Coin Autopsy Journal

Win Rate Adalah Vanity Metric: Kenapa Trader dengan Win Rate 40% Bisa Mengalahkan Trader dengan Win Rate 90%

oleh mage

Ada satu angka yang hampir selalu menjadi bahan pamer di dunia trading.

"Win rate saya 90%."

Sekilas memang terdengar impresif.

Secara psikologis, angka tersebut memberikan rasa aman. Kita cenderung percaya bahwa semakin sering menang, semakin besar pula keuntungan yang dihasilkan.

Sayangnya, market tidak bekerja seperti itu.

Di balik layar, hampir seluruh quantitative fund, high-frequency trading firm, market maker, hingga kasino justru tidak mengoptimalkan win rate.

Yang mereka optimalkan adalah sesuatu yang jauh lebih fundamental.

Expected Value (EV).

Karena pada akhirnya market tidak membayar kita berdasarkan seberapa sering kita benar.

Market membayar kita berdasarkan berapa besar modal yang berhasil kita akumulasikan setelah ribuan keputusan.

Win Rate Hanya Mengukur Frekuensi, Bukan Profit

Win rate hanya menjawab satu pertanyaan.

Seberapa sering strategi ini menang?

Masalahnya, pertanyaan tersebut tidak pernah membahas dua hal yang jauh lebih penting.

Akibatnya, dua strategi dengan win rate yang sangat berbeda bisa menghasilkan performa yang bertolak belakang.

Strategi A

Misalkan terdapat 100 transaksi.

90 × +1%  = +90%

10 × -15% = -150%

Net Return = -60%

Trader ini hampir selalu benar.

Namun modalnya justru terus mengecil.

Strategi B

40 × +8% = +320%

60 × -2% = -120%

Net Return = +200%

Trader kedua justru lebih sering salah.

Namun modalnya terus bertumbuh.

Inilah alasan mengapa frekuensi menang tidak pernah identik dengan profit.

Market Tidak Menghargai Ego

Market tidak peduli apakah kita benar sembilan kali berturut-turut.

Market juga tidak peduli apakah kita salah lima kali berturut-turut.

Yang dihitung market hanyalah perubahan saldo.

Misalkan dua orang selesai trading.

Trader pertama berkata,

"Aku menang 95 kali."

Trader kedua berkata,

"Aku hanya menang 42 kali."

Lalu mereka membuka portofolio.

Trader pertama rugi.

Trader kedua untung.

Market tidak pernah melihat statistik kemenangan.

Market hanya melihat hasil akhirnya.

Metrik yang Sebenarnya: Expectancy

Dalam quantitative finance, terdapat satu metrik yang jauh lebih penting daripada win rate.

Namanya Expectancy atau Expected Value (EV).

Secara sederhana,

Expectancy

=

(Win Rate × Average Win)

-

(Loss Rate × Average Loss)

Formula tersebut terlihat sederhana.

Namun hampir seluruh sistem trading modern dibangun di atas konsep ini.

Contoh.

Misalkan sebuah strategi memiliki karakteristik berikut.

Win Rate      = 45%

Average Win   = 3.5R

Loss Rate     = 55%

Average Loss  = 1R

Maka,

EV

=

(0.45 × 3.5)

-

(0.55 × 1)

=

1.575 - 0.55

=

+1.025R

Artinya,

setiap trade yang dilakukan menghasilkan keuntungan rata-rata sebesar 1.025R secara statistik.

Bukan berarti setiap trade akan untung.

Namun jika strategi tersebut dijalankan ribuan kali, hasil akhirnya akan mendekati nilai ekspektasi tersebut.

Inilah yang disebut memiliki positive edge.

Kenapa Kasino Selalu Untung?

Kasino adalah contoh paling sederhana dari penerapan Expected Value.

Mereka tidak memenangkan setiap permainan.

Bahkan mereka sering membayar jackpot jutaan dolar.

Namun kasino memahami satu hal.

Selama setiap permainan memiliki expected value positif,

maka semakin banyak permainan yang berlangsung,

semakin dekat hasil akhirnya menuju keuntungan matematis.

Trading juga bekerja seperti itu.

Kita tidak sedang bertaruh pada satu trade.

Kita sedang memainkan distribusi probabilitas.

Distribution Over Prediction

Banyak trader pemula berpikir seperti ini.

"Trade berikutnya pasti profit."

Trader profesional berpikir berbeda.

Mereka lebih memilih mengatakan,

"Saya tidak tahu trade berikutnya akan seperti apa. Yang saya tahu, setelah 1000 trade, sistem saya memiliki expectancy positif."

Perbedaan pola pikir ini sangat besar.

Mereka berhenti mencoba menebak masa depan.

Sebaliknya, mereka membangun sistem yang tetap menghasilkan keuntungan meskipun prediksinya sering salah.

Compounding Tidak Peduli Win Rate

Misalkan terdapat dua strategi.

Strategi pertama menghasilkan.

+0.3%

setiap hari

secara konsisten.

Strategi kedua menghasilkan.

+15%

kadang-kadang

tetapi sesekali kehilangan

-35%.

Mayoritas orang memilih strategi kedua karena terlihat lebih spektakuler.

Padahal compounding jauh lebih menyukai strategi pertama.

Mengapa?

Karena bunga berbunga bekerja optimal pada pertumbuhan yang stabil.

Bukan pertumbuhan yang eksplosif lalu hancur.

Drawdown Adalah Musuh Sebenarnya

Salah satu konsep yang sering diabaikan adalah Maximum Drawdown.

Misalkan modal turun.

-10%

Untuk kembali impas,

kita membutuhkan.

+11.1%

Namun jika modal turun.

-50%

Keuntungan yang dibutuhkan berubah menjadi.

+100%

Sedangkan jika modal turun.

-80%

Maka diperlukan.

+400%

Hanya untuk kembali ke titik awal.

Semakin besar drawdown,

semakin berat compounding bekerja.

Karena itu fund profesional lebih memilih strategi dengan CAGR sedikit lebih rendah tetapi drawdown yang jauh lebih kecil.

Profit Factor Lebih Penting Daripada Win Rate

Metrik lain yang sering digunakan adalah Profit Factor.

Profit Factor

=

Gross Profit

/

Gross Loss

Contoh.

Gross Profit

=

$25.000

Gross Loss

=

$10.000

Maka,

Profit Factor

=

2.5

Artinya,

setiap kehilangan satu dolar,

strategi tersebut menghasilkan 2.5 dolar.

Profit Factor di atas 1 menunjukkan sistem memiliki edge.

Di atas 1.5 biasanya sudah dianggap baik.

Di atas 2 sering dianggap sangat kuat.

Sharpe Ratio: Profit Tidak Cukup

Bayangkan terdapat dua trader.

Trader A menghasilkan.

30% per tahun

Trader B juga menghasilkan.

30% per tahun.

Sekilas terlihat sama.

Namun ternyata.

Trader A mengalami fluktuasi hingga 70%.

Trader B hanya mengalami fluktuasi sekitar 10%.

Investor institusi hampir selalu memilih Trader B.

Karena return tanpa mempertimbangkan risiko tidak memiliki banyak arti.

Di sinilah Sharpe Ratio digunakan.

Secara sederhana.

Sharpe Ratio

=

(Return - Risk Free Rate)

/

Volatility

Semakin tinggi nilainya,

semakin efisien strategi menghasilkan return terhadap risiko yang diambil.

Risk of Ruin

Mungkin inilah metrik yang paling jarang dibahas.

Padahal sangat penting.

Risk of Ruin adalah probabilitas strategi mengalami kebangkrutan sebelum edge matematisnya sempat bekerja.

Strategi dengan expectancy positif tetap bisa bangkrut apabila:

Dengan kata lain,

memiliki edge saja tidak cukup.

Kita juga harus mampu bertahan cukup lama agar edge tersebut terealisasi.

Kelly Criterion

Misalkan kita memiliki strategi yang benar-benar profitable.

Pertanyaan berikutnya adalah.

Berapa persen modal yang sebaiknya dipertaruhkan setiap transaksi?

Jawabannya dijelaskan melalui Kelly Criterion.

Formula sederhananya.

Kelly Fraction

=

(bp - q)

/ b

di mana.

Kelly membantu menentukan ukuran posisi yang secara matematis memaksimalkan pertumbuhan modal dalam jangka panjang.

Banyak hedge fund tidak menggunakan Full Kelly.

Mereka lebih memilih Half Kelly atau Quarter Kelly untuk mengurangi volatilitas.

Monte Carlo Simulation

Backtest sering kali menipu.

Mengapa?

Karena backtest hanya menunjukkan satu urutan kejadian.

Padahal urutan menang dan kalah di dunia nyata bisa berubah.

Monte Carlo Simulation mengacak urutan hasil trading ribuan kali.

Tujuannya bukan mencari return tertinggi.

Melainkan mencari kemungkinan terburuk.

Misalnya.

10.000 simulasi.

Hasilnya.

Dengan cara ini kita mengetahui apakah strategi benar-benar robust atau hanya kebetulan beruntung pada urutan data tertentu.

Bagaimana AI Agent Seharusnya Berpikir?

Kesalahan paling umum saat membangun trading agent adalah menggunakan objective seperti berikut.

if pnl > 0:
    reward += 1

Atau.

accuracy += 1

Artinya agent hanya diberi hadiah ketika menang.

Padahal objective yang jauh lebih masuk akal adalah.

reward = (
    expected_value
    + alpha * capital_growth
    + beta * sharpe_ratio
    + gamma * profit_factor
    - delta * drawdown
    - epsilon * volatility
)

Dengan objective seperti ini,

agent akan belajar bahwa:

Objective function akan membentuk perilaku AI.

Jika objective salah,

AI akan belajar perilaku yang salah.

Bagaimana Dengan LP di DLMM Meteora?

Konsepnya ternyata sama.

Banyak LP hanya mengejar.

Padahal AI agent yang baik seharusnya mengevaluasi sesuatu seperti.

Expected Fee

-

Expected Impermanent Loss

-

Expected Rebalance Cost

-

Gas / Priority Fee

-

Opportunity Cost

-

Volatility Penalty

=

Expected Net Value

Baru setelah seluruh komponen tersebut positif,

agent memutuskan membuka posisi.

Dengan kata lain,

AI tidak sedang mencari pool dengan APR terbesar.

AI sedang mencari pool dengan expected capital growth tertinggi setelah seluruh risiko diperhitungkan.

Penutup

Semakin lama mempelajari quantitative finance, semakin terlihat bahwa win rate hanyalah vanity metric.

Angka tersebut terlihat bagus ketika dipamerkan.

Namun tidak selalu berkorelasi dengan pertumbuhan modal.

Profesional lebih memperhatikan metrik seperti:

Seluruh metrik tersebut memiliki satu tujuan yang sama.

Bukan membuat kita lebih sering benar.

Melainkan membuat modal terus bertumbuh selama mungkin.

Karena pada akhirnya market tidak memberi penghargaan kepada siapa yang paling sering menang.

Market memberi penghargaan kepada siapa yang mampu bertahan, mengelola risiko, dan membiarkan compounding bekerja selama bertahun-tahun.

Dan mungkin, itulah definisi sebenarnya dari sebuah edge.