ก่อนที่จะพูดถึงธุรกรรม เรามาพูดถึงการสุ่มและความน่าจะเป็นกันให้ชัดเจนก่อน
จะเข้าใจการสุ่มได้อย่างไร?
ถ้าโยนเหรียญ 10 ครั้ง มันจะขึ้น 5 ครั้งจริงหรือ?
ความสม่ำเสมอของมันแตกต่างจากที่เราจินตนาการโดยสัญชาตญาณ ดังนั้นคนส่วนใหญ่ในชีวิตจะอ่านความน่าจะเป็นผิด ตัวอย่างเช่น เรารู้ว่าความน่าจะเป็นที่จะพลิกเหรียญคือครึ่งต่อครึ่ง แต่ถ้าคุณโยนเหรียญ 10 ครั้งในตอนนี้ คุณจะได้ 5 หัวจริงหรือ ในความเป็นจริง ความเป็นไปได้นี้มีเพียงประมาณ 1/4 เท่านั้น ซึ่งแตกต่างจากสัญชาตญาณของคนส่วนใหญ่อย่างเห็นได้ชัด
อีกตัวอย่างหนึ่งคือมีการพนันที่มีโอกาสชนะ 10% คุณสามารถรับประกันว่าจะชนะอย่างน้อยหนึ่งครั้งถ้าคุณเล่นสิบครั้งหรือไม่? ถ้าไม่ ต้องใช้กี่ครั้งถึงมีโอกาสชนะสูง 1 ครั้ง? ผลลัพธ์นี้เป็นจริง 26 ครั้ง ซึ่งอาจล้มล้างความรู้ความเข้าใจของคุณด้วย (สองตัวอย่างข้างต้นสามารถคำนวณได้ง่ายๆ ผ่านการทดลองของ Bernoulli) ดังนั้นเราต้องไปที่ด้านล่างของเรื่องและใช้ตัวอย่างเพื่ออธิบายว่าการสุ่มหมายถึงอะไร และเราจะหากฎทางสถิติที่ถูกต้องได้อย่างไรแทนที่จะใช้อคติส่วนตัว
เราทุกคนรู้ว่ากฎของสถิติสามารถได้รับหลังจากการทดลองสุ่มจำนวนมากเท่านั้น และกฎเหล่านี้มีความหมาย แต่ผลลัพธ์ที่ได้จากการทดลองสุ่มอาจแตกต่างจากข้อสรุปที่เราคำนวณโดยใช้ความน่าจะเป็นแบบดั้งเดิม ไม่เพียงแต่คุณไม่น่าจะออกหัว 5 ครั้งเป็นส่วนใหญ่เมื่อคุณโยนเหรียญ 10 ครั้ง เช่นเดียวกับการทดลองสุ่มอื่นๆ ที่คุณทำ
ตัวอย่างเช่น หากคุณทอยลูกเต๋า 12 ครั้ง จะมีเพียง 30% ของเวลาที่ทอยลูกเต๋าสองลูกพอดี ในตอนนี้ คุณบอกได้ไหมว่ามีความเป็นไปได้ 70% ที่จะปฏิเสธข้อสรุปที่ว่าความน่าจะเป็นที่จุด 6 จุดจะพลิกขึ้นคือ 1/6 ดูเหมือนว่ามันไม่ควรเป็นไปตามอำเภอใจ
เกิดอะไรขึ้นที่นี่? กุญแจสำคัญในที่นี้คือวิธีการอธิบายความเบี่ยงเบนระหว่างความน่าจะเป็นจริงและความน่าจะเป็นในอุดมคติ
เหตุใดความน่าจะเป็นที่เกิดขึ้นจริงจึงเบี่ยงเบนไปจากความน่าจะเป็นในอุดมคติเสมอ
หลายร้อยปีก่อน เพื่อตอบคำถามนี้ Bernoulli นักคณิตศาสตร์ชาวฝรั่งเศสและคนอื่นๆ เริ่มทำการทดลองสุ่มที่ง่ายที่สุด ซึ่งง่ายมากที่มีผลลัพธ์เพียงสองผลลัพธ์ ไม่ว่าจะเป็น A หรือ B และไม่มีสถานะที่สาม และทำซ้ำการทดลองนี้ภายใต้เงื่อนไขเดียวกัน และความน่าจะเป็นของการเกิด A และ B จะต้องเท่ากัน
ตัวอย่างเช่น การโยนเหรียญ ความน่าจะเป็นที่แต่ละหัวคือ 1/2 การโยนลูกเต๋า เหตุการณ์ A คือ "หกแต้มขึ้น" และความน่าจะเป็นที่จะเกิดขึ้นแต่ละครั้งก็เท่ากับ 1/6 แน่นอน เหตุการณ์ B คือจุดอื่นๆ ขึ้น และความน่าจะเป็นของแต่ละครั้งคือ 5/6 โดยทั่วไป ความน่าจะเป็นของ A คือ p และความน่าจะเป็นของ B คือ 1-p การทดลองดังกล่าวเป็นที่รู้จักกันในชื่อการทดลองของแบร์นูลลี
โอเค อธิบายการตั้งค่าพื้นฐานไว้ชัดเจนแล้ว มาวิเคราะห์ปัญหาการโยนเหรียญกัน ตามหลักเหตุผล ถ้าเราโยนเหรียญ 10 ครั้ง จำนวนหัวควรเท่ากับ 5 ครั้ง แต่ถ้าคุณเอาเหรียญมาลองดูจริงๆ คุณอาจพบว่ามันอาจออกหัวแค่สามครั้ง หรืออาจออกสี่ครั้ง หรืออาจไม่โผล่หัวเลยแม้แต่ครั้งเดียวด้วยซ้ำ
หากเราคำนวณความเป็นไปได้ของการหงายจาก 0 ครั้ง กล่าวคือ ทุกครั้งที่กลับหัว ไปจนถึง 10 ครั้งล้วนกลับหัว แล้ววาดกราฟเส้นซึ่งเป็นเส้นโค้งนูนตรงกลาง:
จะเห็นได้จากตัวเลขว่าแม้ว่าความเป็นไปได้ของ 5 หัวขึ้นจะสูงที่สุด แต่ก็ประมาณ 1/4 เท่านั้น
สาเหตุของความไม่สอดคล้องกันระหว่างผลการทดลองและค่าทางทฤษฎีคือจำนวนการทดลองสิบครั้งน้อยเกินไป และความสม่ำเสมอทางสถิติถูกปกปิดโดยการสุ่มของการทดลอง ความสม่ำเสมอจะไม่ชัดเจนขึ้นอีกเล็กน้อยหากเราทำการทดลองแบบสุ่มมากขึ้น
ตัวอย่างเช่น หากเราทำการทดลอง 100 ครั้ง คุณจะพบว่าใน 80% ของกรณี ส่วนหัวปรากฏ 40 ถึง 60 ครั้ง หากเราขยายจำนวนการทดสอบต่อไป คุณจะพบว่าจำนวนการแจ้งเตือนล่วงหน้าในกรณีส่วนใหญ่จะผันผวนประมาณครึ่งหนึ่ง และความเป็นไปได้ที่สัดส่วนการแจ้งเตือนล่วงหน้าจะน้อยหรือใหญ่เกินไปแทบจะไม่ปรากฏ ไม่เหมือน เริ่มต้นด้วยวิธีนี้ อะไรก็เป็นไปได้
แน่นอน หากคุณทำการทดลอง 1,000 ครั้ง 99.9% ของจำนวนหัวจะอยู่ระหว่าง 400 ถึง 600 แม้ว่าคุณจะจำกัดช่วงของการลอยให้แคบลงเหลือ 450-550 แต่ 99.7% ของเวลาที่หัวตกลงอยู่ในช่วงนี้
โดยทั่วไป หากทำการทดลอง Bernoulli อย่างง่าย N ครั้ง เหตุการณ์ A จะเกิดขึ้นกี่ครั้ง แม้ว่าเราจะรู้สึกว่าควรเป็นจำนวนทั้งหมด N คูณด้วยความน่าจะเป็น p ของเหตุการณ์แต่ละครั้ง เป็นไปได้ที่เหตุการณ์ A จะเกิดขึ้นหลายครั้งเท่าที่จะเป็นไปได้ แน่นอน ความเป็นไปได้ของการเกิด N*p นั้นสูงที่สุด รองลงมาคือ N*p+1 หรือ N*p-1 แล้วจึงค่อยๆ ลดลงไปที่ปลายทั้งสองด้าน
ถ้าเราวาดเป็นเส้นโค้ง มันจะเป็นเส้นโค้งที่มีปลายสูงตรงกลางและด้านล่าง อย่างไรก็ตาม การแจกแจงความน่าจะเป็นที่เป็นไปตามเส้นโค้งนี้เรียกว่าการแจกแจงแบบเบอร์นูลลี หรือที่เรียกว่าการแจกแจงแบบทวินาม เนื่องจากการทดลองแต่ละครั้งจะมีผลลัพธ์สองรายการ
เรายังดูที่การทดลองนี้ อันที่จริง ถ้าจำนวนของการทดลอง N ค่อนข้างมาก จะมีส่วนนูนขนาดใหญ่ตรงกลางและจากนั้นจะลดลงอย่างรวดเร็ว และด้านข้าง จะเกือบเป็นศูนย์ หมายความว่า ความน่าจะเป็น ของเหตุการณ์ A ที่เกิดขึ้นที่ประมาณ N*p นั้นสูงมาก เป็นไปได้มาก ความเป็นไปได้อื่นๆ นั้นน้อยมาก ในทางตรงกันข้าม หากจำนวน N ทั้งหมดค่อนข้างน้อย ส่วนนูนตรงกลางจะค่อนข้างนุ่มนวล และค่าที่ปลายทั้งสองจะมีค่าน้อย แต่ไม่เป็นศูนย์ ในความเป็นจริงเป็นการยากที่จะระบุจำนวนครั้ง เหตุการณ์ A ได้เกิดขึ้นแล้ว
ดังนั้นเราจึงได้ข้อสรุปดังกล่าว: กฎแห่งความไม่แน่นอนจะปรากฏได้ก็ต่อเมื่อมีการทดลองสุ่มจำนวนมาก และเมื่อจำนวนการทดลองไม่เพียงพอ กฎนี้จะปรากฏขึ้นโดยไม่ได้ตั้งใจและเป็นการสุ่ม
จะทราบลักษณะของการเบี่ยงเบนนี้ได้อย่างไร?
แน่นอน ในทางคณิตศาสตร์ เราไม่สามารถอธิบายกฎด้วยภาษาหลวมๆ เช่น "เส้นโค้งนูนกว่า" หรือ "ค่อนข้างแบน" เราจำเป็นต้องใช้สองแนวคิดที่ถูกต้องมากในการอธิบายความแตกต่างระหว่าง "ดรัม" และ "แฟลต" ในเชิงปริมาณ แนวคิดแรกคือค่าเฉลี่ยหรือค่าความคาดหมายทางคณิตศาสตร์ ซึ่งก็คือ N*p เพราะหลังจากการทดลอง N เหตุการณ์ที่มีความน่าจะเป็น p จำนวนเหตุการณ์โดยเฉลี่ยก็เป็นจำนวนเหตุการณ์ที่เป็นไปได้มากที่สุดเช่นกัน นี่คือ N* พี ต่อไป เราใช้แนวคิดของผลต่างกำลังสอง (เรียกว่าความแปรปรวน) เพื่ออธิบาย "ดรัม" และ "แบน" ของเส้นโค้ง คำว่า "ความแปรปรวน" อาจคุ้นเคยกับคุณ ความแปรปรวนคืออะไรและคำนวณอย่างไร เรามาคุยกันสั้นๆ ด้านล่างกัน
ความแปรปรวนเป็นการวัดข้อผิดพลาด เนื่องจากเป็นข้อผิดพลาดจึงต้องมีจุดฐานที่เปรียบเทียบได้ ในความน่าจะเป็น จุดฐานนี้คือค่าความคาดหวังทางคณิตศาสตร์ (เรียกว่าค่าคาดหวัง) ซึ่งเป็นสิ่งที่เรามักเรียกว่าค่าเฉลี่ย . ตัวอย่างเช่น หากคุณโยนเหรียญ 10 ครั้ง ค่าเฉลี่ยคือ 5 หัว และ 5 คือแต้มพื้นฐาน
หากเราทำการทดลอง 10 ครั้งและเผชิญหน้าเพียง 4 ครั้ง มีข้อผิดพลาด และข้อผิดพลาดคือ 1 หากมี 9 หัวขึ้นมาแสดงว่าข้อผิดพลาดนั้นใหญ่ซึ่งก็คือ 4 ต่อไป เราจะพิจารณาข้อผิดพลาดทุกประเภทและความเป็นไปได้ของข้อผิดพลาดเหล่านั้นร่วมกัน แล้วสร้างค่าเฉลี่ยถ่วงน้ำหนัก และ "ข้อผิดพลาด" ที่คำนวณได้คือผลต่างกำลังสอง
เหตุผลที่ใช้คำว่า "กำลังสอง" เป็นเพราะกำลังสองใช้ในการคำนวณข้อผิดพลาดของความแปรปรวน เพื่อให้สะดวกยิ่งขึ้นในการเปรียบเทียบระหว่างข้อผิดพลาดและค่าเฉลี่ย เรามักจะเปิดเครื่องหมายรูทของความแปรปรวนหนึ่งครั้ง และ ผลลัพธ์ที่ได้ในลักษณะนี้เรียกว่าส่วนเบี่ยงเบนมาตรฐาน (พูดตามตรง คือยังคงมีความแตกต่างกันเล็กน้อยระหว่างรากที่สองของความแปรปรวนและส่วนเบี่ยงเบนมาตรฐาน แต่ความแตกต่างนั้นน้อยมาก เพื่อให้ง่ายต่อการเข้าใจ เราถือว่า ส่วนเบี่ยงเบนมาตรฐานคือผลลัพธ์ของรากที่สองของความแปรปรวน)
สูตรเกี่ยวกับความแปรปรวนและส่วนเบี่ยงเบนมาตรฐานจะถูกละไว้ (เพื่อน ๆ ที่สนใจสามารถไป่ตู้ด้วยตัวเอง) เรามาพูดถึงข้อสรุปโดยตรง นั่นคือ การทดลองแบร์นูลลีหรือการทดลองอื่นๆ ที่คล้ายคลึงกัน ยิ่งจำนวนการทดลองมาก ความแปรปรวนและค่าเบี่ยงเบนมาตรฐานก็จะยิ่งน้อยลง และการแจกแจงความน่าจะเป็นจะเข้มข้นในตำแหน่งของค่าเฉลี่ย N*p . เห็นได้ชัดว่า ในกรณีนี้ การใช้จำนวนครั้งของ A หารด้วยจำนวนการทดลอง N เป็นความน่าจะเป็นของเหตุการณ์ A จะแม่นยำกว่า
ในทางกลับกัน ยิ่งจำนวนการทดลองน้อยลง เส้นกราฟการกระจายความน่าจะเป็นก็จะยิ่งประจบ กล่าวคือ มีความเป็นไปได้ที่ A จะเกิดขึ้นหลายครั้งเท่าที่จะเป็นไปได้ ในตอนนี้ คุณใช้จำนวนครั้งของ A หารด้วยจำนวนของ การทดลอง N เนื่องจากความน่าจะเป็นของการเกิดขึ้น ข้อผิดพลาดอาจมีขนาดใหญ่
เฉพาะการทดลองโยนเหรียญ ทำการทดลอง 100 ครั้ง และค่าเบี่ยงเบนมาตรฐานประมาณ 5 ครั้ง นั่นคือข้อผิดพลาดประมาณ 10% เมื่อเทียบกับค่าเฉลี่ย 50 แต่ถ้าเราทำการทดลอง 10,000 ครั้ง ค่าเบี่ยงเบนมาตรฐานจะอยู่ที่ประมาณ 50 เท่านั้น ดังนั้นเมื่อเทียบกับค่าเฉลี่ย ค่าจะลดลงเหลือประมาณ 1%
อุดมคติและความเป็นจริง: ความสำเร็จต้องมีการเตรียมตัวมากขึ้น
ด้วยแนวคิดของความแปรปรวน เราสามารถวิเคราะห์เชิงปริมาณของช่องว่างระหว่าง "อุดมคติ" และความเป็นจริงได้ อุดมคติคืออะไร? เราทำการทดลอง N Bernoulli ความน่าจะเป็นของแต่ละเหตุการณ์ A ที่เกิดขึ้นคือ p และ N ครั้งเกิดขึ้น N*p ครั้ง ซึ่งเป็นอุดมคติ แล้วความเป็นจริงคืออะไร? เนื่องจากอิทธิพลของค่าเบี่ยงเบนมาตรฐาน จำนวนเหตุการณ์ที่เกิดขึ้นจริงจึงเบี่ยงเบนไปจาก N*p ซึ่งเป็นความเป็นจริงอย่างมาก
ตัวอย่างเช่น ในชีวิต หลายคนคิดว่าบางสิ่งมีโอกาสเกิดขึ้นได้ 1/N ตราบใดที่เขาทำ N ครั้ง มันก็จะเกิดขึ้น 1 ครั้ง นี่เป็นเพียงอุดมคติเท่านั้น ยิ่งความน่าจะเป็นของเหตุการณ์น้อยเท่าไร ช่องว่างระหว่างอุดมคติกับความเป็นจริงก็ยิ่งมากขึ้นเท่านั้น ตัวอย่างเช่น ความน่าจะเป็นของสิ่งที่เกิดขึ้นคือ 1% แม้ว่าค่าความคาดหวังทางคณิตศาสตร์จะถึง 1 หลังจากการทดลอง 100 ครั้ง แต่ค่าเบี่ยงเบนมาตรฐานก็อยู่ที่ประมาณ 1 ในขณะนี้ ซึ่งหมายความว่าข้อผิดพลาดนั้นอยู่ที่ประมาณ 100% ดังนั้น หลังจากการทดลอง 100 ครั้ง อาจไม่สำเร็จเลยแม้แต่ครั้งเดียว
ถ้าคุณต้องการให้แน่ใจว่าได้ยิงนัดแรกล่ะ คุณกำลังทำการทดลองประมาณ 260 ครั้งแทนที่จะเป็น 100 ครั้ง เพื่อนๆ ที่สนใจรายละเอียดทางคณิตศาสตร์สามารถสอบถามเข้ามาคุยกันได้นะคะ ในที่นี้ เราใช้ข้อสรุปโดยตรง นั่นคือ ยิ่งความน่าจะเป็นของเหตุการณ์น้อยเท่าไร หากต้องการให้มั่นใจว่าจะเกิดขึ้น จำนวนการทดลองที่ต้อง จะดำเนินการมากกว่าจำนวนในอุดมคติ
เช่น ซื้อลอตเตอรี่ โอกาสถูกรางวัลของคุณคือ 1 ในล้าน หากคุณต้องการแน่ใจว่าถูกรางวัลเพียงครั้งเดียว คุณอาจต้องซื้อลอตเตอรี่ 2.6 ล้านใบ แม้ว่าคุณจะโดนแจ็คพอตเพียงครั้งเดียว แต่คุณใช้เงินมากกว่าที่คุณได้รับ ดังนั้น หากคุณเข้าใจค่าเบี่ยงเบนมาตรฐาน คุณควรเข้าใจว่าเหตุใดผู้คนจึงไม่เล่นการพนัน นี่คือจุดแรกที่เราต้องเข้าใจในแง่ของการรับรู้
ประเด็นที่สองที่เราต้องเข้าใจคือการปรับปรุงอัตราความสำเร็จในช็อตเดียวนั้นสำคัญกว่าการทดลองมาก หากคุณมีโอกาสสำเร็จ 50% โดยทั่วไปแล้วคุณพยายาม 4 ครั้งเพื่อให้แน่ใจว่าสำเร็จ 1 ครั้ง แน่นอนว่าสถานะในอุดมคติคือการลอง 2 ครั้ง เพื่อความปลอดภัย ทำงานให้มากขึ้น 100% แต่ถ้าคุณมีโอกาสสำเร็จเพียง 5% คุณจะต้องใช้ความพยายามประมาณ 50 ครั้งจึงจะสำเร็จ 1 ครั้ง ไม่ใช่ 20 ครั้งในอุดมคติ เพื่อความปลอดภัย ทำงานให้มากขึ้น 150%
หลายคนชอบเดิมพันในเหตุการณ์ที่มีโอกาสเป็นไปได้ต่ำโดยคิดว่าต้นทุนต่ำและมันเป็นเรื่องใหญ่ที่จะทำอีกสองสามครั้ง อันที่จริง เนื่องจากผลกระทบของข้อผิดพลาด เหตุการณ์ความน่าจะเป็นสูงกว่าการรับรองเหตุการณ์ที่มีความเป็นไปได้สูง
ในเรื่องกฎของทฤษฎีความน่าจะเป็นและสถิติยังมีหลายจุดที่ไม่ตรงกับสัญชาตญาณของเรา ตัวอย่างเช่น การทดลองสุ่มจำนวนมากที่เรากล่าวถึงก่อนหน้านี้จำเป็นต้องดำเนินการภายใต้เงื่อนไขเดียวกัน และการทดลองก่อนหน้านี้และครั้งต่อๆ ไปจะไม่ส่งผลกระทบซึ่งกันและกัน ในความเป็นจริงแล้ว ทั้งสองสิ่งนี้ไม่ง่ายเลยที่จะตอบสนอง
ยกตัวอย่างการโยนลูกเต๋า ดูเหมือนว่าการโยน N ครั้งจะเป็นเพียงการโยนซ้ำ 1 ครั้ง แต่จริงๆ แล้วถ้าคุณโยนหลายครั้งเกินไป ลูกเต๋าจะเสื่อมสภาพ และโต๊ะก็จะมีรูด้วย ความแตกต่างเล็กๆ น้อยๆ เหล่านี้จะทำให้ สะสมและสร้างผลลัพธ์ที่แตกต่างกัน สิ่งที่เราคิดว่าจะเกิดขึ้นหลังจากพยายามไม่กี่ครั้ง อาจไม่เกิดขึ้น ทำให้เราต้องพิจารณาส่วนต่างเพิ่มเติมล่วงหน้า
...
พูดคุยเกี่ยวกับการทำธุรกรรม
ผู้ที่เก่งการต่อสู้ในสมัยโบราณมักจะอยู่ยงคงกระพันก่อนและรอให้ศัตรูได้รับชัยชนะ ในตลาด ก่อนอื่นคุณต้องหาผลิตภัณฑ์ที่เหมาะสม สร้างระบบการซื้อขายที่เหมาะกับคุณ และตรวจสอบความสมดุลระหว่างอัตราการชนะธุรกรรมและอัตราส่วนกำไรขาดทุน เพื่อสะสมข้อได้เปรียบของคุณเอง ท้ายที่สุดแล้ว การเทรดเป็นเกมของความน่าจะเป็น
วิธีจัดการเงินในบัญชี
ผมเชื่อว่าจากความรู้ความน่าจะเป็นข้างต้น ทุกคนได้เข้าใจแล้ว ส่วนที่สำคัญที่สุดของการเทรดคือการจัดการเงิน เพราะไม่ว่ากลยุทธ์การเทรดของเราจะทรงพลังเพียงใด หากมีจำนวนธุรกรรมไม่เพียงพอเป็นหลักประกัน เป็นไปไม่ได้ที่จะให้ความได้เปรียบเชิงกลยุทธ์อย่างเต็มที่
เมื่อทำการจัดการกองทุนบางคนบนอินเทอร์เน็ตแนะนำว่าค่า จำกัด ความเสี่ยง (รวมถึงต้นทุนการทำธุรกรรม) ของแต่ละธุรกรรมตั้งไว้ที่ 2% ลองดูว่ามันสมเหตุสมผลไหม หากทุกธุรกรรมถึงความเสี่ยงและมูลค่าจำกัด จำนวนธุรกรรมทั้งหมดที่ทำได้คือ 50 ครั้ง จากความรู้ความน่าจะเป็นข้างต้น เราสามารถทราบได้ว่าความได้เปรียบเชิงกลยุทธ์ของเราไม่ได้ถูกนำมาใช้ในการทดลอง 50 ครั้ง ดังนั้นแม้ในกรณีที่เลวร้ายที่สุด เราจำเป็นต้องทำธุรกรรมให้เพียงพอเพื่อให้ข้อได้เปรียบของกลยุทธ์นี้แสดงออกมา เมื่อจำนวนการทำธุรกรรมเพียงพอ กลยุทธ์นี้ยังคงไม่ทำกำไร และเราสามารถระบุได้ว่าเป็นปัญหากับกลยุทธ์ ตัวอย่างเช่น เราสามารถลองกำหนดขีดจำกัดความเสี่ยงที่ 0.2% เพื่อให้บัญชีสามารถทำธุรกรรมได้ประมาณ 500 รายการแม้ในกรณีที่เลวร้ายที่สุด
วิธีเพิ่มประสิทธิภาพกลยุทธ์การซื้อขาย
หลายคนอาจพูดว่าอัตราส่วนกำไร-ขาดทุนและเปอร์เซ็นต์การชนะในการซื้อขายนั้นเหมือนกับสองด้านของกระดานหก เมื่อปลายด้านหนึ่งสูงขึ้น อีกด้านก็จะตกลง อันที่จริงแล้วเราควรเปรียบเทียบและเพิ่มประสิทธิภาพกลยุทธ์ของเราโดยใช้พื้นฐานเดียวกัน เช่น วิธีเพิ่มอัตราส่วนกำไรขาดทุนภายใต้อัตราส่วนการชนะของธุรกรรมเดียวกัน หรือ วิธีเพิ่มอัตราส่วนการชนะของธุรกรรมภายใต้อัตราส่วนกำไรขาดทุนเดียวกัน ซึ่ง เป็นกุญแจสำคัญในกลยุทธ์การเพิ่มประสิทธิภาพของเรา ซึ่งเป็นกระบวนการที่เราคัดกรองสัญญาณที่มีประสิทธิภาพด้วย
วิธีกำหนดตำแหน่งการซื้อขาย
ในระยะสั้น หนึ่งประโยค: การสูญเสียเป็นปริมาณ และความน่าจะเป็นเป็นลำดับความสำคัญ
นั่นหมายความว่าอย่างไร? เราจำเป็นต้องกำหนดตำแหน่งการเข้าก่อน จากนั้นจึงกำหนดตำแหน่งหยุดการขาดทุน จากนั้นจึงคำนวณปริมาณการซื้อขายที่ต้องทำตามพื้นที่ตำแหน่งหยุดการขาดทุนและค่าขีดจำกัดความเสี่ยงที่เราได้กำหนดไว้ นี่คือปริมาณโดยการสูญเสีย
จากนั้นทุกธุรกรรมที่เราทำจะต้องเป็นไปตามกลยุทธ์การซื้อขายที่เหมาะสมซึ่งกำหนดโดยตัวเราเอง นี่คือความน่าจะเป็น
สรุป
เฉพาะเมื่อนักเทรดบรรลุอัตราความแม่นยำของคำสั่งที่เหมาะสม อัตราส่วนการทำกำไรและหยุดการขาดทุนที่เหมาะสม และการควบคุมตำแหน่งที่เหมาะสม เมื่อทั้งสามจุดนี้เสริมซึ่งกันและกัน เขาจึงจะมีโอกาสก้าวไปสู่ความยั่งยืนและมั่นคงในระยะยาว การทำกำไร.
ตอนที่ผมเขียนต้นฉบับบทความนี้ผมเห็นคนในกลุ่มส่งภาพมาดังนี้
แล้วลองคิดดูว่าทำไมเนื้อหาในภาพถึงไม่สมจริง? คุณสามารถเริ่มต้นจากทิศทางต่อไปนี้:
1. ความน่าจะเป็นของความสำเร็จของกลยุทธ์นี้คือเท่าใด?
2. หากคุณต้องการให้แน่ใจว่ากลยุทธ์นี้ประสบความสำเร็จ คุณต้องสร้างบัญชีดังกล่าวกี่บัญชี
3. เงินต้นที่ต้องใช้สำหรับบัญชีทั้งหมดคืออะไร?
ยินดีต้อนรับสู่การเขียนความคิดของคุณในพื้นที่ความคิดเห็นด้านล่าง ในบทความหน้า เราจะมาพูดถึงวิธีทำให้เทพีแห่งโชคเชื่องและทำให้เธอชอบฉัน
...
ขอให้โชคดีกับการทำธุรกรรม