa de acerto seja idêntica (50%), Average Win Loss é diferente porque a magnitude dos losses é diferente.
Verificação avançada:
- Verifique que sua definição do resultado win/loss é consistente entre os dois conjuntos de dados, incluindo custos e limiares.
Exemplo 2: “Average win” muda após inclusão de custos
Suponha 4 trades:
- Dois trades vencedores têm pequenos movimentos brutos positivos de preço.
- Dois trades perdedores têm movimentos brutos maiores.
Se os custos de transação forem incluídos apenas para alguns trades (ou incluídos de forma diferente), AvgWin pode encolher em direção a zero ou até cruzar seu limiar de break-even, mudando quais trades são contados como wins. AvgLoss também pode mudar, não apenas por magnitude, mas por pertencimento.
Verificação avançada:
- Recalcule a métrica sob sua suposição declarada de custos e confirme que o pertencimento (win vs loss) não muda silenciosamente.
Exemplo 3: AvgLoss zero ou próximo de zero
Se houver muito poucos trades perdedores, ou se os losses estiverem agrupados de forma apertada perto do limiar de break-even, |AvgLoss| pode se tornar muito pequeno. Em uma fórmula de razão, isso pode inflar Average Win Loss dramaticamente.
Modo de falha:
- Uma métrica que parece “forte” pode ser impulsionada por ruído de medição em vez de uma relação estável.
Verificação avançada:
- Informe as contagens de wins e losses junto com a métrica.
- Trate casos com tamanhos de amostra de losses extremamente pequenos como baixa confiança na interpretabilidade.
Limitações e riscos (o que pode dar errado)
1) Dependência do regime de mercado e da agregação temporal
Average Win Loss não é uma constante universal. Condições de mercado diferentes mudam os tamanhos típicos de movimento, o comportamento de tendência, a volatilidade e a distribuição dos resultados dos trades.
Uma consideração avançada chave é o timeframe:
- Timeframes mais curtos tendem a incluir mais ruído e podem produzir muitos resultados próximos do break-even.
- Timeframes mais longos podem incluir mudanças de regime em que a relação entre as magnitudes de win e loss muda.
Isso significa que a métrica pode variar ao longo do tempo mesmo que o “processo” subjacente não mude.
DOCUMENT END