Resposta direta
O Average Win Loss pode ser combinado com métricas que respondem perguntas diferentes: se os trades vencedores e perdedores têm tamanhos consistentes, como custos e execução afetam os resultados realizados e quão estáveis são os resultados em condições que mudam. Usadas em conjunto, elas fornecem papéis analíticos não duplicativos — ainda que carreguem o risco de entradas correlacionadas se as métricas adicionadas forem derivadas dos mesmos dados subjacentes de um modo que amplifique um erro.
Mecânica e definição
Average Win Loss se refere a resumir os resultados dos trades usando médias para dois grupos: trades vencedores e trades perdedores. Um modo comum de calculá-lo é:
- Average win = (soma dos resultados dos trades vencedores) ÷ (número de trades vencedores)
- Average loss = (soma dos resultados dos trades perdedores) ÷ (número de trades perdedores)
Depois, você interpreta relações como o tamanho relativo dos ganhos versus perdas, ou o quanto a média de vitória/derrota depende da amostra.
Para manter a mecânica clara, declare as suposições antes de combiná-lo com outras medidas:
- Os resultados são medidos antes ou depois do spread, comissão e outros custos?
- Os resultados são líquidos de slippage (diferença entre os preços esperados e os preços executados)?
- A amostra é uma conta, um único regime de mercado, ou um período misto?
Isso importa porque o Average Win Loss descreve a forma dos resultados realizados, não os fatores que os impulsionam. A estrutura do mercado e a execução do provedor podem mudar a distribuição das execuções e, portanto, alterar os resultados médios.
Com o que ele pode ser combinado (papéis não duplicativos)
A seguir estão combinações que normalmente adicionam informações diferentes em vez de repetir a mesma ideia.
1) Desempenho ajustado por custos
O Average Win Loss pode ser combinado com uma verificação de ajuste de custos que responde: “Se considerarmos o atrito realista, as médias ainda parecem semelhantes?” Por exemplo, compare as médias de vitória/derrota calculadas a partir do movimento bruto de preço versus resultados líquidos que incluem suposições de taxas e slippage. Se os custos comprimirem materialmente os ganhos ou piorarem as perdas, a visão combinada reduz o risco de creditar táticas que só funcionaram “no papel”.
Exemplo de suposição: você usa a mesma lista de trades e o mesmo timing de execução, mas muda apenas o modelo de custos (de modo que qualquer diferença seja atribuível aos custos).
2) Métricas de variabilidade e distribuição
As médias podem esconder o que acontece nas caudas. Combine o Average Win Loss com métricas de variabilidade, como a dispersão dos resultados dos trades ou a frequência de desfechos extremos. Isso ajuda a responder: “As perdas são consistentemente parecidas, ou são na maior parte perdas de tamanho médio com algumas grandes lacunas ocasionais?”
Um cenário realista é um conjunto de dados em que a perda média parece administrável, mas um pequeno número de perdas raras de cauda domina o risco. A abordagem combinada destaca essa limitação.
3) Drawdown e estabilidade temporal
O Average Win Loss pode ser combinado com drawdown e verificações de estabilidade baseadas no tempo para abordar: “A relação se mantém ao longo dos períodos, ou ela se agrupa por regime?” Um exemplo simples é comparar médias em janelas de tempo separadas (por exemplo, início versus depois) usando as mesmas definições.
Isso não é uma promessa de desempenho futuro; é um teste de estresse para saber se a estatística é estável ou dependente do regime.
4) Resumos de qualidade de execução
Combine-o com medidas que reflitam qualidade de execução, como se os resultados realizados diferem sistematicamente do movimento de preço esperado. Se as perdas forem consistentemente maiores do que o que as execuções esperadas explicariam, os efeitos de execução podem estar contribuindo.
Essa é uma limitação material: o Average Win Loss pode ser influenciado fortemente pelo tratamento de ordens e pelo comportamento de execução, não apenas pela qualidade das decisões.
Limitações e riscos (incluindo modos de falha)
Risco de entradas correlacionadas
Quando você combina várias métricas derivadas dos mesmos resultados subjacentes dos trades, você pode acabar aumentando o peso de um único problema. Por exemplo, se o seu framework de cálculo tiver uma suposição de custos incorreta, o Average Win Loss e os resumos de drawdown provavelmente vão parecer “consistentes” ao mesmo tempo, porém estarão consistentemente errados.
Para reduzir o risco de entradas correlacionadas, varie uma suposição por vez (por exemplo, altere apenas de resultados brutos para resultados líquidos) e documente a mudança.
Ocultação de perdas de cauda
As médias podem falhar quando as distribuições de perdas são assimétricas. Dois conjuntos de dados podem ter a mesma perda média, mas riscos muito diferentes devido a eventos extremos raros. Isso pode levar a subestimar a probabilidade de falha.
Viés de seleção de amostra
Se o conjunto de dados inclui apenas trades que atingiram certas condições (ou exclui trades por falta de dados), as médias podem não representar todo o processo.