ความไม่สมมาตรของการขาดทุนและกำไร: คณิตศาสตร์ที่ทำลายเงินฝากของคุณ

ทำไมการขาดทุน 50% จึงต้องการผลตอบแทน 100% เพื่อกู้คืน, volatility drag ทำลายทุนอย่างไรแม้ในตลาดทรงตัว, และสูตรใดที่นักเทรดอัลโกทุกคนต้องรู้เพื่อสร้างระบบบริหารความเสี่ยง

ปริศนาที่ทำลายสัญชาตญาณ

ลองจินตนาการ: สินทรัพย์เพิ่มขึ้น 70% แล้วลดลง 70% หรือในทางกลับกัน — ลดลงก่อนแล้วค่อยเพิ่มขึ้น สถานการณ์ไหนทำกำไรได้มากกว่า?

คำตอบ: ทั้งสองสถานการณ์ให้ผลขาดทุนเท่ากัน การคูณมีสมบัติการสลับที่:

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

คุณสูญเสียทุน 49% จาก "การเคลื่อนไหวของราคาเป็นศูนย์" นี่ไม่ใช่ข้อบกพร่อง — มันเป็นคุณสมบัติพื้นฐานของธรรมชาติเชิงคูณของผลตอบแทน

ทำไมการขาดทุนจึง "หนักกว่า" กำไร

ผลตอบแทนในรูปเปอร์เซ็นต์คือการดำเนินการในปริภูมิเชิงคูณ การขาดทุน 50% หมายถึงการคูณด้วย 0.5 และเพื่อกลับสู่จุดเริ่มต้นต้องคูณด้วย 2 — นั่นคือต้องทำกำไร 100%

สูตรการกู้คืน

ถ้าคุณขาดทุน $x\%$ ของทุน ผลตอบแทนที่จำเป็นเพื่อกลับสู่ยอดเงินเริ่มต้นคือ:

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

การอนุมานนั้นง่ายมาก สมมติว่าทุนเริ่มต้นคือ $C$ หลังจากขาดทุน $x\%$:

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

เพื่อกู้คืน $C_{after} \cdot (1 + R) = C$ ดังนั้น:

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

ตารางความไม่สมมาตร

สัมประสิทธิ์ความไม่สมมาตรเพิ่มขึ้นแบบไม่เชิงเส้น หลังจากขาดทุน 50% คุณเข้าสู่โซนที่แทบเป็นไปไม่ได้ทางสถิติที่จะหลุดออกมาได้โดยไม่เปลี่ยนกลยุทธ์

Volatility Drag: ผู้ทำลายอย่างเงียบๆ ในตลาดทรงตัว

แม้ตลาด "นิ่งอยู่กับที่" ความผันผวนเพียงอย่างเดียวก็ทำลายทุนได้ ปรากฏการณ์นี้เรียกว่า volatility drag (หรือ variance drain)

นิยามเชิงรูปแบบ

สำหรับลำดับผลตอบแทนรายวัน $r_1, r_2, \ldots, r_n$ ผลตอบแทนเรขาคณิต (จริง) คือ:

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

ผลตอบแทนเลขคณิต (เฉลี่ย) คือ:

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

ความสัมพันธ์ระหว่างทั้งสองโดยประมาณคือ:

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

โดยที่ $\sigma^2$ คือความแปรปรวนของผลตอบแทน ส่วน $\frac{\sigma^2}{2}$ คือ volatility drag

ตัวอย่าง: ตลาดทรงตัวที่มีความผันผวนรายวัน 5%

สมมติว่าสินทรัพย์ขึ้นหรือลง 5% ในแต่ละวันโดยสุ่มด้วยความน่าจะเป็นเท่ากัน ค่าเฉลี่ยเลขคณิต = 0% แต่ผลตอบแทนเรขาคณิต:

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

ใน 252 วันซื้อขาย: $(1 - 0.00125)^{252} \approx 0.729$ นั่นคือ -27.1% ต่อปีที่ "การเคลื่อนไหวเฉลี่ยเป็นศูนย์"

สำหรับตลาดคริปโตที่มีความผันผวนรายวันทั่วไป 3–8% หมายความว่าการถือสินทรัพย์ที่ผันผวนโดยไม่มีแนวโน้มทิศทางรับประกันการสูญเสียทุน

การประยุกต์ใช้จริง: การจำลองด้วย Python

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%}")

ผลลัพธ์ทั่วไปสำหรับความผันผวนแบบ BTC:

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

ผลกระทบต่อ Algo Trading

1. Risk/Reward และเกณฑ์ Kelly

เมื่อรู้เรื่องความไม่สมมาตรของการขาดทุน ขนาดตำแหน่งที่เหมาะสมจะคำนวณด้วยเกณฑ์ Kelly:

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

โดยที่ $p$ คือความน่าจะเป็นของการชนะ, $W$ คือการชนะเฉลี่ย และ $L$ คือการขาดทุนเฉลี่ย (เป็นเศษส่วนของเดิมพัน)

สำหรับการประยุกต์ใช้ในการเทรดจริง จะใช้ fractional Kelly ($f^{*}/2$ หรือ $f^{*}/3$) ซึ่งลดความผันผวนของทุนโดยมีผลกระทบต่อผลตอบแทนระยะยาวเพียงเล็กน้อย

2. Maximum Drawdown และการกำหนดขนาดตำแหน่ง

ถ้ากลยุทธ์อนุญาตให้มี drawdown สูงสุด $D_{max}$ และ stop-loss กำหนดที่ $S\%$ จำนวน stop ติดต่อกันสูงสุดก่อนถึง drawdown วิกฤต:

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

ตัวอย่าง: เมื่อ $D_{max} = 20\%$ และ stop-loss 2%:

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

กลยุทธ์สามารถรอดจาก stop ติดต่อกัน 11 ครั้ง เมื่อรู้ win rate สามารถประเมินความน่าจะเป็นของแถวดังกล่าว:

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

ที่ win rate 45%: $P = 0.55^{11} \approx 0.14\%$ — ความเสี่ยงที่ยอมรับได้

3. ความคาดหวังเรขาคณิตของกลยุทธ์

ผลตอบแทนระยะยาวที่แท้จริงของกลยุทธ์ไม่ใช่ค่าเฉลี่ยเลขคณิตของการเทรด แต่คือความคาดหวังเรขาคณิต:

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

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

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

กลยุทธ์ที่ $W = 3\%$, $L = 3\%$, $WR = 50\%$ (ดูเหมือน "คุ้มทุน"):

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

กลยุทธ์ R:R สมมาตรที่มี win rate 50% ไม่ทำกำไรเนื่องจาก volatility drag

4. เลเวอเรจ: เมื่อคานหักกลยุทธ์

เลเวอเรจคูณทั้งผลตอบแทนและ volatility drag ไม่มีเลเวอเรจ drag เท่ากับ $\frac{\sigma^2}{2}$; ด้วยเลเวอเรจ $L$ จะกลายเป็น $\frac{L^2 \sigma^2}{2}$ อัตราการเติบโตเรขาคณิตของทุนภายใต้เลเวอเรจ:

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

โดยที่ $\mu$ คือผลตอบแทนที่คาดหวังและ $\sigma$ คือความผันผวนของสินทรัพย์

เลเวอเรจ 3× เพิ่ม drag 9 เท่า ไม่ใช่ 3 เท่า เลเวอเรจ 10× — 100 เท่า เลเวอเรจ 100× — 10,000 เท่า

เลเวอเรจ Kelly ที่เหมาะสม

ค่าสูงสุดของ $g(L)$ เกิดขึ้นที่:

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

นี่คือค่าเหมาะสมทางทฤษฎี ในทางปฏิบัติใช้ fractional Kelly ($L^*/2$ หรือ $L^*/3$) ด้วยเหตุผลเดียวกับการกำหนดขนาดตำแหน่ง: การประมาณ $\mu$ ที่ไม่แม่นยำ, การกระจายแบบ fat-tailed และความผันผวนที่ไม่คงที่

ตาราง: เลเวอเรจ การชำระบัญชี และ Volatility Drag

เลเวอเรจสูงสุดจาก Drawdown เป้าหมาย

ถ้าคุณจำกัด drawdown สูงสุดที่ $D_{max}$ และ VaR รายวันของสินทรัพย์ที่ระดับความเชื่อมั่น 99% คือ $V$:

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

บทสรุปจากตาราง: สำหรับตลาดคริปโตที่มีความผันผวนสูง แม้แต่ 3× ก็เป็นเลเวอเรจที่ก้าวร้าวแล้ว การใช้ 50×–125× ที่นิยมบนตลาดแลกเปลี่ยนคริปโตคือการชำระบัญชีที่รับประกันทางคณิตศาสตร์ที่การเคลื่อนไหวของตลาดปกติครั้งแรก

สูตรปฏิบัติสำหรับการเลือกเลเวอเรจ

วิธีการที่แข็งแกร่งคือการใช้ค่าต่ำสุดของการประมาณหลายแบบ:

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

โดยที่:

• $\frac{L_{Kelly}}{2}$ — fractional Kelly (ครึ่งหนึ่งของเลเวอเรจที่เหมาะสม)
• $\frac{D_{max}}{VaR}$ — ข้อจำกัด drawdown สูงสุด
• $\frac{\sigma_{target}}{\sigma_{current}}$ — vol-targeting (ปรับขนาดสู่ความผันผวนพอร์ตโฟลิโอเป้าหมาย)
• $L_{exchange}$ — ขีดจำกัดของตลาดแลกเปลี่ยน

ค่าต่ำสุดรับประกันว่าไม่มีข้อจำกัดใดถูกละเมิด ในทางปฏิบัติ ข้อจำกัด drawdown มักเข้มงวดที่สุด

เครื่องคำนวณแบบอินเทอร์แอกทีฟ: ลองใช้ Optimal Leverage Calculator — ใส่พารามิเตอร์กลยุทธ์ของคุณและรับเลเวอเรจที่เหมาะสมจากทั้งสี่วิธีพร้อมการแสดงผล

บทสรุปสำหรับการสร้างระบบเทรด

การจัดการการขาดทุนมีความสำคัญทางคณิตศาสตร์มากกว่าการหา entry ที่ทำกำไร นี่ไม่ใช่คำพูดสร้างแรงบันดาลใจ — มันเป็นผลของความไม่สมมาตรของผลตอบแทนเชิงคูณ

กฎเกณฑ์ที่ชัดเจน:

1. Stop-loss เป็นสิ่งจำเป็น ทุก percent ของการขาดทุนทำให้การกู้คืนซับซ้อนขึ้นแบบเอกซ์โพเนนเชียล Drawdown ที่เกิน 25% (ต้องการ +33%) คือโซนแดง

2. R:R ขั้นต่ำ = 1:2 ที่ R:R สมมาตรแม้แต่ win rate 50% ก็ไม่ทำกำไร เฉพาะ R:R ไม่สมมาตรที่เอื้อประโยชน์ต่อกำไรเท่านั้นที่ชดเชย volatility drag ได้

3. Fractional Kelly สำหรับการกำหนดขนาด Full Kelly เหมาะสมทางทฤษฎี แต่ในทางปฏิบัติ $f^{*}/2$ ให้ผลตอบแทน 75% ที่ความผันผวนทุน 50%

4. ความผันผวนคือศัตรูของคุณโดยไม่มี edge ในตลาดทรงตัวสำหรับสินทรัพย์ที่ผันผวนสูง เพียงแค่การถือตำแหน่งก็สร้างการขาดทุน ถ้าไม่มี edge ทางสถิติ — อย่าเทรด

5. คำนวณความคาดหวังเรขาคณิต ไม่ใช่เลขคณิต backtest ที่แสดงกำไรเฉลี่ยต่อการเทรดกำลังโกหก — ผลตอบแทนจริงต่ำกว่าเสมอด้วย $\frac{\sigma^2}{2}$

6. เลเวอเรจจากสูตร ไม่ใช่ความโลภ ใช้สูตร $L_{max} = D_{max} / VaR$ เพื่อคำนวณเลเวอเรจสูงสุด สำหรับคริปโตที่มี VaR รายวัน 8% และ drawdown เป้าหมาย 20% ได้ 2.5× — ไม่ใช่ 50× และไม่ใช่ 125×

สรุป: คำนวณให้ถูกต้อง — อยู่รอดได้นานกว่า

การเข้าใจธรรมชาติเชิงคูณของผลตอบแทนไม่ใช่การออกกำลังกายทางวิชาการ มันคือรากฐานที่ระบบเทรดที่ยั่งยืนใดๆ สร้างขึ้นมา

นักเทรดส่วนใหญ่แพ้ตลาดไม่ใช่เพราะขาด "สัญชาตญาณ" หรือข้อมูลภายใน — พวกเขาแพ้เพราะตัดสินใจในปริภูมิบวก (ค่าเฉลี่ยเลขคณิต) ในขณะที่ตลาดดำเนินการในปริภูมิเชิงคูณ (ค่าเฉลี่ยเรขาคณิต)

สามคำถามที่ควรถามก่อนการเทรดทุกครั้ง:

1. ถ้า stop ทำงาน — ฉันสามารถกู้คืนได้หรือไม่? สูตร $R_{recovery} = \frac{x}{100-x}$ ให้คำตอบทันที เมื่อความเสี่ยงต่อการเทรดเกิน 10% การกู้คืนเริ่มต้องการความพยายามที่ไม่สมดุล

2. ฉันมี edge ทางสถิติหรือไม่? ถ้าไม่มี — อย่าเทรด ความผันผวนเพียงอย่างเดียวรับประกันการขาดทุนผ่าน volatility drag การไม่มี edge ภายใต้ความผันผวนคือการทำลายทุนที่ช้าแต่หลีกเลี่ยงไม่ได้

3. ความคาดหวังเรขาคณิตของกลยุทธ์ฉันคืออะไร? ไม่ใช่กำไรเฉลี่ยต่อการเทรด ไม่ใช่เปอร์เซ็นต์ win rate — คือ $E_{geo}$ โดยเฉพาะ นี่คือตัวชี้วัดเดียวที่แสดงประสิทธิภาพระยะยาวจริง

Algo trading ไม่ได้เริ่มต้นด้วยการเขียนโค้ด แต่ด้วยคณิตศาสตร์ โค้ดเป็นเพียงเครื่องมือสำหรับนำกลยุทธ์ที่ผ่านการตรวจสอบทางคณิตศาสตร์แล้วไปใช้งาน หากไม่มีการตรวจสอบนี้ แม้แต่อัลกอริทึมที่เขียนได้สมบูรณ์แบบก็จะลดเงินฝากของคุณอย่างเป็นระบบ

ตลาดไม่ลงโทษความผิดพลาด — มันเพียงแค่แจกจ่ายทุนจากผู้ที่คำนวณผิดสู่ผู้ที่คำนวณถูก

หัวข้อถัดไป: การเพิ่มประสิทธิภาพพอร์ตโฟลิโอโดยใช้วิธี mean-variance — เมื่อใดที่การกระจายความเสี่ยงได้ผลและเมื่อใดที่กลายเป็นภาพลวงตาของความปลอดภัย

การอ้างอิง

@article{soloviov2026lossprofitasymmetry,
  author = {Soloviov, Eugen},
  title = {Loss-Profit Asymmetry: The Math That Kills Your Deposit},
  year = {2026},
  url = {https://marketmaker.cc/th/blog/post/loss-profit-asymmetry},
  version = {0.1.0},
  description = {ทำไมการขาดทุน 50% จึงต้องการผลตอบแทน 100% เพื่อกู้คืน, volatility drag ทำลายทุนอย่างไรแม้ในตลาดทรงตัว, และสูตรใดที่นักเทรดอัลโกทุกคนต้องรู้เพื่อบริหารความเสี่ยง}
}