Cara Kerja Frama dalam Forex
Jawaban langsung
Frama dalam forex mengacu pada Fractal Adaptive Moving Average, sebuah indikator bergaya moving average yang mengubah seberapa cepat ia mengikuti harga. Alih-alih menggunakan faktor penghalusan tetap, Frama memperkirakan apakah aksi harga terbaru lebih terlihat seperti tren yang mulus atau pola yang tidak menentu dan mirip fraktal, lalu menggunakan perkiraan tersebut untuk menyesuaikan penghalusan.
Ini berarti mekanisme Frama adalah: mengukur “efisiensi fraktal” dari harga pada beberapa jendela waktu, mengubah efisiensi tersebut menjadi konstanta penghalusan dinamis, dan menerapkannya untuk memperbarui nilai moving average secara bertahap.
Mekanisme atau definisi
Moving average adalah cara untuk merangkum harga dengan menyaring noise. Pada moving average berparameter tetap yang umum, kekuatan penghalusan tetap konstan. Ide utama Frama adalah kekuatan penyaringan harus bervariasi.
1) Pilih input (jendela lookback dan rangkaian harga)
Frama memerlukan setidaknya satu panjang lookback utama (sering disebut N), dan menggunakan rentang turunan berdasarkan N (biasanya N/2 dan N/4 dalam deskripsi gaya buku teks). Input rangkaian harga biasanya didasarkan pada harga tertinggi dan terendah pada setiap jendela (banyak implementasi menggunakan rentang tinggi-rendah, bukan hanya harga penutupan).
Karena alat charting yang berbeda dapat menerapkan detail secara berbeda, asumsi terpenting yang perlu diverifikasi saat Anda mereproduksi hasil adalah: nilai harga mana dan definisi rentang mana yang digunakan dalam perhitungan (misalnya, rentang tinggi-rendah pada setiap segmen, dan apakah harga titik ujung disertakan).
2) Hitung ukuran rentang pada tiga skala
Frama memperkirakan bagaimana harga berperilaku di berbagai skala dengan membandingkan:
- rentang “penuh” selama N
- gabungan rentang dua bagian selama N/2
- gabungan rentang empat perempat selama N/4
Pendekatan umum adalah mendefinisikan rentang seperti selisih antara nilai tertinggi dan terendah dalam jendela yang dipilih. Kemudian Anda menghitung total rentang terpisah untuk setiap skala.
3) Ubah rentang multi-skala menjadi “efisiensi fraktal”
Dengan menggunakan ukuran rentang tersebut, Frama membentuk kuantitas yang sering digambarkan sebagai proksi efisiensi atau dimensi fraktal. Secara intuitif:
- jika pergerakan harga relatif teratur di berbagai skala, efisiensi menunjukkan struktur yang lebih “seperti tren”
- jika pergerakan tidak menentu dan terlihat serupa di berbagai skala, efisiensi menunjukkan struktur yang lebih “seperti fraktal”
Implementasi yang berbeda dapat menyatakan langkah ini dengan logaritma dan rasio; namun, tujuan konseptualnya tetap sama: menghasilkan nilai yang meningkat ketika rangkaian terlihat lebih efisien dalam tren dan menurun ketika terlihat lebih fraktal.
4) Ubah efisiensi menjadi konstanta penghalusan adaptif
Frama selanjutnya memetakan perkiraan efisiensi menjadi konstanta penghalusan, biasanya dibatasi antara batas minimum dan maksimum sehingga indikator tidak menjadi terlalu lambat atau terlalu cepat secara sewenang-wenang. Batas-batas ini bergantung pada pilihan parameter (misalnya, ujung cepat dan ujung lambat).
Langkah ini menghasilkan faktor penghalusan yang berubah setiap langkah waktu karena efisiensi berubah dengan perilaku harga N-periode terbaru.
5) Perbarui moving average Frama secara rekursif
Terakhir, Frama memperbarui keluarannya menggunakan rekursi dalam bentuk:
- ambil nilai Frama sebelumnya
- gerakkan menuju referensi harga saat ini dengan jumlah yang sebanding dengan konstanta penghalusan adaptif
Jadi keluarannya adalah moving average yang berubah seiring waktu: ia dapat bergerak lebih cepat ketika efisiensi yang dihitung menunjukkan perilaku tren, dan lebih lambat ketika menunjukkan pergerakan yang tidak menentu.
Bukti atau contoh
Di bawah ini adalah contoh sederhana berbasis asumsi yang menunjukkan urutan tanpa menggunakan data pasar langsung.
Pengaturan contoh (asumsi)
Asumsikan:
- Anda menghitung rentang menggunakan tinggi dikurangi rendah dalam setiap jendela.
- Anda menggunakan panjang lookback N.
- Pada setiap waktu t, Anda memiliki jendela harga tertinggi/terendah untuk menghitung rentang penuh, setengah, dan seperempat.
- Anda menghitung nilai seperti efisiensi dari rentang ini, lalu memetakannya menjadi konstanta penghalusan di antara batas yang dipilih.
Urutan langkah demi langkah
- Pada waktu t, hitung rentang jendela penuh selama N periode.
- Hitung rentang setengah jendela dengan membagi jendela N yang sama menjadi dua bagian dan menjumlahkan rentang tinggi-rendahnya.
- Hitung rentang seperempat jendela dengan membagi menjadi empat bagian dan menjumlahkan rentangnya.
- Gunakan ukuran rentang ini untuk menghitung perkiraan efisiensi/fraktalitas.
- Ubah perkiraan tersebut menjadi konstanta penghalusan adaptif (terbatas).
- Perbarui Frama secara rekursif:
- mulai dengan nilai Frama kemarin
- tambahkan penyesuaian menuju referensi harga saat ini yang dipilih (sering kali titik tengah atau penutupan, tergantung implementasi) yang diskalakan dengan konstanta penghalusan adaptif.
Apa yang harus dapat Anda verifikasi
Jika Anda mereproduksi input yang sama dan definisi parameter yang sama, konstanta penghalusan adaptif harus berubah dari bar ke bar. Ketika pergerakan harga terbaru menghasilkan hubungan rentang yang menunjukkan “efisiensi” lebih tinggi, konstanta penghalusan cenderung lebih besar (Frama bereaksi lebih). Ketika hubungan rentang menunjukkan efisiensi lebih rendah, konstanta penghalusan cenderung lebih kecil (Frama bereaksi lebih sedikit).
Karena indikator ini rekursif dan menggunakan beberapa skala lookback, perbedaan kecil dalam detail implementasi (perhitungan rentang, pemetaan parameter, pembulatan) dapat menghasilkan garis output yang berbeda bahkan saat menggunakan chart pasar yang sama.
Keterbatasan dan risiko
1) Perilaku model bergantung pada pilihan parameter dan implementasi
Frama sensitif terhadap cara Anda mendefinisikan:
- input harga (rentang tinggi-rendah vs pilihan lain)
- pembagian jendela yang tepat (misalnya, bagaimana pembagian non-integer ditangani)
- pemetaan dari efisiensi ke penghalusan (termasuk batas)
Jika dua platform menggunakan rumus yang berbeda atau parameter default yang berbeda, nilai Frama yang ditampilkan mungkin tidak cocok.
2) Logika “mirip fraktal” mungkin masih salah mengklasifikasikan rezim pasar
Ide efisiensi fraktal adalah klasifikasi struktur terbaru, bukan pengukuran langsung arah masa depan. Pada periode yang sangat volatil atau didorong berita, harga bisa berisik dengan cara yang menyebabkan indikator melambat ketika Anda mungkin mengharapkannya merespons.
Sebaliknya, pada pergerakan tajam tetapi tidak teratur, struktur yang dihitung terkadang bisa terlihat “efisien” bahkan jika arahnya kemudian berubah.
3) Risiko kepastian palsu: ini bukan sinyal trading yang berdiri sendiri
Output Frama paling baik dipahami sebagai representasi perilaku harga yang disaring, bukan sebagai ramalan yang dijamin. Menggunakannya sebagai sinyal berdiri sendiri dapat menyebabkan kepercayaan diri berlebihan karena adaptasi indikator hanya didorong oleh hubungan rentang terbaru.
4) Kondisi tepi dan periode pemanasan
Pada bar paling awal, Anda mungkin tidak memiliki cukup riwayat untuk menghitung seluruh rangkaian rentang jendela secara konsisten. Ini dapat membuat artefak pemanasan atau diskontinuitas sampai lookback terisi penuh.
Verifikasi atau pertanyaan berikutnya
Untuk memverifikasi secara independen bagaimana Frama bekerja pada data Anda:
- Pilih platform atau implementasi kode dan catat definisi parameter yang tepat (panjang lookback dan batas apa pun).