Apa itu Kama?

Kama secara sederhana

KAMA adalah singkatan dari Kaufman’s Adaptive Moving Average. Ini adalah jenis moving average yang dirancang untuk mengubah seberapa “mulus” ia seiring waktu. Dalam praktiknya, itu berarti KAMA dapat berperilaku lebih seperti rata-rata yang lebih lambat selama kondisi tren yang lemah, dan lebih seperti rata-rata yang lebih cepat ketika perubahan harga menjadi lebih persisten.

Karena KAMA menyesuaikan pemulusannya, ia sering dikelompokkan dengan indikator moving average. Namun, KAMA bukan sekadar moving average standar dengan lookback tetap. Ide utamanya adalah KAMA mencoba menghubungkan responsivitasnya dengan ukuran matematis tentang seberapa efisien harga bergerak.

Cara kerja Kama: input dan mekanisme

KAMA dihitung dari riwayat harga menggunakan beberapa langkah dan asumsi:

1. Pilih rangkaian harga (misalnya, harga penutupan) dan pengaturan pemulusan dasar. Implementasi yang berbeda mungkin mengizinkan input harga yang berbeda.
2. Hitung rasio efisiensi (sering didasarkan pada seberapa jauh harga telah bergerak dibandingkan dengan total pergerakan selama jendela lookback).
3. Ubah efisiensi tersebut menjadi konstanta pemulusan. Efisiensi yang lebih tinggi biasanya menghasilkan faktor pemulusan yang lebih besar, membuat KAMA bereaksi lebih cepat.
4. Lakukan iterasi moving average: KAMA pada langkah waktu berikutnya diperbarui dari nilai KAMA sebelumnya ditambah sebagian dari selisih antara harga saat ini dan KAMA sebelumnya.

Cara sederhana untuk memahami mekanismenya adalah: algoritme memutuskan bobot yang diberikan pada harga terbaru, dan bobot tersebut berubah seiring waktu berdasarkan rasio efisiensi.

Bukti dan contoh yang dapat Anda verifikasi

Pemeriksaan yang berguna adalah menjalankan perhitungan kecil yang terdokumentasi penuh pada rangkaian harga pendek.

Misalnya, asumsikan Anda memiliki rangkaian harga selama jendela lookback tetap dan Anda menghitung:

• perubahan bersih (jarak dari harga pertama ke harga terakhir),
• jumlah perubahan absolut (seberapa banyak harga bergerak secara total dalam jendela),
• rasio efisiensi yang diturunkan dari dua kuantitas tersebut,
• lalu konstanta pemulusan yang diturunkan dari rasio efisiensi,
• dan terakhir pembaruan rekursif untuk KAMA.

Jika dua platform chart mengklaim menghitung KAMA, Anda dapat memverifikasi secara independen apakah keduanya cocok dengan membandingkan:

• bidang harga mana yang mereka gunakan (penutupan vs. harga lain),
• bagaimana mereka mendefinisikan rasio efisiensi,
• bagaimana mereka mengubah efisiensi menjadi konstanta pemulusan,
• dan bagaimana mereka menangani bar-bar awal di mana jendela lookback belum lengkap.

Verifikasi semacam ini penting karena KAMA dapat tampak berbeda di berbagai penyedia bahkan ketika namanya sama.

Keterbatasan dan risiko

Kemampuan adaptasi KAMA juga merupakan keterbatasan utamanya. Perilaku adaptif yang sama dapat membantu dalam beberapa kondisi dan merugikan di kondisi lain.

Mode kegagalan yang material meliputi:

• Sensitivitas rasio efisiensi: Jika pasar Anda menghasilkan pergerakan yang berisik, ukuran efisiensi dapat melebih-lebihkan atau meremehkan persistensi, mengubah responsivitas KAMA dengan cara yang tidak Anda inginkan.
• Ketergantungan parameter: Hasil bervariasi dengan panjang lookback dan pilihan implementasi khusus platform. Set parameter yang berbeda dapat menghasilkan garis yang berbeda secara signifikan.
• Perilaku non-prediktif: Garis moving average mencerminkan harga masa lalu. Ia tidak secara inheren memprediksi arah masa depan, dan kecocokan historis tidak menjamin kinerja masa depan.

Ada juga faktor non-model yang memengaruhi evaluasi apa pun: biaya trading, kualitas eksekusi, dan penanganan data dapat mengubah hasil ketika Anda beralih dari inspeksi chart ke penggunaan dunia nyata.

Verifikasi dan pertanyaan selanjutnya

Jika Anda ingin mengonfirmasi bahwa KAMA di platform Anda sesuai dengan konsep yang dimaksud, fokuslah pada apa yang dapat Anda verifikasi tanpa mengandalkan klaim:

• Konfirmasikan definisi yang tepat dari rasio efisiensi dan konstanta pemulusannya.
• Periksa bagaimana ia menangani nilai pertama yang dapat dihitung.
• Bandingkan keluaran di setidaknya dua alat menggunakan data dan parameter input yang sama.
• Validasi asumsi melalui pengujian terstruktur yang mencakup biaya dan asumsi eksekusi yang realistis.

Jika Anda saat ini membandingkan KAMA dengan moving average lainnya, pertanyaan selanjutnya yang berguna adalah bagaimana KAMA berbeda dari rata-rata jendela tetap dan apa implikasinya terhadap responsivitas selama perubahan rezim.