Mengapa analisis teknis tradisional gagal dalam pasar yang kompleks?

Dalam bidang perdagangan kuantitatif, kita sering mengalami kebingungan tentang mengapa strategi yang didasarkan pada rata-rata bergerak sederhana atau RSI berkinerja sangat baik di beberapa kondisi pasar, tetapi sering gagal di periode lain. Jawabannya terletak pada kompleksitas urutan waktu keuangan - mereka tidak hanya memiliki korelasi diri, tetapi juga karakteristik volatilitas yang berubah seiring waktu.

Strategi yang akan kita analisa hari ini, dengan cerdiknya menggabungkan model regresi AR ((2)) dan model diferensiasi kondisional GARCH ((1,1)), mencoba untuk memecahkan masalah ini dari sudut pandang statistik. Ini bukan sekadar penumpukan indikator teknis, tetapi penggalian yang mendalam tentang karakteristik esensi dari urutan waktu keuangan.

AR: Bagaimana model ini menangkap efek memori dari harga?

Inti dari strategi ini adalah aplikasi dari model regresi diri. Apa itu regresi diri? Secara sederhana, adalah menggunakan diri masa lalu untuk memprediksi diri masa depan. Model ini mengasumsikan bahwa tingkat pengembalian saat ini dapat diwakili secara linier oleh tingkat pengembalian dua periode sebelumnya:

            
            
            
r_t = φ₁ × r_{t-1} + φ₂ × r_{t-2} + ε_t

Kode ini menggunakan persamaan Yule-Walker untuk memecahkan faktor φ1 dan φ2:

            pinescript
            
            
c0 = calcAutoCovariance(returns, 0, lengthReg) // 滞后0期自协方差
c1 = calcAutoCovariance(returns, 1, lengthReg) // 滞后1期自协方差  
c2 = calcAutoCovariance(returns, 2, lengthReg) // 滞后2期自协方差
phi1 = (c1 * c0 - c2 * c1) / denominator // 第一个自回归系数
phi2 = (c2 * c0 - c1 * c1) / denominator // 第二个自回归系数

Keuntungan dari metode ini adalah bahwa ia tidak bergantung pada penilaian subjektif, tetapi membiarkan data "berbicara" sendiri dan menemukan keteraturan yang tersirat dalam urutan harga.

Mengapa model GARCH lebih baik dalam memetakan risiko pasar?

Model AR saja tidak cukup, karena volatilitas di pasar keuangan tidak konstan. Kita semua tahu bahwa fenomena "pengumpulan volatilitas" di mana fluktuasi besar sering disertai dengan fluktuasi besar, periode tenang sering berlangsung lebih lama.

Model GARCH ((1,1) dirancang untuk menggambarkan karakteristik ini:

            
            
            
σ²_t = ω + α × ε²_{t-1} + β × σ²_{t-1}

Implementasi logis dalam kode menunjukkan hal ini dengan jelas:

            pinescript
            
            
omega = (1 - adjustedAlpha - adjustedBeta) * longTermVar
garchVariance := omega + adjustedAlpha * math.pow(arResidual[1], 2) + adjustedBeta * garchVariance[1]

Pengertian utama di sini adalah: kondisi saat ini hampir tergantung pada residu kuadrat periode sebelumnya (sekitar) (sekitar) (sekitar) (sekitar) (sekitar) (sekitar) (sekitar) (sekitar) (sekitar) (sekitar) (sekitar) (sekitar) (sekitar) (sekitar) (sekitar) (sekitar) (sekitar) (sekitar) (sekitar) (sekitar) (sekitar) (sekitar) (sekitar) (sekitar) (sekitar) (sekitar) (sekitar) (sekitar) (sekitar) (sekitar) (sekitar) (sekitar) (sekitar) (sekitar) (sekitar) (sekitar) (sekitar) (sekitar) (sekitar) (sekitar) (sekitar) (sekitar) (sekitar) (sekitar) (sekitar) (sekitar) (sekitar) (sekitar) (sekitar) (sekitar) (sekitar) (sekitar) (sekitar) (sekitar) (sekitar) (sekitar) (sekitar) (sekitar) (sekitar)

Bagaimana logika trading strategi dapat menyeimbangkan risiko dan keuntungan?

Dengan prediksi AR dan estimasi volatilitas GARCH, strategi ini membangun interval kepercayaan yang dinamis:

            pinescript
            
            
upperReturnBand = arReturnPredict + stdevFactor * garchStd
lowerReturnBand = arReturnPredict - stdevFactor * garchStd

Logika generasi sinyal perdagangan mencerminkan ide regressi rata-rata:

• Jika harga berada di band yang lebih rendah, maka Anda akan melakukan hal yang lebih baik.
• Ketika harga menembus batas atas, maka akan terjadi shortSignal.

Desain ini memiliki kecerdasan bahwa lebar interval kepercayaan disesuaikan secara dinamis dengan fluktuasi pasar. Pada periode fluktuasi tinggi, interval menjadi lebih lebar, mengurangi frekuensi perdagangan; pada periode fluktuasi rendah, interval menjadi lebih sempit, meningkatkan peluang perdagangan.

Apa saja hal-hal penting yang perlu diperhatikan dalam penerapan praktis?

1. pengujian stabilitas model
Kode berisi pemeriksaan stabilitas penting:

            pinescript
            
            
if stabilityCheck >= 0.99 or math.abs(phi2) >= 0.99
    scaleFactor = 0.95 / math.max(stabilityCheck, math.abs(phi2) + 0.01)

Hal ini memastikan bahwa model AR stabil dan menghindari hasil prediksi yang acak.

2. Ketegangan konvergensi parameter
Model GARCH membutuhkan α + β < 1 untuk menjamin keberadaan diferensial jangka panjang:

            pinescript
            
            
if sumParam >= 0.999
    scale = 0.99 / sumParam

3. Keperluan mekanisme penyaringan
Strategi memberikan pilihan penyaringan RSI, yang penting dalam aplikasi praktis. Model statistik murni mungkin mengabaikan karakteristik tren pasar, dan penambahan indikator teknis dapat memberikan sinyal konfirmasi tambahan.

Keterbatasan Strategi dan Cara Peningkatan

Meskipun strategi ini elegan dalam teori, namun dalam praktiknya perlu dipertimbangkan:

Pilihan frekuensi dataModel AR-GARCH sangat bervariasi dalam performa pada periode yang berbeda. Data frekuensi tinggi dapat memberikan informasi lebih banyak, tetapi juga membawa lebih banyak kebisingan.

Perubahan waktu parameterImplementasi saat ini mengasumsikan parameter AR dan GARCH konstan dalam estimasi jendela, tetapi struktur pasar yang sebenarnya dapat berubah.

Dampak biaya transaksiStrategi Arbitrage Statistik biasanya membutuhkan frekuensi transaksi yang lebih tinggi, biaya dan biaya slippage yang tidak dapat diabaikan.

Kesimpulan: Nilai dari Pemodelan Statistik dalam Transaksi Kuantitatif

Strategi AR-GARCH ini menunjukkan kekuatan statistik modern dalam pemodelan keuangan. Ini bukan sekumpulan indikator teknis sederhana, tetapi penggalian mendalam tentang karakteristik statistik dari urutan waktu keuangan.

Bagi para trader kuantitatif, pemahaman strategi semacam ini tidak hanya berharga dalam penerapannya, tetapi juga dalam kemampuan mereka untuk menganalisis pasar dengan pemikiran statistik. Dengan AI dan pembelajaran mesin yang semakin populer saat ini, model statistik klasik ini masih menjadi pilar penting dalam memahami pasar dan membangun strategi.