Wat is de 'Gambler's Ruin' en hoe voorkom je dit met je algoritme?
Stel je voor: je hebt een algoritme gebouwd dat in het verleden fantastisch presteerde.
Je backtests met Python laten mooie winsten zien via de API van je broker. Je start met echt geld, misschien €5000. Maar na een paar maanden is je account leeg.
Wat er gebeurde, heet de 'Gambler's Ruin', en het overkomt veel traders. Dit is niet alleen pech; het is een wiskundig probleem dat je kunt voorkomen. We gaan het stap voor stap oplossen, zodat je algoritme veilig blijft draaien.
Stap 1: Begrijp het concept en je huidige risico
De Gambler's Ruin is simpel: als je oneindig lang blijft gokken met een beperkte bankroll, ga je op een gegeven moment failliet, zelfs als je een licht voordeel hebt. Het gaat niet om één trade, maar om de cumulatieve impact van verliesreeksen.
Bij algoritmische trading zien we dit vaak als de positiegrootte te agressief is of als de drawdown te diep gaat.
Wat je nu nodig hebt, is een duidelijk beeld van je huidige risico. Pak je Python backtest resultaten erbij. Kijk naar de grootste drawdown in percentage en in dagen.
Tel je gemiddelde winst per trade op en je gemiddelde verlies. De verhouding hiertussen is cruciaal.
De kern van Gambler's Ruin is dat een reeks verliezen je kapitaal zo ver uitput dat je niet meer kunt herstellen, zelfs als je strategie op de lange termijn positief is.
Een veelgemaakte fout is om alleen naar het totaalrendement te kijken. Je moet de pieken en dalen analyseren. Gebruik libraries als pandas en numpy in Python om je equity curve te plotten. Kijk naar de maximale drawdown op je historische data.
Als je die niet kent, loop je blind. Stel je voordeel (edge) vast.
Als je geen backtest hebt gedaan, stop hier. Je hebt geen basis. Als je wel backtests hebt, bereken dan je 'winrate' en je 'risk-reward ratio'.
Een winrate van 50% met een risk-reward van 1:1 is break-even. Een winrate van 40% met een risk-reward van 1:2 is winstgevend. Zonder deze getallen kun je geen fatsoenlijke risicomanagement doen.
Stap 2: Stel je kapitaal en positiegrootte vast
Je begint met je totale handelskapitaal. Laten we zeggen €10.000.
Dit is je totale blootstelling. Je moet nu bepalen hoeveel je per trade riskeert.
De vuistregel is nooit meer dan 1% tot 2% van je kapitaal per trade. Voor €10.000 is dat €100 tot €200 risico per trade. Bereken je positiegrootte op basis van je stop-loss. Als je een aandeel koopt op €50 en je stop-loss is op €48, riskeer je €2 per aandeel.
Met een risico van €100 per trade koop je 50 aandelen (€100 / €2 = 50).
Je totale positie is dan €2.500 (50 * €50). Dit is 25% van je kapitaal, maar je risico is maar 1%. Veel traders maken de fout om hun positie te baseren op een vast aantal aandelen of een vast bedrag, zonder rekening te houden met de stop-loss.
Dit leidt tot wisselend risico per trade. Je algoritme moet de positiegrootte dynamisch berekenen op basis van de huidige prijs en je stop-loss niveau.
Gebruik je broker API om deze berekening automatisch te laten verlopen. Bijvoorbeeld, als je handelt via Interactive Brokers of Degiro via API, kun je een functie schrijven die voor elke order de juiste grootte berekent.
Test dit eerst in je backtest. Simuleer de orderuitvoering met de juiste grootte. Stel een maximum in voor je totale exposure.
Als je meerdere trades tegelijk kunt hebben, zorg dat het totale risico niet boven de 5% van je kapitaal komt. Bij €10.000 is dat €500 risico verdeeld over alle open posities. Pas hierbij de 1% regel voor je risicomanagement toe; dit voorkomt dat een enkele slechte dag je hele account vernietigt.
Stap 3: Implementeer stop-loss en take-profit in je algoritme
Elk algoritme moet een duidelijke stop-loss hebben. Dit is je reddingslijn.
Zonder stop-loop loop je het risico op oneindige verliezen. In Python kun je dit implementeren met een eenvoudige conditional check.
Bijvoorbeeld, als de huidige prijs onder je entry prijs minus een vast bedrag of percentage zit, sluit dan de positie. Gebruik een trailing stop voor trends. Een trailing stop volgt de prijs en sluit de trade als de prijs een bepaald percentage daalt vanaf het hoogste punt.
Bijvoorbeeld, een 5% trailing stop op een positie die stijgt van €100 naar €110, verplaatst je stop naar €104.5. Dit beschermt je winst.
Veelgemaakte fout: stop-loss te strak zetten. Als je stop te dicht bij de entry zit, word je eruit gestopt door normale marktfluctuaties. Test verschillende stop-niveaus in je backtest. Kijk naar de 'hit rate' van je stops.
Als 80% van je stops geraakt wordt, is je stop te strak.
Take-profit is optioneel maar aan te raden voor sommige strategieën. Het zorgt voor het verzilveren van winsten. Stel een take-profit in op basis van je risk-reward ratio.
Als je riskeert 1% voor een potentiële winst van 2%, zet je take-profit op het dubbele van je stop-loss afstand. Test je stop-loss en take-profit in een live simulatie met nepgeld via je broker API.
Gebruik een platform als Alpaca of een demo account bij je broker. Laat het algoritme een week draaien en kijk of de uitvoering klopt. Pas de parameters aan op basis van de resultaten.
Stap 4: Beheer je portfolio en diversificatie
Alleen risicomanagement per trade is niet genoeg. Je moet ook je portfolio beheren. Dit betekent dat je niet al je kapitaal in één soort asset of één markt stopt.
Bij algoritmische trading kan dit betekenen dat je kiest voor diversificatie in je portfolio door meerdere strategieën te draaien of in verschillende markten te handelen.
Stel een maximum in per sector of asset. Bijvoorbeeld, niet meer dan 20% van je kapitaal in tech-aandelen, of maximaal 5 posities tegelijk.
Dit verspreidt het risico. Als één sector crasht, ben je niet alles kwijt. Veelgemaakte fout: te veel correlatie tussen posities.
Als je algoritme meerdere aandelen uit dezelfde sector koopt, bewegen ze samen.
Je denkt dat je gediversifieerd bent, maar dat ben je niet. Bereken de correlatie tussen je posities met Python (gebruik pandas corr()). Zorg dat de correlatie laag is, bijvoorbeeld onder de 0.5. Herbalanceer je portfolio regelmatig.
Als één positie te groot wordt door winst, verklein deze dan en herverdeel naar andere kansen. Dit voorkomt dat één trade te veel invloed krijgt.
Stel een wekelijkse of maandelijkse herbalanceer in op basis van je algoritme signalen.
Gebruik je broker API om je portfolio in de gaten te houden. Schrijf een script dat elke dag je blootstelling checkt en waarschuwt als je limieten overschrijdt. Bijvoorbeeld, als je totale risico boven de 5% komt, stop dan nieuwe trades. Dit is eenvoudig te implementeren met een paar regels code.
Stap 5: Monitor en pas aan met backtesting en live data
Risicomanagement is geen eenmalige taak. Je moet continu monitoren en aanpassen.
Gebruik je backtesting om te zien hoe je algoritme presteert onder verschillende marktcondities. Test met historische data van de afgelopen 5 jaar, inclusief crashes zoals 2020. Voer stress-tests uit. Simuleer een reeks van 10 verliezen op rij.
Bereken of je algoritme nog steeds overeind blijft met je huidige positiegrootte en bepaal de expected shortfall van je portfolio. Als je na 10 verliezen meer dan 10% van je kapitaal verliest, moet je je risico per trade verlagen.
Veelgemaakte fout: stoppen met testen na een goede backtest. Markten veranderen. Je algoritme moet worden bijgewerkt.
Plan maandelijkse herbacktests in met nieuwe data. Gebruik Python libraries zoals backtrader of vectorbt voor efficiënte tests. Leer van live trading.
Zodra je met echt geld begint, houd een trading journaal bij. Noteer elke trade, de reden, en de uitkomst.
Kijk naar patronen in verliezen. Als je merkt dat je stops te vaak geraakt worden tijdens hoge volatiliteit, pas je algoritme aan om minder te handelen in die periodes. Sluit af met een verificatie-checklist.
Controleer of je al deze stappen hebt doorlopen: 1) Ken je drawdown en winstverhouding.
2) Stel je positiegrootte in op 1-2% risico per trade. 3) Implementeer stop-loss en take-profit.
4) Diversifieer je portfolio. 5) Monitor en backtest regelmatig.
Als je dit doet, vermijd je de Gambler's Ruin en bouw je een duurzaam algoritme.