Bagaimana CMO Dapat Di-backtest Secara Bertanggung Jawab?

Apa arti backtesting CMO yang “bertanggung jawab”

Backtesting CMO (Chande Momentum Oscillator) berarti menghitung nilai historisnya dari data harga dan mengevaluasi bagaimana suatu aturan keputusan akan berkinerja jika diterapkan secara real-time. “Bertanggung jawab” berfokus pada apakah pengujian tersebut dapat direproduksi dan apakah pengujian tersebut menghindari kesalahan umum yang membuat hasil masa lalu terlihat lebih baik daripada yang seharusnya.

Pendekatan yang bertanggung jawab terutama mencakup empat hal: (1) mendefinisikan indikator dan data secara tepat, (2) menyertakan biaya dan waktu yang realistis, (3) mengendalikan bias dan overfitting parameter, dan (4) memvalidasi out-of-sample sehingga Anda dapat memperkirakan seberapa rapuh temuan tersebut.

Mekanika: definisikan indikator, data, dan asumsi

Sebelum menguji apa pun, Anda memerlukan definisi CMO yang jelas dan dapat diverifikasi beserta input yang digunakannya. Dalam praktiknya, ini berarti menuliskan:

• Seri data yang tepat (misalnya, harga close-to-close) dan frekuensi sampling yang digunakan untuk menghitung return atau momentum.
• Jendela lookback (parameter) yang digunakan dalam perhitungan CMO.
• Penanganan data yang hilang, jeda sesi, dan aksi korporasi (jika berlaku).
• Aturan penyelarasan tanggal: apakah sinyal yang Anda uji pada waktu t hanya menggunakan informasi yang tersedia hingga t.

Kemudian tentukan aturan keputusan apa pun yang Anda evaluasi. Bahkan jika Anda tidak mengklaim bahwa CMO “memprediksi,” Anda tetap harus menjelaskan apa yang akan Anda lakukan ketika CMO melintasi suatu level, naik melewati ambang batas, atau ketika kondisi yang dipilih terpenuhi. Untuk setiap contoh, nyatakan asumsi Anda secara eksplisit, seperti waktu mulai posisi (pada pembukaan bar berikutnya vs. pada penutupan bar), apakah Anda mengizinkan eksekusi intrabar, dan bagaimana Anda memperlakukan akhir pekan atau periode likuiditas rendah.

Biaya dan waktu eksekusi: bagian yang sering diabaikan banyak pengujian

Biaya bukanlah hal yang dipikirkan belakangan dalam backtesting. Bahkan indikator yang secara konseptual masuk akal pun dapat tampak kuat jika Anda mengabaikan friksi yang realistis. Dalam simulasi pasar yang umum, Anda harus memperhitungkan:

• Spread dan komisi (atau model biaya transaksi yang setara) dan apakah biaya diterapkan hanya pada saat entry atau pada saat entry dan exit.
• Slippage: perbedaan antara harga eksekusi yang dimodelkan dan harga yang dimaksudkan.
• Waktu: stempel waktu sinyal tidak boleh “curang.” Jika sinyal Anda dihitung dari bar t, pengujian yang realistis menggunakan harga eksekusi yang akan tersedia setelah bar t selesai.

Kejelasan asumsi itu penting: misalnya, jika Anda berasumsi eksekusi pada pembukaan bar berikutnya, Anda harus menerapkan aturan itu secara konsisten dan memastikan bahwa perhitungan indikator Anda tidak menggunakan harga masa depan.

Kontrol bias: cegah look-ahead dan overfitting

Banyak backtest gagal karena secara tidak sengaja menggunakan informasi yang seharusnya tidak mereka miliki.

Pemeriksaan bias utama meliputi:

• Bias look-ahead: pastikan nilai indikator yang digunakan untuk keputusan pada waktu t dihitung dari data yang tersedia sebelum t.
• Bias seleksi: jangan menyetel parameter indikator (seperti jendela CMO) dengan berulang kali mencari hasil historis terbaik pada kumpulan data yang sama.
• Data snooping: jika Anda mencoba banyak varian (ambang batas, nilai parameter, filter), hasil Anda dapat mencerminkan proses pencarian daripada properti yang kokoh.

Kontrol yang praktis adalah memisahkan data menjadi setidaknya dua set: satu untuk memilih parameter dan satu lagi untuk mengevaluasi kinerja. Jika Anda menyetel lebih lanjut beberapa kali, Anda dapat memperlakukan penyetelan itu sebagai bagian dari proses pembangunan model dan menjaga evaluasi akhir tetap tidak tersentuh.

Bukti dan validasi out-of-sample

Untuk mengurangi risiko salah mengartikan noise sebagai struktur, validasikan secara out-of-sample.

Pola umum meliputi:

• Pemisahan train/validation/test: pilih parameter pada segmen pelatihan, validasikan pada segmen yang berbeda, dan hanya kemudian lakukan evaluasi tunggal pada segmen uji yang ditahan.
• Evaluasi walk-forward (bergulir): latih ulang atau pilih ulang parameter secara berulang pada jendela yang bergerak, lalu uji pada periode berikutnya.

Saat melaporkan hasil, fokuslah pada metrik yang membuat kerapuhan terlihat. Gunakan beberapa ukuran (misalnya, return rata-rata dan proksi risiko seperti drawdown) dan periksa apakah kinerja sangat bergantung pada beberapa periode yang tidak biasa. Jika pengujian terutama berhasil ketika kondisi pasar menyerupai rezim pelatihan, kemungkinan besar pengujian tersebut akan gagal ketika rezim bergeser.

Keterbatasan dan mode kegagalan yang harus Anda perkirakan

Bahkan dengan metodologi yang cermat, backtest CMO dapat menghasilkan kesimpulan yang menyesatkan. Contoh keterbatasan material meliputi:

• Non-stasioneritas: pasar berubah; hubungan yang berlaku secara historis mungkin tidak bertahan.
• Pergeseran rezim: volatilitas, tren, dan kondisi likuiditas dapat mengubah perilaku osilator momentum.