Resposta direta
Um exemplo trabalhado de Expectancy mostra como calcular o resultado médio por trade (ou decisão) a partir de um pequeno conjunto de entradas: a probabilidade de ganhar, a probabilidade de perder e os valores de pagamento para ganhos e perdas. A parte “trabalhada” significa que você realmente substitui números na fórmula e mantém cada suposição visível.
Mecânica: definição e como o cálculo funciona
Expectancy (frequentemente escrito como E) é uma forma de estimar o resultado médio de longo prazo de um processo de decisão repetível. Um arranjo comum para uma decisão semelhante a um trade é:
- Seja p(win) a probabilidade de um ganho.
- Seja p(loss) a probabilidade de uma perda.
- Seja W o lucro líquido de um trade vencedor (após custos).
- Seja L a magnitude da perda líquida de um trade perdedor (como um número positivo).
Então, a expectancy pode ser expressa como:
E = p(win) × W − p(loss) × L
Se você estiver usando o modelo mais simples de dois resultados, você também assume:
- p(win) + p(loss) = 1
As unidades importam. Se W e L forem medidos em “moeda da conta por trade”, então E também estará em “moeda da conta por trade”. Se você usar “pips” ou “percent”, então E estará nessas mesmas unidades.
Evidência ou exemplo: um cenário numérico transparente e trabalhado
Suponha uma regra de decisão que resulte apenas em dois resultados: ganho ou perda, com as seguintes suposições claramente declaradas:
- p(win) = 0.40 (40% das decisões terminam em ganho)
- p(loss) = 0.60 (60% terminam em perda)
- W = +2.0 unidades (um ganho é +2.0 após custos)
- L = 1.5 unidades (uma perda é −1.5; tratamos L como a magnitude 1.5)
Agora calcule:
E = 0.40 × 2.0 − 0.60 × 1.5 E = 0.80 − 0.90 E = −0.10 unidades por decisão
Interpretação (cuidado na formulação): sob essas suposições, o resultado líquido médio por decisão é negativo. Importante: isso não prevê resultados futuros para qualquer sequência específica; ele resume o que o seu modelo implica quando essas entradas estão corretas e estáveis.
Para conferir a aritmética, compare os pesos:
- A contribuição do ganho é 40% de +2.0 → +0.8
- A contribuição da perda é 60% de −1.5 → −0.9
- Média líquida → −0.1
Limitações e riscos: o que pode tornar a Expectancy enganosa
Pelo menos um modo de falha material é que a expectancy depende inteiramente da correção e estabilidade das entradas:
-
Erros de custos e de compensação (netting): Se você usar lucro/perda bruto em vez de valores líquidos (incluindo spreads, comissões, slippage), a expectancy calculada pode parecer melhor do que realmente é.
-
Mudança nas condições de mercado/provedor: Probabilidades e pagamentos podem mudar. Mesmo que a expectancy seja positiva em uma amostra, ela pode não se manter quando as condições mudam.
-
Seleção de resultados e dados não representativos: Se a amostra usada para estimar p(win) ou os pagamentos tiver viés, o cálculo trabalhado será matematicamente correto, mas empiricamente pouco confiável.
-
Simplificação de dois resultados: Resultados reais podem incluir empate (breakeven), preenchimentos parciais ou tamanhos de ganho variáveis. Um modelo “ganho/perda apenas” pode ocultar detalhes importantes da distribuição.
Verificação ou próxima pergunta
Como o cálculo é simples, você pode verificá-lo de forma independente:
- Recalcule E usando os seus próprios p(win), W e L declarados.
- Confirme que as probabilidades somam 1 (no modelo de dois resultados).
- Verifique se os pagamentos são medidos de forma consistente (mesmas unidades e líquidos de custos).
Uma próxima pergunta prática é: A sua definição de “ganho” e “perda” corresponde aos resultados líquidos que você consegue medir de fato (incluindo custos) e a estimativa de probabilidade é baseada em uma amostra representativa?
DOCUMENT END