Apa Itu Data Historis?
Definisi dan peran dalam alur kerja forex
Data Historis berarti informasi masa lalu yang tercatat tentang aktivitas pasar, seperti stempel waktu dan bidang terkait harga. Dalam konteks forex, data ini umumnya digunakan untuk mengukur apa yang terjadi sebelumnya sehingga Anda dapat menganalisis perilaku suatu metode dalam kondisi yang diketahui. Ide utamanya adalah bahwa Data Historis adalah masukan untuk analisis, bukan prediksi.
Cara penggunaannya (model sederhana)
Cara dasar untuk memahami Data Historis adalah sebagai kumpulan data ditambah aturan. Kumpulan data berisi observasi masa lalu. Aturan mendefinisikan apa yang akan Anda hitung dari observasi tersebut (misalnya, bagaimana return dihitung, bagaimana entry dan exit didefinisikan, dan bagaimana biaya diterapkan). Jika suatu strategi atau model dievaluasi, Data Historis digunakan untuk menghasilkan hasil backtest atau terukur sesuai dengan aturan tersebut.
Alur kerja yang umum adalah: (1) mendefinisikan asumsi, (2) memilih jendela waktu dari data masa lalu, (3) menjalankan perhitungan yang sama secara berulang menggunakan kumpulan data tersebut, dan (4) mencatat metrik kinerja yang dihasilkan. Penting untuk dicatat bahwa asumsi adalah bagian dari proses. Mengubah definisi—seperti cara Anda memodelkan waktu eksekusi atau spread—dapat mengubah keluaran bahkan jika harga historisnya sama.
Contoh umum tentang apa yang termasuk dalam “historis”
Data Historis dapat mencakup harga tengah, rangkaian bid/ask, atau nilai turunan tergantung pada sumber data. Data ini juga dapat mencakup volume atau bidang lain, jika tersedia. Dalam praktiknya, yang penting bukanlah labelnya, tetapi apakah kumpulan data tersebut sesuai dengan pertanyaan yang ingin Anda jawab. Misalnya, jika suatu metode bergantung pada perilaku bid/ask, maka menggunakan hanya rangkaian harga tunggal bisa menjadi ketidaksesuaian.
Keterbatasan dan mode kegagalan
Data Historis memiliki beberapa keterbatasan material:
- Non-stasioneritas: perilaku pasar dapat berubah seiring waktu, sehingga hubungan yang diamati secara historis dapat melemah.
- Masalah kualitas data: bar yang hilang, pencilan, atau stempel waktu yang salah dapat menciptakan hasil yang menyesatkan.
- Overfitting dan “mencari pemenang”: ketika aturan disetel terlalu agresif ke satu periode masa lalu, hasil dapat gagal di tempat lain.
- Kesenjangan realisme eksekusi: perhitungan historis mungkin tidak mencerminkan ketidakpastian pengisian, latensi, atau biaya yang sebenarnya.
Karena masalah-masalah ini, Data Historis tidak dapat memastikan bahwa suatu metode akan berkinerja serupa di masa depan. Bahkan jika suatu metode tampak konsisten dalam satu jendela historis, konsistensi itu mungkin sebagian merupakan artefak dari asumsi yang dipilih.
Membedakannya dari konsep terkait
Data Historis sering disamakan dengan ide-ide terkait:
- Data berwawasan ke depan atau data langsung: data dari masa depan relatif terhadap analisis. Ini digunakan untuk mengevaluasi apakah suatu metode bertahan tanpa mengubah aturan.
- Keluaran backtesting: hasil yang dihitung dari Data Historis berdasarkan aturan yang ditentukan. Keluaran backtest mencerminkan baik data maupun asumsi.
- Kinerja kertas vs. kinerja terverifikasi: analisis yang hanya menggunakan satu jendela kumpulan data mungkin terlihat kuat, tetapi verifikasi memerlukan pemisahan periode dan masukan yang realistis.
Verifikasi yang dapat Anda lakukan secara mandiri
Untuk memverifikasi klaim yang dibuat menggunakan Data Historis, periksa apakah analisis tersebut transparan tentang asumsi, definisi, dan pemodelan biaya. Prinsip independensi yang umum adalah menggunakan periode waktu terpisah: satu untuk menetapkan aturan dan yang lain untuk evaluasi. Juga pastikan bahwa kumpulan data yang digunakan untuk evaluasi bukanlah kumpulan data yang sama dengan yang digunakan untuk penyetelan.
Saat meninjau interpretasi apa pun dari Data Historis, tanyakan: Apa sebenarnya yang termasuk dalam kumpulan data, bagaimana return atau peristiwa dihitung, asumsi apa yang digunakan untuk eksekusi dan biaya, dan apa yang rusak ketika data berubah? Pemeriksaan ini membantu memisahkan mekanisme yang stabil dari kondisi yang bervariasi.