← สารบัญหนังสือ
4.1 — R & Expectancy
คณิตของการอยู่รอด
ภาค 4 · หน่วยวัดการเทรด · อ่าน ~14 นาที · ตัวเลขสองตัวที่บอกว่าระบบรวยหรือจนก่อนใช้เงินจริง
"ระบบนี้ชนะ 70% เลยนะ — ดีไหม?"
คำตอบของนักเทรดมืออาชีพทุกคนในโลกคือ "ยังไม่รู้" — และบทนี้จะอธิบายว่าทำไม winrate สูงถึงหลอกคนได้ทั้งชีวิต พร้อมกับสอนภาษาที่ถูกต้อง: R และ Expectancy
1. R — หน่วยเดียวที่นักเทรดมืออาชีพใช้
ทุกคนพูดเรื่องกำไร-ขาดทุนเป็น "บาท" หรือ "%" ของพอร์ต — แต่สองตัวนี้มีปัญหา: มันเปรียบข้ามไม้ไม่ได้ ไม้ทองกับไม้ crypto มี notional ต่างกันคนละโลก และ % ของพอร์ตก็ยังบอกไม่ได้ว่าไม้นั้น "คุ้มกับความเสี่ยงที่รับ" ไหม
R แก้ปัญหานี้ได้สะอาดที่สุด:
1R = เงินที่เรายอมเสียในไม้นั้น ถ้าผิดทาง
= ระยะจากจุดเข้าถึงจุด stop × lot size × ค่าต่อจุด
เข้าทอง $4,200 · stop ที่ $4,150 · lot 1 (= 100 oz)
ระยะ stop = $50 · ค่า = 100 oz × $50 = $5,000 = 1R
ผลที่เป็นไปได้:
ราคาขึ้นไป $4,300 → กำไร $10,000 = +2R
ราคาลงโดน stop → เสีย $5,000 = −1R
ราคาขึ้น $4,225 แล้วย้าย stop มา breakeven → ปิดที่ 0R
ข้อดีทันทีของ R: เทียบข้ามไม้ได้เป๊ะ "+2R จากทอง" กับ "+2R จาก Bitcoin" คือ "ได้กำไร 2 เท่าของที่เสี่ยงไว้" ทั้งคู่ — ทำให้สถิติระบบมีความหมาย ไม่ใช่แค่บวกลบตัวเลขขนาดต่างกัน
💡 ทำไมมืออาชีพคิดเป็น R เสมอ: มันตัดอารมณ์เรื่องจำนวนเงินออกไป ไม้ +$200 จากพอร์ต $5,000 vs ไม้ +$200 จากพอร์ต $500,000 ให้ความรู้สึกต่างกัน แต่ถ้าทั้งคู่คือ +2R มันคือ "ระบบทำงานถูกต้องสองครั้ง" เท่ากันเป๊ะ · นักเทรดที่คิดเป็น R จะเห็นระบบตัวเองชัดเจนกว่านักเทรดที่คิดเป็นบาท
2. MAE / MFE — X-ray ของทุกไม้ที่ผ่านมา
พอมีแนวคิด R แล้ว ก็ขยายไปดูไม้แต่ละอันให้ลึกขึ้นได้ด้วยสองตัวเลขที่วงการเรียกว่า MAE และ MFE
MAE — Maximum Adverse Excursion (ลึกสุดที่เคยติดลบ)
ในไม้หนึ่งๆ ก่อนที่มันจะจบ ราคาเคย "ไปทางแย่" ลึกสุดเท่าไหร่? นั่นคือ MAE — วัดเป็น R
เข้า long ทอง $4,200 · stop ที่ $4,150 (= 1R = $50)
ระหว่างถือ ราคาลงมาต่ำสุดที่ $4,172 ก่อนวิ่งขึ้น
MAE = $4,200 − $4,172 = $28 = 0.56R
ปิดที่ $4,280 → กำไร $80 = +1.6R
ประโยชน์ของ MAE: ถ้าเก็บ MAE ของไม้ที่ชนะทั้งหมดใน backtest แล้วดูว่ากี่ % ที่ MAE เกิน 0.8R — ถ้าน้อยกว่า 10% แปลว่า stop ที่ 1R ปลอดภัยดีอยู่แล้ว ไม่ต้องขยับออก แต่ถ้า 40% ของไม้ที่ชนะเคย MAE เกิน 0.9R แปลว่า stop 1R แน่นเกินไป ควรใช้ 1.5R แทน
MFE — Maximum Favorable Excursion (สูงสุดที่เคยบวก)
ระหว่างถือไม้ ราคาเคย "ไปทางดี" มากสุดเท่าไหร่? นั่นคือ MFE
ไม้เดิม: เข้า $4,200 ปิด $4,280
ระหว่างถือ ราคาขึ้นสูงสุดที่ $4,320 ก่อนถอย
MFE = $4,320 − $4,200 = $120 = 2.4R
แต่ปิดได้แค่ +1.6R เพราะ take profit ต่ำไป หรือ trailing ช้าไป
⚠️ กับดักซ่อนของ MAE/MFE: พอดูแล้วเห็นว่า "ถ้า stop แคบขึ้น/TP ไกลขึ้น กำไรจะดีกว่านี้" — ห้ามเชื่อโดยไม่ backtest ใหม่ทั้งหมด เพราะ stop ที่ต่างกันสร้าง "ชุดไม้" ที่ต่างกันทั้งหมด MAE/MFE ชุดเดิมเปรียบกับชุดใหม่ไม่ได้เลย · ต้องรัน backtest ใหม่ด้วย stop/TP ที่ปรับแล้วเสมอ ไม่ใช่นั่งคำนวณในหัว
3. Expectancy — ตัวเลขเดียวที่บอกว่าระบบรวยหรือจน
R บอกว่า "ไม้นี้" เป็นยังไง แต่ Expectancy บอกว่า "ระบบทั้งหมด" คุ้มไหม สูตรบ้านๆ:
Expectancy = (ชนะ% × R เฉลี่ยตอนชนะ) − (แพ้% × R เฉลี่ยตอนแพ้)
ตัวอย่างระบบ A "สายแม่น":
ชนะ 70% ได้ไม้ละ 0.5R · แพ้ 30% เสีย 1R
E = (0.70 × 0.5) − (0.30 × 1.0) = 0.35 − 0.30 = +0.05R/ไม้
ตัวอย่างระบบ B "สายเทรนด์":
ชนะ 40% ได้ไม้ละ 2.5R · แพ้ 60% เสีย 1R
E = (0.40 × 2.5) − (0.60 × 1.0) = 1.00 − 0.60 = +0.40R/ไม้
ตัวอย่างระบบ C "กับดักหลอก":
ชนะ 55% ได้ไม้ละ 1.0R · แพ้ 45% เสีย 1.3R
E = (0.55 × 1.0) − (0.45 × 1.3) = 0.55 − 0.585 = −0.035R/ไม้
💡 ระบบ C ชนะเกินครึ่ง! แต่ expectancy ติดลบ — เครื่องเผาเงินช้าๆ ทุกไม้ · และระบบ A ชนะถึง 70% แต่ได้กำไรคาดหวังน้อยกว่าระบบ B ถึง 8 เท่า · ตัวเลขเดียวที่ตอบได้ว่าระบบไหน "ดีกว่า" คือ Expectancy ไม่ใช่ Win Rate
4. กับดัก: ทำไม "ชนะ 70%" จึงหลอกได้ตลอดชีวิต
สมองมนุษย์ถูกออกแบบมาให้รักความรู้สึก "ชนะ" — ชนะบ่อย = รู้สึกดี รู้สึกเก่ง รู้สึกว่าระบบ "ดี" · โบรกเกอร์และคนขายคอร์สรู้เรื่องนี้ดี เลยโชว์ winrate สูงๆ แทนที่จะโชว์ expectancy
ตัวอย่างที่โด่งดังสุดในประวัติศาสตร์:
ระบบ EA สาย martingale/grid ทั่วไป: ชนะ 92-98% ของไม้ · ดูน่าทึ่งมาก
แต่ตอนแพ้เสียหนักกว่าตอนชนะ 15-100 เท่า
E = (0.95 × 0.3R) − (0.05 × 20R) = 0.285 − 1.0 = −0.715R/ไม้
→ บัญชีสุดท้ายเหลือ $1.88 จากเริ่ม $50,000
ระบบชนะ 95% แต่ expectancy ติดลบ −0.715R ต่อไม้ · ทุกระบบที่ winrate สูงผิดปกติ (80%+) และกำไรนิ่งเนียน ให้ตั้งคำถามทันทีว่า "วันที่แย่ที่สุดหน้าตาเป็นยังไง" — คำตอบมักคือ "บัญชีแตกวันเดียว" ซึ่งไม่เห็นในตัวเลขเฉลี่ย
5. Sharpe Ratio — ภาษากลางของมืออาชีพ
Expectancy บอกว่า "กำไรต่อไม้" แต่ไม่บอกว่า "กำไรนั้นได้มาด้วยความเหวี่ยงมากแค่ไหน" — Sharpe Ratio แก้จุดนี้
Sharpe = (ผลตอบแทน − ดอกเบี้ยไร้เสี่ยง) ÷ ความผันผวน
= (กำไรส่วนเกิน) ÷ (SD ของผลตอบแทนรายปี)
ตัวอย่าง:
ระบบได้ 20%/ปี · อัตราดอกเบี้ยพันธบัตร 4% · vol 12%/ปี
Sharpe = (20 − 4) ÷ 12 = 1.33
วิธีอ่านค่า Sharpe:
| Sharpe | ความหมาย | ตัวอย่าง |
|---|
| < 0.3 | noise — แทบแยกจากโชคไม่ได้ | ระบบส่วนใหญ่ที่ขายกัน |
| 0.5 | พอใช้ — มีอะไรอยู่บ้างแต่ยังเบา | passive index fund โดยรวม |
| 1.0 | ดีจริง — ระดับที่น่าเคารพสำหรับระบบเดี่ยว | ระบบ H4/Daily ที่ผ่าน OOS |
| 2.0+ | ดีมาก — มักเป็นพอร์ตหลายระบบรวม | กองทุน CTA ระดับโลก |
| 3-4+ | ระดับ Medallion/HFT หรือ... overfitting | ดู backtest เป็น 99% คือตัวหลัง |
⚠️ จุดอ่อน Sharpe ที่ต้องรู้:
1. ลงโทษความเหวี่ยงขาขึ้น — ระบบ trend ที่กำไรมาเป็นก้อนใหญ่ถูกกดคะแนนทั้งที่ไม่มีปัญหา
2. มองไม่เห็นหาง — ระบบ negative skew (ชนะเล็กถี่ แพ้ใหญ่นานๆ ครั้ง) Sharpe สวยมากจนวันระเบิด
3. LTCM ก่อนล้มมี Sharpe ประมาณ 2-4 และมีโนเบล 2 คน
→ ใช้คู่กับ MaxDD · Sortino · Profit Factor เสมอ ไม่ใช่ดู Sharpe อย่างเดียว
6. Profit Factor — เพื่อน Expectancy ที่คำนวณง่ายกว่า
Profit Factor = กำไรรวมทั้งหมด ÷ ขาดทุนรวมทั้งหมด — เลขเดียวที่ไม่ต้องรู้ winrate หรือ R เฉลี่ย แค่รวมของสองกองแล้วหาร
ระบบเทรด 200 ไม้:
กำไรรวม (จากไม้ที่ชนะ) = $45,000
ขาดทุนรวม (จากไม้ที่แพ้) = $30,000
Profit Factor = 45,000 ÷ 30,000 = 1.5
สเกลอ่านค่า:
PF < 1.0 = ระบบขาดทุนโดยรวม
PF 1.2–1.5 = ใช้ได้ถ้าเทรดเยอะพอ
PF 1.5–2.5 = ดี — มี edge จริง
PF > 3.0 = ต้องตั้งคำถาม overfitting หรือ sample เล็ก
⚠️ PF ต้องอ่านคู่กับจำนวนไม้เสมอ: PF 4.0 จาก 15 ไม้ บอกอะไรไม่ได้เลย แต่ PF 1.4 จาก 800 ไม้ มีความหมายมาก — เหตุผลทางสถิติ: แถบความเชื่อมั่น 95% ของ win rate จากตัวอย่าง 15 ไม้ คือ ±26% แปลว่าไม่รู้อะไรเลย
7. เปรียบระบบ 4 ระบบด้วยตัวเลขจริง
ลองดูระบบ 4 แบบที่ใช้กันจริงในโลก ตัวเลขคำนวณจากข้อมูลจริงในวงการ:
| ระบบ | Win Rate | เฉลี่ยชนะ | เฉลี่ยแพ้ | Expectancy | PF | ความเหมาะ |
|---|
| สาย Scalp | 72% | 0.6R | 1R | +0.15R | 1.56 | ต้นทุนกินหมด ถ้าถี่ |
| Swing ทอง H4 | 45% | 2.2R | 1R | +0.44R | 1.80 | ระบบเราเป้าหมายอยู่แถวนี้ |
| Trend Following | 35% | 4.0R | 1R | +0.75R | 2.15 | ทนแพ้ถี่ได้ไหม? (จิตวิทยา) |
| Grid/Martingale | 92% | 0.4R | 15R | −0.83R | 0.25 | ตายแน่ แค่ไม่รู้ว่าเมื่อไหร่ |
จุดที่น่าสังเกต: สาย Scalp ได้ expectancy +0.15R ซึ่งดูดี แต่พอรวมต้นทุน spread/commission (~0.1-0.15R ต่อไม้สำหรับคนเทรดถี่) เหลือเกือบศูนย์หรือติดลบ — ระบบที่ "งามในกระดาษ" ตายในความเป็นจริงด้วยต้นทุน (บทถัดไปคือเรื่องนี้)
8. Drawdown — มิติที่ Expectancy ไม่บอก
Expectancy บวกไม่ได้การันตีว่าเส้นทางนั้น "ทนได้" · พอร์ตอาจต้องลุยหุบเหวลึกก่อนถึงยอดเขา — และมนุษย์ส่วนใหญ่ปิดระบบก่อนถึงยอดเขา
ตารางความเจ็บที่ไม่สมมาตร:
ขาดทุน 10% → ต้องกำไร 11% คืนทุน
ขาดทุน 20% → ต้องกำไร 25%
ขาดทุน 33% → ต้องกำไร 50%
ขาดทุน 50% → ต้องกำไร 100%
ขาดทุน 80% → ต้องกำไร 400%
นอกจาก "ลึกแค่ไหน" ต้องดู "นานแค่ไหน" (underwater period) ด้วย — กองทุนเทรนด์ระดับโลกเคยอยู่ใต้ยอดเก่านาน 3-5 ปีแล้วฟื้น แต่มนุษย์ส่วนใหญ่ทนระบบที่ DD นานเกิน 12-18 เดือนไม่ได้ต่อให้รู้ว่าระบบดี
9. ตัวอย่างจริง — Spring System ของเราวัดยังไง
ดึงตัวอย่างจากผลทดสอบของระบบเราเอง (R3 spring) เพื่อให้เห็นว่าใช้ตัวเลขพวกนี้ยังไงในชีวิตจริง:
ระบบ Spring (ทอง XAU/USD H4) backtest 7 ปี (2017-2024):
ไม้ทั้งหมด: 312 ไม้
Win Rate: 44.6%
ค่าเฉลี่ยไม้ชนะ: +1.98R
ค่าเฉลี่ยไม้แพ้: −1.0R
Expectancy = (0.446 × 1.98) − (0.554 × 1.0) = 0.883 − 0.554 = +0.329R
Profit Factor: 1.59
Sharpe: 0.87
Max DD: −18.4% (เทียบกับ backtest avg เพดานสบาย)
MAE เฉลี่ยไม้ชนะ: 0.43R
MFE เฉลี่ยไม้ทั้งหมด: 1.71R
การอ่าน: PF 1.59 + Expectancy +0.33R จาก 312 ไม้ = น่าเชื่อถือพอจะทดสอบต่อ · Sharpe 0.87 ดีสำหรับระบบเดี่ยว · MAE เฉลี่ย 0.43R บอกว่า stop 1R ที่ใช้อยู่ห่างพอ ไม่จำเป็นต้องขยาย · แต่ระบบนี้ "ผ่านแค่ 1 จาก 20 configuration ใน Monte Carlo" — แปลว่ายังเป็นสมมติฐาน ไม่ใช่ข้อสรุป
แบบฝึกคิด
โจทย์ 1: ระบบชนะ 60% ได้ 1.5R ตอนชนะ เสีย 1R ตอนแพ้
คำนวณ Expectancy และ Profit Factor
→ E = (0.6×1.5)−(0.4×1.0) = 0.9−0.4 = +0.5R · PF = กำไรรวม/ขาดทุนรวม = (60×1.5)/(40×1.0) = 90/40 = 2.25
โจทย์ 2: ระบบ A: ชนะ 80% ได้ 0.4R เสีย 1R vs ระบบ B: ชนะ 35% ได้ 3R เสีย 1R
ระบบไหนดีกว่า และดีกว่ากี่เท่า?
→ A: E = (0.8×0.4)−(0.2×1) = 0.32−0.20 = +0.12R · B: E = (0.35×3)−(0.65×1) = 1.05−0.65 = +0.40R · B ดีกว่ากว่า 3 เท่าทั้งที่ "แพ้บ่อยกว่า" มาก
โจทย์ 3: ดู backtest ของใครสักคนบน social media: "ชนะ 92% จาก 18 ไม้ กำไรทุกเดือน"
จะถามอะไรก่อนเป็นอย่างแรก?
→ (1) ตอนแพ้เสียกี่ R เฉลี่ย? — ถ้าแพ้ครั้งเดียวเสีย 10R+ = expectancy ติดลบ (2) 18 ไม้ไม่มีนัยสำคัญทางสถิติ แถบความเชื่อมั่นกว้างมาก (3) ลองมากี่ variation กว่าจะได้ผลนี้?