Data apa yang diperlukan untuk menilai CMO?

Apa itu CMO (dan mengapa data penting)?

CMO (Chande Momentum Oscillator) adalah sebuah osilator yang membandingkan jumlah pergerakan harga “naik” dan “turun” selama periode lookback yang dipilih. Ide utamanya sederhana: jika pergerakan terbaru sebagian besar naik, osilator cenderung lebih tinggi; jika sebagian besar turun, osilator cenderung lebih rendah. Karena osilator dibangun dari perubahan harga tertentu, data yang diperlukan untuk menilai CMO harus mencakup deret waktu yang mendasarinya dan aturan pasti yang digunakan untuk mengubah deret tersebut menjadi pergerakan naik/turun.

Data apa yang diperlukan untuk menilai CMO?

Untuk menilai CMO secara akurat, kumpulkan masukan dan dokumentasi berikut.

1) Deret waktu yang mendasarinya

• Deret harga yang digunakan untuk perhitungan (biasanya harga penutupan). Putuskan apakah Anda menggunakan harga penutupan, harga tipikal, atau definisi konsisten lainnya.
• Instrumen dan konteks pasar yang tepat (simbol yang sama, venue yang sama, dan penanganan sesi yang konsisten). Sumber yang berbeda dapat menghasilkan riwayat harga yang berbeda bahkan untuk instrumen yang “sama”.

2) Jendela lookback (periode)

• Panjang jendela yang digunakan untuk mengagregasi pergerakan naik dan turun (misalnya, sejumlah bar tetap). Nilai CMO bergantung langsung pada periode ini.
• Apakah periode dinyatakan dalam bar pada timeframe yang sama (misalnya, bar 1 jam) atau waktu kalender.

3) Aturan stempel waktu dan resampling

• Timeframe data masukan (misalnya, 5 menit, 1 jam, harian).
• Cara Anda menangani bar yang hilang: interpolasi, melewatkan, atau forward-filling dapat secara material mengubah pergerakan naik/turun yang dihitung.
• Penyelarasan zona waktu dan batas sesi. Untuk pasar dengan diskontinuitas, aturan konstruksi bar memengaruhi pergerakan “tersedia” pertama dalam suatu jendela.

4) Definisi pergerakan naik/turun (mekanisme perhitungan)

CMO mensyaratkan pemisahan pergerakan menjadi komponen naik dan turun. Anda memerlukan aturan pasti yang digunakan metode Anda, termasuk:

• Bagaimana perubahan harga dihitung (misalnya, selisih antara harga penutupan berurutan).
• Bagaimana memperlakukan perubahan nol (dianggap bukan naik maupun turun, atau ditetapkan ke salah satu sisi). Implementasi yang berbeda dapat memperlakukan kasus tepi secara berbeda.
• Apakah selisih absolut digunakan dalam suku yang dijumlahkan.

5) Informasi provenans dan reproduksibilitas

• Identitas penyedia data dan versi kumpulan data (feed “langsung” dapat berubah secara historis setelah aksi korporasi atau backfill).
• Setiap langkah prapemrosesan: membersihkan outlier, menyesuaikan untuk split/dividen (jika relevan), atau menggunakan harga yang disesuaikan.
• Spesifikasi perangkat lunak atau rumus yang mendefinisikan komputasi CMO, sehingga orang lain dapat mereplikasi angka yang sama dari masukan yang sama.

Bagaimana data yang diperlukan bekerja dalam praktik?

CMO dinilai dengan menghitungnya dari jendela bergulir perubahan harga masa lalu. Secara konkret, penilaian yang dapat direproduksi mensyaratkan:

1. Memilih definisi harga (misalnya, selisih close-to-close).
2. Memilih panjang jendela lookback.
3. Mengonversi setiap perubahan harga berurutan menjadi komponen “naik” atau komponen “turun” menggunakan aturan yang dinyatakan dengan jelas.
4. Menjumlahkan komponen-komponen tersebut selama jendela dan menerapkan normalisasi osilator.

Jika salah satu hal di atas berbeda—seperti menggunakan timeframe yang berbeda, jenis harga yang berbeda, periode yang berbeda, atau aturan perubahan nol yang berbeda—deret CMO yang dihasilkan tidak akan cocok. Itulah sebabnya provenans data dan mekanisme perhitungan adalah bagian dari “data apa yang diperlukan,” bukan hanya harga mentah.

Bukti, contoh, dan cara membandingkan CMO secara adil

Pemeriksaan praktis adalah membandingkan dua perhitungan CMO hanya jika keduanya berbagi masukan dan mekanisme yang sama:

• Instrumen dan timeframe yang sama.
• Panjang periode yang sama.
• Bidang harga yang sama (misalnya, penutupan).
• Aturan yang sama untuk perubahan nol dan data yang hilang.

Jika Anda tidak dapat menjamin kondisi tersebut, perbandingan dapat menyesatkan bahkan ketika kedua deret diberi label “CMO”. Misalnya, metode yang memperlakukan bar yang hilang secara berbeda dapat mengubah jumlah naik/turun di beberapa jendela pertama setelah celah.

Keterbatasan dan risiko (apa yang bisa salah)

Keterbatasan material: ketergantungan rezim

Osilator seperti CMO menggambarkan perilaku seperti momentum selama jendela terkini. Rezim pasar dapat berubah, sehingga hubungan historis antara level CMO dan hasil selanjutnya mungkin tidak bertahan di masa mendatang.

Mode kegagalan: implementasi yang tidak konsisten

Perbedaan kecil dalam mekanisme—seperti bagaimana pergerakan negatif dijumlahkan, atau bagaimana bar perubahan nol dikategorikan—dapat mengubah besaran dan arah osilator.

Risiko integritas data

• Stempel waktu yang hilang atau tidak selaras dapat mendistorsi selisih harga berurutan.
• Kumpulan data yang di-backfill atau direvisi dapat mengubah nilai historis.