Kesalahan Umum dengan Data Historis

Apa itu data historis (dan mengapa sering disalahpahami)

Data historis adalah catatan observasi masa lalu yang digunakan untuk menggambarkan bagaimana harga atau return berperilaku dari waktu ke waktu. Dalam praktiknya, “riwayat” yang sama dapat memiliki arti yang berbeda: tick mentah, bar agregat (misalnya, per menit), rangkaian yang disesuaikan (misalnya, aksi korporasi di pasar lain), atau kumpulan data khusus penyedia yang telah menerapkan langkah pemrosesan. Kesalahan umum adalah memperlakukan data historis sebagai cerminan langsung dan objektif dari “apa yang sebenarnya terjadi,” alih-alih sebagai input yang diproses dengan aturan konstruksi tertentu.

Bagaimana kesalahan terjadi dalam alur kerja data historis

1) Menggunakan definisi kumpulan data yang tidak konsisten

Kesalahan yang sering terjadi adalah mencampur kumpulan data yang dibangun dengan aturan berbeda—seperti frekuensi pengambilan sampel yang berbeda, zona waktu yang berbeda, atau metode berbeda untuk menangani titik yang hilang. Jika Anda kemudian membandingkan hasil antar studi tanpa memastikan bahwa kerangka waktu dasar dan pembersihan data sudah selaras, Anda mungkin mengaitkan perbedaan pada kinerja strategi, bukan pada konstruksi kumpulan data.

2) Asumsi yang tidak dinyatakan dalam perhitungan

Contoh apa pun yang menghitung return, drawdown, atau metrik kinerja bergantung pada asumsi: bagaimana bar dibentuk, bagaimana waktu “masuk” dan “keluar” dipetakan ke harga yang diamati, dan apakah spread, komisi, atau slippage dimodelkan. Pemeriksaan netral adalah dengan mendaftar setiap asumsi secara eksplisit sebelum menafsirkan hasil. Jika seseorang tidak dapat mereproduksi perhitungan dari asumsi tersebut, kesimpulannya tidak dapat diverifikasi.

3) Bias look-ahead dan kebocoran data

Mode kegagalan material lainnya adalah menggunakan informasi yang tidak akan tersedia pada saat pengambilan keputusan. Ini dapat terjadi ketika fitur dihitung menggunakan titik masa depan, ketika kumpulan data disiapkan dari awal hingga akhir sebelum dibagi menjadi periode pelatihan dan pengujian, atau ketika transformasi secara tidak sengaja menyertakan data masa depan. Bahkan tanpa nasihat perdagangan apa pun, langkah verifikasinya adalah memastikan bahwa transformasi apa pun hanya menggunakan data yang tersedia hingga titik prediksi atau keputusan.

4) Overfitting pada noise masa lalu

Data historis mengandung keacakan dan efek mikro-struktur pasar. Sebuah model atau aturan dapat tampak berhasil karena cocok dengan keanehan masa lalu, bukan karena hubungan yang stabil. Konsekuensinya adalah generalisasi yang buruk: hasil mungkin tidak bertahan ketika kondisi berubah (likuiditas, rezim volatilitas, friksi eksekusi). Pemeriksaan netral adalah menggunakan pemisahan ketat antar periode dan menghindari “penyesuaian” berulang kali sampai hasil masa lalu terlihat bagus.

Bukti, contoh, dan pemeriksaan netral yang dapat Anda terapkan

Pertimbangkan perhitungan return sederhana dari data bar. Anda harus menyatakan: apa yang diwakili oleh stempel waktu bar, harga mana di dalam bar yang Anda perlakukan sebagai dapat diperdagangkan (open, close, high, low), dan apakah biaya transaksi disertakan. Jika Anda menjalankan ulang perhitungan yang sama dengan konvensi penyelarasan bar yang berbeda atau tanpa biaya, metrik kinerja dapat berubah secara signifikan.

Untuk verifikasi keandalan, gunakan tiga pemeriksaan:

• Pemeriksaan reproduksibilitas: dapatkah Anda membuat ulang transformasi kumpulan data dan perhitungan metrik yang tepat dari aturan yang didokumentasikan?
• Pemeriksaan pemisahan waktu: apakah hasil tetap serupa secara luas ketika Anda berpindah ke periode yang berbeda dan tidak tumpang tindih?
• Uji tekanan asumsi: apakah kesimpulan bergantung pada satu pilihan yang rapuh (misalnya, penyelarasan tertentu, aturan data hilang, atau model biaya)?

Keterbatasan dan risiko: apa yang tidak dapat dibuktikan oleh data historis

Hubungan historis tidak menetapkan hasil masa depan. Bahkan jika suatu hasil konsisten secara matematis dengan kumpulan data masa lalu, hasil tersebut dapat gagal dalam kondisi pasar baru, eksekusi yang berbeda, atau aturan pemrosesan data yang diubah. Keterbatasan juga mencakup observasi yang hilang atau jarang, efek survivorship dalam beberapa konteks, dan perbedaan khusus penyedia yang tidak terlihat jelas dari grafik permukaan.

Kesimpulan utama yang “jelas dan siap dijelaskan” adalah: data historis berguna untuk pengukuran dan pembelajaran, tetapi hanya jika aturan konstruksi, asumsi, dan keterbatasannya dinyatakan secara eksplisit dan dapat diverifikasi secara independen.