امید ریاضی معامله‌گری چیست؟ محاسبه با R و ارزیابی عملکرد

پاسخ عملی در یک فرمول

اگر ۴۰٪ معامله‌ها برنده باشند، میانگین برد ۲R و میانگین باخت ۱R باشد، امید ریاضی برابر است با ۰٫۲R برای هر معامله: حاصل ۰٫۴ ضربدر ۲، منهای ۰٫۶ ضربدر ۱. یعنی در همان نمونه و پیش از هزینه‌های محاسبه‌نشده، هر معامله به‌طور متوسط یک‌پنجم ریسکی که از قبل تعریف شده ارزش افزوده داشته است.

expectancy = (win rate × average win) − (loss rate × average loss)

این عدد پیش‌بینی نتیجه‌ی معامله‌ی بعدی نیست. ممکن است ده معامله‌ی بعدی همگی بازنده باشند و فرمول همچنان برای توصیف نمونه‌ی بزرگ‌تر مثبت بماند. کاربردش تصمیم درباره‌ی یک ورود نیست؛ ارزیابی مجموعه‌ای از قوانین تکرارشونده است. محاسبه‌گر امید ریاضی معامله‌گری نرخ‌ها و میانگین‌های شما را به R و مقدار پولی تبدیل می‌کند.

R چیست و چرا از دلار یا درصد بهتر مقایسه می‌شود

یک R همان زیانی است که طبق برنامه در صورت رسیدن قیمت به حد ضرر می‌پذیرید. اگر روی حساب ۱۰هزار دلاری برای یک معامله ۱۰۰ دلار ریسک برنامه‌ریزی کنید، ۱R برابر ۱۰۰ دلار است. سود ۲۵۰ دلاری +۲٫۵R و زیان ۷۰ دلاری −۰٫۷R ثبت می‌شود.

مزیت R این است که نتایج معامله‌هایی با قیمت، بازار و اندازه‌ی متفاوت را روی یک مقیاس می‌آورد. سود ۲۰۰ دلاری روی ریسک ۱۰۰ دلار عملکرد +۲R است؛ همان سود روی ریسک ۵۰۰ دلار فقط +۰٫۴R. نگاه کردن به مبلغ خام، تفاوت کیفیت این دو تصمیم را پنهان می‌کند.

R برنامه‌ریزی‌شده با R واقعی فرق دارد. اگر قرار بود ۱۰۰ دلار ضرر کنید اما به‌دلیل اسلیپیج ۱۳۰ دلار از دست رفت، نتیجه −۱٫۳R است. اگر پیش از حد ضرر با تشخیص معتبر خارج شدید و ۴۰ دلار زیان کردید، −۰٫۴R ثبت می‌شود. تغییر دادن مخرج پس از نتیجه — مثلاً گفتن اینکه ریسک از اول ۱۳۰ دلار بوده — تاریخچه را زیبا می‌کند اما امکان یادگیری را از بین می‌برد.

چرا نرخ برد می‌تواند گمراه‌کننده باشد

دو سیستم را تصور کنید. سیستم اول ۸۰٪ مواقع یک R می‌برد اما در ۲۰٪ باقی‌مانده پنج R می‌بازد. امید ریاضی آن ۰٫۲R منفی است: ۰٫۸ منهای ۱. سیستم دوم فقط ۳۵٪ برد دارد، میانگین بردش ۳R و میانگین باختش ۱R است؛ امید ریاضی آن ۰٫۴R مثبت است. سیستم دوم بیشتر اوقات حس شکست می‌دهد اما در این نمونه ساختار اقتصادی بهتری دارد.

این مقایسه توضیح می‌دهد چرا «چند درصد سیگنال‌ها درست بود؟» سؤال ناقصی است. اندازه‌ی نتیجه نیز باید کنار فراوانی آن دیده شود. مقاله‌ی چرا بیشتر معامله‌گران ضرر می‌کنند رفتارهایی را بررسی می‌کند که معمولاً بردها را کوچک و باخت‌ها را بزرگ می‌کند.

مثال ۴۰ معامله‌ای، مرحله‌به‌مرحله

یک روش فرضی ۴۰ معامله دارد: ۱۶ برد با میانگین +۲٫۱R و ۲۴ باخت با میانگین −۰٫۸۵R. مجموع بردها ۳۳٫۶R و مجموع قدرمطلق باخت‌ها ۲۰٫۴R است. سود خالص ۱۳٫۲R و امید ریاضی ۰٫۳۳R به ازای هر معامله می‌شود.

حالا فرض کنید کارمزد و اسلیپیج هر رفت‌وبرگشت به‌طور متوسط ۰٫۰۷R باشد. هزینه‌ی ۴۰ معامله ۲٫۸R و امید ریاضی خالص ۰٫۲۶R می‌شود. اگر متوسط هزینه ۰٫۳۵R بود، مزیت ظاهری به −۰٫۰۲R تبدیل می‌شد. به همین دلیل آزمونی که هزینه را حذف می‌کند درباره‌ی قابلیت اجرای واقعی روش پاسخ نمی‌دهد.

نرخ برد سربه‌سر از کجا می‌آید

اگر میانگین برد و باخت را بدانیم، نرخ بردی که امید ریاضی را صفر می‌کند از فرمول زیر به دست می‌آید:

break-even win rate = average loss ÷ (average win + average loss)

با میانگین برد ۲R و باخت ۱R، نرخ برد سربه‌سر ۳۳٫۳٪ است. این عدد پیش از هزینه‌هاست. افزودن متوسط هزینه ۰٫۱R به هر معامله، مرز واقعی را بالاتر می‌برد. همین ارتباط در محاسبه‌گر ریسک به بازده برای یک معامله نمایش داده می‌شود؛ expectancy آن را روی مجموعه‌ای از معامله‌ها می‌سنجد.

Profit Factor، میانگین R و expectancy یک چیز نیستند

Profit Factor از تقسیم مجموع سودهای ناخالص بر مجموع قدرمطلق زیان‌ها ساخته می‌شود. عدد بالاتر از ۱ یعنی نمونه سود ناخالص مثبت داشته است. expectancy نتیجه را بر تعداد معامله تقسیم می‌کند و می‌گوید هر فرصت به‌طور متوسط چه ارزشی داشته. میانگین R ساده نیز اگر همه‌ی هزینه‌ها و نتایج در R ثبت شده باشند با expectancy نمونه برابر می‌شود.

هیچ‌کدام به‌تنهایی مسیر حساب را نشان نمی‌دهند. دو سیستم می‌توانند expectancy یکسان داشته باشند اما یکی بردهای کوچک و منظم و دیگری چند برد بسیار بزرگ و دوره‌های طولانی زیان داشته باشد. برای توان تحمل واقعی باید بیشینه‌ی افت سرمایه، طول زنجیره‌ی باخت و توزیع R نیز دیده شود.

نمونه‌ی کافی چند معامله است؟

یک عدد جادویی وجود ندارد. کفایت نمونه به فراوانی فرصت، تنوع شرایط بازار و پراکندگی نتایج وابسته است. بیست معامله با یک برد استثنایی می‌تواند expectancy جذابی بسازد که با حذف همان یک مورد منفی می‌شود. زیاد بودن تعداد هم اگر همه‌ی داده‌ها از یک روند خاص آمده باشند، تنوع واقعی ایجاد نمی‌کند.

به‌جای تعیین آستانه‌ی قراردادی، این سه پرسش را بررسی کنید: آیا نمونه چند رژیم روندی، رنج و پرنوسان را پوشش می‌دهد؟ آیا نتیجه بدون بهترین و بدترین چند معامله نیز معقول است؟ آیا بخش جدیدی از داده که در طراحی قواعد استفاده نشده نتیجه‌ی هم‌جهت نشان می‌دهد؟ پاسخ منفی یعنی هنوز شواهد کافی ندارید.

برای یک برآورد تقریبی می‌توان خطای استاندارد میانگین را از انحراف معیار R تقسیم بر جذر تعداد معامله به دست آورد. اما بازده‌های معاملاتی اغلب نرمال و مستقل نیستند؛ معامله‌های یک روند به هم وابسته‌اند و دنباله‌های سنگین دارند. پس فاصله‌ی اطمینان ساده، نشانه است نه گواه قطعی.

بیش‌برازش چگونه مزیت خیالی می‌سازد

اگر ده‌ها ترکیب اندیکاتور، تایم‌فریم و پارامتر را روی یک تاریخ امتحان کنید، بالاخره ترکیبی پیدا می‌شود که تصادفاً عالی به نظر برسد. وقتی همان داده هم برای ساختن قانون و هم برای قضاوت نهایی استفاده شود، آزمون عملاً پاسخ را از قبل دیده است. این همان بیش‌برازش یا curve fitting است.

راه دفاع، جدا کردن داده‌ی طراحی از داده‌ی ارزیابی است. ابتدا قواعد و پارامترها روی بخش آموزشی تعریف می‌شوند؛ سپس بدون تغییر روی بخش خارج از نمونه اجرا می‌شوند. در آزمون رو‌به‌جلو نیز قواعد در یک پنجره ساخته و در پنجره‌ی بعدی سنجیده می‌شوند. اگر با هر شکست پارامترها دوباره تنظیم شوند، داده‌ی «خارج از نمونه» دیگر خارج از نمونه نیست.

ژورنال باید چه داده‌ای ثبت کند

• پیش از معامله: نام setup، تایم‌فریم، دلیل ورود، نقطه‌ی ابطال، ورود برنامه‌ریزی‌شده، حد ضرر، هدف و ۱R پولی.
• اجرای واقعی: زمان و قیمت ورود/خروج، اندازه، نوع سفارش، کارمزد، فاندینگ و اسلیپیج.
• نتیجه: R ناخالص، R خالص، بیشینه‌ی حرکت موافق و مخالف و اینکه خروج طبق قانون بود یا نه.
• زمینه: رژیم بازار، رویداد خبری، نقدشوندگی و هر شرطی که در قواعد روش تعریف شده است.
• فرایند: آیا معامله معتبر بود حتی اگر باخت؟ آیا معامله‌ی برنده‌ای وجود داشت که برخلاف قانون گرفته شد؟

هدف ژورنال اثبات باهوش بودن نیست؛ جدا کردن کیفیت تصمیم از تصادف نتیجه است. بردِ خارج از قانون باید تخلف ثبت شود و باختِ کاملاً منطبق با قانون می‌تواند اجرای درست باشد. در محیط تمرین می‌توانید این ثبت را بدون درگیر کردن پول واقعی آغاز کنید، هرچند فشار روانی بازار واقعی در آن بازتولید نمی‌شود.

تحلیل زیرگروه‌ها بدون فریب دادن خود

میانگین کل ممکن است تفاوت setupها را پنهان کند. expectancy را می‌توان برای لانگ و شورت، تایم‌فریم، نوع setup و رژیم بازار جدا دید. اما تقسیم بیش از حد، نمونه‌های کوچک و نتایج تصادفی می‌سازد. دسته‌بندی باید پیش از دیدن نتیجه تعریف شود و دلیل عملی داشته باشد.

اگر روش در روند مثبت و در رنج منفی است، پاسخ لزوماً حذف تمام معاملات رنج نیست؛ ابتدا باید معلوم شود «روند» با قاعده‌ای قابل تکرار و بدون نگاه به آینده تشخیص داده شده است. برچسبی که پس از پایان نمودار زده شود، در اجرای زنده قابل استفاده نیست.

چک‌لیست ارزیابی یک سیستم

1. قواعد ورود، خروج و ابطال را طوری بنویسید که دو نفر نتیجه‌ی مشابه بگیرند.
2. ۱R را پیش از هر معامله ثابت و R واقعی را بدون بازنویسی ثبت کنید.
3. کارمزد، اسلیپیج، فاندینگ و معاملات اجرا‌نشده را در داده نگه دارید.
4. expectancy، Profit Factor، افت سرمایه، زنجیره‌ی باخت و توزیع نتایج را کنار هم ببینید.
5. اثر حذف چند معامله‌ی بسیار بزرگ را بررسی کنید تا وابستگی به outlier معلوم شود.
6. داده‌ی خارج از نمونه یا آزمون رو‌به‌جلو داشته باشید و بعد از دیدن نتیجه قانون را دستکاری نکنید.
7. نتایج را بر اساس setupهای ازپیش‌تعریف‌شده مقایسه کنید، نه دسته‌بندی‌های ساخته‌شده پس از نتیجه.
8. عملکرد خوب شبیه‌سازی را تضمین بازار واقعی ندانید و اندازه‌ی شروع واقعی را محدود نگه دارید.

پرسش‌های رایج

آیا expectancy مثبت یعنی معامله‌ی بعدی سود می‌دهد؟

خیر. expectancy میانگین یک توزیع در یک نمونه است. نتیجه‌ی تک‌معامله تصادفی است و حتی یک سیستم تاریخی مثبت می‌تواند زنجیره‌ی طولانی باخت داشته باشد.

R باید همیشه یک درصد حساب باشد؟

نه. R واحد ریسک برنامه‌ریزی‌شده است و می‌تواند بر اساس سیاست شما مبلغ یا درصد دیگری باشد. مهم، تعریف پیش از ورود و سازگاری ثبت است. درصد بیشتر همیشه بهتر نیست؛ ریسک بزرگ‌تر افت سرمایه و فشار رفتاری را تشدید می‌کند.

معاملات سربه‌سر را برد حساب کنیم یا باخت؟

بهتر است نتیجه‌ی واقعی آن‌ها، مثلاً −۰٫۰۵R پس از هزینه، در دنباله بماند. تبدیل اجباری به برد یا باخت اطلاعات را کم می‌کند. اگر ابزار فقط نرخ برد و باخت می‌گیرد، سربه‌سرها را جدا گزارش و expectancy را از میانگین تمام Rها کنترل کنید.

حداقل Profit Factor قابل قبول چقدر است؟

آستانه‌ی جهانی وجود ندارد. عدد باید با اندازه‌ی نمونه، هزینه، افت سرمایه و ثبات خارج از نمونه تفسیر شود. اختلاف کوچک بالای ۱ ممکن است با تغییر هزینه یا چند معامله از بین برود.

چرا نتیجه‌ی زنده از بک‌تست بدتر است؟

دلایل رایج شامل هزینه و اسلیپیج ناقص، سوگیری نگاه به آینده، داده‌ی پاک‌تر از واقع، انتخاب پارامتر پس از دیدن تاریخ، فرصت‌های اجرا‌نشده و تفاوت رفتار انسان زیر فشار پول واقعی است. اختلاف الزاماً اثبات نمی‌کند بازار دستکاری شده است.