🔴 LEVEL 4 — Risk Management
🎯 เมื่อเรียนบทนี้จบ คุณจะเข้าใจ:
- Expectancy คืออะไร
- ทำไม Win Rate สูงไม่ได้แปลว่า Strategy ดี
- ทำไม Strategy ที่ชนะเพียง 40% อาจทำกำไรได้
- Average Win และ Average Loss มีความสำคัญอย่างไร
- Expectancy ต่อ Trade คืออะไร
- Expectancy ต่อ R คืออะไร
- Gross Expectancy และ Net Expectancy ต่างกันอย่างไร
- Transaction Cost ส่งผลต่อ Expectancy อย่างไร
- ทำไม Positive Expectancy ไม่ได้หมายความว่า Trade ถัดไปจะกำไร
- Sample Size มีผลต่อความน่าเชื่อถืออย่างไร
- Variance ทำให้ Strategy ที่ดีดูแย่ในระยะสั้นได้อย่างไร
- วิธีตรวจว่า Positive Expectancy เกิดจาก Edge หรือโชค
- วิธีใช้ Trading Journal เพื่อวัด Expectancy
- วิธีวิเคราะห์ Expectancy ของแต่ละ Setup
- วิธีต่อยอด Expectancy ไปสู่ Professional Strategy Evaluation
Expectancy คืออะไร?
Trading Expectancy คือ:
ผลลัพธ์เฉลี่ยที่ Strategy มีแนวโน้มสร้างได้ต่อ Trade เมื่อพิจารณาจากสถิติของระบบ
พูดง่าย ๆ:
ถ้าเราใช้ Strategy เดิมซ้ำจำนวนมาก ภายใต้เงื่อนไขที่ใกล้เคียงกัน เราคาดหวังผลลัพธ์เฉลี่ยต่อ Trade ได้ประมาณเท่าไร?
นี่ทำให้ Expectancy แตกต่างจากคำถามว่า:
“Trade นี้จะกำไรไหม?”
เพราะ Expectancy สนใจ:
ภาพรวมของ Distribution
ไม่ใช่:
ผลลัพธ์ของ Trade เดียว
สูตรพื้นฐานของ Expectancy
สูตรพื้นฐานคือ:
Expectancy = (Win Rate × Average Win) − (Loss Rate × Average Loss)
ตัวอย่าง:
Win Rate:
50%
Average Win:
+2R
Loss Rate:
50%
Average Loss:
−1R
ดังนั้น:
(0.50 × 2R) − (0.50 × 1R)
=
1R − 0.5R
=
+0.50R ต่อ Trade
+0.50R หมายความว่าอย่างไร?
ไม่ได้หมายความว่า:
Trade ถัดไปจะกำไร 0.50R
และไม่ได้หมายความว่า:
ทุก 2 Trade ต้องได้ +1R
แต่หมายถึง:
ภายใต้สมมติฐานของสถิติที่ใช้ หาก Distribution นี้คงอยู่ในระยะยาว ค่าเฉลี่ยทางคณิตศาสตร์ต่อ Trade อยู่ที่ประมาณ +0.50R
นี่เป็นความแตกต่างที่สำคัญมาก
Positive Expectancy
ถ้า:
Expectancy > 0
หมายความว่า:
Strategy มีผลลัพธ์เฉลี่ยเป็นบวกภายใต้ข้อมูลและสมมติฐานที่ใช้
เช่น:
+0.20R
หรือ:
+0.50R
Negative Expectancy
ถ้า:
Expectancy < 0
หมายความว่า:
ในระยะยาว Strategy มีผลลัพธ์เฉลี่ยเป็นลบภายใต้ Distribution นั้น
ตัวอย่าง:
Win Rate:
40%
Average Win:
1R
Average Loss:
1R
Expectancy:
(0.40 × 1) − (0.60 × 1)
=
−0.20R
ต่อให้มีบางช่วง:
กำไรดีมาก
ระบบโดยรวมยังมี:
Negative Expectancy
Zero Expectancy
ถ้า:
Expectancy = 0
ในทางทฤษฎี:
ผลกำไรเฉลี่ยและขาดทุนเฉลี่ยหักล้างกัน
แต่ในโลกจริง:
Transaction Costs
อาจทำให้:
Net Expectancy กลายเป็นลบ
นี่เป็นเหตุผลว่า:
Breakeven ก่อน Cost ไม่ได้แปลว่า Breakeven หลัง Cost
Gross Expectancy กับ Net Expectancy
นี่เป็นจุดที่สำคัญสำหรับการเทรดจริง
Gross Expectancy
ผลลัพธ์:
ก่อนหักต้นทุน
Net Expectancy
ผลลัพธ์:
หลังหักต้นทุน
เช่น:
Gross Expectancy:
+0.10R
Transaction Cost:
−0.08R
Net Expectancy:
+0.02R
Strategy ยังเป็นบวก
แต่:
Edge บางมาก
Transaction Cost สามารถฆ่า Edge ได้
สมมติ Strategy:
Gross Expectancy = +0.05R
แต่มี:
- Spread
- Commission
- Swap
- Slippage
รวม:
−0.08R
ดังนั้น:
Net Expectancy = −0.03R
Strategy ที่ดูเหมือน:
“กำไรได้”
จึงกลายเป็น:
Negative Expectancy ใน Live Trading
Scalping จึงต้องระวังเป็นพิเศษ
เพราะ Scalping:
Target และ Average Win อาจเล็ก
ดังนั้น:
Transaction Cost
สามารถกิน:
Edge
ในสัดส่วนที่สูง
Strategy ที่ Backtest แบบไม่รวมต้นทุน:
อาจดูดี
แต่เมื่อ Live:
ผลลัพธ์อาจแตกต่างมาก
Expectancy ไม่ได้ขึ้นอยู่กับ Win Rate อย่างเดียว
สมมติ:
Strategy A
Win Rate:
70%
Average Win:
1R
Average Loss:
2R
Expectancy:
(0.70 × 1) − (0.30 × 2)
=
0.70 − 0.60
=
+0.10R
Strategy B
Win Rate:
40%
Average Win:
2R
Average Loss:
1R
Expectancy:
(0.40 × 2) − (0.60 × 1)
=
0.80 − 0.60
=
+0.20R
ดังนั้น:
Strategy B ชนะน้อยกว่า
แต่:
Expectancy สูงกว่า
นี่คือเหตุผลว่า:
Win Rate สูงไม่ได้แปลว่า Edge สูง
Expectancy กับ R-Multiple
จากบทที่ 60 เราเรียน:
R-Multiple
ดังนั้นสามารถวิเคราะห์ Expectancy ในหน่วย:
R ต่อ Trade
ได้
ข้อดีคือ:
ไม่ขึ้นอยู่กับขนาดเงินทุนโดยตรง
ตัวอย่าง:
Trade 1:
+2R
Trade 2:
−1R
Trade 3:
+1R
Trade 4:
−1R
รวม:
+1R
ถ้ามี 4 Trades:
Average = +0.25R ต่อ Trade
ทำไมการวัดเป็น R มีประโยชน์?
เพราะสามารถเปรียบเทียบ:
Account $1,000
กับ:
Account $100,000
ได้ในระดับ Strategy
ถ้าทั้งสองระบบ:
Average = +0.25R
หมายความว่า:
Edge ในหน่วย Risk มีลักษณะเดียวกัน
แม้จำนวนเงินจะต่างกันมาก
Expectancy ไม่ใช่ Profit ต่อเดือน
นี่เป็นความเข้าใจผิดที่พบบ่อย
Expectancy:
ต่อ Trade
แต่ Monthly Profit:
ขึ้นอยู่กับจำนวน Trade
สมมติ:
Expectancy:
+0.20R
ถ้า Trade:
10 ครั้ง
ผลลัพธ์คาดหวังเชิงทฤษฎี:
+2R
ถ้า Trade:
100 ครั้ง
เชิงคณิตศาสตร์:
+20R
แต่ในโลกจริง:
ผลลัพธ์ไม่ได้เรียงตามค่าเฉลี่ยแบบเส้นตรงในทุกเดือน
เพราะมี:
Variance
Variance คืออะไร?
Variance ในบริบทการเทรดหมายถึง:
ความผันผวนของผลลัพธ์รอบค่าเฉลี่ยที่คาดหวัง
สมมติ Strategy:
Expectancy = +0.20R
ไม่ได้หมายความว่า:
ทุก 5 Trade ต้องได้ +1R
อาจเกิด:
−3R
ก่อนจะเกิด:
+5R
ก็ได้
Positive Expectancy + Negative Period
Strategy ที่มี:
Positive Expectancy
สามารถมี:
เดือนที่ขาดทุน
สัปดาห์ที่ขาดทุน
Losing Streak
Drawdown
ได้
นี่ไม่ใช่ข้อขัดแย้ง
เพราะ:
Expectancy เป็นค่าเฉลี่ยระยะยาว
ไม่ใช่:
เส้นทางที่รับประกันว่าจะเกิดขึ้น
ตัวอย่าง
Strategy:
Expectancy = +0.25R
แต่ 10 Trade แรก:
−4R
ไม่ได้พิสูจน์ทันทีว่า:
Strategy ไม่มี Edge
เพราะ:
Sample ยังเล็ก
และ:
Variance สามารถทำให้ผลลัพธ์เบี่ยงจากค่าเฉลี่ยได้มาก
แล้วเมื่อไรถึงเริ่มสงสัยว่า Edge หาย?
นี่คือคำถามที่สำคัญกว่า:
“ผมแพ้กี่ Trade ถึงจะหยุด?”
ไม่ควรใช้:
จำนวน Loss อย่างเดียว
ต้องตรวจ:
- Win Rate
- Average Win
- Average Loss
- Setup Quality
- Market Regime
- Execution
- Costs
- Distribution
Edge Decay
Edge Decay คือ:
ความสามารถในการสร้างผลลัพธ์ที่ดีของ Strategy ลดลงเมื่อเวลาผ่านไป
สาเหตุอาจเกิดจาก:
- Market Structure เปลี่ยน
- Participants เปลี่ยน
- Strategy ถูกใช้แพร่หลายขึ้น
- Volatility เปลี่ยน
- Transaction Cost เปลี่ยน
- Execution เปลี่ยน
ดังนั้น:
Positive Expectancy ในอดีตไม่ได้รับประกันว่า Edge จะคงอยู่ตลอดไป
Expectancy Stability
จึงควรดูว่า:
Expectancy Stable หรือไม่
ตัวอย่าง:
ช่วงที่ 1
+0.30R
ช่วงที่ 2
+0.28R
ช่วงที่ 3
+0.25R
ช่วงที่ 4
+0.22R
อาจยังเห็น:
Positive Trend
แต่ถ้า:
ช่วงที่ 1
+0.50R
ช่วงที่ 2
+0.10R
ช่วงที่ 3
−0.20R
ช่วงที่ 4
−0.40R
อาจต้อง:
Investigate Edge Decay
อย่าดู Average Expectancy อย่างเดียว
สมมติ Strategy:
Average Expectancy = +0.20R
แต่เมื่อแบ่งตาม:
Market Regime
พบว่า:
Trending
+0.60R
Range
−0.30R
ค่าเฉลี่ยรวม:
อาจยังเป็นบวก
แต่ข้อมูลนี้บอกว่า:
Strategy ไม่ได้ทำงานเท่ากันทุกสภาพตลาด
นี่มีประโยชน์มากกว่า:
ตัวเลข Average เพียงตัวเดียว
Expectancy by Setup
สมมติ Strategy มี 3 Setup:
Breakout
+0.35R
Pullback
+0.22R
Reversal
−0.15R
ค่าเฉลี่ยรวมอาจยัง:
Positive
แต่เราพบว่า:
Reversal กำลังลด Performance
นี่สามารถนำไปสู่:
Strategy Refinement
Expectancy by Session
สามารถแยก:
- Asian Session
- London Session
- New York Session
แล้ววิเคราะห์:
Expectancy
แต่ละช่วง
ตัวอย่าง:
London:
+0.30R
New York:
+0.15R
Asian:
−0.05R
อาจช่วยให้พบว่า:
Edge ไม่ได้กระจายเท่ากันทุก Session
Expectancy by Instrument
เช่น Strategy เดียวกันใช้กับ:
- EUR/USD
- GBP/USD
- USD/JPY
- XAU/USD
อาจพบว่า:
ผลลัพธ์แตกต่างกัน
ตัวอย่าง:
EUR/USD:
+0.20R
GBP/USD:
+0.25R
USD/JPY:
+0.05R
Gold:
−0.20R
นี่อาจนำไปสู่:
Instrument Selection
Expectancy by Timeframe
Strategy เดียวกัน:
M5
−0.05R
M15
+0.10R
H1
+0.25R
H4
+0.30R
ข้อมูลนี้ช่วยให้รู้ว่า:
Edge อยู่ตรงไหน
Sample Size สำคัญมาก
สมมติ:
Trade 5 ครั้ง
ผลลัพธ์:
+5R
Average:
+1R
ดูดีมาก
แต่:
5 Trades น้อยเกินไปที่จะสรุปว่า Strategy มี Edge อย่างมั่นใจ
ทำไม Sample เล็กถึงอันตราย?
เพราะ:
Randomness มีอิทธิพลสูง
ตัวอย่าง:
คุณโยนเหรียญ 5 ครั้ง
ได้:
หัว 5 ครั้ง
ไม่ได้แปลว่า:
เหรียญมีโอกาสออกหัว 100%
อาจเป็นเพียง:
Sample ที่โชคดี
การเทรดก็คล้ายกัน
Sample Size เพิ่มขึ้นอย่างไร?
สมมติ:
20 Trades
Expectancy:
+0.50R
100 Trades
+0.30R
500 Trades
+0.24R
1,000 Trades
+0.22R
ตัวเลขเริ่ม:
Stabilize
ข้อมูลลักษณะนี้น่าเชื่อถือกว่า:
ผลลัพธ์จาก 20 Trades
แต่ไม่มี “จำนวน Trade มหัศจรรย์”
ไม่มีตัวเลขเดียวที่บอกว่า:
100 Trades = พิสูจน์แล้ว
หรือ:
500 Trades = แน่นอน
เพราะขึ้นอยู่กับ:
- Variance
- Distribution
- Strategy Type
- Market Regime
- Independence
- Time Period
Time Coverage ก็สำคัญ
500 Trades ที่เกิดใน:
1 เดือน
อาจไม่ได้ครอบคลุม:
Market Regime ที่หลากหลาย
ในขณะที่:
200 Trades ที่เกิดตลอด:
5 ปี
อาจมีข้อมูล:
Trending
Range
High Volatility
Low Volatility
มากกว่า
ดังนั้น:
จำนวน Trade + ระยะเวลาครอบคลุมตลาด
ควรพิจารณาร่วมกัน
Expectancy และ Independence
สูตรพื้นฐานมักคิดว่า:
Trade แต่ละ Trade เป็นข้อมูลที่แยกจากกัน
แต่ในความเป็นจริง:
Trade อาจมีความสัมพันธ์กัน
เช่น:
เปิด 5 Position จาก:
USD Trend เดียวกัน
ผลลัพธ์อาจ:
ไม่ได้เป็น 5 Independent Events
นี่คือเหตุผลที่:
Portfolio-Level Analysis
ยังจำเป็น
Expectancy กับ Overfitting
สมมติคุณทดลอง:
100 Strategy Variations
แล้วเลือกตัวที่:
Expectancy สูงที่สุด
อาจพบ:
Strategy ที่ดูดีที่สุดใน Backtest
แต่เป็นเพียง:
ผลจากการค้นหาค่าที่เหมาะกับ Historical Noise
นี่เรียกว่า:
Selection Bias / Overfitting
วิธีลดปัญหา Overfitting
หลังสร้าง Strategy:
1.
In-Sample Testing
2.
Out-of-Sample Testing
3.
Forward Testing
4.
ดู Performance Stability
5.
ทดสอบหลาย Market Regime
Expectancy และ Out-of-Sample
ตัวอย่าง:
In-Sample:
+0.35R
Out-of-Sample:
+0.22R
ถือว่าน่าสนใจกว่า:
In-Sample:
+0.80R
Out-of-Sample:
−0.20R
เพราะกรณีหลัง:
Edge อาจเกิดจาก Overfitting
Expectancy กับ Costs
Professional Analysis ควรคำนวณ:
Gross Expectancy
ก่อน Cost
และ:
Net Expectancy
หลัง Cost
รวม:
- Spread
- Commission
- Swap
- Slippage
ตามความเหมาะสมของ Strategy
Cost Sensitivity Analysis
ลองถาม:
ถ้าต้นทุนเพิ่มขึ้น 20% จะเกิดอะไรขึ้น?
หรือ:
ถ้า Slippage สูงกว่าค่าเฉลี่ย 2 เท่า?
ถ้า Strategy:
ยังคง Positive
แสดงว่า:
Edge มี Buffer
แต่ถ้า:
เปลี่ยนเป็น Negative ทันที
แปลว่า:
Edge บาง
Edge Buffer
แนวคิดสำคัญ:
Edge Buffer
คือระยะห่างระหว่าง:
Strategy Expectancy
กับ:
ต้นทุนและความเสี่ยงที่อาจเปลี่ยนแปลง
ตัวอย่าง:
Net Expectancy:
+0.30R
แต่ Cost Shock:
−0.05R
ยังเหลือ:
+0.25R
มี Buffer
Expectancy กับ Execution
Backtest:
+0.30R
Live:
+0.12R
อาจไม่ได้แปลว่า:
Strategy เสีย
อาจเกิดจาก:
- Slippage
- Entry Delay
- Early Exit
- Missed Trade
- Spread
- Execution Error
ดังนั้นต้องแยก:
Strategy Edge
ออกจาก:
Execution Quality
Strategy Expectancy vs Trader Expectancy
นี่เป็นแนวคิดที่สำคัญมาก
Strategy Expectancy
ผลลัพธ์ของ:
ระบบตามกฎ
Trader Expectancy
ผลลัพธ์ของ:
สิ่งที่ Trader ปฏิบัติจริง
ตัวอย่าง:
Strategy:
+0.30R
แต่ Trader:
- เข้าไม่ครบ
- ปิดเร็ว
- ย้าย Stop
- Skip Winner
- Overtrade
Live Expectancy:
+0.05R
ดังนั้น:
Strategy อาจมี Edge
แต่:
Trader ไม่สามารถ Capture Edge ได้เต็มที่
Expectancy Leakage
เรียกแนวคิดนี้ได้ว่า:
Expectancy Leakage
คือ:
Edge ที่หายไปจากการ Execution
ตัวอย่าง:
Strategy:
+0.30R
Loss จาก Execution:
−0.10R
Loss จาก Costs:
−0.05R
เหลือ:
+0.15R
ดังนั้น:
Strategy มี Edge แต่การนำไปใช้จริงลดประสิทธิภาพลง
วิธีตรวจ Expectancy Leakage
บันทึก:
- Planned Entry
- Actual Entry
- Planned Stop
- Actual Stop
- Planned TP
- Actual Exit
- Slippage
- Cost
- Rule Violation
แล้วเปรียบเทียบ:
Model vs Actual
Expectancy Curve
สามารถติดตาม:
Cumulative R
ตามจำนวน Trade
ตัวอย่าง:
Trade 1:
+1R
Trade 2:
+2R
Trade 3:
+1R
Trade 4:
0R
Trade 5:
+3R
Cumulative:
+7R
แล้ววิเคราะห์ว่า:
Curve เติบโตอย่างไร
แต่ Equity Curve อย่างเดียวไม่พอ
สอง Strategy อาจมี:
Cumulative Profit เท่ากัน
แต่:
Strategy A
ผลลัพธ์กระจายสม่ำเสมอ
Strategy B
กำไรส่วนใหญ่เกิดจาก:
Trade ใหญ่เพียงไม่กี่ครั้ง
ความเสี่ยง:
แตกต่างกัน
ดังนั้นควรดู:
Distribution
Tail Dependence
ถ้า Strategy ได้กำไรจาก:
Winner ใหญ่มากเพียงไม่กี่ครั้ง
การเปลี่ยนแปลงของ:
Tail Outcomes
สามารถส่งผลต่อ Expectancy อย่างมาก
นี่คือเหตุผลว่า:
Average อย่างเดียวอาจหลอกเราได้
Median กับ Mean
สมมติผลลัพธ์:
−1R
−1R
−1R
−1R
+10R
Mean:
+1.2R
แต่ Trade ส่วนใหญ่:
ขาดทุน
ดังนั้น:
Mean บอกว่ามี Positive Expectancy
แต่:
Distribution บอกว่าระบบพึ่งพา Winner ใหญ่มาก
นี่สำคัญสำหรับ:
Psychology และ Position Management
Expectancy กับ Win Rate Stability
สมมติ:
Win Rate:
50%
ช่วงแรก:
55%
ช่วงหลัง:
38%
Average Win:
คงเดิม
Expectancy:
อาจลดลงมาก
ดังนั้น:
ต้อง Monitor Components ของ Expectancy
ไม่ใช่ดู Expectancy เพียงตัวเดียว
Expectancy Decomposition
สามารถแยกเป็น:
Win Rate
Average Win
Average Loss
Cost
แล้วถาม:
“อะไรเป็นตัวทำให้ Expectancy เปลี่ยน?”
ตัวอย่าง:
Expectancy ลดจาก:
+0.30R → +0.10R
อาจเกิดจาก:
Win Rate ลด
ไม่ใช่:
R:R ลด
หรือ:
Costs เพิ่ม
Professional Insight: Expectancy by Regime
Professional Trader สามารถสร้าง Matrix:
| Regime | Expectancy |
|---|---|
| Strong Trend | +0.45R |
| Moderate Trend | +0.25R |
| Range | +0.05R |
| High Volatility | −0.20R |
จากข้อมูลนี้:
อาจสร้าง Rule:
ใช้ Strategy เต็มขนาดใน Strong Trend
ลด Risk ใน Range
หยุดหรือเปลี่ยน Model ใน High Volatility
แต่ต้อง:
Validate ด้วยข้อมูลจริงก่อนนำไปใช้
Professional Insight: Expectancy Confidence
ไม่ควรดูเพียง:
+0.20R
แต่ควรถาม:
“เรามั่นใจแค่ไหนว่าค่า +0.20R นี้สะท้อน Edge จริง?”
สิ่งที่ต้องพิจารณา:
- Sample Size
- Variance
- Confidence Interval
- Out-of-Sample
- Regime Coverage
- Data Quality
Confidence Interval แบบแนวคิด
สมมติ Sample:
30 Trades
Expectancy:
+0.30R
แต่ช่วงความไม่แน่นอนกว้างมาก
อาจยัง:
สรุปไม่ได้ชัดเจนว่า Edge จริงสูงถึง +0.30R
หากมี:
2,000 Trades
และ Expectancy:
+0.22R
พร้อมความไม่แน่นอนที่แคบลง
ความมั่นใจ:
อาจสูงขึ้น
อย่าใช้ Expectancy เป็น “เครื่องทำนาย Trade ถัดไป”
นี่คือข้อควรจำ:
Expectancy ไม่ได้บอกว่า Trade ถัดไปจะ:
+0.2R
มันบอก:
ค่าเฉลี่ยของ Distribution
ดังนั้น:
Trade ถัดไปอาจเป็น +3R
หรือ:
−1R
หรือ:
0R
ก็ได้
Expectancy กับ Decision Making
ดังนั้นเวลาตัดสินใจ:
ไม่ควรถาม:
“Expectancy บอกว่า Trade นี้ต้องชนะไหม?”
แต่ถาม:
“Trade นี้อยู่ภายใต้เงื่อนไขที่ Strategy มี Historical Edge หรือไม่?”
นี่เป็นการใช้ Expectancy อย่างถูกต้องกว่า
วิธีสร้าง Expectancy Dashboard
Trader สามารถติดตาม:
| Metric | Value |
|---|---|
| Total Trades | 500 |
| Win Rate | 46% |
| Avg Win | +1.8R |
| Avg Loss | −1R |
| Gross Expectancy | +0.37R |
| Trading Cost | −0.08R |
| Net Expectancy | +0.29R |
| Median R | +0.10R |
| Max DD | 12% |
| Current DD | 4% |
จากนั้นดู:
Expectancy เปลี่ยนแปลงอย่างไรตามเวลา
🧪 แบบฝึกหัด
สมมติ Strategy มี:
Win Rate = 45%
Average Win = +2R
Average Loss = −1R
คำนวณ:
(0.45 × 2) − (0.55 × 1)
=
0.90 − 0.55
=
+0.35R
ดังนั้น Strategy นี้มี:
Positive Gross Expectancy
แบบฝึกหัดที่ 2
ถ้ามี Cost:
0.10R ต่อ Trade
Net Expectancy:
0.35R − 0.10R
=
+0.25R
ดังนั้น:
Edge ยังเป็นบวก
แบบฝึกหัดที่ 3
ถ้า Cost เพิ่มเป็น:
0.40R
Net Expectancy:
0.35R − 0.40R
=
−0.05R
Strategy:
กลายเป็น Negative Expectancy
นี่แสดงให้เห็นว่า:
ต้นทุนสามารถเปลี่ยน Strategy ที่ดูดีให้กลายเป็น Strategy ที่เสียเปรียบได้
วิธีตรวจ Strategy ว่ามี Edge จริงหรือไม่
ใช้ขั้นตอนนี้:
Step 1 — เก็บข้อมูล
อย่าเริ่มจาก:
ความรู้สึก
เก็บ Trade จริง
↓
Step 2 — Normalize เป็น R
เพื่อให้เปรียบเทียบได้
↓
Step 3 — คำนวณ Components
- Win Rate
- Average Win
- Average Loss
↓
Step 4 — คำนวณ Gross Expectancy
↓
Step 5 — หัก Costs
↓
Step 6 — แยกตาม Setup / Market Regime
↓
Step 7 — ตรวจ Sample Size
↓
Step 8 — Test Out-of-Sample
↓
Step 9 — Forward Test
↓
Step 10 — Monitor Expectancy Drift
นี่จึงใกล้เคียงกับ:
Evidence-Based Strategy Evaluation
⚠️ ข้อผิดพลาดที่พบบ่อย
❌ ดูแค่ Win Rate
❌ ดูแค่กำไรรวม
❌ คำนวณจาก Trade น้อยเกินไป
❌ ไม่หัก Cost
❌ เอา Expectancy ไปทำนาย Trade ถัดไป
❌ ไม่แยก Setup
❌ ไม่แยก Market Regime
❌ ไม่ตรวจ Out-of-Sample
❌ เลือก Strategy ที่ดีที่สุดจากการทดลองจำนวนมากโดยไม่ระวัง Selection Bias
❌ คิดว่า Positive Expectancy = กำไรทุกเดือน
❌ ไม่ตรวจ Edge Decay
❌ ไม่แยก Strategy Edge กับ Execution Quality
🧠 20 สิ่งที่ควรจำจากบทเรียนนี้
- Expectancy คือผลลัพธ์เฉลี่ยที่ Strategy คาดหวังต่อ Trade ภายใต้ Distribution ที่กำหนด
- Positive Expectancy ไม่ได้หมายความว่า Trade ถัดไปจะชนะ
- Win Rate สูงไม่ได้แปลว่า Expectancy สูง
- Average Win มีความสำคัญพอ ๆ กับ Win Rate
- Average Loss มีผลโดยตรงต่อ Expectancy
- Gross Expectancy ต้องแยกจาก Net Expectancy
- Spread, Commission และ Slippage สามารถลดหรือทำลาย Edge
- Expectancy ในหน่วย R ช่วยให้เปรียบเทียบ Strategy ได้ง่าย
- Variance ทำให้ Strategy ที่ดีขาดทุนในระยะสั้นได้
- Sample Size มีผลต่อความน่าเชื่อถือของ Expectancy
- จำนวน Trade อย่างเดียวไม่พอ ต้องดูระยะเวลาที่ครอบคลุม Market Regime
- Expectancy ควรวิเคราะห์แยกตาม Setup, Instrument และ Market Regime
- Edge สามารถเสื่อมลงตามเวลา
- Positive Expectancy ในอดีตไม่ได้รับประกันอนาคต
- Out-of-Sample และ Forward Test ช่วยตรวจสอบความแข็งแรงของ Edge
- Strategy Expectancy กับ Trader Expectancy อาจแตกต่างกัน
- Execution สามารถทำให้ Expectancy รั่วไหล
- Mean เพียงอย่างเดียวไม่สามารถอธิบาย Distribution ทั้งหมด
- Professional Trader ต้องติดตามการเปลี่ยนแปลงของ Components ที่สร้าง Expectancy
- สิ่งสำคัญไม่ใช่การหา Strategy ที่เคยทำกำไรสูงที่สุด แต่คือการหาหลักฐานว่า Edge นั้นมีโอกาสคงอยู่เมื่อเปลี่ยนข้อมูลและสภาพตลาด
📌 สรุปบทเรียนที่ 61
เราได้มาถึงอีกหนึ่งแนวคิดสำคัญของการประเมิน Strategy:
Expectancy
ที่ผ่านมาเราเรียนว่า:
R:R บอกความสัมพันธ์ระหว่าง Risk กับ Reward
แต่ R:R เพียงอย่างเดียว:
ยังบอกไม่ได้ว่า Strategy มี Edge หรือไม่
สิ่งที่เราต้องนำมารวมกันคือ:
Win Rate
Average Win
Average Loss
Trading Cost
↓
Net Expectancy
จากนั้นต้องถามต่อว่า:
“ค่า Expectancy นี้เกิดจาก Edge จริง หรือเกิดจาก Sample ที่เล็กและ Variance?”
จึงต้องตรวจ:
Sample Size
Market Regime
Out-of-Sample
Forward Test
Stability
Execution
และ:
Edge Decay
นี่คือความแตกต่างระหว่าง:
“Strategy นี้เคยกำไร”
กับ:
“เรามีหลักฐานเพียงพอที่จะเชื่อว่า Strategy นี้มี Positive Expectancy ที่สามารถนำไปใช้งานต่อได้”
สำหรับมือใหม่:
เริ่มบันทึกทุก Trade เป็นหน่วย R และคำนวณ Expectancy อย่างสม่ำเสมอ
สำหรับ Trader ที่มีประสบการณ์:
อย่าดูเพียงค่าเฉลี่ยรวม ให้แยก Expectancy ตาม Setup, Instrument, Session และ Market Regime
สำหรับ Professional:
ให้ติดตาม Expectancy Stability + Distribution + Costs + Regime + Execution เพื่อดูว่า Edge ยังคงอยู่หรือกำลังเสื่อมลง
จำประโยคสำคัญ:
“กำไรในอดีตพิสูจน์ได้เพียงว่า Strategy เคยทำกำไร แต่ Positive Expectancy ที่ผ่านการทดสอบหลายสภาวะจึงเป็นหลักฐานที่แข็งแรงกว่าว่า Strategy อาจมี Edge”
📚 บทเรียนถัดไป — LEVEL 4
บทเรียนที่ 62: Win Rate หลอกเราได้อย่างไร? วิธีวิเคราะห์ Winning และ Losing Distribution ของ Strategy
บทต่อไปจะ ไม่สอน Expectancy ซ้ำ แต่จะเจาะสิ่งที่อยู่เบื้องหลัง Expectancy คือ Distribution ของผลลัพธ์ เช่น Win Rate ที่เปลี่ยนไปตาม Setup, Losing Streak, Winning Streak, Clustering ของผลลัพธ์ และเหตุผลที่ Trader อาจเข้าใจ Strategy ผิดจากการดูแค่ Win Rate เฉลี่ย เพียงตัวเดียว.
Share This Story, Choose Your Platform!
🔴 LEVEL 4 — Risk Management 🎯 เมื่อเรียนบทนี้จบ คุณจะเข […]
🔴 LEVEL 4 — Risk Management 🎯 เมื่อเรียนบทนี้จบ คุณจะเข […]
🔴 LEVEL 4 — Risk Management 🎯 เมื่อเรียนบทนี้จบ คุณจะเข […]
🔴 LEVEL 4 — Risk Management 🎯 เมื่อเรียนบทนี้จบ คุณจะเข […]
