Cara Kerja Overfitting di Forex (dan Mengapa Gagal Saat Kondisi Berubah)

Definisi: apa arti overfitting dalam forex

Overfitting adalah ketika sebuah metode (sering kali aturan strategi, model, atau pengaturan parameter) disetel begitu dekat dengan data forex masa lalu sehingga metode tersebut menangkap pola yang tidak berulang secara andal. Dalam praktiknya, “terlalu pas” biasanya berarti pendekatan tersebut mempelajari kekhasan sampel pelatihan—seperti noise jangka pendek, rezim volatilitas tertentu, atau artefak dari cara data dibangun—daripada hubungan yang umum dan dapat diulang.

Dalam forex, hal ini penting karena perilaku statistik pasar dapat berubah seiring waktu. Bahkan jika sebuah aturan terlihat kuat pada harga historis, pertanyaannya adalah apakah hubungan yang mendasari aturan tersebut stabil ketika kondisi berbeda.

Model sederhana tentang bagaimana overfitting terjadi

Cara yang membantu untuk memahami proses ini adalah melalui urutan input, operasi, dan output.

1. Input (apa yang dipelajari metode)

• Input historis: rangkaian harga (sering kali titik tengah bid/ask atau return turunan), indikator, ukuran volatilitas, dan fitur berbasis waktu.
• Pilihan pencarian: ruang parameter atau aturan yang akan dicoba (misalnya, panjang lookback, level ambang batas, atau kompleksitas model).
• Asumsi biaya: spread, komisi, slippage, dan asumsi waktu eksekusi.

2. Operasi (apa yang dilakukan metode)

• Penyesuaian (fit): metode mengevaluasi kinerja pada dataset historis dan menyesuaikan parameter untuk memaksimalkan fungsi objektif (misalnya, profitabilitas, return yang disesuaikan dengan risiko, atau akurasi prediksi).
• Tekanan seleksi: karena banyak varian kandidat yang dicoba, varian “terbaik” cenderung menjadi yang paling cocok dengan keunikan spesifik dataset tersebut, bahkan jika keunikan itu tidak stabil.

3. Output (apa yang Anda amati)

• Metrik backtest: perilaku kurva ekuitas, drawdown, statistik trading, atau skor prediksi yang dihitung pada data historis yang sama yang digunakan untuk penyetelan.
• Apa yang Anda inginkan: metrik yang tetap serupa ketika metode melihat data baru yang belum pernah dilihat.
• Apa yang dihasilkan overfitting: metrik yang mengesankan pada sampel yang disetel, tetapi metrik yang lebih lemah atau tidak konsisten di tempat lain.

Poin utamanya adalah bahwa overfitting bukan hanya tentang “pemodelan yang buruk.” Overfitting juga dapat muncul ketika proses evaluasi secara tidak sengaja memberikan informasi tambahan kepada metode, atau ketika data validasi tidak benar-benar independen.

Bukti atau contoh: bagaimana hal itu muncul dalam backtesting

Tanpa mengasumsikan data real-time, Anda masih dapat melihat logikanya menggunakan contoh konseptual.

Asumsikan Anda menguji serangkaian aturan berparameter pada data forex historis. Untuk satu pengaturan parameter, kinerja dapat bervariasi di sekitar beberapa garis dasar. Sekarang asumsikan Anda mencoba banyak pengaturan dan mempertahankan yang berkinerja terbaik berdasarkan hasil backtest.

Bahkan jika tidak ada pengaturan yang menangkap hubungan pasar yang stabil, salah satu dari banyak kandidat sering kali akan terlihat sangat baik secara kebetulan. Ini kadang-kadang digambarkan sebagai “bias seleksi” dari pencarian di ruang yang luas.

Sekarang perluas prosesnya:

• Anda menyetel parameter menggunakan bagian pertama data.
• Anda kemudian menguji pada bagian selanjutnya yang tidak pernah digunakan untuk penyetelan.

Jika hasil pengujian selanjutnya menurun secara material dibandingkan dengan hasil in-sample, kesenjangan itu adalah tanda umum overfitting. Kesenjangan itu tidak membuktikan overfitting dengan sendirinya, tetapi itu adalah alasan kuat untuk mencurigai bahwa metode tersebut mempelajari noise spesifik sampel.

Keterbatasan dan risiko yang relevan (mode kegagalan material)

Overfitting adalah masalah statistik umum, tetapi dalam alur kerja forex, beberapa masalah praktis sering kali memperbesarnya.

1. Kebocoran data Jika metode menggunakan informasi yang tidak akan tersedia pada saat pengambilan keputusan (misalnya, menggunakan nilai masa depan secara tidak langsung melalui konstruksi fitur atau kesalahan penyelarasan data), metode tersebut dapat menghasilkan hasil backtest yang tidak dapat direproduksi di dunia nyata.

2. Validasi yang tidak independen Jika jendela validasi tumpang tindih secara signifikan dengan pelatihan, atau jika langkah-langkah persiapan data diulang dengan cara yang tetap “menggunakan kembali” informasi, validasi tersebut sebenarnya bukan out-of-sample. Model mungkin terlihat kuat karena validasi lebih dekat dengan pelatihan daripada yang Anda kira.

3. Fleksibilitas yang berlebihan Pendekatan yang lebih fleksibel (ruang parameter yang lebih besar, model yang lebih kompleks, atau ambang batas yang sangat ketat) dapat menyesuaikan lebih banyak bentuk dalam data historis. Fleksibilitas meningkatkan kemungkinan mencocokkan noise.

4. Perubahan rezim dan distribusi Dinamika harga forex dapat berubah dengan volatilitas, likuiditas, kondisi makro, dan sentimen risiko. Hubungan yang berlaku di satu rezim dapat melemah atau hilang di rezim lain, bahkan jika tidak ada kebocoran data.

5. Perbedaan biaya dan eksekusi Backtest sering menyederhanakan spread, komisi, dan slippage. Jika aturan yang dioptimalkan bergantung pada keunggulan yang lebih kecil dari perbedaan antara biaya yang diasumsikan dan biaya riil, kinerja dapat runtuh di luar backtest.

Karena keterbatasan ini, keberhasilan backtest bukanlah jaminan kinerja masa depan. Hubungan historis tidak menetapkan bahwa hubungan yang sama akan bertahan.

Cara memverifikasi generalisasi secara independen (tanpa mengasumsikan hasil)

Verifikasi adalah tentang menguji apakah output metode stabil di bawah kondisi baru yang belum pernah dilihat. Daftar periksa yang tidak bergantung pada waktu terlihat seperti ini:

• Tentukan pemisahan pelatihan dan pengujian dengan jelas: penyetelan harus hanya menggunakan periode pelatihan; evaluasi harus menggunakan periode selanjutnya yang tidak terlibat dalam pencarian parameter.
• Gunakan pemisahan yang ketat dalam persiapan data: setiap langkah rekayasa fitur tidak boleh menggunakan informasi masa depan.
• Kurangi derajat kebebasan bila memungkinkan: lebih sedikit parameter biasanya membuat lebih sulit untuk menyesuaikan noise.
• Terapkan forward testing secara konseptual: setelah memilih konfigurasi berdasarkan pelatihan/validasi, evaluasi pada data yang benar-benar belum pernah dilihat untuk memeriksa stabilitas.
• Uji stres asumsi: bandingkan hasil di seluruh perubahan yang wajar dalam asumsi biaya dan waktu eksekusi untuk melihat apakah metode tetap konsisten.

Jika kinerja tetap stabil di seluruh pengujian independen, itu mendukung gagasan bahwa metode tersebut menangkap sesuatu yang lebih umum. Jika hasil hanya kuat di jendela penyetelan, overfitting adalah penjelasan yang mungkin atau kontributor utama.

Pengecualian dan apa yang bukan overfitting

• Overfitting tidak identik dengan “kegagalan strategi.” Sebuah metode dapat gagal karena banyak alasan, termasuk perubahan struktur pasar atau asumsi biaya yang salah.
• Overfitting juga bukan satu-satunya penyebab hasil out-of-sample yang buruk. Jendela pengujian mungkin hanya mewakili rezim yang berbeda, atau fungsi objektif mungkin tidak selaras dengan apa yang dapat dieksekusi oleh alur kerja nyata.

Pertanyaan berikutnya untuk diajukan

Saat Anda mengevaluasi pendekatan forex, pertanyaan yang paling informatif adalah: “Langkah-langkah tepat mana yang menentukan parameter akhir yang disetel, dan apakah langkah-langkah yang sama tersebut sepenuhnya dikecualikan dari data evaluasi?” Jika Anda dapat menjawabnya dengan tepat, Anda dapat menilai kemungkinan bahwa keunggulan yang tampak dari metode tersebut berasal dari noise daripada hubungan yang stabil.