Apa saja keterbatasan Smma?
Jawaban langsung
Smma (Smoothed Moving Average) dimaksudkan untuk membuat garis moving average terlihat tidak terlalu berisik dibandingkan rata-rata sederhana. Keterbatasannya sebagian besar berkaitan dengan ketidakpastian: proses penghalusan menyembunyikan pergerakan jangka pendek, bentuk indikator bergantung pada cara Anda mengaturnya, dan tidak ada alasan untuk mengharapkan bahwa hubungan masa lalu antara harga dan Smma akan tetap berlaku.
Cara praktis untuk memikirkan batasan Smma adalah dengan memisahkan apa yang secara matematis dilakukannya dari apa yang ditambahkan oleh pasar nyata di atasnya.
Mekanisme atau definisi
Smma adalah moving average yang menerapkan penghalusan untuk mengurangi fluktuasi yang terlihat. Secara sederhana, ia membangun garis “seperti tren” menggunakan nilai-nilai sebelumnya, memberikan pengaruh lebih besar pada beberapa data lama dibandingkan data lainnya tergantung pada pendekatan penghalusan dan parameter yang dipilih.
Karena Smma didasarkan pada input historis, dua sumber ketidakpastian umum muncul:
- Lag dan penundaan respons. Ketika data yang mendasarinya berubah arah, moving average apa pun yang didasarkan pada nilai-nilai sebelumnya biasanya akan berbelok setelah perubahan terjadi.
- Ketergantungan pada pengaturan. Perilaku tepat Smma bergantung pada metode penghalusan dan pilihan parameter (misalnya, panjang atau faktor penghalusan). Mengubah pilihan tersebut mengubah seberapa cepat garis membelok dan seberapa kuat ia menyaring noise.
Bukti atau contoh
Pertimbangkan eksperimen pemikiran sederhana dengan asumsi yang dinyatakan di awal:
- Asumsikan deret waktu di mana harga bergantian antara level stabil dan ayunan pendek.
- Asumsikan Anda menghitung Smma dari nilai-nilai tersebut menggunakan pengaturan penghalusan tetap.
Contoh mode kegagalan: keterlambatan pembalikan. Jika deret membuat lonjakan naik mendadak, garis Smma tidak akan melompat seketika; ia akan bergerak secara bertahap seiring nilai-nilai baru masuk ke dalam jendela penghalusan. Jika Anda menafsirkan Smma sebagai “arah saat ini,” Anda bisa mendapatkan kesan waktu yang salah karena garis tersebut memang sengaja dihaluskan.
Contoh mode kegagalan: sensitivitas parameter. Jika Anda menghitung ulang Smma dengan parameter penghalusan yang berbeda, Anda bisa mendapatkan garis yang lebih “responsif” (lebih sedikit penghalusan) atau garis yang lebih “melambat” (lebih banyak penghalusan). Data dasar yang sama karena itu dapat menghasilkan kesimpulan visual yang berbeda, bahkan tanpa perubahan apa pun di pasar.
Ini adalah sifat mekanis dari penghalusan dan parameter yang Anda pilih—bukan jaminan bahwa hubungan apa pun dengan harga masa depan akan bertahan.
Keterbatasan dan risiko
1) Lag dapat menjadi keterbatasan struktural
Penghalusan Smma dirancang untuk mengurangi noise, tetapi penghalusan yang sama dapat membuatnya lambat dalam merefleksikan perubahan cepat. Ini paling penting dalam rezim dengan pergeseran mendadak, di mana menunggu garis Smma mengejar dapat mendistorsi waktu.
2) Penghalusan dapat mengaburkan apa yang penting
Secara desain, Smma merata-ratakan variasi. Jika pergerakan jangka pendek relevan untuk kasus penggunaan Anda, Smma dapat membuatnya tampak kurang signifikan daripada yang sebenarnya.
3) Hubungan historis tidak stabil secara default
Bahkan jika moving average telah cocok dengan pola dalam data masa lalu dalam kondisi tertentu, itu tidak menetapkan bahwa pola tersebut akan bertahan. Struktur mikro pasar, rezim volatilitas, dan konteks lainnya dapat berubah.
4) Kondisi dunia nyata dapat mengubah hasil relatif terhadap “logika indikator”
Jika Anda mencoba menghubungkan pembacaan indikator apa pun dengan hasil, Anda tetap perlu memperhitungkan faktor-faktor non-indikator seperti biaya, waktu eksekusi, dan kendala operasional. Perubahan kecil dalam asumsi dapat membuat hubungan backtest apa pun menjadi kurang sebanding dengan hasil masa depan.
5) Verifikasi sering kali lebih informatif daripada interpretasi
Karena hasil tidak pasti dan bergantung pada pengaturan serta konteks, pola pikir paling aman adalah memperlakukan Smma sebagai transformasi analitis dari nilai-nilai masa lalu. Anda dapat memverifikasi sensitivitas dengan memeriksa bagaimana kesimpulan Anda berubah ketika Anda mengubah parameter dan ketika Anda menguji periode yang berbeda.
Verifikasi atau pertanyaan lanjutan
Untuk memverifikasi secara independen apa yang dapat dan tidak dapat dikatakan Smma, fokuslah pada asumsi yang dapat dikendalikan daripada kepastian:
- Periksa bagaimana garis Smma berubah ketika Anda memvariasikan parameter penghalusan.
- Bandingkan perilakunya di berbagai segmen historis (misalnya, periode dengan pergerakan lebih halus versus lebih tidak menentu).
- Bedakan efek penghalusan visual dari klaim apa pun tentang arah masa depan.
Pertanyaan lanjutan yang berguna untuk diajukan adalah: Dalam kondisi data apa penghalusan menambah kejelasan, dan dalam kondisi apa ia menyembunyikan perubahan penting?