SQN [Part 3/3]: Evaluating the Quality of Your Trading System

มาสู่บทความสุดท้ายกันเเล้วนะครับ ในส่วนของ SQN หลังจากที่เราได้รู้ถึง Risk, R-Multiple, Expectancy ถึงเวลาที่จะนำทุกอย่างเข้ามารวมกัน

ซึ่ง SQN สามารถอธิบายได้ว่าเป็นความสัมพันธ์ระหว่าง expectancy หารด้วย standard deviation จากนั้นนำไปคูณกับ total trades นั้นเอง

หรือกล่าวคือ

Expectancy วัดความสามารถในการทํากําไรของระบบของเรา ในขณะที่ค่าเบี่ยงเบนมาตรฐานวัดความสม่ําเสมอหรือความเสถียรของระบบ

หาก R-multiples แต่ละตัวของเรามีการกระจายอยู่ใกล้เคียงกับ expectancy ค่าเบี่ยงเบนมาตรฐานของเราจะต่ำ ทําให้ SQN มีค่ามากขึ้น

ในทํานองเดียวกัน หากมี sample ที่มากขึ้น หรือ จำนวนครั้งของการเทรด (total trades) ที่ใหญ่จะมีผลทางนัยสําคัญทางสถิติของ SQN ที่สูงขึ้น

ซึ่ง Dr. Tharp ได้ให้ benchmark ไว้บนฐานของ sample size ที่ 100 trades ไว้ดังนี้

เรามาพูดถึงข้อจำกัดของ SQN กันบ้าง

ทุกๆ metric ที่ใช้เป็นตัวชี้วัดระบบ ย่อมมีทั้งจุดเด่นเเละจุดด้อย SQN ก็เช่นกัน เราจึงควรเลือกใช้อย่างเหมาะสมเเละผสมกับ metric ตัวอื่นๆด้วยครับ

1. ผลกระทบจาก Sample Size หรือ จำนวนครั้งของการเทรด

ขนาดตัวอย่างที่ใหญ่เกินไป อาจทําให้ประเมินคุณภาพของระบบสูงเกินความเป็นจริง เนื่องจาก SQN มีความสัมพันธ์โดยตรงกับรากที่สองของขนาดตัวอย่าง (เพราะสูตรมีการนำ จำนวน trades ไปคูณ) ซึ่งวิธีเเก้คือ

• ถ้ามีการทดสอบน้อยกว่า 100 เทรด ให้ใช้สูตร SQN ปกติ
• ถ้ามีการทดสอบมากกว่า 100 เทรด ให้คูณอัตราส่วนระหว่าง R-expectancy กับค่าเบี่ยงเบนมาตรฐานด้วย 10 (ซึ่งถือว่ามีเทรดเพียง 100 เทรด) เพื่อป้องกันผลลัพธ์ดีเกินจริงจากจำนวนครั้งการเทรดที่มาก

จากรูป เป็นตัวอย่างความสัมพันธ์ระหว่าง จำนวนครั้งการเทรดกับค่า SQN จะเห็นได้ว่า เมื่อคำนวณเเบบปกติ ค่า SQN เท่ากับ 3.85 หลังจากมีการเทรด 1,167 เทรด

เเต่ถ้าใช้ขนาดตัวอย่าง 100 เทรดแทน ค่า SQN จะลดลงอย่างมากเป็น 1.13

จากตารางเกณฑ์ของ Dr. Tharp ดังกล่าว ทําให้การประเมินคุณภาพของระบบเปลี่ยนไปจาก “ยอดเยี่ยม” เป็น “ปานกลาง” ได้เลยครับ

ซึ่งแสดงให้เห็นผลกระทบอย่างชัดเจนของขนาดตัวอย่างที่มีต่อการประเมินคุณภาพของระบบการลงทุนครับ

— — — — — — — — — — — -

2. ผลกระทบจาก ขนาดของออเดอร์ Wins/Loss ที่ใหญ่

ค่า SQN มีความสัมพันธ์ในทางตรงข้ามกับค่าเบี่ยงเบนมาตรฐานของ R-multiple (เพราะค่าเบี่ยงเบนมาตรฐาน เป็นตัวหาร) ซึ่งวัดความสม่ำเสมอของการซื้อขายแต่ละครั้งของเรา

ผลขาดทุนที่สูงผิดปกติย่อมจะทําให้ SQN ต่ำลง แต่น่าเสียดายผลกําไรที่สูงผิดปกติก็มีผลเช่นเดียวกัน ผลกําไรที่สูงผิดปกติจะทําให้ค่าเบี่ยงเบนมาตรฐานเพิ่มขึ้นมากกว่าที่มันเพิ่มค่า R-expectancy

ซึ่งอาจเกิดปัญหากับระบบประเภท Trend following เพราะมักจะเกิด การได้กำไรที่เป็นไม้ใหญ่ๆ ซึ่ง การได้กำไรไม้ใหญ่ๆนี้เเหละครับ ทำให้เกิด การกระจายตัวเเบบ ‘fat tail distribution’

ตัวอย่าง Trade Distribution

วิธีเเก้ก็คือเราสามารถ นำ metric อื่นๆ ที่ไม่ได้มีการนำ upside volatility เข้ามาคำนวณด้วย มาวัดผลประกอบ

อย่างประเภทที่โฟกัสกับ downside volatility เป็นหลัก เช่น Sortino ratio ที่เป็นตัวปรับปรุงของ Sharpe ratio เพื่อโฟกัสกับความผันผวนของฝั่ง downside อย่างเดียว นั่นเองครับ

.

.

Algo Alchemist