สมุดบันทึกการเทรดและเมตริก – R-multiple, expectancy, SQN และ MAE/MFE

ถ้าคุณไม่สามารถแสดง 50 เทรดล่าสุดพร้อมค่า R, setup, ข้อผิดพลาด และต้นทุนการดำเนินการได้ แปลว่าคุณไม่มีระบบ คุณมีแค่เรื่องเล่าที่บอกตัวเองหลังเกิดเหตุ ความทรงจำของเทรดเดอร์เลือกจำเฉพาะส่วน: สามเทรดที่ชนะล่าสุด การขาดทุนหนึ่งครั้งที่ดราม่า และความว่างเปล่าตรงกลาง หากไม่มีตัวเลข คุณจะแก้สิ่งที่เจ็บที่สุดหลังการขาดทุนครั้งล่าสุด ไม่ใช่สิ่งที่กำลังทำลายบัญชีในเชิงสถิติ มืออาชีพกรองเทรดตาม setup, R, ข้อผิดพลาด, เซสชัน, ต้นทุน และตรวจสอบว่าเงินทุนรั่วไหลตรงไหนจริง ๆ ในบทความนี้: 25 ฟิลด์ต่อการเทรดหนึ่งครั้ง สูตรของ R-multiple, expectancy, profit factor, Sortino, Van Tharp SQN, MAE/MFE, Monte Carlo drawdown พร้อมเวิร์กโฟลว์รายวัน/รายสัปดาห์/รายเดือนที่เหมาะกับมืออาชีพที่ทำงานประจำในโซนเวลา CET หลังอ่านจบคุณจะรู้ว่าอะไรควรอยู่ในสมุดบันทึก คำนวณอย่างไร และจะไม่หลอกตัวเองได้อย่างไร ที่เหลือคือส่วนที่น่าเบื่อ: สเปรดชีต การนำเข้า CSV จากโบรกเกอร์ และพิธีกรรมรายสัปดาห์ที่เทรดเดอร์ส่วนใหญ่จะไม่ทำต่อเนื่อง

1. ทำไมหากไม่มีสมุดบันทึก คุณจึงไม่มีระบบ มีแค่ความคิดเห็น

การเทรดโดยไม่บันทึกพารามิเตอร์ตลาดคืองานอดิเรกที่แพง คุณไม่มีระบบ คุณมีแค่ชุดของการคลิกแบบสุ่มที่ถ่วงน้ำหนักด้วย survivorship bias ภายใต้กฎคำเตือนความเสี่ยงของ EU สำหรับ CFD โบรกเกอร์ที่อยู่ภายใต้การกำกับของ ESMA จะเผยแพร่สัดส่วนของบัญชีรีเทลที่ขาดทุน – รายงานทั่วไปในช่วงไม่กี่ปีที่ผ่านมาระบุช่วง 65 – 82% นั่นคือเพื่อนร่วมสถิติของคุณ หากไม่มีการวินิจฉัย ส่วนใหญ่จะทำผิดพลาดแบบเดิมซ้ำ ๆ ตลอดระยะเวลาที่ทำกิจกรรม ประสบการณ์ที่ปราศจากการวัดผลคือข้อผิดพลาดที่ทำซ้ำได้เท่านั้น

ภาพลวงตาสามอย่างที่ทำลายเทรดเดอร์ที่ไม่มีสมุดบันทึก

ภาพลวงตาที่ 1: ความทรงจำแบบเลือกจำ สมองเข้ารหัสเหตุการณ์ที่มีอารมณ์รุนแรง (การชนะครั้งใหญ่ การขาดทุนที่ดราม่า) ไว้อย่างเข้มข้นและกดทับเหตุการณ์ที่เป็นกลาง หลังหนึ่งเดือนคุณจำได้แค่ 3 เทรดจาก 50 – มักเป็นสองเทรดชนะและหนึ่งเทรดแพ้ สถิติในความทรงจำ: signal 95% noise 5% สถิติจริง: มักตรงข้าม สมุดบันทึกปิดภาพลวงตานี้ – ดำบนขาวคุณจะเห็นว่า "กลยุทธ์วันจันทร์สุดยอด" ของคุณให้เทรดชนะ 8 ครั้งและแพ้ 11 ครั้งในสามเดือน

ภาพลวงตาที่ 2: การประเมินหลังเหตุการณ์ หลังเทรดที่ขาดทุน สมองเขียนเรื่องเล่าว่า "ฉันรู้อยู่แล้วว่ามันเป็น setup ที่อ่อน" หลังเทรดที่ชนะ: "ฉันอ่านตลาดออก" เรื่องเล่าทั้งสองถูกเขียน หลัง ผลลัพธ์ ไม่ใช่จากสิ่งที่คุณรู้จริงก่อนเข้า สมุดบันทึกบังคับให้คุณบันทึกเจตนา ก่อน การคลิก (จุดเข้าที่วางแผน, SL ที่วางแผน, คลาส setup) – การเปรียบเทียบแผนกับการดำเนินการเผยให้เห็นว่า "การตัดสินใจที่ดี" ของคุณกี่ครั้งที่วางแผนจริงและกี่ครั้งที่ยัดเหตุผลย้อนหลัง

ภาพลวงตาที่ 3: ค่ารวมแทนการกระจาย เทรดเดอร์ดูยอดเงินในบัญชี "ฉันทำได้ 4% ในเดือนมีนาคม" – จบการวิเคราะห์ แต่ 4% นั้นอาจมาจาก 60 เทรดที่ win rate 55% และ expectancy +0.3R (ระบบที่แข็งแรง) หรือจาก 12 เทรดที่ win rate 75% และ outlier +6R หนึ่งครั้งที่บดบังความจริงว่าอีก 11 เทรดเป็นบ่อนการพนัน (ระบบที่ไม่แข็งแรงและกำลังจะทำลายคุณ) ยอดเงินไม่แยกสองกรณีนี้ออกจากกัน สมุดบันทึกที่มีเมตริก – แยกได้

นิยามของระบบเทรด (สิ่งที่รีเทลไม่ใช้)

ระบบเทรดคือ กระบวนการที่ทำซ้ำได้ซึ่งผลลัพธ์สามารถวัดในหน่วยที่เป็นมาตรฐานเดียวกัน สามคำสำคัญ:

• ทำซ้ำได้ – ชุดเงื่อนไขเดียวกันสร้างการตัดสินใจที่เทียบเคียงกันได้ ไม่ใช่ "มันรู้สึกแข็งแกร่ง" แต่เป็น "เงื่อนไข A, B, C ครบ ฉันจึงเข้า"
• วัดได้ – ทุกเทรดมี 25+ ฟิลด์ในสมุดบันทึก สำหรับทุก setup คุณคำนวณ expectancy สำหรับทุกเดือนคุณคำนวณ profit factor
• หน่วยที่เป็นมาตรฐานเดียวกัน – R-multiple คือสกุลเงินสำหรับการเปรียบเทียบ "ฉันชนะ 200 EUR" ไม่ได้บอกอะไร (ที่ความเสี่ยงเท่าไร?) "ฉันชนะ +1.8R" บอกทุกอย่าง

หากไม่มีองค์ประกอบสามอย่างนี้ คุณไม่มีระบบ คุณมีชุดของการตัดสินใจเดี่ยว ๆ ที่ไม่มีตัวหารร่วม คุณอาจโชคดี (และคิดว่าตัวเองเก่ง) หรือโชคร้าย (และคิดว่าตลาดถูกจัดฉาก) ทั้งสองอย่างไม่จริง – คุณแค่ไม่มีข้อมูลให้ประเมิน

การบันทึกก่อนเข้า – มันทำให้การโกหกหลังเหตุการณ์ยากขึ้น

แง่มุมที่สองและถูกประเมินต่ำของสมุดบันทึก: แรงเสียดทานเชิงปฏิบัติการ การบันทึกแผน (จุดเข้า, SL, การกำหนดขนาด, คลาส setup) ก่อน การคลิกมีหน้าที่เดียว – ทำให้การโกหกหลังเห็นผลยากขึ้น หากสถานะอยู่นอก setup สมุดบันทึกต้องแสดงสิ่งนั้น ไม่ใช่ปล่อยให้คุณเขียน "ตลาดดูแข็งแกร่ง" Excel ไม่หาเหตุผลเข้าข้างให้คุณ: ถ้าคุณเลื่อน stop loss ด้วยมือ แถวที่ 42 จะมีรหัสข้อผิดพลาด 3 ไม่ว่าเหตุผลดี ๆ ที่คุณคิดขึ้นหลังเหตุการณ์จะเป็นอย่างไร นี่ไม่ใช่จิตวิทยา แต่เป็นแรงเสียดทานเชิงปฏิบัติการที่บังคับให้คิดทบทวนก่อนทำอะไรโง่ ๆ

2. ต้องบันทึกอะไรบ้าง – 25 ฟิลด์ของสมุดบันทึกการเทรด

สมุดบันทึกมือสมัครเล่นมี 5 – 8 ฟิลด์: วันที่, คู่เงิน, ทิศทาง, จุดเข้า, SL, TP, ผลลัพธ์, ความเห็น นั่นคือเนื้อหาขั้นต่ำของรายงานโบรกเกอร์ ไม่เพียงพอสำหรับการวินิจฉัย สมุดบันทึกระดับมืออาชีพมี 25 ฟิลด์ จัดกลุ่มเป็น 6 หมวด แต่ละฟิลด์ตอบคำถามเชิงวิเคราะห์ที่เฉพาะเจาะจง

กลุ่ม A: การระบุเทรด (4 ฟิลด์)

พื้นฐาน – เกิดอะไรขึ้นและเมื่อไร

1. Trade ID – ตัวระบุที่ไม่ซ้ำ (T-2026-04-001) ช่วยให้อ้างอิงเทรดในบันทึกและการวิเคราะห์ได้
2. วันและเวลาเปิด – ความแม่นยำระดับนาที โซนเวลาเดียว (แนะนำ UTC บวกเวลาท้องถิ่น)
3. คู่สกุลเงิน – EUR/USD, GBP/JPY ฯลฯ
4. ทิศทาง – long / short

กลุ่ม B: บริบทเชิงกลยุทธ์ (4 ฟิลด์)

คุณวางแผนอะไร ใน setup ไหน ด้วยการจัดประเภทอย่างไร

5. Setup จาก playbook – ชื่อของ setup เฉพาะ (เช่น "LON-breakout-A", "NY-mean-revert-B") หากไม่มี คุณคำนวณ expectancy ต่อ setup ไม่ได้
6. คลาส setup – A+, A, B, C แต่ละคลาสได้รับการกำหนดขนาดต่างกัน หากไม่มีคลาส คุณไม่รู้ว่าคุณทำกำไรบน A+ และขาดทุนบน B หรือตรงข้าม
7. ภาวะตลาด (regime) – trending / ranging / high vol / low vol – วินิจฉัยบน D1 หรือ H4 ก่อนเข้า
8. เซสชัน – Asian / LON / NY / LON-NY overlap ช่วยตรวจหาเซสชันที่มี edge และเซสชันที่กำลังรั่ว

กลุ่ม C: พารามิเตอร์คำสั่ง – แผนเทียบกับความจริง (6 ฟิลด์)

นี่คือที่ที่ความจริงอันโหดร้ายส่วนใหญ่ของการเทรดรีเทลถือกำเนิด

9. จุดเข้าที่วางแผน – ราคาที่คุณตั้งใจจะเข้า (จากการวิเคราะห์)
10. จุดเข้าจริง – ราคาที่คุณเข้าจริง (slippage อาจเป็น 1 – 5 pips บน M15)
11. SL ที่วางแผน – ราคาที่สมมติฐานพังลง (จากกฎกลยุทธ์)
12. SL จริง (fill) – ราคาที่ SL ถูก fill (slippage บน SL มักแย่กว่าบนจุดเข้า 2 – 10 เท่า)
13. TP ที่วางแผน – ราคาหรือ R multiple
14. TP จริง (fill) – ราคาที่ TP ถูก fill หรือราคาที่คุณปิดด้วยมือ

กลุ่ม D: ต้นทุน (4 ฟิลด์)

ต้นทุนกิน 10 – 25% ของ gross expectancy หากไม่วัด คุณไม่รู้ว่ากลยุทธ์มี net edge หรือไม่

15. Spread (pips) – ณ ขณะเข้า ไม่ใช่ตัวเลขที่โบรกเกอร์โฆษณา
16. Entry slippage (pips) – ส่วนต่างระหว่างจุดเข้าที่วางแผนกับจริง
17. Exit slippage (pips) – ส่วนต่างระหว่าง SL/TP ที่วางแผนกับการ fill
18. Swap และค่าคอมมิชชัน – ในสกุลเงินบัญชี สำหรับสถานะที่ถือข้ามคืนหรือบน ECN

กลุ่ม E: ผลลัพธ์และเมตริก (3 ฟิลด์)

19. ผลลัพธ์รวม (gross) – ในหน่วย pips และสกุลเงินบัญชี ก่อนต้นทุน
20. ผลลัพธ์สุทธิ (net) – หลังหักต้นทุนทั้งหมด (spread + slippage + swap + ค่าคอมมิชชัน)
21. Net R-multiple – net_result / planned_risk (นิยามในหัวข้อ 3)

กลุ่ม F: การประเมินคุณภาพการตัดสินใจ (4 ฟิลด์)

กลุ่มนี้ถูกข้ามบ่อยที่สุด – และสำคัญที่สุด สองเทรดอาจมีผลลัพธ์เหมือนกันแต่คุณภาพการตัดสินใจต่างกัน

22. การจัดประเภทข้อผิดพลาด – รายการแบบหมวดหมู่: 0 = ไม่มีข้อผิดพลาด, 1 = SL กว้างเกินไป, 2 = SL แคบเกินไป, 3 = เลื่อน SL สวนแผน, 4 = ออกเร็วเกินไป, 5 = ออกช้าเกินไป, 6 = เข้านอก setup (FOMO), 7 = ขนาดใหญ่เกิน (lot ใหญ่กว่าแผน), 8 = revenge trade, 9 = อื่น ๆ
23. สภาพจิตใจ (1 – 5) – 1 = แย่ (เหนื่อย โกรธ วอกแวก), 5 = เยี่ยม (โฟกัส พักผ่อนเพียงพอ หัวโล่ง) ประเมิน ก่อน เข้า ไม่ใช่หลังเห็นผล
24. ชั่วโมงการนอนของคืนก่อนหน้า – ตัวเลข ในสมุดบันทึกที่ดูแลดี ให้ตรวจสอบ Spearman correlation ระหว่างการนอนกับ R-multiple ในการสังเกตจากสมุดบันทึกรีเทลส่วนตัวและตัวอย่าง มักปรากฏเป็นหนึ่งในตัวแปรเชิงพฤติกรรมที่แรงกว่า แต่ต้องใช้ข้อมูลของคุณเอง – อย่าถือว่า 0.2 – 0.4 เป็นกฎตลาดสากล
25. คุณภาพการตัดสินใจ (1 – 5) – กำหนด ตอนปลายวัน แยกจากผลลัพธ์ คำถาม: เทรดนี้ทำตามแผนหรือไม่? 5 = สมบูรณ์แบบ, 1 = ด้นสด

ตาราง – ทั้ง 25 ฟิลด์ ชนิดข้อมูล แหล่งที่มา

การกรอก 25 ฟิลด์ใช้เวลา 60 – 90 วินาทีต่อเทรดเมื่อคุณมีเทมเพลตแล้ว หากไม่มีข้อมูลนั้น การวิเคราะห์ในภายหลังทั้งหมดเป็นการเดา หากคุณไม่มี 90 วินาทีอธิบายเทรด คุณก็ไม่ควรมี 30 วินาทีเปิดมัน

สเปก CSV / Google Sheets แบบย่อ

รูปแบบที่เครื่องอ่านได้ที่คุณนำไปใช้ในสเปรดชีตหรือฐานข้อมูลได้ คอลัมน์ซ้าย – ชื่อทางเทคนิค คอลัมน์ขวา – แหล่งที่มา:

หมวด error_code ขยายด้วยตำแหน่ง 10: 10 = ข้อผิดพลาดโครงสร้างพื้นฐาน (ไม่มี hard SL บนเซิร์ฟเวอร์ แพลตฟอร์มล่ม อินเทอร์เน็ตล่ม) – นี่ไม่ใช่ข้อผิดพลาดการเทรด แต่เป็นหมวดแยกที่ต้องไม่ปนกับข้อผิดพลาดการตัดสินใจ (หมวด 1 – 9) สมุดบันทึกที่ไม่มี hardware SL บนเซิร์ฟเวอร์ไร้ประโยชน์: สถานะใด ๆ ที่เปิดโดยไม่มี SL ฝั่งโบรกเกอร์ อาจก่อเหตุการณ์ที่สร้างขึ้นใหม่จาก log ไม่ได้ในกรณีโครงสร้างพื้นฐานล่ม

3. R-multiple – เมตริกพื้นฐานที่รีเทลไม่คำนวณ

R-multiple คือเมตริกเดียวที่ช่วยให้คุณ เปรียบเทียบเทรดที่มีโปรไฟล์ความเสี่ยงต่างกันบนสเกลเดียว หากไม่มี R-multiple, +50 EUR บน M5 scalp และ +50 EUR บน D1 swing ดูเหมือนกัน – ทั้งที่ครั้งแรกอาจเทรดด้วยความเสี่ยง 12 EUR (+4R) และครั้งที่สองด้วยความเสี่ยง 150 EUR (+0.33R อ่อนเชิงปฏิบัติการ) R-multiple ถูกนำเสนอโดย Van K. Tharp^[1] และเป็นรากฐานของการวิเคราะห์ระบบที่จริงจังใด ๆ

สูตร R-multiple

นิยามเชิงปฏิบัติการที่ปลอดภัยที่สุด:

R_net = real_net_broker_result / planned_risk

โดยที่ ผลลัพธ์สุทธิจริง หมายถึง PnL หลัง fills จริง ค่าคอมมิชชัน swap และต้นทุนทั้งหมดที่เห็นในรายงานโบรกเกอร์ (slippage และ spread อยู่ภายใน fills แล้ว – โบรกเกอร์คำนวณกำไรจากราคาจริง ไม่ใช่ราคาที่วางแผน) คุณบันทึก slippage และ spread แยกต่างหากเป็นฟิลด์วินิจฉัย แต่ อย่าหักอีกครั้ง หากมันอยู่ใน PnL จริงแล้ว

ตัวส่วน – ความเสี่ยง ที่วางแผน ไม่ใช่จริง หาก SL ถูก fill ด้วย slippage −10 pips เกินแผน นั่นไม่เพิ่มตัวส่วน R ของคุณ การขาดทุนจริงจึงเป็น −1.2R หรือ −1.5R ไม่ใช่ −1R นั่นคือสิ่งที่แสดงว่าขาดทุนจริงเท่าไรในกรณีที่การดำเนินการล้มเหลว

Execution drag – วินิจฉัยการดำเนินการควบคู่ผลลัพธ์

Spread, slippage และค่าคอมมิชชันเป็นต้นทุนเชิงปฏิบัติการ แต่ในการ บันทึกบัญชี ผลลัพธ์ มันอยู่ใน PnL จริงแล้ว เพื่อวินิจฉัยคุณภาพการดำเนินการ คุณคำนวณแยก:

execution_drag_R = (planned_gross_result − real_net_result) / planned_risk

โดยที่ ผลลัพธ์รวมที่วางแผน = (planned_TP_price − planned_entry_price) × pip_value คือผลลัพธ์ที่คุณจะได้หาก slippage, spread และค่าคอมมิชชันเป็นศูนย์ ส่วนต่างระหว่างแผนกับความจริงคือ execution drag ในหน่วย R พอดี นี่คือที่ที่เหมาะสมในการวินิจฉัยต้นทุน – ข้าง PnL ไม่ใช่แทน PnL

กฎเชิงปฏิบัติการ: อย่าปนการบันทึกบัญชีผลลัพธ์กับการวินิจฉัยการดำเนินการ หากคุณคำนวณ r_net จาก PnL จริงของโบรกเกอร์ ต้นทุนอยู่ในผลลัพธ์แล้ว – วิเคราะห์มันแยกผ่าน execution drag หากคุณคำนวณ r_net จากราคาที่วางแผน คุณต้องหักต้นทุนด้วยมือ ใช้วิธีใดวิธีหนึ่ง ไม่ใช่ทั้งสองพร้อมกัน

ตัวอย่างการคำนวณเต็ม

เทรดบน EUR/USD, lot 0.5 (50 000 EUR), บัญชีเป็น EUR Pip value สำหรับ 1 standard lot ของ EUR/USD = 10 USD ≈ 9.20 EUR; สำหรับ 0.5 lot ≈ 4.60 EUR/pip

• จุดเข้าที่วางแผน: 1.0850
• จุดเข้าจริง: 1.0852 (entry slippage 2 pips)
• SL ที่วางแผน: 1.0820 (ความเสี่ยง 30 pips)
• TP ที่วางแผน: 1.0910 (60 pips = 2R)
• ออกจริง: 1.0908 (TP slippage 2 pips)
• Spread ที่จุดเข้า: 0.8 pips
• ค่าคอมมิชชัน ECN: 0.85 EUR ต่อ round-turn
• Swap: 0 (ปิดในวันเดียวกัน)

คำนวณ R_net (จาก fills จริงของโบรกเกอร์):

• PnL จาก fills จริง: 1.0908 − 1.0852 = 56 pips; ในหน่วย EUR: 56 × 4.60 = 257.60 EUR (entry และ exit slippage อยู่ในตัวเลขนี้แล้ว เพราะโบรกเกอร์คำนวณจากราคาจริง)
• ค่าคอมมิชชัน ECN: 0.85 EUR Swap: 0
• ผลลัพธ์สุทธิจริง: 257.60 − 0.85 = 256.75 EUR
• ความเสี่ยงที่วางแผน: |1.0850 − 1.0820| = 30 pips; 30 × 4.60 = 138 EUR
• R_net = 256.75 / 138 ≈ +1.86R

คำนวณ execution drag (การวินิจฉัยแยก):

• ผลลัพธ์รวมที่วางแผน (fills สมบูรณ์ ต้นทุนศูนย์): (1.0910 − 1.0850) × 4.60 = 60 × 4.60 = 276 EUR
• ผลลัพธ์สุทธิจริง: 256.75 EUR
• ส่วนต่าง: 276 − 256.75 = 19.25 EUR
• execution_drag_R = 19.25 / 138 ≈ 0.14R (ต้นทุนการดำเนินการกิน 14% ของความเสี่ยงที่วางแผน)

หลัง 100 เทรดเช่นนี้ execution drag ≈ 14R คือที่การกำหนดขนาด 1% – 14% ของเงินทุนต่อปี ต้นทุนไม่ใช่ส่วนเศษจากการปัด แต่เป็นการวินิจฉัยที่คุณใช้ตัดสินโบรกเกอร์ คู่เงิน timeframe และ SL เก็บ r_net เป็นการบันทึกบัญชีผลลัพธ์ execution_drag_R เป็นเครื่องมือปรับปรุงการดำเนินการ – อย่าปนทั้งสองในสูตรเดียว

ทำไมต้อง R-multiple ไม่ใช่เปอร์เซ็นต์หรือเงิน

R-multiple คือหน่วยเดียวที่ช่วยให้เปรียบเทียบ scalp กับ swing, EUR/USD กับ GBP/JPY, lot เล็กกับ lot ใหญ่ได้อย่างเป็นธรรม หลังหนึ่งปี เทรดเดอร์ที่มี 200 เทรดในสมุดบันทึก R-multiple ตอบได้แม่นยำว่า "Setup A+ ของฉันเฉลี่ย +0.84R, B เป็น +0.21R, C เป็น −0.13 C ต้องไป"

การกระจาย R-multiple – อ่านสถิติ 200 เทรดอย่างไร

จากการกระจายของระบบที่แข็งแรงทั่วไป คุณอ่านได้สามอย่าง:

• Win rate ต่ำ ระบบยังทำกำไร – เช่น 44.5% (98 จาก 220 เทรดชนะเหนือ 0R) แต่หางขวา (16 เทรดเหนือ +2R รวม +5R ที่โดดเดี่ยว) ขับเคลื่อน expectancy
• Median +0.1R, mean +0.3R – ช่องว่างระหว่าง median กับ mean แสดงว่าระบบทำกำไร ที่หาง ทั่วไปสำหรับ trend-following
• Mean reversion มีการกระจายตรงข้าม – WR สูง (60 – 70%) ชนะเฉลี่ยต่ำ (+0.5R) หางซ้ายยาว (−2R, −3R หายากเมื่อ mean reversion ล้มเหลว)

4. Net expectancy – สิ่งที่แยกระบบที่ทำกำไรออกจากการตลาด

Expectancy ตอบคำถามเดียว: ฉันทำกำไร (หรือขาดทุน) เฉลี่ยต่อเทรดเท่าไร ในหน่วย R? หากไม่มีตัวเลขนั้น คุณไม่รู้ว่าระบบของคุณมีเหตุผลทางคณิตศาสตร์หรือไม่ มีมันคุณรู้แน่ชัดว่าควรคาดหวังผลตอบแทนเท่าไรหลัง N เทรด

สูตร expectancy

เวอร์ชันมาตรฐาน (สำหรับ backtest / คำนวณจากราคาที่วางแผน):

Expectancy = (WR × avg_win_R) − ((1 − WR) × avg_loss_R) − cost_per_trade_R

โดยที่:

• WR – win rate เป็นเศษส่วน (0.55 = 55%)
• avg_win_R – R เฉลี่ยของเทรดที่ชนะ (เช่น +1.8R)
• avg_loss_R – ค่าสัมบูรณ์ของ R เฉลี่ยของเทรดที่แพ้ (เช่น 1.0R หาก SL ถูกถือสมบูรณ์)
• cost_per_trade_R – spread + slippage + swap + ค่าคอมมิชชัน แสดงเป็นเศษส่วนของ R (เช่น 0.1R)

สามเกณฑ์ความอยู่รอดของ expectancy

ตัวอย่างขั้นต่ำสำหรับประมาณ expectancy

นี่คือกับดักที่รีเทลส่วนใหญ่ตกหลุม: คำนวณ expectancy บน 30 – 50 เทรดและถือว่าผลลัพธ์เป็นความจริง สถิติบอกตรงข้าม:

• 50 เทรด – ช่วงความเชื่อมั่น 95% สำหรับ WR ประมาณ ±14 จุดเปอร์เซ็นต์ WR 55% อาจเป็น 41% หรือ 69% จริง ๆ
• 100 เทรด – CI ~±10pp ยังกว้างเกินกว่าจะปลด setup
• 200 เทรด – CI ~±7pp ตัวอย่างขั้นต่ำที่ยอมรับได้
• 500 เทรด – CI ~±4pp ตัวอย่างที่มั่นคงสำหรับการตรวจสอบ setup

กฎปฏิบัติ: อย่าปลด setup จากตัวอย่างเล็กกว่า 100 เทรด ตัวอย่างเล็กกว่า = ความเสี่ยงที่คุณปฏิเสธ setup ที่ดีระหว่างโชคร้ายเชิงสถิติ หรือถือ setup ที่แย่ระหว่างโชคดีเชิงสถิติ

กับดัก: expectancy โดยไม่มีต้นทุนและไม่มี execution drag

รีเทลคำนวณ expectancy แบบ gross เป็นประจำโดยไม่มี spread, slippage, ค่าคอมมิชชันและ swap ตัวเลขดูดี (+0.5R) ผลจริงแย่กว่า (+0.2R) หลังหนึ่งปียอดเงินไม่โต – เพราะเทรดเดอร์ทำกำไร +0.2R ไม่ใช่ +0.5R บนแต่ละเทรดจาก 200 เทรด

กฎเชิงระเบียบวิธี: หาก r_net คำนวณจาก net PnL จริงของโบรกเกอร์ (หัวข้อ 3) ต้นทุนอยู่ในผลลัพธ์แล้ว – ดังนั้น spread, slippage และค่าคอมมิชชันถูกวิเคราะห์แยกเป็น execution drag ไม่หักซ้ำสองครั้ง หากคุณคำนวณ expectancy จากราคาที่วางแผน (เช่น backtest บนแท่งเทียนโดยไม่จำลองต้นทุน) คุณต้องหักต้นทุนด้วยมือ อย่าปนสองวิธี – ตัวอย่างด้านล่างถือว่าการคำนวณเป็น execution drag ไม่ใช่การนับซ้ำบน net PnL

ตัวอย่างที่เป็นรูปธรรมของต้นทุนต่อเทรดในหน่วย R:

• คู่เงิน: EUR/USD, โบรกเกอร์ ECN, spread 0.2 pip + ค่าคอมมิชชัน 7 USD ต่อ lot RT, slippage เฉลี่ย 0.3 pip ต่อด้าน
• Setup ทั่วไป: SL 30 pips, lot 0.3; pip value ต่อ 0.3 lot ≈ 2.76 EUR
• ความเสี่ยงที่วางแผน: 30 × 2.76 = 82.80 EUR
• ต้นทุน: spread 0.2 × 2.76 = 0.55 EUR + slippage 0.6 (เข้า+ออก) × 2.76 = 1.66 EUR + ค่าคอมมิชชัน 7 USD × 0.3 lot = 2.10 USD ≈ 1.93 EUR – รวม ~4.14 EUR
• ต้นทุนในหน่วย R: 4.14 / 82.80 = 0.05R (5% ของความเสี่ยงที่วางแผน)

ตัวอย่างอีกแบบ – คู่เงินที่แย่กว่า SL เล็กกว่า:

• คู่เงิน: GBP/JPY, โบรกเกอร์ market-maker, spread 2.5 pips, ไม่มีค่าคอมมิชชัน, slippage 1 pip ต่อด้าน
• Pip value ต่อ 0.1 lot สำหรับ GBP/JPY ที่ USD/JPY ≈ 150: ≈ 0.58 EUR/pip
• Setup แคบ: SL 25 pips, lot 0.1 → ความเสี่ยง 25 × 0.58 = 14.50 EUR
• ต้นทุนต่อสถานะ: spread 2.5 × 0.58 = 1.45 EUR + entry slippage 1 × 0.58 = 0.58 EUR + exit slippage 1 × 0.58 = 0.58 EUR = 2.61 EUR
• ต้นทุนในหน่วย R: 2.61 / 14.50 = 0.18R (18% ของความเสี่ยงที่วางแผนหายไปกับต้นทุนตั้งแต่ต้น)

นี่แสดงกับดักสัดส่วน: pip-slippage เท่ากันที่ SL แคบกว่ากินเปอร์เซ็นต์ของ R มากขึ้นอย่างมหาศาล นั่นคือเหตุผลที่ SL 25 pips บน GBP/JPY ที่ spread 2.5 pips เป็นหายนะด้านต้นทุน – ระบบที่ gross edge < +0.2R ไม่มีโอกาสรอดในเชิงสุทธิ กฎปฏิบัติ: ต้นทุนต่อเทรดไม่ควรเกิน 5 – 8% ของความเสี่ยงที่วางแผน เหนือเส้นนั้นคุณเปลี่ยนโบรกเกอร์ คู่เงิน หรือ timeframe (ไปสู่ SL ที่กว้างขึ้น)

Van Tharp SQN – เกณฑ์ความพร้อมของระบบ

การตรวจสอบ out-of-sample – การปรับเทียบเทียบกับอนาคต

ทุกเกณฑ์ expectancy ที่คุณ optimize (เช่น "ฉันตัด setup ที่ต่ำกว่า +0.15R") ควรตรวจสอบบนข้อมูลที่ ไม่ได้ใช้ปรับเทียบ ขั้นต่ำ: 30% ของตัวอย่างกันไว้เป็น OOS เทรดเดอร์ที่คำนวณ expectancy บนตัวอย่างประวัติทั้งหมดแล้วตัดสินใจจากมันกำลังทำ p-hacking โดยไม่รู้ตัว

ตัวอย่างที่เป็นรูปธรรม: เทรดเดอร์มี 12 setup แต่ละอันมี 200 เทรด เขาเลือก 3 อันดับดีที่สุดด้วย expectancy ทั่วทั้ง 200 ทั้งสามอันนั้นบน 100 เทรดถัดไป (นอกตัวอย่างประวัติ) มักถดถอยกลับสู่ median – เพราะการจัดอันดับดั้งเดิมจับโชค ไม่ใช่แค่ edge กฎปฏิบัติ: ปรับเทียบบน 70% ของข้อมูล (เช่น 140 เทรด) ตรวจสอบบนที่เหลือ 30% (60 เทรด) และตัดสินใจกำจัด หลัง การตรวจสอบเท่านั้น

Bootstrap CI สำหรับ expectancy – เมื่อ +0.22R เป็นสมมติฐาน ไม่ใช่ edge

Expectancy +0.22R บน 42 เทรดไม่ใช่ edge – เป็นสมมติฐาน เพื่อประเมินว่า "edge" มีนัยสำคัญหรือไม่ ให้คำนวณ bootstrap CI: สุ่ม 10 000 ตัวอย่างแบบใส่คืนจาก 42 เทรดนั้น คำนวณ R เฉลี่ยของแต่ละตัวอย่าง ฮิสโตแกรมแสดงช่วงความเชื่อมั่นที่ percentile ที่ 95 ของ R เฉลี่ย หากช่วงครอบคลุม 0 – คุณไม่มีความแน่ใจเชิงสถิติว่าระบบทำกำไร เกณฑ์ปฏิบัติ:

• 30 เทรด – การสังเกต ไม่ใช่การตัดสินใจ
• 100 เทรด – การตัดสินใจในการทำงาน (ทำต่อที่ขนาดปัจจุบัน)
• 200 – 500 เทรด – ข้อสรุปที่แข็งแกร่งกว่าเกี่ยวกับ edge
• Setup ความถี่ต่ำ (5/เดือน) – bootstrap CI บังคับ; หากไม่มี 50 เทรดของคุณในหนึ่งปีคือ noise

สคริปต์ Python สำหรับคำนวณ expectancy จาก CSV

โค้ดด้านล่างคำนวณ expectancy, profit factor, MAE/MFE และเมตริกอื่นอีกสองสามตัวจากสมุดบันทึกที่ export เป็น CSV:

import pandas as pd
import numpy as np

# โหลดสมุดบันทึกจาก CSV (25 ฟิลด์)
df = pd.read_csv('journal.csv')

# กรอง: เฉพาะเทรดที่ปิดแล้ว (มี R-multiple)
df = df.dropna(subset=['r_net'])

# เมตริกพื้นฐาน
total = len(df)
wins = df[df['r_net'] > 0]
losses = df[df['r_net'] < 0]
wr = len(wins) / total

avg_win = wins['r_net'].mean()
avg_loss = abs(losses['r_net'].mean())
expectancy = wr * avg_win - (1 - wr) * avg_loss

# Profit factor
sum_wins = wins['r_net'].sum()
sum_losses = abs(losses['r_net'].sum())
profit_factor = sum_wins / sum_losses if sum_losses > 0 else float('inf')

# Sortino (per-trade)
returns = df['r_net']
downside = returns[returns < 0]
sortino = returns.mean() / downside.std() if len(downside) > 1 else None

# Drawdown บน equity curve
equity = (1 + returns * 0.01).cumprod()  # ที่การกำหนดขนาด 1%
running_max = equity.cummax()
drawdown = (equity - running_max) / running_max
max_dd = drawdown.min()

# ต่อ setup
print(df.groupby('setup').agg({
    'r_net': ['count', 'mean', 'sum', 'std']
}))

print(f"WR: {wr:.1%}")
print(f"Expectancy: {expectancy:+.2f}R")
print(f"Profit factor: {profit_factor:.2f}")
print(f"Sortino: {sortino:.2f}" if sortino else "Sortino: n/a")
print(f"Max DD: {max_dd:.1%}")

สคริปต์สมมติโครงสร้าง CSV ที่สอดคล้องกับ 25 ฟิลด์จากหัวข้อ 2 หลังแทนไฟล์สมุดบันทึกของคุณเอง คุณได้ภาพรวมทั้งหมดใน 5 วินาที – นั่นคือพลังของสมุดบันทึกเชิงระบบ

5. Profit factor และ recovery factor – คนละคำถาม คนละคำตอบ

Expectancy บอกว่า "ฉันทำกำไรต่อเทรดเฉลี่ยเท่าไร" Profit factor และ recovery factor ตอบคำถามต่างกัน และการไม่คำนวณมันซ่อนภาพบางส่วน

Profit factor – อัตราส่วนกำไรต่อขาดทุน

Profit factor (PF) = sum_of_all_profits / sum_of_all_losses (ค่าสัมบูรณ์)

คำถามที่มันตอบ: ระบบของฉันทำกำไรได้มากกว่าที่ขาดทุนโดยรวมหรือไม่ และกี่เท่า?

PF เข้าใจง่ายกว่า expectancy สำหรับคนที่ไม่มีพื้นสถิติ – "ทุก 1 EUR ที่ขาดทุน ฉันทำได้ 1.8 EUR" ชัดเจน แต่มีข้อบกพร่อง: ไม่แสดงการกระจาย ระบบที่ PF 1.8 และ 200 เทรด เทียบกับ PF 1.8 และ 20 เทรด เป็นสัตว์คนละชนิดเชิงปฏิบัติการ อ่าน PF ควบคู่กับขนาดตัวอย่างและ expectancy

Recovery factor – ผลตอบแทนเทียบกับ drawdown ที่ใหญ่ที่สุด

Recovery factor (RF) = total_net_return / max_drawdown

คำถาม: ผลตอบแทนเกิน drawdown ที่แย่ที่สุดในประวัติศาสตร์กี่เท่า? กล่าวอีกอย่าง – คุณต้องผ่านช่วงที่แย่ที่สุดกี่ครั้งเพื่อทำผลตอบแทนรวมคืนมา

ตัวอย่าง: คุณทำ +35% ในหนึ่งปี max DD ระหว่างปีคือ −12% RF = 35/12 = 2.92

RF มีประโยชน์ต่อจิตวิทยา: หากผลตอบแทนรายปี 30% ต้องเดินผ่าน DD 25% – RF 1.2 – ถามว่าความเจ็บปวดนั้นคุ้มกับผลตอบแทนหรือไม่ ถ้าให้เลือก เทรดเดอร์ส่วนใหญ่ชอบ RF 2+ ที่ CAGR ต่ำกว่ามากกว่าผลตอบแทนสูงที่ DD ลึก

Win rate เทียบกับ profit factor – ข้อผิดพลาดการตีความที่พบบ่อย

รีเทลสับสน WR กับคุณภาพระบบ "ฉันมี WR 75% ระบบจึงใช้ได้" – ไม่จำเป็น WR 75% ที่ชนะเฉลี่ย +0.5R และขาดทุนเฉลี่ย −2.5R คือ:

• Expectancy: 0.75 × 0.5 − 0.25 × 2.5 = 0.375 − 0.625 = −0.25R (ระบบขาดทุน!)
• Profit factor: (0.75 × 0.5) / (0.25 × 2.5) = 0.375 / 0.625 = 0.6 (ระบบขาดทุน 40 เซนต์บนทุก 1 EUR ของกำไร)

WR สูง โดยไม่ ควบคุมอัตราส่วน avg-win-ต่อ-avg-loss คือกับดักคลาสสิกของ mean reversion ที่ไม่มีวินัย SL ทุกเทรดที่แพ้กินผลของเทรดที่ชนะหลายครั้ง Profit factor เผยมันทันที – WR 75% ที่ PF 0.6 = ระบบขาดทุนแม้ WR สูง

6. Sharpe และ Sortino – เมื่อใดที่มีความหมายสำหรับรีเทล

Sharpe ratio และ Sortino ratio เป็นมาตรฐานใน hedge fund – และไม่ได้มีความหมายเสมอสำหรับรีเทล แต่ในรูปแบบ "per-trade" (แทน "ผลตอบแทนรายปีเทียบกับความผันผวน") มันให้ข้อมูลที่ expectancy และ PF ไม่ให้

Sharpe ratio – ผลตอบแทนต่อหน่วยความแปรปรวน

Sharpe = (mean_R − risk_free_rate) / std_R

สำหรับรีเทลที่ระดับ per-trade เราตัด risk-free rate ออก (เราอยู่ในหน่วย R แล้ว ซึ่งความเสี่ยงถูกปรับมาตรฐาน) ดังนั้น:

Sharpe ≈ mean(R) / std(R)

สิ่งที่มันบอก: ระบบสร้างผลตอบแทนเท่าไร ต่อหน่วยความแปรปรวนของผลลัพธ์ Sharpe สูง = ผลลัพธ์เสถียร คาดเดาได้ Sharpe ต่ำ = ผลลัพธ์กระจัดกระจายแม้ชนะเฉลี่ย

หมายเหตุ: Sharpe รายปีจาก hedge fund สำหรับระบบที่ดีคือ 1.5 – 2.5 และแปลเป็น per-trade แบบ 1:1 ไม่ได้ Sharpe per-trade ประมาณ 0.3 สอดคล้องกับ Sharpe รายปีประมาณ 1.5 – 2.0 (ขึ้นกับความถี่การเทรด)

ข้อบกพร่องของ Sharpe – มันลงโทษความผันผวนด้านบวก

Sharpe ถือว่าส่วนเบี่ยงเบนมาตรฐานทั้งหมดเป็น "ความผันผวนที่ต้องหลีกเลี่ยง" แต่เทรดที่ชนะใหญ่ (+5R, +8R) ก็เพิ่ม std ด้วย – และ Sharpe ลงโทษ มัน นั่นไร้สาระเชิงเศรษฐศาสตร์: ทำไมต้องถูกลงโทษเพราะระบบเคลื่อนไปในทางที่เป็นประโยชน์กับคุณอย่างแรงเป็นครั้งคราว?

นั่นคือเหตุผลที่ William Sortino เสนอทางเลือก^[2]: นับเฉพาะ ความผันผวนด้านลบ

Sortino ratio – ผลตอบแทนต่อหน่วยความเสี่ยงด้านลบ

Sortino = mean(R) / std_dev_of_losses (เฉพาะ R ลบ)

Sortino ลงโทษเฉพาะความผันผวนที่ขาดทุน เทรดที่ชนะใหญ่ไม่ถ่วงคุณ Sortino > Sharpe สำหรับกลยุทธ์จริงส่วนใหญ่ – เพราะกลยุทธ์จริงมีการกระจายแบบไม่สมมาตร (ชนะใหญ่กว่าแพ้ ด้วย SL)

กฎปฏิบัติ: สำหรับกลยุทธ์รีเทลส่วนใหญ่ที่มีการกระจายผลลัพธ์ไม่สมมาตร Sortino บอกคุณมากกว่า Sharpe แต่ทั้งคู่เป็น noise บน 37 เทรด Sharpe แสดงความผันผวนทั้งหมด Sortino เฉพาะแบบที่เจ็บปวด – การเลือกขึ้นกับสไตล์ ความถี่ และการกระจายผลลัพธ์ของระบบเฉพาะของคุณ

เมื่อ Sharpe และ Sortino ไม่มีความหมายสำหรับรีเทล

• ตัวอย่าง < 50 เทรด – ส่วนเบี่ยงเบนมาตรฐาน noisy เมตริกไม่เสถียร
• กลยุทธ์ที่มีการกระจายไม่สมมาตรมาก (เช่น event-driven บนการปล่อยข้อมูล) – Sharpe เสียความหมาย เพราะเทรดที่ชนะเป็น long-tail และ std ไม่จับความผันผวน "ปกติ"
• ความถี่ต่ำมาก (5 เทรดต่อเดือน) – Sharpe รายปีต้องการการสังเกตหลายร้อยครั้งต่อปี บน 60 เทรดต่อปีประมาณได้ไม่น่าเชื่อถือ

สำหรับรีเทลทั่วไปที่มี 200 – 600 เทรดต่อปีและกลยุทธ์ trend-following + mean-reversion: Sortino เป็นเข็มทิศที่ดี Sharpe เป็นข้อมูลเสริม

7. MAE/MFE – บอกอะไรเกี่ยวกับคุณภาพการเข้าและออก

Maximum Adverse Excursion (MAE) และ Maximum Favorable Excursion (MFE) เป็นสองเมตริกที่เผยให้เห็น ราคาเคลื่อนไปสวนคุณไกลแค่ไหน และ ไปในทางที่เป็นประโยชน์กับคุณไกลแค่ไหน ระหว่างอายุของเทรด รีเทลไม่คำนวณมัน – และสูญเสียแหล่งข้อมูลเชิงลึกที่มีค่าที่สุดเกี่ยวกับคุณภาพ SL และ TP

นิยามของ MAE และ MFE

• MAE (Maximum Adverse Excursion) – การเคลื่อนราคาที่แย่ที่สุดสวนสถานะระหว่างอายุของมัน วัดในหน่วย R จากจุดเข้า เช่น คุณเข้าที่ 1.0850 ก่อนเทรดปิดราคาแตะ 1.0825 → MAE = (1.0850 − 1.0825) / |entry − SL| = 25/30 = 0.83R
• MFE (Maximum Favorable Excursion) – การเคลื่อนราคาที่ดีที่สุดในทางที่เป็นประโยชน์กับสถานะระหว่างอายุของมัน วัดในหน่วย R คุณเข้าที่ 1.0850 ราคาแตะ 1.0920 ก่อนถอย → MFE = (1.0920 − 1.0850) / 30 = 70/30 = 2.33R

MAE และ MFE วินิจฉัยอะไร

MAE ตอบ: ฉันใกล้ stop loss แค่ไหน หาก MAE เฉลี่ยบนเทรดที่ชนะคือ 0.4R, SL สามารถกระชับได้โดยเสียหายน้อย หาก MAE เฉลี่ยคือ 0.9R (เกือบถึง SL) คุณกำลังเข้า "ใต้" ตลาดและ SL อยู่คาบเส้น – slippage มากขึ้นจะทำลายผลลัพธ์

MFE ตอบ: ฉันทิ้งเงินไว้บนโต๊ะหรือไม่ หาก MFE เฉลี่ยสำหรับเทรดที่ปิดคือ +2.5R ขณะที่ชนะจริงคือ +1.2R – คุณทิ้ง +1.3R ไว้บนโต๊ะต่อเทรดที่ชนะ มักเป็นสัญญาณว่า TP ใกล้เกินไปหรือ trailing stop ก้าวร้าวเกินไป

สี่สถานการณ์วินิจฉัย MAE/MFE

MAE/MFE สำหรับเทรดที่ขาดทุน – เผยคุณภาพ SL

คำนวณเฉพาะบนเทรดที่ขาดทุน:

• MAE เฉลี่ยของเทรดแพ้ ≈ 1.0R (SL เต็ม) – SL ถือสมบูรณ์ ขาดทุนถูกปรับมาตรฐานในขนาด หากขาดทุนจริงเฉลี่ย −1.1R ถึง −1.2R – นั่นคือ slippage
• MAE เฉลี่ยของเทรดแพ้ > 1.2R – SL ถูกเลื่อนสวนแผน หรือ slippage รุนแรง หรือคุณเข้าก่อน gaps แต่ละสาเหตุต้องการการแก้ไขเฉพาะ

วิธีดึง MAE/MFE จากแพลตฟอร์มเชิงปฏิบัติการ

เทรดเดอร์ส่วนใหญ่ทำเรื่องนี้ซับซ้อนเกินไป สี่เส้นทางจริง – เลือกหนึ่งและยึดมัน 3 เดือนก่อนตัดสินใจว่าข้อมูล MAE เปลี่ยนการตัดสินใจของคุณหรือไม่ โบรกเกอร์ส่วนใหญ่ไม่ export MAE/MFE ในรายงาน CSV (คุณมีแค่จุดเข้า ออก max/min ระหว่างอายุของเทรด):

• MT4/MT5 ไม่มี tick history – หลังปิด ทำเครื่องหมายบนชาร์ต M5/M15 ตลอดอายุเทรดถึงการเคลื่อนที่แย่ที่สุดสวนและดีที่สุดในทางบวก แปลงเป็น R (MAE_pips / SL_pips, MFE_pips / SL_pips) และบันทึกด้วยมือ เวลา: 30 – 60 วินาทีต่อเทรด
• cTrader / TradingView – export ช่วงแท่งเทียนเป็น CSV คำนวณ MAE/MFE อัตโนมัติด้วยสคริปต์ Python (max/min ภายใน open_time – close_time)
• Edgewonk พร้อม tick import – คำนวณอัตโนมัติหากโบรกเกอร์เปิดเผย tick history ผ่าน API
• FX Blue / Myfxbook – มักไม่มี MAE/MFE ใน free tier; ตรวจสอบแผนแบบจ่ายเงินหรือกรอกด้วยมือ

สำหรับรีเทล 95% ตัวเลือก 1 (ด้วยมือหลังปิด) เป็นจริงที่สุด – 30 วินาทีอย่างซื่อสัตย์ ไม่ต้องผสาน API และไม่มีค่าใช้จ่าย

ชาร์ต MAE/MFE – อ่านอย่างไร

ชาร์ต MAE/MFE คลาสสิก (รู้จักในชื่อ "Sweeney chart"^[4]) มีสองแกน: MAE บน X, MFE บน Y แต่ละจุด = หนึ่งเทรด เทรดชนะสีเขียว เทรดแพ้สีแดง สี่กลุ่มบอกคุณเกี่ยวกับระบบ:

• ล่างซ้าย (MAE ต่ำ, MFE ต่ำ) – เทรดชนะเร็วไม่มีการแกว่ง สถานการณ์ในอุดมคติ แต่มักบ่งชี้ว่า TP ใกล้เกินไป
• บนขวา (MAE สูง, MFE สูง) – เทรดที่วิ่งสวนแรงก่อน แล้วกลายเป็นเทรดชนะใหญ่ สัญญาณว่า SL ใกล้ – slippage อีกนิดคุณจะแพ้
• บนซ้าย (MAE ต่ำ, MFE สูง) – เข้าในอุดมคติ ต่อเนื่องในอุดมคติ นี่คือสิ่งที่คุณต้องการ
• ล่างขวา (MAE สูง, MFE ต่ำ) – คุณเข้าแย่ ราคาแทบไม่ไปทางคุณ หลีกเลี่ยงพวกนี้ – วินิจฉัย setup ในกลุ่มนี้

8. Drawdown – ในอดีต ปัจจุบัน คาดการณ์

Drawdown คือการลดลงของเงินทุนจากจุดสูงสุดล่าสุด การวิเคราะห์สามระดับ:

Max drawdown ในประวัติศาสตร์

การลดลงที่สังเกตได้มากที่สุดจาก peak ถึง trough ในประวัติบัญชี ตัวเลขสำคัญสำหรับประเมินความทนทานเชิงจิตวิทยาของระบบ

Max DD = max((peak − trough) / peak) ข้ามแต่ละคู่ peak-trough ในประวัติศาสตร์

Drawdown เฉลี่ย

ค่าเฉลี่ยของ drawdown ในประวัติศาสตร์ทั้งหมด แสดง "ความเจ็บปวด" ทั่วไปของระบบ ไม่ใช่กรณีเลวร้ายที่สุด

กฎ: หาก max DD > 3 × avg DD ระบบมี "fat tails" – drawdown สุดขั้วที่หายาก มักเป็นสัญญาณว่าคุณมี black swan ในประวัติ หรือมีช่วงที่กำหนดขนาดเกินแผน

ระยะเวลา drawdown – เวลาฟื้นตัว

มักสำคัญกว่าความลึก: ใช้เวลานานแค่ไหนในการกลับสู่ peak?

• Drawdown 10% ที่ฟื้นตัว 2 สัปดาห์ – จัดการง่าย
• Drawdown 10% ที่ฟื้นตัว 8 เดือน – ทำลายจิตใจ เทรดเดอร์ส่วนใหญ่ละทิ้งระบบกลางคัน

ระบบที่ DD เล็กกว่าแต่ฟื้นตัวนานกว่าอาจยากเชิงจิตวิทยากว่าระบบที่ DD ใหญ่กว่าและฟื้นตัวเร็ว รวมกัน: pain index = (avg DD × avg duration) ค่าต่ำ = ระบบที่ถือง่าย

Drawdown คาดการณ์ – การจำลอง Monte Carlo

ด้วย 200+ เทรดในสมุดบันทึก คุณรัน Monte Carlo ได้:

1. เอาเวกเตอร์ของ 200 R-multiples จากสมุดบันทึก
2. สุ่มแบบใส่คืนเป็นลำดับ 1 000 เทรด (bootstrap)
3. คำนวณ max DD สำหรับลำดับนั้น
4. ทำซ้ำ 10 000 ครั้ง
5. ฮิสโตแกรมของ max DD แสดงการกระจายของสิ่งที่ควรคาดหวังในอนาคต

ผลลัพธ์: max DD ที่ percentile ที่ 95 ที่คาดการณ์ นั่นคือตัวเลขที่การกำหนดขนาดของคุณควรปรับเทียบ – หากระบบมีโอกาส 95% ที่ max DD < 18%, การกำหนดขนาด 1% ปลอดภัย หาก max DD 95% ที่คาดการณ์คือ 38%, การกำหนดขนาด 1% ก้าวร้าวเกินไป

ระเบียบวิธี Monte Carlo เต็มสำหรับกลยุทธ์ใน บทความ 15.4

9. เครื่องมือ: Edgewonk, Myfxbook, FX Blue, Excel/Notion ของคุณเอง

เครื่องมือไม่ได้ทำให้สมุดบันทึกดี สมุดบันทึกที่เก็บใน Excel ด้วยวินัยชนะ Edgewonk ที่เก็บโดยไม่มีวินัย แต่เครื่องมือสำคัญ – ตัวที่ผิดอาจทำให้คุณท้อ หรือไม่แสดงสิ่งที่คุณต้องการ

เปรียบเทียบเครื่องมือหลัก

สิ่งที่เครื่องมือยอดนิยมจะไม่แสดง

เครื่องมือส่วนใหญ่ out of the box ไม่มีฟิลด์สำหรับ คุณภาพการตัดสินใจ – สภาพจิตใจ ชั่วโมงการนอน คุณภาพการตัดสินใจ ให้เพิ่มฟิลด์กำหนดเองใน Edgewonk หรือรันสมุดบันทึกคู่ขนานใน Excel/Notion หากไม่มีสภาพจิตใจและการนอน คุณตรวจสอบไม่ได้ว่าการนอนส่งผลต่อ R-multiple ของคุณจริงหรือไม่ ในสมุดบันทึกรีเทลเชิงปฏิบัติหลายเล่ม Spearman correlation การนอน–R ออกมาเป็นหนึ่งในตัวแปรเชิงพฤติกรรมที่สำคัญกว่า แต่คุณต้องไม่สมมติล่วงหน้า – ต้องคำนวณบนตัวอย่างของคุณเอง ตัวเลขจาก broker fills อย่างเดียวจะไม่แสดงมัน

เมื่อ Excel ของคุณเองชนะ Edgewonk

• หากกลยุทธ์ของคุณมีเมตริกนอกมาตรฐาน (เช่น "setup ผ่านการตรวจสอบหาก VIX < 18 และ CBOE put/call > 1.1") – Edgewonk จะไม่เพิ่มคอลัมน์เหล่านั้น
• หากคุณรันกลยุทธ์หลายสินทรัพย์ (FX + ดัชนี + สินค้าโภคภัณฑ์) – Edgewonk เน้น FX เป็นหลัก
• หากการคำนวณ R-multiple ของคุณต้องการตัวปรับเพิ่ม (เช่น portfolio correlation, การจัดคลาส A+/B/C ด้วยระเบียบวิธีของคุณเอง) – Excel ให้การควบคุมเต็ม

Stack ตามระดับทักษะ

"เลือกอะไรวันนี้": หากคุณจดบันทึกมา < 6 เดือน – เริ่มต้น หากการบันทึกเป็นนิสัยแต่ขาดค่ารวมต่อ setup – ขยับไปกลาง หากคุณรัน Monte Carlo บน > 200 เทรดทุกเดือน – ขั้นสูง การยกระดับ stack ก่อนนิสัยการบันทึกลงตัวมักไม่ช่วย – เครื่องมือไม่แทนวินัย

10. เวิร์กโฟลว์การวิเคราะห์สมุดบันทึก – รายวัน รายสัปดาห์ รายเดือน รายไตรมาส

สมุดบันทึกที่ไม่มีจังหวะการวิเคราะห์คือฐานข้อมูลที่ไม่มีใครเปิด เวิร์กโฟลว์มืออาชีพมีสี่จังหวะ – รายวัน รายสัปดาห์ รายเดือน รายไตรมาส แต่ละจังหวะตอบคำถามต่างกันและต้องการงบเวลาต่างกัน

รายวัน – 5 นาทีหลังเซสชัน

เป้าหมาย: จับข้อมูลดิบขณะความทรงจำยังสด

• ใส่ทุกเทรดด้วย 25 ฟิลด์ (รายงานโบรกเกอร์ + ฟิลด์เชิงคุณภาพ)
• การจัดประเภทข้อผิดพลาด (หมวด 0 – 9)
• คุณภาพการตัดสินใจ (1 – 5) – ตามจริง แยกจากผลลัพธ์
• สภาพจิตใจ ชั่วโมงการนอน (หากไม่ได้ใส่ตอนเช้า)
• บริบทหนึ่งประโยค: "LON เงียบกว่าปกติ NFP เมื่อวาน"

หากไม่มีวินัยรายวัน ความทรงจำเสื่อมลง 50% ใน 24 ชั่วโมง หลัง 3 วันคุณไม่จำสภาพจิตใจที่แม่นยำระหว่างเทรดเฉพาะ หลังหนึ่งสัปดาห์คุณไม่จำว่าเข้าตามแผนหรือด้นสด

รายสัปดาห์ – 30 นาที เย็นวันอาทิตย์

เป้าหมาย: การวินิจฉัยระยะสั้น – สัปดาห์นี้สอดคล้องกับระบบหรือไม่?

• จำนวนเทรดต่อ setup ต่อคลาส A/B/C
• R-multiple รายสัปดาห์ (ผลรวม R ของสัปดาห์)
• จำนวนข้อผิดพลาดต่อหมวด – มีข้อผิดพลาดหนึ่งที่ครอบงำหรือไม่?
• คุณภาพการตัดสินใจเฉลี่ย – ลดต่ำกว่า 3.5 หรือไม่? (สัญญาณเตือน)
• Correlation: ในวันที่สภาพจิตใจ < 3 – ผลลัพธ์เป็นอย่างไร?
• ย่อหน้าสะท้อนคิดหนึ่งย่อหน้า: สัปดาห์นี้สอนอะไรเกี่ยวกับตัวฉันหรือตลาด

การทบทวนรายสัปดาห์จับปัญหาสด: "วันพุธฉันมี 4 เทรด ทั้งหมดนอก setup A – นั่นคือ FOMO หลังวันจันทร์ที่อ่อนแอ" การเห็นรูปแบบรายสัปดาห์ช่วยให้แก้พฤติกรรมก่อนมันฝังตัว

รายเดือน – 60 นาที สุดสัปดาห์แรกของเดือน

เป้าหมาย: การคำนวณเมตริกเต็มและประเมินว่าเดือนนี้เข้ากับเทรนด์ระยะยาวหรือไม่

• การคำนวณเต็ม: WR, expectancy, profit factor, Sortino, max DD, recovery factor
• ตารางต่อ setup: กี่เทรด, R เฉลี่ย, expectancy
• Equity curve รายเดือน – เทียบกับที่คาดการณ์ (จาก Monte Carlo)
• ชาร์ต MAE/MFE – เข้าดีหรือไม่ ทิ้งเงินไว้บนโต๊ะหรือเปล่า?
• การจัดประเภทข้อผิดพลาด – ข้อผิดพลาด 3 อันดับแรกของเดือน แผนปรับปรุง
• Correlation: วันที่นอนน้อยเทียบผลลัพธ์, วันที่สภาพจิตใจ < 3 เทียบผลลัพธ์
• รายงานรายเดือนหนึ่งหน้าสำหรับตัวเอง

เดือนละครั้งคุณนั่งกับตัวเลขไม่ว่าผลของเดือนจะเป็นอย่างไร – ช่วงเวลาเดียวที่คุณเห็นได้ว่ากำลังพัฒนาในฐานะเทรดเดอร์หรือแค่โชคดี การทบทวนรายเดือนมีไว้เพื่อริบสิทธิ์ในการแก้ตัวอย่างสบายใจ: เทรดที่แพ้คือ setup, ชั่วโมง, คู่เงิน, การกำหนดขนาด หรือการออกนอกแผนของคุณ?

รายไตรมาส – หนึ่งวันเต็ม

เป้าหมาย: การตรวจสอบเชิงกลยุทธ์ของระบบทั้งหมด ระเบียบวิธีเต็มใน บทความ 15.10

• เมตริกทั้งหมดจาก 3 เดือน
• เทรนด์ของเมตริก: expectancy เพิ่มหรือลดตลอด 3 เดือน?
• ต่อ setup: อันไหนได้น้ำหนักเชิงสถิติ (100+ เทรด), อันไหนไม่ได้
• การตัดสินใจ: ปลด setup, ปรับมัน, เพิ่มอันใหม่
• Backtest การอัปเดตระบบบนข้อมูลของไตรมาส
• แผนสำหรับไตรมาสถัดไป: เป้าหมายอะไร, การทดลองอะไร, KPI อะไร

ตาราง – เวิร์กโฟลว์ที่ 4 จังหวะ

รูปแบบเวิร์กโฟลว์ตามโปรไฟล์เทรดเดอร์

• เทรดเดอร์ที่ทำงานประจำ 9 – 5 – ขั้นต่ำ: 5 นาทีรายวันหลังเซสชัน (ตอนเย็น), 30 นาทีรายสัปดาห์เช้าวันเสาร์, 60 นาทีรายเดือนสุดสัปดาห์แรก การตรวจสอบรายไตรมาส – บังคับหนึ่งวันเต็ม (เสาร์หรืออาทิตย์) จำนวนเทรดตามจริง: 5 – 15 ต่อสัปดาห์ หากคุณ scalp M1 ด้วย 30+ เทรดต่อวัน เวิร์กโฟลว์ไม่เข้าระหว่างพักงาน – เปลี่ยนสไตล์ อย่าบีบอัดสมุดบันทึก
• เทรดเดอร์เต็มเวลา – ทบทวน 15 – 20 นาทีรายวันหลังเซสชัน LON และ NY, 60 นาทีรายสัปดาห์, รายเดือนหนึ่งวันเต็ม ไตรมาส: 2 – 3 วันตรวจสอบ
• เทรดเดอร์ swing / สุดสัปดาห์ – การวิเคราะห์รายวันไร้ประโยชน์ (ไม่มีเทรด 5 วันรวด); แทนที่ด้วย: บันทึกในวันเข้า + เฝ้าดูรายสัปดาห์ + เมตริกรายเดือน

เมื่อใดควรแก้ระบบ เมื่อใดควรแก้ตัวเอง

ข้อผิดพลาดการวินิจฉัยที่พบบ่อยที่สุดหลังไตรมาสที่ขาดทุน: เปลี่ยนกลยุทธ์แทนการกำจัดข้อผิดพลาดกระบวนการ (หรือกลับกัน – ถือ setup ที่ตายแล้วเมื่อ regime เปลี่ยนถาวร) ตารางย้อนทบทวนแบบง่าย:

ระเบียบวิธีตัดสินใจระบบเทียบผู้ดำเนินการเต็มใน บทความ 15.10