Verlies-Winst Asymmetrie: De Wiskunde die je Deposito Vernietigt

Waarom 50% verlies 100% groei vereist om te herstellen, hoe volatility drag kapitaal vernietigt zelfs in zijwaartse markten, en welke formules elke algo-trader moet kennen om risicobeheer op te bouwen.

De Puzzel die de Intuïtie Breekt

Stel je voor: een asset steeg 70%, en daalde vervolgens 70%. Of andersom — eerst daalde het, toen steeg het. Welk scenario is winstgevender?

Het antwoord: beide zijn even onrendabel. Vermenigvuldiging is commutatief:

$100 \times 1.7 \times 0.3 = 100 \times 0.3 \times 1.7 = 51$

Je hebt 49% van je kapitaal verloren bij een "nul" prijsbeweging. Dit is geen bug — het is een fundamentele eigenschap van de multiplicatieve aard van rendementen.

Waarom Verliezen "Zwaarder" Wegen dan Winsten

Procentueel rendement is een operatie in de multiplicatieve ruimte. 50% verliezen betekent vermenigvuldigen met 0,5, en om terug te keren naar het startpunt moet je vermenigvuldigen met 2 — dat wil zeggen, 100% verdienen.

De Herstelformule

Als je $x\%$ van je kapitaal verloren hebt, is het vereiste rendement om terug te keren naar het oorspronkelijke saldo:

$R_{recovery} = \frac{x}{100 - x} \times 100\%$

De afleiding is elementair. Laat $C$ het beginkapitaal zijn. Na een verlies van $x\%$:

$C_{after} = C \cdot \left(1 - \frac{x}{100}\right)$

Om te herstellen geldt $C_{after} \cdot (1 + R) = C$, dus:

$R = \frac{C}{C_{after}} - 1 = \frac{1}{1 - x/100} - 1 = \frac{x}{100 - x}$

Asymmetrietabel

De asymmetriecoëfficiënt groeit niet-lineair. Na een verlies van 50% kom je in een zone terecht waaruit statistisch gezien nauwelijks te ontsnappen valt zonder de strategie te veranderen.

Volatility Drag: De Stille Moordenaar in Zijwaartse Markten

Zelfs wanneer de markt "stilstaat", vernietigt volatiliteit op zichzelf al kapitaal. Dit fenomeen wordt volatility drag (of variance drain) genoemd.

Formele Definitie

Voor een reeks dagelijkse rendementen $r_1, r_2, \ldots, r_n$ is het geometrische (werkelijke) rendement:

$G = \prod_{i=1}^{n}(1 + r_i) - 1$

Het rekenkundige (gemiddelde) rendement is:

$\bar{r} = \frac{1}{n}\sum_{i=1}^{n} r_i$

De relatie tussen beide is bij benadering:

$G \approx \bar{r} - \frac{\sigma^2}{2}$

waarbij $\sigma^2$ de variantie van de rendementen is. De term $\frac{\sigma^2}{2}$ is de volatility drag.

Voorbeeld: Zijwaartse Markt met 5% Dagelijkse Volatiliteit

Stel dat een asset elke dag willekeurig 5% stijgt of daalt met gelijke waarschijnlijkheid. Rekenkundig gemiddelde = 0%. Maar het geometrische rendement:

$G \approx 0 - \frac{0.05^2}{2} = -0.125\%$

Over 252 handelsdagen: $(1 - 0.00125)^{252} \approx 0.729$, wat betekent -27,1% per jaar bij een "nul" gemiddelde beweging.

Voor de cryptomarkt, met een typische dagelijkse volatiliteit van 3–8%, betekent dit dat het aanhouden van een volatiel asset zonder richtinggevende trend kapitaalverlies garandeert.

Praktische Toepassing: Python-simulatie

import numpy as np

def simulate_volatility_drag(daily_vol: float, days: int = 252, simulations: int = 10_000) -> dict:
    """
    Monte Carlo simulation of volatility drag.

    Args:
        daily_vol: daily volatility (0.05 = 5%)
        days: number of trading days
        simulations: number of simulations

    Returns:
        Statistics of real (geometric) returns
    """
    daily_returns = np.random.normal(0, daily_vol, (simulations, days))

    cumulative = np.prod(1 + daily_returns, axis=1)
    geo_returns = cumulative - 1

    theoretical_drag = -0.5 * daily_vol**2 * days

    return {
        "mean_geometric_return": np.mean(geo_returns),
        "median_geometric_return": np.median(geo_returns),
        "theoretical_drag": theoretical_drag,
        "prob_loss": np.mean(geo_returns < 0),
        "worst_5pct": np.percentile(geo_returns, 5),
        "best_5pct": np.percentile(geo_returns, 95),
    }

result = simulate_volatility_drag(daily_vol=0.04)
print(f"Mean geometric return:  {result['mean_geometric_return']:.2%}")
print(f"Theoretical drag:       {result['theoretical_drag']:.2%}")
print(f"Probability of loss:    {result['prob_loss']:.2%}")
print(f"Worst 5%:               {result['worst_5pct']:.2%}")

Typische uitvoer voor BTC-achtige volatiliteit:

Mean geometric return:  -17.34%
Theoretical drag:       -20.16%
Probability of loss:     63.28%
Worst 5%:               -72.41%

Implicaties voor Algo-trading

1. Risk/Reward en het Kelly-criterium

Met kennis van de verliesasymmetrie wordt de optimale positiegrootte berekend via het Kelly-criterium:

$f^* = \frac{p \cdot W - (1 - p) \cdot L}{W \cdot L}$

waarbij $p$ de winstkans is, $W$ de gemiddelde winst, en $L$ het gemiddelde verlies (als fractie van de inzet).

Voor praktische trading-toepassingen wordt fractional Kelly ($f^{*}/2$ of $f^{*}/3$) gebruikt, wat de volatiliteit van het eigen vermogen vermindert met slechts een geringe afname van het langetermijnrendement.

2. Maximale Drawdown en Positiegrootte

Als een strategie een maximale drawdown van $D_{max}$ toestaat en de stop-loss is ingesteld op $S\%$, is het maximale aantal opeenvolgende stops vóór een kritieke drawdown:

$n = \frac{\ln(1 - D_{max})}{\ln(1 - S)}$

Voorbeeld: bij $D_{max} = 20\%$ en een stop-loss van $2\%$:

$n = \frac{\ln(0.8)}{\ln(0.98)} = \frac{-0.2231}{-0.0202} \approx 11$

De strategie kan 11 opeenvolgende stops overleven. Met kennis van de win rate kunnen we de kans op zo'n reeks schatten:

$P(n\ \text{stops}) = (1 - WR)^n$

Bij een win rate van 45%: $P = 0.55^{11} \approx 0.14\%$ — een acceptabel risico.

3. Geometrische Verwachting van een Strategie

Het werkelijke langetermijnrendement van een strategie is niet het rekenkundig gemiddelde van de trades, maar de geometrische verwachting:

$E_{geo} = (1 + W)^p \times (1 - L)^{(1-p)} - 1$

Strategie met $W = 3\%$, $L = 1\%$, $WR = 40\%$:

$E_{geo} = 1.03^{0.4} \times 0.99^{0.6} - 1 = 1.01194 \times 0.99401 - 1 = +0.59\%$

Strategie met $W = 3\%$, $L = 3\%$, $WR = 50\%$ (lijkt "break-even"):

$E_{geo} = 1.03^{0.5} \times 0.97^{0.5} - 1 = 1.01489 \times 0.98489 - 1 = -0.045\%$

Een symmetrische R:R-strategie met een win rate van 50% is onrendabel door volatility drag.

4. Hefboom: Wanneer de Hefboom de Strategie Breekt

Hefboom vermenigvuldigt niet alleen rendementen, maar ook de volatility drag. Zonder hefboom is de drag gelijk aan $\frac{\sigma^2}{2}$; met hefboom $L$ wordt dit $\frac{L^2 \sigma^2}{2}$. Het geometrische groeitempo van het kapitaal onder hefboom:

$g(L) = L \cdot \mu - \frac{L^2 \sigma^2}{2}$

waarbij $\mu$ het verwachte rendement is en $\sigma$ de volatiliteit van het asset.

Een hefboom van 3× verhoogt de drag 9 keer, niet 3 keer. Een hefboom van 10× — 100 keer. Een hefboom van 100× — 10.000 keer.

Optimale Kelly-hefboom

Het maximum van $g(L)$ wordt bereikt bij:

$L^* = \frac{\mu}{\sigma^2}$

Dit is het theoretische optimum. In de praktijk wordt fractional Kelly ($L^*/2$ of $L^*/3$) gebruikt om dezelfde redenen als bij positiegrootte: onnauwkeurige schatting van $\mu$, fat-tail-verdelingen en niet-stationaire volatiliteit.

Tabel: Hefboom, Liquidatie en Volatility Drag

Maximale Hefboom op Basis van Doeldrawdown

Als je de maximale drawdown beperkt tot $D_{max}$ en de dagelijkse VaR van het asset op een betrouwbaarheidsniveau van 99% is $V$:

$L_{max} = \frac{D_{max}}{V}$

Conclusie uit de tabel: voor de cryptomarkt met zijn volatiliteit is zelfs 3× al agressieve hefboom. De populaire 50×–125× op crypto-exchanges is een wiskundig gegarandeerde liquidatie bij de eerste normale marktbeweging.

Praktische Formule voor het Kiezen van Hefboom

De robuuste aanpak is om het minimum van meerdere schattingen te nemen:

$L_{opt} = \min\left(\frac{L_{Kelly}}{2},\quad \frac{D_{max}}{VaR},\quad \frac{\sigma_{target}}{\sigma_{current}},\quad L_{exchange}\right)$

waarbij:

• $\frac{L_{Kelly}}{2}$ — fractional Kelly (de helft van de optimale hefboom)
• $\frac{D_{max}}{VaR}$ — beperking op maximale drawdown
• $\frac{\sigma_{target}}{\sigma_{current}}$ — vol-targeting (schalen naar de doelvolatiliteit van de portefeuille)
• $L_{exchange}$ — exchange-limiet

Het minimum zorgt ervoor dat geen enkele beperking wordt overtreden. In de praktijk is de drawdown-beperking meestal de meest restrictieve.

Interactieve calculator: probeer de Optimal Leverage Calculator — voer je strategieparameters in en krijg de optimale hefboom volgens alle vier methoden met visualisatie.

Conclusies voor het Bouwen van Handelssystemen

Verliesbeheer is wiskundig belangrijker dan het vinden van winstgevende entries. Dit is geen motiverende slogan — het is een gevolg van de asymmetrie van multiplicatieve rendementen.

Concrete regels:

1. Stop-losses zijn verplicht. Elk procent verlies bemoeilijkt het herstel exponentieel. Een drawdown boven 25% (vereist +33%) is de rode zone.

2. Minimale R:R = 1:2. Bij een symmetrische R:R is zelfs een win rate van 50% onrendabel. Alleen een asymmetrische R:R in het voordeel van winsten compenseert de volatility drag.

3. Fractional Kelly voor positiegrootte. Volledige Kelly is theoretisch optimaal, maar in de praktijk levert $f^{*}/2$ 75% van het rendement bij 50% van de eigenvermogensvolatiliteit.

4. Volatiliteit is je vijand zonder edge. In een zijwaartse markt genereert het simpelweg aanhouden van een positie in zeer volatiele assets al een verlies. Als je geen statistische edge hebt — handel dan niet.

5. Bereken geometrische, niet rekenkundige verwachting. Een backtest die gemiddelde winst per trade toont, liegt — het werkelijke rendement is altijd lager met $\frac{\sigma^2}{2}$.

6. Hefboom op basis van formules, niet van hebzucht. Gebruik de formule $L_{max} = D_{max} / VaR$ om de maximale hefboom te berekenen. Voor crypto met een dagelijkse VaR van 8% en een doeldrawdown van 20% geeft dit 2,5× — niet 50× en niet 125×.

Conclusie: Reken Correct — Overleef Langer

Het begrijpen van de multiplicatieve aard van rendementen is geen academische oefening. Het is de basis waarop elk levensvatbaar handelssysteem wordt gebouwd.

De meeste traders verliezen van de markt niet omdat ze geen "intuïtie" of voorkennis hebben — ze verliezen omdat ze beslissingen nemen in de additieve ruimte (rekenkundig gemiddelde), terwijl de markt opereert in de multiplicatieve ruimte (geometrisch gemiddelde).

Drie vragen die het waard zijn om te stellen vóór elke trade:

1. Als de stop wordt geraakt — kan ik herstellen? De formule $R_{recovery} = \frac{x}{100-x}$ geeft direct antwoord. Wanneer het risico per trade meer dan 10% bedraagt, begint herstel onevenredige inspanning te vereisen.

2. Heb ik een statistische edge? Zo niet — handel dan niet. Volatiliteit alleen garandeert al verlies door volatility drag. Het ontbreken van edge onder volatiliteit is een langzame maar onvermijdelijke vernietiging van kapitaal.

3. Wat is de geometrische verwachting van mijn strategie? Niet de gemiddelde winst per trade, niet het win rate-percentage — precies $E_{geo}$. Dit is de enige metriek die de werkelijke langetermijneffectiviteit toont.

Algo-trading begint niet met het schrijven van code, maar met wiskunde. Code is slechts het implementatiemiddel voor een strategie die al de wiskundige verificatie heeft doorstaan. Zonder deze verificatie zal zelfs een perfect geschreven algoritme je deposito systematisch verminderen.

De markt straft geen fouten — hij herverdeelt simpelweg kapitaal van degenen die verkeerd rekenen naar degenen die correct rekenen.

Volgend onderwerp: portefeuilleoptimalisatie met mean-variance-methoden — wanneer diversificatie werkt en wanneer het een illusie van veiligheid wordt.

Citatie

@article{soloviov2026lossprofitasymmetry,
  author = {Soloviov, Eugen},
  title = {Loss-Profit Asymmetry: The Math That Kills Your Deposit},
  year = {2026},
  url = {https://marketmaker.cc/en/blog/post/loss-profit-asymmetry},
  version = {0.1.0},
  description = {Why losing 50% requires 100% growth to recover, how volatility drag destroys capital even in sideways markets, and which formulas every algo trader must know for risk management.}
}