Keterbatasan Data Historis

Apa itu Data Historis?

Data historis adalah catatan observasi pasar masa lalu—seperti harga, volume, stempel waktu, dan terkadang ukuran turunan—yang digunakan untuk menganalisis bagaimana suatu aset berperilaku sebelumnya. Dalam konteks terkait trading, data ini sering digunakan untuk menghitung statistik, memperkirakan hubungan, atau menjalankan backtest yang mensimulasikan apa yang mungkin terjadi dalam kondisi masa lalu.

Data historis bukanlah pasar itu sendiri; ini adalah cuplikan observasi yang ditangkap pada suatu titik waktu, biasanya dengan aturan pengambilan sampel tertentu (misalnya, seberapa sering nilai dicatat) dan sumber tertentu (misalnya, feed, venue, atau penyedia data tertentu).

Bagaimana data historis digunakan (dan di mana asumsi masuk)

Ketika orang mempelajari data historis, mereka secara implisit berasumsi bahwa simulasi atau analisis selaras dengan kenyataan. Keselarasan itu bergantung pada beberapa pilihan desain:

1. Penyelarasan waktu: Stempel waktu dalam kumpulan data harus cocok dengan logika analisis dan waktu pengambilan keputusan yang dimaksud.
2. Kelengkapan: Tick/candle yang hilang atau celah data dapat menghilangkan peristiwa penting yang akan memengaruhi hasil.
3. Aturan agregasi: Jika data mentah diagregasi (misalnya, menjadi candle), transformasi tersebut dapat menyembunyikan perilaku intraperiode.
4. Biaya dan model eksekusi: Banyak studi mengasumsikan eksekusi yang ideal. Trading nyata melibatkan spread, biaya, selip (slippage), dan efek antrian pesanan.
5. Pergeseran populasi: Rezim masa lalu (tingkat volatilitas, likuiditas, korelasi) mungkin tidak bertahan.

Cara yang berguna untuk memikirkannya adalah: data historis adalah masukan, dan kesimpulan Anda hanya sevalid asumsi Anda tentang bagaimana masukan masa lalu memetakan ke proses masa depan.

Bukti dan contoh mode kegagalan

Pertimbangkan skenario sederhana: sebuah metode dievaluasi menggunakan candle historis dan mengasumsikan trading terjadi pada harga yang dilaporkan candle. Jika metode tersebut sebenarnya memerlukan keputusan pada momen tertentu di dalam candle, tetapi kumpulan data hanya menyediakan nilai agregat, backtest mungkin terlihat “dapat dieksekusi” padahal sebenarnya tidak.

Mode kegagalan umum lainnya meliputi:

• Bias kelangsungan hidup (survivorship) dan seleksi: Jika Anda hanya menganalisis aset atau periode yang “berhasil masuk” ke dalam kumpulan data, hasilnya mungkin melebih-lebihkan kinerja tipikal.
• Overfitting ke masa lalu: Jika banyak parameter disetel agar cocok dengan segmen historis, metode tersebut mungkin menangkap noise, bukan struktur yang stabil.
• Ketergantungan rezim: Hubungan yang terlihat dalam satu rezim volatilitas atau likuiditas dapat melemah ketika kondisi berubah.

Masalah-masalah ini tidak berarti analisis historis tidak berguna; ini berarti data historis dapat menyesatkan ketika diperlakukan seolah-olah sepenuhnya mewakili kondisi masa depan.

Keterbatasan dan risiko utama

Keterbatasan paling material terbagi dalam tiga kategori:

1. Kondisi pasar berubah: Hubungan historis tidak secara otomatis menetapkan hasil masa depan. Struktur volatilitas, likuiditas, dan korelasi dapat bergeser, mengubah kondisi yang menghasilkan pola masa lalu.

2. Ketidaksesuaian antara data yang tercatat dan eksekusi: Bahkan jika rangkaian historis akurat, analisis mungkin mengabaikan friksi trading yang realistis (biaya, waktu, dan likuiditas). Ketika eksekusi berbeda, hasil dapat menyimpang.

3. Ketidakpastian dan observasi yang tidak lengkap: Data mungkin menghilangkan peristiwa, memiliki artefak pengambilan sampel, atau menggunakan feed/venue yang mikrostrukturnya berbeda dari apa yang akan Anda amati dalam kondisi langsung (live).

Implikasi praktisnya adalah data historis harus diperlakukan sebagai bukti tentang masa lalu—bukan bukti perilaku masa depan.

Cara memverifikasi secara independen apa yang dapat dan tidak dapat dikatakan oleh data historis

Untuk memverifikasi keterbatasan tanpa mengandalkan prediksi, Anda dapat menggunakan pemeriksaan umum yang menguji apakah kesimpulan kuat terhadap ketidakpastian:

• Perjelas asumsi: Tuliskan bagaimana stempel waktu, agregasi, dan eksekusi dimodelkan, termasuk penyederhanaan apa pun.
• Uji stabilitas di berbagai periode: Bandingkan perilaku di berbagai kondisi pasar yang berbeda (misalnya, lingkungan volatilitas yang berbeda).
• Tekan (stress) alur data: Periksa celah, pengambilan sampel yang tidak konsisten, atau transformasi yang dapat mengubah hasil.
• Bedakan klaim deskriptif dari klaim prediktif: Temuan deskriptif merangkum apa yang terjadi; klaim prediktif memerlukan bukti kuat bahwa proses masa depan cocok dengan masa lalu.

Jika kesimpulan Anda bergantung pada asumsi yang mudah dilanggar dalam kondisi nyata, maka data historis kurang informatif daripada yang terlihat.