Apa Itu Contoh Kerja Frama? Panduan Jelas dan Terverifikasi

Jawaban langsung

Contoh kerja Frama menunjukkan bagaimana nilai Fractal Adaptive Moving Average (Frama) dihitung dari data harga input menggunakan asumsi spesifik yang dinyatakan (harga, ukuran jendela, dan aturan penghalusan). Disebut “kerja” karena menyertakan langkah-langkah numerik antara, bukan hanya nilai garis akhir.

Di bawah ini adalah skenario mandiri. Skenario ini menggunakan titik harga buatan (bukan data langsung) sehingga Anda dapat menghitung ulang setiap besaran antara secara independen. Contoh ini hanya bersifat informasional dan menggambarkan mekanisme, bukan memprediksi perilaku pasar di masa depan.

Mekanisme atau definisi

Frama adalah rata-rata bergerak yang menyesuaikan penghalusannya berdasarkan perkiraan seberapa “fraktal” atau bervariasinya aksi harga terbaru. Dalam praktiknya, implementasi sering kali:

1. Membagi jendela pandang ke belakang (lookback) menjadi beberapa bagian (misalnya, dua setengah jendela).
2. Menghitung ukuran variabilitas harga untuk jendela penuh dan untuk setiap setengah jendela.
3. Mengubah ukuran variabilitas tersebut menjadi parameter yang mengontrol tingkat penghalusan efektif.
4. Menggabungkan nilai Frama saat ini menuju harga terbaru menggunakan tingkat penghalusan tersebut.

Ide kunci: ketika variasi harga terbaru berperilaku seperti tren kuat (“variabilitas relatif” yang lebih rendah antar jendela), Frama cenderung mengurangi penghalusan (merespons lebih cepat). Ketika variasi terlihat lebih seperti noise atau struktur yang kurang koheren, Frama lebih banyak menghaluskan (merespons lebih lambat). Detail rumus yang tepat bervariasi antar implementasi, jadi contoh kerja harus menyatakan aturan spesifik yang digunakannya.

Bukti atau contoh

Asumsi (nyatakan semuanya)

• Sumber data: rangkaian harga satu dimensi menggunakan nilai “close”.
• Kami menggunakan lookback ilustratif pendek dari 6 harga close:
  • t=1..6: [100, 101, 102, 103, 102, 104]
• Kami menghitung Frama pada waktu t=6.
• Struktur lookback untuk contoh ini:
  • Panjang jendela penuh: 4 (kami mempertimbangkan 4 close terakhir: 101, 102, 103, 102)
  • Dua setengah jendela masing-masing panjang 2:
    • Setengah A (lebih awal): 101, 102
    • Setengah B (lebih akhir): 103, 102
• Ukuran variabilitas dalam contoh ini: rentang = max(harga) − min(harga).
• Konversi dari variabilitas ke faktor “adaptif”:
  • Definisikan N = ln(rentang_penuh / (rentang_setengahA + rentang_setengahB)) / ln(2)
  • Kemudian batasi N ke interval yang wajar: N_terbatas = max(0, min(N, 1))
• Pemetaan tingkat penghalusan:
  • alpha = 0,01 + (1 − N_terbatas) * (0,99 − 0,01)
  • (Ini adalah contoh pemetaan gaya standar: alpha meningkat ketika N_terbatas lebih kecil.)
• Aturan pembaruan rekursif:
  • Frama_5 ditetapkan ke 102 (asumsi nilai awal).
  • Frama_6 = alpha * Close_6 + (1 − alpha) * Frama_5

Penting: Aturan-aturan ini adalah bagian dari asumsi contoh. Implementasi lain dapat menggunakan panjang jendela, ukuran variabilitas, penanganan logaritma, atau pemetaan alpha yang berbeda.

Perhitungan langkah demi langkah

1. Close jendela penuh (t=3..6 menggunakan 4 close terakhir): [101, 102, 103, 102]
   • rentang_penuh = max(101,102,103,102) − min(101,102,103,102) = 103 − 101 = 2
2. Close setengah A: [101, 102]
   • rentang_setengahA = 102 − 101 = 1
3. Close setengah B: [103, 102]
   • rentang_setengahB = 103 − 102 = 1
4. Penyebut untuk N: rentang_setengahA + rentang_setengahB = 1 + 1 = 2
5. Hitung N:
   • rentang_penuh / (rentang_setengahA + rentang_setengahB) = 2 / 2 = 1
   • ln(1) = 0
   • N = ln(1) / ln(2) = 0
6. Batasi:
   • N_terbatas = max(0, min(0, 1)) = 0
7. Hitung alpha:
   • alpha = 0,01 + (1 − 0) * (0,99 − 0,01)
   • alpha = 0,01 + 1 * 0,98 = 0,99
8. Perbarui Frama:
   • Close_6 = 104
   • Frama_5 = 102
   • Frama_6 = 0,99 * 104 + (1 − 0,99) * 102
   • Frama_6 = 103,0 + 0,01 * 102
   • Frama_6 = 103,0 + 1,02 = 104,02

Hasil dari contoh kerja spesifik ini: Frama_6 ≈ 104,02 berdasarkan asumsi yang dinyatakan.

Apa yang ditunjukkan oleh contoh ini

• Setiap nilai yang dihitung bergantung pada pilihan sebelumnya: partisi jendela, definisi rentang, transformasi log, pembatasan, dan pemetaan alpha.
• Dengan rentang yang sama di jendela penuh dan setengah jendela, contoh ini menghasilkan N=0, yang dipetakan ke alpha yang sangat tinggi (respons cepat). Partisi atau nilai harga yang berbeda akan mengubah alpha.

Keterbatasan dan risiko

1. Perbedaan rumus antar implementasi

   • Frama merujuk pada keluarga rata-rata bergerak adaptif. Implementasi praktis dapat bervariasi dalam cara menghitung dimensi fraktal, menangani kasus tepi (seperti rentang nol), dan memetakan faktor adaptif ke alpha. Contoh kerja hanya dapat ditransfer sejauh rumus yang dinyatakannya.

2. Sensitivitas parameter

   • Ukuran jendela dan aturan pembatasan dapat sangat mengubah alpha yang dihitung dan oleh karena itu tingkat Frama. Jika Anda mengubah parameter asumsi apa pun (misalnya, panjang jendela atau ukuran rentang), Anda harus mengulangi perhitungan.