Pertimbangan Lanjutan untuk Asumsi Slippage
Apa yang dimaksud dengan “asumsi slippage” dalam pemodelan eksekusi
Asumsi slippage adalah cara untuk merepresentasikan perbedaan antara harga yang Anda harapkan untuk eksekusi pesanan dan harga yang sebenarnya terjadi. Dalam pekerjaan pemodelan (seperti backtesting atau pengujian maju), Anda biasanya tidak mengamati jalur eksekusi yang sebenarnya dan terperinci, sehingga Anda mendefinisikan aturan untuk berapa banyak biaya tambahan (atau terkadang harga yang lebih baik) yang akan Anda asumsikan.
Konsep ini paling baik diperlakukan sebagai input pemodelan yang memperkirakan ketidakpastian eksekusi. Ini tidak sama dengan spread, biaya, atau komisi—biasanya ditambahkan secara terpisah. Asumsi slippage biasanya mencakup faktor-faktor seperti:
- pergerakan harga antara keputusan dan eksekusi,
- routing pesanan dan latensi eksekusi,
- ketersediaan kedalaman (likuiditas) pada saat eksekusi,
- eksekusi parsial dan harga pengisian yang bervariasi.
Cara praktis untuk memikirkannya: jika model Anda mengatakan Anda akan mengasumsikan “X unit slippage” untuk setiap perdagangan, maka model tersebut menerjemahkan ketidakpastian eksekusi menjadi penyesuaian biaya yang konsisten yang dapat Anda terapkan secara berulang.
Bagaimana asumsi slippage bekerja: mekanisme yang stabil vs kondisi yang bervariasi
Pertimbangan lanjutan dimulai dengan memisahkan apa yang dikendalikan model Anda dari apa yang dikendalikan oleh pasar dan lingkungan eksekusi.
Tentukan unit dan arah
Slippage dapat direpresentasikan dalam unit yang berbeda:
- dalam istilah harga (misalnya, mata uang per unit),
- dalam tick atau poin,
- sebagai persentase dari harga,
- sebagai biaya yang ditambahkan ke perdagangan (seringkali lebih mudah untuk pemodelan P&L).
Juga perjelas arahnya. Banyak model sederhana mengasumsikan slippage selalu tidak menguntungkan, tetapi eksekusi terkadang dapat mengisi pada harga yang lebih baik dari yang diharapkan. Jika Anda memaksakan “selalu lebih buruk,” Anda memasukkan bias sistematis ke dalam estimasi kinerja. Jika Anda mengizinkan kedua arah, Anda memerlukan aturan untuk seberapa sering setiap arah terjadi.
Pilih aturan pemetaan
“Asumsi slippage” biasanya menjadi aturan pemetaan, misalnya:
- slippage tetap per pesanan,
- slippage proporsional dengan ukuran perdagangan,
- slippage terkait dengan volatilitas atau kondisi spread (jika kumpulan data Anda mendukungnya),
- slippage diambil dari distribusi (gaya Monte Carlo).
Bagian lanjutannya adalah memastikan aturan tersebut konsisten dengan cara Anda mengukur harga masuk/keluar dalam kumpulan data Anda. Jika harga masuk backtest Anda sudah “efektif” (misalnya, berasal dari log eksekusi yang realistis), menambahkan penyesuaian slippage terpisah dapat menghitung biaya eksekusi dua kali.
Isolasi asumsi waktu
Slippage sangat dipengaruhi oleh kesenjangan waktu antara momen keputusan model dan momen eksekusi yang diasumsikan. Jika data Anda menggunakan waktu berbasis bar (misalnya, candle satu menit) tetapi model Anda mengasumsikan eksekusi pada titik yang berbeda dalam bar tersebut, asumsi slippage Anda harus mencerminkan kesenjangan waktu itu. Jika tidak, model dapat menjadi tidak konsisten secara internal.
Tambahkan asumsi independensi dengan hati-hati
Banyak pendekatan yang disederhanakan memperlakukan slippage sebagai independen dari sinyal. Pada kenyataannya, slippage dan agresivitas perdagangan sering berkorelasi:
- perilaku eksekusi yang lebih mendesak dapat mengubah penundaan antrian,
- perdagangan selama volatilitas tinggi mengubah kualitas eksekusi yang khas,
- pesanan yang lebih besar dapat berinteraksi dengan kedalaman yang tersedia.
Jika Anda mengabaikan korelasi, Anda dapat meremehkan variabilitas hasil.
Bukti dan contoh: stres model dengan kasus tepi
Karena tidak ada data pasar real-time yang diasumsikan di sini, “bukti” berarti pemeriksaan konsistensi internal dan pengujian skenario menggunakan asumsi yang dinyatakan dengan jelas.
Contoh: slippage tetap vs slippage sadar ukuran
Misalkan kerangka pemodelan mengasumsikan biaya slippage konstan per perdagangan. Ini dapat gagal ketika ukuran pesanan besar relatif terhadap likuiditas yang tersedia.
Untuk menguji stres ini, jalankan dua varian internal menggunakan logika masuk/keluar yang sama:
- asumsi slippage tetap per pesanan,
- asumsi slippage yang tumbuh dengan ukuran perdagangan.
Anda kemudian membandingkan apakah kesimpulan utama (seperti apakah hasil tetap masuk akal di bawah kedua model) bertahan. Jika hasil berubah drastis, kesimpulan Anda sangat bergantung pada aturan slippage daripada pada mekanisme yang stabil.
Contoh: eksekusi parsial dan antrian pesanan
Mode kegagalan umum untuk asumsi yang disederhanakan adalah memperlakukan setiap pesanan sebagai satu pengisian pada satu harga efektif. Dalam praktiknya, pesanan dapat terisi sebagian pada harga yang berbeda.
Pemeriksaan kasus tepi:
- jika Anda mengasumsikan satu harga eksekusi tetapi lingkungan eksekusi nyata Anda dapat terisi sebagian, model Anda mungkin meremehkan kisaran biaya yang sebenarnya,
- jika asumsi slippage Anda tidak mencerminkan penundaan antrian, Anda mungkin salah merepresentasikan dampak periode kecepatan eksekusi yang berkurang.
Solusi pemodelan adalah dengan memasukkan asumsi tentang jumlah pengisian atau rata-rata penyebaran pengisian dari waktu ke waktu. Bahkan jika perkiraan, ini membuat model kurang rapuh daripada “satu pengisian selalu.”
Contoh: bias arah
Jika Anda selalu mengasumsikan slippage negatif, Anda mungkin membangun hambatan biaya yang konservatif. Ini tidak otomatis salah, tetapi harus dibenarkan sebagai pilihan pemodelan yang disengaja.
Pemeriksaan kasus tepi:
- uji asumsi simetris (slippage negatif dan positif di sekitar nol) versus asumsi satu sisi,
- konfirmasi seberapa sensitif kinerja model Anda terhadap pilihan itu.
Jika kesimpulan hanya bertahan di bawah satu asumsi arah, maka kesimpulan tersebut tidak kuat.
Keterbatasan dan risiko: di mana asumsi slippage rusak
Keterbatasan utama bukan hanya tentang “akurasi,” tetapi tentang validitas struktural.
Hubungan historis tidak menjamin hasil masa depan
Bahkan ketika pola slippage tampak konsisten dalam data masa lalu, kondisi eksekusi dapat berubah. Rezim likuiditas yang berbeda, perubahan teknologi eksekusi, dan mikro struktur pasar yang bervariasi dapat mengubah hubungan antara aturan slippage yang Anda asumsikan dan hasil yang direalisasikan.
Penghitungan ganda dan ketidakcocokan akuntansi
Dua risiko umum:
- mencampur harga yang sudah efektif dengan slippage tambahan,
- memisahkan spread/biaya secara tidak benar sehingga slippage dan biaya tumpang tindih.
Pastikan komponen biaya dalam pipeline pemodelan Anda tidak tumpang tindih. Jika spread sudah tertanam dalam metode penetapan harga efektif kumpulan data, tambahkan slippage di atasnya hanya jika itu mewakili komponen tambahan.
Granularitas yang tidak realistis
Aturan yang cocok dengan baik pada tingkat kasar (misalnya, per bar) dapat gagal ketika eksekusi terjadi pada granularitas yang lebih halus. Jika model memperlakukan seluruh bar sebagai satu interval keputusan-ke-eksekusi, model tersebut mungkin salah mengaitkan pergerakan intra-bar ke slippage.
Ketidakpastian parameter tersembunyi
Asumsi slippage sering memperkenalkan parameter (jumlah tetap, bentuk distribusi, sensitivitas ukuran). Jika parameter ini disetel ke hasil historis, Anda berisiko overfitting ke kondisi eksekusi yang mungkin tidak berulang.
Pengurangan risiko berorientasi verifikasi adalah melakukan uji sensitivitas: variasikan parameter slippage di seluruh rentang yang wajar dan amati apakah kesimpulan tetap stabil.
Verifikasi: cara memeriksa asumsi Anda secara independen
Verifikasi independen tidak memerlukan harga langsung dalam konteks ini; itu membutuhkan konsistensi, sensitivitas, dan pemisahan masalah.