Mengapa Analisis Teknis Tradisional Gagal di Pasar yang Kompleks?

Di bidang perdagangan kuantitatif, kita sering menemui kebingungan: mengapa strategi berdasarkan moving average sederhana atau RSI berkinerja baik di beberapa kondisi pasar, tetapi sering gagal di periode lain? Jawabannya terletak pada kompleksitas deret waktu keuangan—deret waktu ini tidak hanya memiliki autokorelasi, tetapi juga karakteristik volatilitas yang berubah seiring waktu.

Strategi yang akan dianalisis hari ini dengan cerdik menggabungkan model autoregresif AR(2) dan model heteroskedastisitas bersyarat GARCH(1,1), mencoba memecahkan masalah ini dari sudut pandang statistik. Ini bukan sekadar tumpukan indikator teknis, melainkan penggalian mendalam terhadap karakteristik esensial deret waktu keuangan.

Bagaimana Model AR(2) Menangkap Efek Memori Harga?

Inti dari strategi ini terletak pada penerapan model autoregresif AR(2). Apa itu autoregresi? Sederhananya, menggunakan masa lalu untuk memprediksi masa depan. Model AR(2) mengasumsikan bahwa return saat ini dapat dinyatakan secara linear dari dua return periode sebelumnya:

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

Dalam kode, koefisien φ₁ dan φ₂ diselesaikan melalui persamaan Yule-Walker:

            pinescript
            
            
c0 = calcAutoCovariance(returns, 0, lengthReg) // autokovarians lag 0
c1 = calcAutoCovariance(returns, 1, lengthReg) // autokovarians lag 1
c2 = calcAutoCovariance(returns, 2, lengthReg) // autokovarians lag 2
phi1 = (c1 * c0 - c2 * c1) / denominator // koefisien autoregresif pertama
phi2 = (c2 * c0 - c1 * c1) / denominator // koefisien autoregresif kedua

Keunggulan metode ini: tidak bergantung pada penilaian subjektif, melainkan membiarkan data "berbicara" sendiri, menemukan keteraturan yang tersirat dalam rangkaian harga.

Mengapa Model GARCH Lebih Baik dalam Menggambarkan Risiko Pasar?

Hanya memiliki model AR saja tidak cukup, karena volatilitas pasar keuangan tidak konstan. Kita semua tahu fenomena "pengelompokan volatilitas"—fluktuasi besar cenderung diikuti fluktuasi besar, periode tenang cenderung berlangsung lebih lama.

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

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

Logika implementasi dalam kode jelas mencerminkan hal ini:

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

Wawasan kunci di sini adalah: varian bersyarat saat ini tidak hanya bergantung pada kuadrat residual periode sebelumnya (guncangan jangka pendek), tetapi juga pada varian bersyarat periode sebelumnya (persistensi jangka panjang). Parameter α mengontrol dampak guncangan jangka pendek, β mengontrol persistensi volatilitas.

Bagaimana Logika Trading Strategi Mencapai Keseimbangan Risiko-Imbal Hasil?

Dengan prediksi AR dan estimasi volatilitas GARCH, strategi membangun pita keyakinan dinamis:

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

Logika pembentukan sinyal trading mencerminkan gagasan mean-reversion:

• Ketika harga menembus pita bawah, lakukan long (longSignal = rawPrice < lowerPriceBand)
• Ketika harga menembus pita atas, lakukan short (shortSignal = rawPrice > upperPriceBand)

Keunggulan desain ini: lebar pita keyakinan akan menyesuaikan secara dinamis sesuai volatilitas pasar. Pada periode volatilitas tinggi, pita melebar, mengurangi frekuensi trading; pada periode volatilitas rendah, pita menyempit, meningkatkan peluang trading.

Masalah Kunci Apa yang Perlu Diperhatikan dalam Penerapan Praktis?

1. Uji Stabilitas Model
Kode menyertakan 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)

Ini memastikan stasioneritas model AR, menghindari hasil prediksi yang divergen.

2. Kendala Konvergensi Parameter
Model GARCH mensyaratkan α + β < 1 untuk menjamin adanya varian jangka panjang:

            pinescript
            
            
if sumParam >= 0.999
    scale = 0.99 / sumParam

3. Perlunya Mekanisme Filter
Strategi menawarkan opsi filter RSI, yang penting dalam penerapan praktis. Model statistik murni mungkin mengabaikan karakteristik tren pasar; penambahan indikator teknis dapat memberikan sinyal konfirmasi tambahan.

Keterbatasan dan Arah Perbaikan Strategi

Meskipun strategi ini elegan secara teori, penerapan praktis masih perlu mempertimbangkan:

Pemilihan frekuensi data: Model AR-GARCH berkinerja sangat berbeda pada berbagai kerangka waktu. Data frekuensi tinggi memberikan lebih banyak informasi, tetapi juga memperkenalkan lebih banyak noise.

Parameter yang berubah-ubah seiring waktu: Implementasi saat ini mengasumsikan parameter AR dan GARCH konstan dalam jendela estimasi, tetapi struktur pasar aktual dapat berubah.

Dampak biaya transaksi: Strategi statistical arbitrage biasanya membutuhkan frekuensi trading yang relatif tinggi; biaya komisi dan slippage tidak dapat diabaikan.

Kesimpulan: Nilai Pemodelan Statistik dalam Trading Kuantitatif

Strategi AR-GARCH ini menunjukkan kekuatan luar biasa dari statistik modern dalam pemodelan keuangan. Ini bukan kombinasi indikator teknis sederhana, melainkan penggalian mendalam terhadap karakteristik statistik deret waktu keuangan.

Bagi para trader kuantitatif, memahami nilai strategi semacam ini tidak hanya untuk penerapan langsung, tetapi juga untuk mengembangkan kemampuan menganalisis pasar dengan pola pikir statistik. Di era AI dan machine learning yang sedang populer saat ini, model statistik klasik ini tetap menjadi landasan penting bagi kita untuk memahami pasar dan membangun strategi.