Bagaimana HMA dapat di-backtest secara bertanggung jawab?

Apa arti backtesting HMA yang “bertanggung jawab”

Backtesting yang bertanggung jawab berarti mengevaluasi aturan Hull Moving Average (HMA) menggunakan persiapan data yang transparan, asumsi yang eksplisit, dan langkah-langkah validasi yang mengurangi hasil yang menyesatkan. HMA adalah moving average yang dirancang untuk menghaluskan harga sambil bereaksi relatif cepat; ini adalah perhitungan deterministik berdasarkan rangkaian harga input dan pengaturan yang dipilih. Oleh karena itu, backtesting harus berfokus pada apakah aturan Anda untuk menafsirkan HMA (misalnya, bagaimana Anda memutuskan kapan rata-rata tersebut digunakan) akan berperilaku masuk akal di bawah batasan yang diketahui.

“Bertanggung jawab” juga menyiratkan bahwa Anda tidak memperlakukan kinerja historis sebagai bukti hasil masa depan. Pasar berubah dan backtest dapat menyesuaikan pola yang hanya ada pada periode tertentu.

Mekanisme: apa yang sebenarnya Anda uji

Tentukan perhitungan HMA dan inputnya

Sebelum menguji, tentukan rangkaian apa yang Anda masukkan ke dalam HMA (misalnya, rangkaian harga penutupan) dan pengaturan apa yang Anda gunakan (biasanya panjang jendela). Karena HMA adalah transformasi matematis dari nilai-nilai masa lalu, pilihan prapemrosesan yang berbeda akan mengubah keluaran.

Sumber kesalahan yang umum adalah mencampur penyelarasan waktu: jika keputusan Anda pada waktu t menggunakan informasi dari waktu t atau setelahnya, pengujian menjadi tidak dapat diandalkan. Pastikan bahwa setiap nilai yang digunakan untuk membuat keputusan tersedia pada saat itu.

Pisahkan mekanisme yang stabil dari kondisi yang bervariasi

Perhitungan HMA itu sendiri stabil. Hasil backtest bergantung pada faktor-faktor yang bervariasi seperti:

• Kualitas data (bar yang hilang, penyesuaian aksi korporasi, pengambilan sampel yang tidak konsisten).
• Biaya dan friksi (komisi, spread, slippage).
• Asumsi eksekusi (waktu order, logika pemenuhan).
• Rezim pasar (periode tren vs. periode sideways).

Untuk menjaga eksperimen tetap adil, perlakukan item-item ini sebagai asumsi eksplisit dan, jika memungkinkan, uji sensitivitas daripada hanya mengandalkan satu pengaturan.

Bukti atau contoh: alur kerja praktis berbasis asumsi

Di bawah ini adalah templat yang dapat Anda gunakan tanpa mengasumsikan keunggulan yang dijamin.

1) Nyatakan asumsi dan jaga konsistensinya

Dokumentasikan:

• kerangka waktu dan konstruksi bar,
• bidang harga yang digunakan untuk HMA,
• pilihan parameter HMA,
• bagaimana perdagangan atau keputusan akan dieksekusi (bahkan jika eksekusi disimulasikan).

Jika Anda menghitung kinerja, tentukan metrik dengan jelas (misalnya, apakah Anda mengukur pengembalian persentase, ukuran yang disesuaikan dengan risiko, atau akurasi klasifikasi untuk aturan keputusan). Gunakan definisi yang sama di seluruh proses.

2) Modelkan biaya dan eksekusi secara konservatif (sebagai asumsi)

Perbedaan utama antara “grafik yang indah” dan backtest adalah bahwa perdagangan nyata menghadapi friksi. Bahkan evaluasi sederhana pun harus menyertakan asumsi untuk biaya seperti penalti mirip spread dan penundaan mirip slippage. Anda tidak memerlukan angka langsung; Anda memerlukan aturan yang dinyatakan tentang bagaimana biaya memengaruhi hasil.

3) Gunakan kontrol bias

Mode kegagalan umum meliputi:

• Bias look-ahead: menggunakan data masa depan saat menghitung HMA atau aturan keputusan.
• Bias survivorship: jika Anda menguji pada kumpulan yang dikurasi yang berubah seiring waktu.
• Bias overfitting: memilih parameter berdasarkan kinerja pada data yang sama yang digunakan untuk melaporkan hasil.

Untuk menguranginya, jaga logika keputusan Anda tetap tetap, hindari “menyesuaikan berulang kali sampai terlihat bagus,” dan gunakan prosedur validasi.

4) Validasi out-of-sample

Pengujian yang bertanggung jawab mencakup setidaknya satu periode out-of-sample yang tidak digunakan untuk pemilihan parameter. Gunakan salah satu pendekatan ini:

• Validasi walk-forward: latih atau sesuaikan pada jendela sebelumnya, lalu evaluasi pada jendela berikutnya, ulangi.
• Pemisahan holdout: pilih parameter pada periode pelatihan, lalu evaluasi sekali pada periode holdout berikutnya.

Jika kinerja runtuh out-of-sample, itu adalah bukti kuat bahwa kecocokan in-sample yang tampak tidaklah kokoh.

5) Periksa sensitivitas terhadap faktor-faktor yang bervariasi

Alih-alih satu kali proses, variasikan asumsi dalam rentang yang wajar (misalnya, tingkat biaya yang berbeda atau nilai parameter yang sedikit berbeda). Stabilitas di berbagai variasi lebih informatif daripada satu hasil terbaik.

Keterbatasan dan risiko: mengapa backtest dapat menyesatkan

Perilaku HMA historis tidak menjamin apa pun tentang kinerja masa depan. Bahkan dengan kontrol yang cermat, hasil dapat gagal karena:

• Perubahan volatilitas dan likuiditas yang membuat asumsi biaya yang sama menjadi tidak realistis di kemudian hari.
• Pergeseran rezim di mana metode penghalusan berperilaku berbeda dalam kondisi tren vs. sideways.
• Masalah data seperti bar yang hilang atau stempel waktu yang tidak konsisten.
• Risiko model: Anda mungkin mengevaluasi aturan interpretasi yang tidak dapat digeneralisasi.

Keterbatasan yang material adalah bahwa moving average dapat tampak efektif in-sample karena banyak pasar memiliki autokorelasi pada cakrawala waktu tertentu. Efek itu dapat melemah, terutama setelah biaya transaksi.