Cara Menghitung Frama

Jawaban langsung: apa arti perhitungan “Frama”

FRAMA (sering ditulis sebagai “Frama”) adalah singkatan dari FRactal Adaptive Moving Average. Indikator ini dihitung untuk menghasilkan rata-rata bergerak yang kekuatan penghalusannya beradaptasi dengan seberapa “kompleks” atau “ber-trend” aksi harga terkini. Adaptasi ini berasal dari estimasi dimensi fraktal dari rentang harga dalam beberapa jendela lookback, lalu mengubah estimasi tersebut menjadi faktor penghalusan yang efektif.

Poin pentingnya adalah nilai Frama tidak dihasilkan dari satu formula tunggal yang hanya menggunakan satu parameter. Nilai ini bergantung pada:

• panjang lookback yang dipilih,
• definisi data harga (misalnya, menggunakan rentang high/low yang berasal dari OHLC),
• dan pemetaan dari dimensi fraktal ke faktor penghalusan.

Mekanisme: input dan langkah perhitungan inti

1) Tentukan data dan “rentang” yang digunakan

Sebagian besar implementasi Frama menggunakan rentang harga dalam suatu jendela, biasanya berasal dari nilai high dan low. Konsep rentang standar adalah:

• Rentang dalam satu jendela: ukuran seperti (high tertinggi − low terendah) dalam jendela tersebut.

Jika Anda memverifikasi perhitungan sendiri, tugas pertama adalah menetapkan definisi pasti dari “rentang” yang digunakan sumber Anda, karena mengubah definisi rentang akan mengubah rangkaian Frama yang dihasilkan.

2) Bagi lookback utama menjadi subjendela

Desain Frama yang umum menggunakan panjang jendela utama (sebut saja N). Untuk mengestimasi perilaku fraktal, algoritme mempertimbangkan:

• rentang dalam N bar terakhir, dan
• rentang dalam dua subjendela berurutan dengan panjang N/2 (jika N genap).

Artinya, untuk sebuah bar pada waktu t, Anda secara konseptual menghitung:

• Range1: rentang dalam subjendela pertama,
• Range2: rentang dalam subjendela kedua,
• RangeTotal: rentang dalam seluruh jendela.

3) Hitung estimasi dimensi fraktal

Dimensi fraktal (dalam pengertian Frama) diestimasi dari bagaimana RangeTotal dibandingkan dengan Range1 dan Range2. Pendekatan umum adalah mengubah rasio tersebut menjadi nilai dimensi yang meningkat ketika pergerakan harga terlihat lebih tidak teratur, dan menurun ketika terlihat lebih seperti tren yang mulus.

Karena ada beberapa versi dalam praktiknya, verifikasi memerlukan pengecekan referensi pilihan Anda untuk pemetaan yang tepat dari rasio rentang ke dimensi fraktal.

4) Ubah dimensi fraktal menjadi faktor penghalusan adaptif

Setelah estimasi dimensi fraktal tersedia, Frama mengubahnya menjadi faktor penghalusan. Idenya adalah:

• ketika estimasi kompleksitas menunjukkan “lebih banyak noise,” penghalusan menjadi lebih kuat (respons lebih lambat),
• ketika menunjukkan “struktur yang lebih mirip tren,” penghalusan menjadi lebih lemah (respons lebih cepat).

Sekali lagi, konversi yang tepat bergantung pada implementasi. Banyak varian menggunakan parameter seperti batas penghalusan minimum/maksimum untuk menjaga faktor penghalusan dalam rentang yang praktis.

5) Terapkan pembaruan penghalusan eksponensial

Terakhir, Frama diperbarui secara rekursif dengan gaya rata-rata bergerak:

• nilai Frama baru pada waktu t adalah campuran dari harga saat ini (atau proksi yang dipilih seperti harga tengah) dan nilai Frama sebelumnya,
• di mana bobot campuran adalah faktor penghalusan adaptif yang dihitung pada langkah 2–4.

Jadi, bahkan ketika matematika dimensi fraktal sudah benar, Anda tetap perlu memverifikasi:

• “harga saat ini” apa yang digunakan dalam pembaruan (close vs. harga tengah), dan
• bagaimana nilai Frama pertama diinisialisasi.

Bukti atau contoh: cara memverifikasi perhitungan Frama tanpa asumsi trading

Karena formula yang tepat dapat bervariasi antar sumber, cara paling andal untuk memverifikasi “bagaimana cara menghitungnya” adalah dengan mereproduksinya dari asumsi tetap pada kumpulan data kecil.

Prosedur pemeriksaan mandiri

1. Pilih potongan historis pendek dan definisi bar tetap (misalnya, OHLC dengan high/low dan close).
2. Pilih N dan aturan pembagian subjendela (misalnya, N/2 di setiap sisi, yang memerlukan N genap).
3. Hitung Range1, Range2, dan RangeTotal menggunakan definisi rentang yang sama dengan sumber target Anda.
4. Terapkan pemetaan dimensi fraktal persis seperti yang dinyatakan dalam sumber tersebut.
5. Hitung faktor penghalusan adaptif lalu pembaruan Frama rekursif.
6. Bandingkan nilai rangkaian akhir Anda dengan output target untuk input yang sama.

Asumsi material yang perlu dinyatakan secara eksplisit

Nyatakan asumsi Anda dalam catatan:

• apakah Anda menggunakan (high tertinggi − low terendah) sebagai rentang,
• apakah Anda menggunakan close atau harga tengah dalam pembaruan akhir,
• bagaimana Anda menangani N bar pertama (tanpa output, pemanasan, atau inisialisasi),
• dan apakah Anda menggunakan N genap saja atau pembulatan untuk subjendela.

Jika Anda mengubah salah satu dari ini, Anda harus mengharapkan nilai Frama berubah—bahkan jika Anda mempertahankan “ide utama” adaptasi fraktal yang sama.

Keterbatasan dan mode kegagalan

1) Perbedaan implementasi adalah hal umum

“Frama” adalah konsep algoritmik, tetapi platform dan artikel yang berbeda dapat menggunakan detail yang berbeda untuk:

• pemetaan dimensi fraktal,
• batas penghalusan,
• proksi harga dalam pembaruan,
• dan inisialisasi.

Jadi, Anda tidak dapat dengan aman membandingkan nilai Frama antar penyedia kecuali detail perhitungannya cocok.

2) Input berbasis rentang bisa sensitif terhadap noise

Menggunakan rentang high/low berarti indikator dapat bereaksi kuat terhadap ekstrem intrabar. Dalam kondisi berombak, ayunan acak dapat mengubah rasio rentang dan karenanya faktor penghalusan adaptif, bahkan ketika “tren” yang mendasarinya tidak jelas.

3) Pilihan parameter dapat mendominasi perilaku

Panjang lookback dan batas penghalusan apa pun sangat memengaruhi seberapa cepat Frama beradaptasi. Jendela pendek cenderung lebih responsif tetapi juga bisa lebih tidak stabil. Jendela yang lebih panjang cenderung lebih mulus tetapi bisa tertinggal. Ini adalah trade-off matematis dan statistik, bukan jaminan kebenaran.

4) Indikator rekursif bergantung pada kondisi awal

Karena Frama biasanya rekursif, keputusan inisialisasi awal dan penanganan pemanasan dapat memengaruhi nilai-nilai berikutnya. Dalam riwayat yang panjang, pengaruhnya mungkin berkurang, tetapi dalam sampel yang lebih pendek, hal ini bisa menjadi penting.

Verifikasi dan pertanyaan lanjutan yang perlu diajukan

Untuk menjelaskan Frama secara akurat kepada orang lain, hasilkan tiga hal:

1. Detail formula yang tepat yang Anda gunakan, termasuk bagaimana rentang, dimensi fraktal, faktor penghalusan, dan pembaruan rekursif didefinisikan.
2. Daftar input yang diperlukan (setidaknya high/low dan harga untuk langkah pembaruan) serta parameter yang dibutuhkan (misalnya, N dan batas penghalusan apa pun).
3. Satu pernyataan keterbatasan berdasarkan pilihan implementasi yang Anda asumsikan (misalnya, sensitivitas terhadap noise high/low atau ketergantungan pada inisialisasi).

Pertanyaan lanjutan yang berguna adalah: bagaimana pengaturan yang Anda pilih mengubah keseimbangan antara responsivitas dan penghalusan? Jika Anda membagikan nama parameter spesifik dan definisi harga/rentang dari sumber yang Anda gunakan, perhitungan Frama dapat diperiksa langkah demi langkah terhadap kumpulan data Anda.