Kama (Rata-rata Bergerak Adaptif Kaufman) dalam Rata-rata Bergerak
Apa itu Kama?
Kama, singkatan dari Kaufman’s Adaptive Moving Average, adalah jenis rata-rata bergerak yang mengubah tingkat penghalusannya seiring waktu. Tidak seperti rata-rata bergerak standar yang menggunakan jumlah penghalusan tetap, Kama bertujuan untuk berperilaku berbeda tergantung pada apakah pergerakan harga terbaru terlihat lebih “efisien” (kuat, terarah) atau lebih “tidak efisien” (tidak menentu, berisik).
Dalam praktiknya, Kama menghasilkan garis yang dihitung ulang saat data harga baru tersedia. Trader dan analis sering menggunakan garis ini untuk mempelajari tren dan momentum, serta untuk membandingkan kecepatan responsnya di berbagai kondisi pasar yang berbeda.
Cara kerja Kama
Kama dibangun di sekitar dua gagasan: ukuran efisiensi dan faktor penghalusan adaptif.
Pertama, rasio efisiensi diperkirakan dari pergerakan harga terbaru. Secara konseptual, ini membandingkan seberapa banyak harga telah bergerak dengan cara yang bermakna secara arah dengan seberapa banyak total pergerakan yang terjadi selama periode yang sama. Jika harga bergerak dari awal ke akhir secara lebih langsung relatif terhadap jumlah pergerakan bolak-balik, rasio efisiensi cenderung lebih tinggi. Jika harga berkelok-kelok dan sering berbalik arah, rasio efisiensi cenderung lebih rendah.
Kedua, rasio efisiensi tersebut diubah menjadi konstanta penghalusan adaptif. Konstanta penghalusan mengontrol seberapa kuat harga terbaru memengaruhi nilai Kama saat ini.
- Ketika rasio efisiensi lebih tinggi, Kama umumnya menggunakan konstanta penghalusan efektif yang lebih besar, membuat rata-rata bereaksi lebih cepat.
- Ketika rasio efisiensi lebih rendah, Kama umumnya menggunakan konstanta penghalusan efektif yang lebih kecil, membuat rata-rata lebih halus dan kurang reaktif.
Ketiga, Kama diperbarui secara rekursif. Setiap nilai Kama baru dihitung dari:
- nilai Kama sebelumnya (garis dasar yang telah dihaluskan), dan
- sebagian dari perubahan harga terbaru (diskalakan dengan konstanta penghalusan adaptif).
Dua input umum yang akan Anda lihat dalam implementasi adalah:
- periode lookback yang digunakan untuk mengukur efisiensi terbaru, dan
- parameter yang membatasi atau membentuk perilaku penghalusan adaptif (misalnya, nilai yang mewakili responsivitas yang lebih cepat dan lebih lambat).
Karena platform dan pustaka pembuatan grafik yang berbeda mungkin menamai parameter ini secara berbeda, ada baiknya untuk memverifikasi formula persis dan pengaturan default dalam implementasi spesifik yang Anda gunakan.
Mekanika dan interpretasi dalam konteks Rata-rata Bergerak
Kama termasuk dalam keluarga besar rata-rata bergerak, jadi keluarannya tetap merupakan representasi rata-rata harga dari waktu ke waktu. Perbedaannya adalah bahwa “jumlah rata-rata” tidak konstan.
Hal itu memiliki beberapa konsekuensi mekanis:
- Responsivitas bervariasi dengan karakter pasar terbaru, bukan tetap.
- Jarak antara harga dan Kama dapat melebar atau menyempit tergantung pada apakah rasio efisiensi saat ini lebih tinggi atau lebih rendah.
- Selama kondisi yang tidak menentu, Kama mungkin bertujuan untuk mengurangi whipsaw dengan menghaluskan lebih banyak.
Namun, Kama tidak menjamin arah yang benar. Garis rata-rata bergerak merangkum data masa lalu, sehingga dapat tertinggal selama perubahan mendadak dan masih menghasilkan indikasi palsu ketika rezim berubah.
Keterbatasan dan risiko yang relevan
Sifat adaptif Kama dirancang untuk mengatasi noise, tetapi juga memperkenalkan ketidakpastian praktis.
1) Sensitivitas parameter Kama bergantung pada pengaturan lookback dan responsivitas. Nilai yang berbeda dapat mengubah seberapa cepat Kama menyesuaikan diri. Tanpa perbandingan yang cermat, Anda mungkin melihat hasil yang berbeda dari apa yang tampak seperti indikator yang “sama”.
2) Perubahan rezim pasar Konsep efisiensi secara implisit mengasumsikan bahwa kondisi terbaru cukup representatif untuk jendela waktu saat ini. Ketika pasar bertransisi dari tren ke sideways (atau sebaliknya), ukuran efisiensi mungkin tertinggal dari rezim baru.
3) Risiko overfitting dalam penggunaan Jika seseorang menyetel parameter Kama ke periode historis tertentu, hasilnya mungkin mencerminkan overfitting daripada perilaku yang stabil. Bahkan penggunaan non-trading (seperti memilih pengaturan parameter untuk dasbor) masih bisa menjadi bias terhadap satu kerangka waktu atau kumpulan data.
4) Perbedaan data dan implementasi Kama sensitif terhadap granularitas data input (misalnya, ukuran candle), “harga” yang digunakan (close vs. typical price), dan formula persis yang digunakan oleh perangkat lunak. Perbedaan ini dapat secara signifikan mengubah kurva yang dihasilkan.
5) Tidak ada kepastian dari rata-rata Seperti halnya rata-rata bergerak lainnya, Kama diturunkan dari harga masa lalu. Ia tidak dapat mengamati kondisi masa depan. Itu berarti Anda harus mengharapkan periode di mana ia kurang responsif atau lebih menyesatkan, terutama di sekitar perubahan struktural yang mendadak.
Apa yang dapat Anda verifikasi secara independen
Karena tujuannya adalah untuk memahami Kama tanpa mengandalkan klaim hasil, fokuslah pada pemeriksaan yang dapat diverifikasi:
- Konfirmasikan definisi persis yang digunakan oleh platform Anda (formula, input harga, dan default parameter).
- Bandingkan Kama dengan rata-rata bergerak tetap standar pada data yang sama untuk melihat bagaimana responsivitasnya berubah.
- Uji perilaku di berbagai lingkungan pasar (tren, sideways, dan transisi) menggunakan metodologi yang sama.
- Periksa stabilitas di berbagai kerangka waktu untuk melihat seberapa sensitif hasil yang tampak.
Jika Anda mau, Anda juga dapat menggunakan topik panduan internal tertaut untuk memperdalam aspek-aspek tertentu (seperti pertimbangan lanjutan, backtesting, atau membedakan Kama dari konsep terkait).