Bagaimana timeframe memengaruhi HMA (Hull Moving Average)
Jawaban langsung
Timeframe memengaruhi HMA karena HMA adalah rata-rata jendela bergerak yang dibangun dari titik data harga. Saat Anda mengganti timeframe grafik, setiap bar mewakili rentang waktu nyata yang berbeda, sehingga “panjang” HMA yang sama mencakup durasi yang berbeda. Hal ini mengubah seberapa sensitif HMA terhadap perubahan terbaru dan seberapa besar lag yang ditunjukkannya.
Jika Anda membandingkan HMA di berbagai timeframe, ide utamanya adalah: timeframe mengontrol jarak antar observasi, sedangkan panjang HMA mengontrol berapa banyak observasi yang digabungkan. Bersama-sama, keduanya menentukan horizon penghalusan yang efektif.
Mekanisme dan definisi
HMA adalah singkatan dari Hull Moving Average. Secara umum, moving average memperkirakan versi yang lebih halus dari suatu rangkaian (sering kali nilai harga terakhir) dengan menggabungkan beberapa titik data terbaru.
Timeframe masuk melalui bagaimana rangkaian input dibangun:
- Pada grafik 1 jam, setiap bar merangkum aktivitas selama satu jam.
- Pada grafik 15 menit, setiap bar merangkum aktivitas selama lima belas menit.
Untuk HMA dengan panjang numerik tetap L (misalnya, L = 20), rata-rata dihitung dari L bar terakhir. Pada grafik 1 jam, L bar tersebut mencakup sekitar L jam. Pada grafik 15 menit, L bar tersebut mencakup sekitar L × 15 menit. Bahkan tanpa mengubah pengaturan HMA, timeframe mengubah jumlah waktu nyata yang disertakan dalam perhitungan.
Ini menghasilkan dua efek umum:
- Sensitivitas terhadap observasi: dengan bar yang lebih sering (timeframe lebih pendek), perubahan kecil muncul lebih cepat saat titik data baru tiba.
- Ketidakcocokan periode kepemilikan: jika horizon keputusan Anda lebih panjang daripada horizon penghalusan praktis HMA, HMA bisa tampak “terlalu cepat”; jika lebih pendek, HMA bisa tampak “terlalu lambat.”
Bukti melalui contoh (dengan asumsi eksplisit)
Asumsikan hal berikut agar contoh dapat diverifikasi:
- Anda menghitung HMA dari aset dasar yang sama.
- Anda menjaga panjang HMA L tidak berubah.
- Anda menggunakan definisi bar yang konsisten (misalnya, setiap bar adalah harga penutupan bar).
- Anda mengabaikan biaya eksekusi dan mengasumsikan tidak ada gangguan dalam data.
Skenario: pasar membuat perubahan berkelanjutan yang dimulai pada momen yang diketahui dan berlanjut.
- Pada timeframe yang lebih pendek, beberapa bar akan terbentuk selama perubahan tersebut. HMA akan memasukkan bar-bar baru itu dengan cepat, sehingga penghalus bergerak lebih awal.
- Pada timeframe yang lebih panjang, lebih sedikit bar yang dibuat selama interval waktu nyata yang sama. HMA memasukkan lebih sedikit informasi baru per satuan waktu, sehingga penghalus bergeser lebih lambat dan terlihat lebih stabil.
Jadi “panjang” yang sama bisa terlihat lebih responsif pada timeframe pendek dan lebih tertunda pada timeframe panjang. Perbedaan itu bukan bukti bahwa HMA lebih baik atau lebih buruk; itu adalah konsekuensi langsung dari frekuensi sampling.
Keterbatasan dan risiko (mode kegagalan material)
Sensitivitas timeframe menciptakan keterbatasan yang dapat diprediksi:
- Horizon efektif berubah: bahkan jika panjang HMA tidak berubah, timeframe mengubah jendela waktu nyata yang disertakan dalam perhitungan.
- Tradeoff lag dan noise: timeframe yang lebih pendek sering bereaksi lebih cepat tetapi dapat menunjukkan lebih banyak fluktuasi; timeframe yang lebih panjang sering mengurangi noise jangka pendek tetapi dapat tertinggal.
- Ketergantungan rezim: hubungan antara penghalus dan pergerakan masa depan tidak stabil di semua kondisi pasar. Penghalus mungkin bekerja berbeda ketika volatilitas, kekuatan tren, atau perilaku mean-reversion berubah.
- Mode kegagalan verifikasi: menerapkan HMA dengan timeframe yang tidak cocok dengan horizon evaluasi Anda dapat menyebabkan kesimpulan yang menyesatkan (misalnya, memperlakukan penghalus yang bereaksi cepat seolah-olah mencerminkan struktur jangka panjang).
Karena perilaku historis tidak menetapkan hasil masa depan, Anda harus memperlakukan efek timeframe sebagai properti pemodelan, bukan sebagai jaminan hasil.
Verifikasi dan pertanyaan berikutnya
Untuk memverifikasi efek timeframe sendiri:
- Jaga pengaturan HMA tetap konstan (panjang dan pilihan perhitungan) dan hanya ubah timeframe grafik.
- Gunakan metode yang konsisten untuk membandingkan keselarasan (misalnya, bandingkan di mana HMA mulai berbelok relatif terhadap perubahan yang terlihat pada grafik).
- Uji di beberapa periode dan sertakan kondisi yang berbeda (tenang vs volatil, range vs tren).
Pertanyaan lanjutan yang bermanfaat adalah: horizon evaluasi mana yang penting untuk kasus penggunaan Anda—reaksi bar-ke-bar yang Anda amati pada grafik, atau periode kepemilikan yang lebih panjang di mana Anda menilai apakah penghalusan tersebut berguna?