Win Rate، R-Multiple و Expectancy

Win Rate، R-Multiple و Expectancy

## زبان آماری نتیجه Win Rate نسبت معاملات برنده به کل معاملات و Loss Rate مکمل آن است. در ۶۰ معامله با ۲۷ برد و ۳۳ باخت، Win Rate برابر `27/60=45%` و Loss Rate برابر ۵۵٪ است. این دو فقط فراوانی را می‌گویند؛ اندازه برد و باخت را نشان نمی‌دهند. یک R همان Initial Planned Monetary Risk معامله است. اگر Initial Risk صد دلار باشد، نتیجه‌های +۲۰۰، +۵۰، −۱۰۰ و −۴۰ دلار به‌ترتیب +2R، +0.5R، −1R و −0.4R هستند. R معاملات با بودجه‌های دلاری متفاوت را قابل مقایسه می‌کند. هر باخت الزاماً −1R نیست: خروج جزئی یا زودهنگام، Trailing، Gap، Slippage و Fill واقعی می‌تواند Realized R را تغییر دهد. ## Expectancy، نه Win Rate تنها با Average Loss به‌صورت قدرمطلق مثبت، مدل ساده چنین است: `Expectancy = P(win) × Average Win − P(loss) × Average Loss` سیستم A با Win Rate چهل درصد، Average Win برابر 2R و Average Loss برابر 1R، مقدار `0.40×2−0.60×1=+0.20R` در هر معامله دارد. این میانگین مدل است، نه سود تضمینی هر سفارش. Win Rate بالا می‌تواند گمراه‌کننده باشد. سیستم B با ۷۰٪ برد، Average Win برابر 0.5R و Average Loss برابر 1.5R، Expectancy برابر `0.70×0.5−0.30×1.5=−0.10R` دارد. در مقابل سیستم C با ۳۵٪ برد، Average Win برابر 2.5R و Average Loss برابر 1R، `0.35×2.5−0.65×1=+0.225R` می‌سازد. کیفیت از تعامل احتمال و Payoff می‌آید. درس ۵ نرخ برد سر‌به‌سر نظری را معرفی کرد: با برد/باخت ثابت و پیش از هزینه، 1:1 به ۵۰٪، 2:1 به ۳۳٫۳۳٪ و 3:1 به ۲۵٪ نیاز دارد. اما Strategy واقعی باید با Average Win و Average Loss تحقق‌یافته سنجیده شود، نه Target تبلیغ‌شده. خروج زودهنگام ممکن است Target سه R را به Average Win بسیار کمتر تبدیل کند. ## توزیع R و اندازه نمونه نمونه `+2R, −1R, +0.5R, −0.7R, +3R, −1R` جمع `2.8R` و میانگین `2.8/6≈0.4667R` دارد. شش معامله برای اثبات Edge پایدار کافی نیست. یک برد 3R سهم بزرگی از میانگین دارد و با نمونه بعدی نتیجه می‌تواند جابه‌جا شود. علاوه بر میانگین، پراکندگی، Losing Streak، Outlier، تغییر Size، تفکیک Setup و ثبات Rule مهم‌اند. Selection Bias—حذف معاملات بد یا انتخاب بازه مطلوب—Expectancy را مصنوعی می‌کند. داده باید شامل همه اجرای واجد شرایط و تعریف ثابت R باشد. ## Gross و Net اصطکاک درس ۹ باید از Edge خام کم شود. Gross Expectancy برابر +0.18R و Average Friction برابر 0.06R، در مدل ساده Net برابر +0.12R می‌دهد. Gross برابر +0.04R با همان Friction به حدود −0.02R می‌رسد. هزینه می‌تواند با Size، Session و Liquidity متغیر باشد؛ این تفریق یک تقریب آموزشی است. Positive Historical Expectancy نمی‌گوید معامله بعدی برنده است. تغییر Regime، اجرای بدتر، افزایش هزینه، تغییر Strategy و خطای نمونه می‌تواند پارامترها را ناپایدار کند. Expectancy باید روی داده خارج از نمونه و دوره‌های تازه پایش شود و تغییر Rule با نسخه‌بندی ثبت گردد. ### خوانش حرفه‌ای آمار گزارش کامل حداقل Win/Loss Rate، Average Win/Loss بر حسب R، تعداد نمونه، Gross و Net Expectancy و تعریف هزینه را کنار هم می‌گذارد. انتخاب Strategy صرفاً با بزرگ‌ترین Win Rate یا دورترین Target، بخشی از توزیع را پنهان می‌کند.

Win Rate، R-Multiple و Expectancy

تمرین