Pertimbangan lanjutan untuk Smma (Rata-rata Bergerak yang Dihaluskan/Smma)
Definisi dan di mana Smma berperan
Smma (sering digunakan sebagai singkatan dari Rata-rata Bergerak yang Dihaluskan) adalah jenis rata-rata bergerak yang menghasilkan garis lebih halus daripada rata-rata sederhana dengan memperbarui nilainya secara berulang. Dalam model intuitif, setiap nilai Smma baru adalah kombinasi tertimbang dari titik data terbaru dan nilai Smma sebelumnya.
Cara praktis untuk memahami Smma adalah: ia berperilaku seperti filter “memori”. Semakin panjang periode yang dipilih, semakin banyak informasi masa lalu yang dipertahankan filter. Ini penting karena rata-rata bergerak apa pun bukanlah pengukuran eksternal; ia adalah transformasi dari deret input menjadi deret waktu baru.
Mekanisme inti (model sederhana yang dapat Anda periksa)
Untuk membahas implikasinya, ada baiknya memisahkan mekanisme yang stabil dari kondisi yang bervariasi.
Mekanisme yang stabil
Bentuk berulang yang umum dari rata-rata bergerak yang dihaluskan dapat ditulis sebagai:
Smma_t = α · x_t + (1 − α) · Smma_{t-1}
- x_t adalah nilai input terbaru pada waktu t (misalnya, nilai deret harga pada interval pengambilan sampel yang Anda pilih).
- Smma_{t-1} adalah nilai Smma sebelumnya.
- α adalah faktor penghalusan yang diturunkan dari pengaturan “periode”. Platform grafik yang berbeda dapat memetakan periode ke α secara berbeda, jadi Anda harus memverifikasi rumus persis yang digunakan oleh kalkulator atau alat grafik Anda.
Dalam model ini, mengubah periode mengubah α dan karena itu seberapa cepat Smma merespons input baru.
Kondisi variabel yang harus Anda asumsikan
Bahkan dengan rumus dasar yang sama, output bergantung pada pilihan yang tidak selalu jelas:
- Interval pengambilan sampel: Apakah Anda menggunakan data 1 menit, 1 jam, harian, atau lainnya? Smma didefinisikan berdasarkan garis waktu yang Anda berikan.
- Definisi input: Nilai mana yang menjadi x_t? Beberapa sistem mengizinkan open, high, low, close, atau deret khusus.
- Inisialisasi: Bagaimana nilai Smma pertama dibuat? Suatu sistem mungkin memulai dengan SMA dari N titik pertama atau menggunakan seed tetap. Inisialisasi memengaruhi nilai awal dan dapat terus memengaruhi deret.
Kasus tepi dan kendala implementasi
Pertimbangan lanjutan biasanya muncul ketika Anda melampaui data “jalur bahagia”.
Bias inisialisasi
Jika Smma_{0} diatur secara arbitrer, bagian pertama dari deret dapat terdistorsi. Bahkan ketika inisialisasi memudar seiring waktu, pemudaran itu bergantung pada α. Pemeriksaan mandiri yang berguna adalah menghitung ulang Smma dengan inisialisasi wajar yang berbeda (misalnya, menggunakan jendela SMA pertama) dan melihat apakah wilayah awal berubah secara material.
Data yang hilang atau tidak teratur
Smma mengasumsikan urutan pengamatan yang konsisten. Jika kumpulan data Anda memiliki celah (candle yang hilang, celah liburan, atau pengambilan sampel tidak teratur), Anda harus memutuskan apa yang terjadi selama periode yang hilang:
- Apakah Anda melewati waktu yang hilang dan menjaga pengamatan berikutnya tetap berurutan dalam indeks?
- Apakah Anda mengisi celah dengan nilai (yang dapat menimbulkan artefak)?
- Apakah platform “merekonstruksi” candle?
Pendekatan yang berbeda menghasilkan output Smma yang berbeda, bahkan jika rumus penghalusan tidak berubah.
Pencilan dan lonjakan
Karena Smma adalah kombinasi tertimbang yang mencakup input terbaru, lonjakan mendadak dapat mendorong Smma untuk sementara. Penghalusan mengurangi dampak dibandingkan dengan rata-rata yang kurang halus, tetapi tidak membuat filter kebal. Jika data Anda mencakup cetakan yang salah sesekali atau lonjakan yang tidak biasa, Anda perlu memverifikasi apakah Smma kuat terhadapnya di bawah aturan prapemrosesan yang Anda pilih.
Sensitivitas parameter
Dua risiko terkait parameter umum terjadi:
- Ketidakcocokan periode-ke-α antar alat. Jika pengaturan periode Anda memetakan ke α secara berbeda di dua platform, Anda tidak dapat membandingkan output secara langsung.
- Penghalusan berlebihan vs. penghalusan kurang. α yang sangat kecil (periode panjang) dapat membuat Smma terlalu lambat untuk mencerminkan perubahan yang relevan. α yang sangat besar (periode pendek) dapat berperilaku terlalu dekat dengan deret mentah, mengurangi efek penghalusan yang diinginkan.
Metode verifikasi yang baik adalah menjalankan deret yang sama melalui beberapa nilai periode dan memastikan bahwa perilaku berubah secara halus dan dapat diprediksi, daripada melompat karena keanehan implementasi.
Bukti atau contoh (dengan asumsi yang dibuat eksplisit)
Karena konsepnya matematis, Anda dapat memverifikasi perilaku dengan deret sintetis sederhana.
Pengaturan contoh
Asumsikan Anda memberi Smma perubahan langkah:
- Untuk t = 1…T, x_t = 100.
- Pada t = T+1, x_{T+1} = 110.
Asumsikan pembaruan berulang Smma_t = α·x_t + (1−α)·Smma_{t-1} dan asumsikan inisialisasi Smma_{T} ≈ 100.
Apa yang harus Anda amati
Setelah langkah, Smma akan bergerak menuju 110 secara bertahap. Kecepatan konvergensi bergantung pada α:
- Dengan α lebih kecil, Smma mendekati 110 secara perlahan.
- Dengan α lebih besar, Smma merespons lebih cepat.
Contoh ini tidak memvalidasi kasus penggunaan perdagangan apa pun. Ini hanya memeriksa bahwa implementasi Smma Anda cocok dengan perilaku penghalusan berulang yang diharapkan.
Pemeriksaan mandiri lain: reproduksi perhitungan
Jika Anda memiliki akses ke alat grafik, hitung Smma pada deret yang sama dan verifikasi:
- apakah nilai plot pertama sesuai dengan inisialisasi yang Anda harapkan,
- apakah tingkat perubahan setelah langkah cocok dengan pemetaan α yang diasumsikan,
- apakah alat menggunakan close-to-close atau input lain.
Jika salah satu dari ini berbeda, definisi Smma platform Anda kemungkinan menggunakan pemetaan periode-ke-penghalusan yang berbeda atau aturan seed yang berbeda.
Keterbatasan dan risiko (apa yang bisa gagal)
1) Lag bersifat struktural, bukan cacat
Rata-rata bergerak yang menghaluskan noise juga akan menghaluskan perubahan nyata. Itu berarti output Smma biasanya tertinggal di belakang perubahan input. Menafsirkan Smma sebagai indikator utama dapat menyebabkan kesalahpahaman sistematis.
2) Hubungan historis tidak menjamin perilaku masa depan
Bahkan jika Smma telah selaras dengan pola masa lalu dalam satu rezim, hubungan dapat berubah ketika dinamika yang mendasarinya bergeser (misalnya, volatilitas berbeda atau struktur mikro berbeda). Garis yang dihaluskan masih dapat berguna sebagai transformasi deskriptif, tetapi itu bukan bukti hasil masa depan.
3) Biaya dan asumsi eksekusi bersifat eksternal
Jika Anda kemudian menghubungkan perilaku Smma dengan keputusan perdagangan, hasil akhir bergantung pada kualitas eksekusi, spread, selip, dan biaya. Faktor-faktor itu bukan bagian dari perhitungan Smma itu sendiri, jadi Anda tidak dapat menyimpulkan kinerja dunia nyata dari garis indikator saja.
4) Definisi yang tidak konsisten antar sistem
Istilah “Smma” dapat diimplementasikan secara berbeda tergantung pada platform atau pustaka. Tanpa mengonfirmasi rumus yang tepat (termasuk bagaimana “periode” diterjemahkan ke faktor penghalusan dan bagaimana nilai awal ditetapkan), Anda mungkin membandingkan apel dengan jeruk.
Verifikasi dan pertanyaan berikutnya
Untuk memverifikasi fakta Smma secara independen, fokuslah pada bagian yang dapat diuji:
- Konfirmasikan rumus berulang yang tepat dan pemetaan dari “periode” ke α di alat spesifik Anda.