Pertimbangan lanjutan untuk WMA (Weighted Moving Average)

Jawaban langsung

WMA (Weighted Moving Average) adalah metode rata-rata bergerak yang menghaluskan deret waktu dengan menggabungkan observasi terbaru menggunakan serangkaian bobot yang telah ditentukan. “Pertimbangan lanjutan” terutama muncul dari memilih dan memvalidasi bobot tersebut, memahami bagaimana jendela lookback mengubah responsivitas, dan mengenali mode kegagalan (misalnya, sensitivitas terhadap input yang berisik atau distorsi yang disebabkan oleh celah dan data yang tidak cocok). Karena WMA adalah kalkulasi deterministik, Anda dapat memverifikasinya secara independen dengan mereproduksi rumus langkah demi langkah pada deret input yang sama.

Mekanisme dan definisi

WMA didefinisikan setelah Anda menentukan:

• Panjang lookback (N): berapa banyak observasi masa lalu yang disertakan pada setiap langkah waktu.
• Aturan bobot: bagaimana bobot ditetapkan di seluruh N observasi tersebut.
• Deret data: “harga” atau “nilai” apa yang Anda masukkan ke dalam rata-rata (misalnya, harga penutupan), dan pada frekuensi pengambilan sampel apa.

Skema bobot yang umum menetapkan bobot lebih besar pada observasi yang lebih baru. Jika kita menyatakan observasi terbaru (pada waktu t) sebagai x_t dan observasi yang lebih lama sebagai x_{t-1}, x_{t-2}, …, x_{t-(N-1)}, WMA yang umum dapat ditulis sebagai:

WMA_t = (\sum_{i=0}^{N-1} w_i · x_{t-i}) / (\sum_{i=0}^{N-1} w_i)

Di sini, w_0 adalah bobot untuk nilai terbaru x_t, dan w_{N-1} adalah bobot untuk nilai tertua x_{t-(N-1)}. Banyak implementasi menggunakan bobot yang meningkat menuju saat ini (misalnya, bobot linier). Beberapa platform mungkin menggunakan konvensi yang berbeda (misalnya, apakah bobotnya benar-benar linier atau apakah mereka menekankan posisi yang berbeda). Itu berarti dua implementasi “WMA(10)” dapat berbeda jika aturan bobotnya berbeda.

Bukti atau contoh yang dapat Anda periksa

Karena tidak ada fakta spesifik pasar yang diperlukan di sini, “bukti” terkuat adalah reproduktibilitas matematika.

Contoh kerja dengan asumsi yang dinyatakan

Asumsikan:

• Panjang lookback N = 4
• Bobot linier meningkat menuju saat ini: bobot untuk x_t, x_{t-1}, x_{t-2}, x_{t-3} adalah 4, 3, 2, 1
• Tidak ada nilai yang hilang dalam deret input

Biarkan empat observasi terakhir menjadi:

• x_t = 100
• x_{t-1} = 98
• x_{t-2} = 101
• x_{t-3} = 97

Hitung jumlah tertimbang:

• 4·100 + 3·98 + 2·101 + 1·97 = 400 + 294 + 202 + 97 = 993

Hitung total bobot:

• 4 + 3 + 2 + 1 = 10

Kemudian:

• WMA_t = 993 / 10 = 99.3

Ini sepenuhnya deterministik berdasarkan asumsi yang diberikan. Jika Anda mereproduksi kalkulasi yang sama dan hasil Anda berbeda, penyebabnya biasanya salah satu dari:

• konvensi bobot yang berbeda (misalnya, urutan bobot yang dibalik)
• definisi N yang berbeda (berapa banyak titik yang disertakan)
• perlakuan yang berbeda terhadap stempel waktu atau frekuensi pengambilan sampel

Batasan implementasi yang perlu dipertimbangkan

Dalam praktiknya, masalah “lanjutan” sering muncul di sekitar input daripada rumus:

• Penyelarasan pengambilan sampel: Jika data Anda tidak teratur atau Anda menggabungkannya ke frekuensi yang berbeda, nilai x_t berubah, sehingga WMA berubah.
• Normalisasi: Penyebut (jumlah bobot) harus cocok dengan definisi bobot Anda. Beberapa kode mungkin sudah menormalkan secara implisit.
• Periode pemanasan: Untuk N−1 titik pertama, WMA tidak dapat dihitung tanpa riwayat yang cukup. Platform mungkin mengeluarkan nilai kosong, kalkulasi parsial, atau nilai yang digeser.
• Prapemrosesan data: Pemisahan saham, dividen, atau aksi korporasi lainnya kurang relevan untuk FX daripada untuk saham, tetapi penyesuaian lain (seperti membersihkan outlier) masih dapat mengubah deret yang dimasukkan ke WMA.

Keterbatasan dan risiko (mode kegagalan material)

WMA tidak “memprediksi” nilai masa depan; ini adalah mekanisme penghalusan dan pembobotan. Keterbatasan utamanya bersifat operasional dan statistik.

1. Sensitivitas terhadap kebisingan dan pergerakan jangka pendek Karena WMA menekankan observasi yang lebih baru, ia dapat bereaksi lebih cepat daripada rata-rata bergerak sederhana, tetapi itu juga berarti ia dapat memperkuat efek lonjakan jangka pendek atau kebisingan pengukuran.

2. Ketergantungan parameter (N dan bobot) Mengubah N atau aturan bobot mengubah “memori” efektif dari rata-rata. Dua pilihan yang berbeda dapat menghasilkan keluaran yang terlihat serupa untuk sementara waktu dan kemudian menyimpang selama perubahan rezim. Ini diharapkan; kesamaan historis tidak menjamin kesamaan masa depan.

3. Kasus tepi dari celah data atau deret yang tidak konsisten Jika deret input Anda berisi titik yang hilang dan implementasi Anda mengisinya (misalnya, dengan interpolasi atau forward-fill), keluaran WMA dapat menjadi bias karena urutan “sebenarnya” telah diubah. Bahkan perbedaan kecil dalam cara menangani data yang hilang dapat menghasilkan rata-rata yang berbeda.

4. Perbandingan yang menyesatkan di seluruh kerangka waktu WMA yang dihitung pada satu kerangka waktu pengambilan sampel tidak dapat langsung diinterpretasikan sebagai “indikator yang sama” pada kerangka waktu lain. Jika satu deret menggunakan bar satu menit dan yang lain menggunakan bar lima menit, observasi x_t yang mendasarinya mewakili agregat waktu yang berbeda.

5. Perubahan rezim dan non-stasioneritas Deret waktu sering mengubah perilaku seiring waktu (misalnya, rezim volatilitas). Karena WMA menggunakan bobot tetap, ia dapat tertinggal atau bereaksi berlebihan ketika struktur statistik deret berubah.

Keterbatasan ini berarti WMA harus diperlakukan sebagai transformasi deskriptif dari data masa lalu yang Anda pilih, bukan sebagai kepastian mandiri tentang arah masa depan.

Verifikasi dan pertanyaan berikutnya

Untuk memverifikasi fakta WMA secara independen untuk kasus penggunaan Anda:

• Hitung ulang WMA dari nilai x_t mentah menggunakan N, aturan bobot, dan normalisasi yang sama persis.
• Konfirmasikan bagaimana alat pilihan Anda menangani periode pemanasan dan data yang hilang.
• Dokumentasikan sumber data dan frekuensi pengambilan sampel sehingga verifikasi Anda cocok dengan input.

Pertanyaan berikutnya yang berguna untuk dieksplorasi (tanpa mengasumsikan sinyal) adalah: bagaimana pilihan kerangka waktu dan skema bobot mengubah responsivitas WMA dibandingkan dengan rata-rata bergerak alternatif pada deret yang sama? Jika Anda membandingkan hasil, pastikan Anda menjaga N dan penyelarasan pengambilan sampel tetap konsisten untuk pemeriksaan yang adil.

Jika Anda mau, bagikan rumus WMA yang tepat atau aturan bobot yang digunakan platform Anda (misalnya, apakah menggunakan bobot linier atau skema lain), dan saya dapat membantu Anda menerjemahkannya menjadi kalkulasi yang dapat diperiksa dalam bahasa sederhana.