Apa itu contoh perhitungan Zero Lag Moving Average?

Jawaban langsung

Contoh perhitungan Zero Lag Moving Average (ZLMA) adalah perhitungan yang diuraikan secara lengkap pada sekumpulan kecil nilai harga dengan menggunakan asumsi yang dinyatakan dengan jelas: deret input, panjang jendela, dan rumus persis yang Anda terapkan. Karena ada beberapa varian “zero lag” yang dipublikasikan, pendekatan yang paling dapat diverifikasi adalah memilih satu aturan perhitungan spesifik, lalu menunjukkan setiap langkah dari angka input hingga nilai rata-rata akhir.

Mekanisme atau definisi

Moving average menghaluskan deret waktu input (misalnya, urutan harga) dengan menghasilkan nilai baru yang mewakili rata-rata observasi terbaru. Varian “pengurangan lag” bertujuan membuat moving average bereaksi lebih cepat ketika deret yang mendasarinya berubah.

Secara umum, metode ZLMA mencoba mengurangi lag dengan menyesuaikan cara penghalusan merespons observasi terbaru. Tergantung pada varian yang dipilih, penyesuaian ini dapat diimplementasikan melalui kombinasi deret yang dihaluskan (misalnya, menerapkan istilah koreksi) atau dengan memodifikasi bobot efektif data masa lalu.

Asumsi kunci untuk contoh perhitungan: Anda harus menyatakan rumus ZLMA persis yang Anda gunakan. Tanpa itu, dua orang dapat menghasilkan angka yang berbeda meskipun mereka menggunakan data harga mentah dan panjang jendela yang sama.

Bukti atau contoh

Di bawah ini adalah skenario perhitungan yang transparan dirancang untuk menunjukkan mekanisme dan kebutuhan untuk menetapkan rumus. Ini tidak terkait dengan data harga langsung apa pun.

Asumsi

1. Deret input (harga penutupan): 100, 102, 101, 103, 104.
2. Panjang jendela: 3.
3. Contoh menggunakan varian “koreksi dua langkah” yang didefinisikan sebagai:
   • Langkah A: hitung simple moving average (SMA) atas 3 titik terakhir pada setiap waktu yang memungkinkan.
   • Langkah B: hitung nilai terkoreksi sebagai: ZLMA(t) = 2 × SMA(t) − SMA(t−1).

Ini adalah satu aturan perhitungan “gaya zero lag” yang konkret. Sumber lain mungkin menggunakan aturan yang berbeda; mereproduksi hasil memerlukan penggunaan aturan yang sama.

Perhitungan langkah demi langkah

Pemetaan indeks waktu:

• t3 menggunakan titik [t1, t2, t3] = 100, 102, 101
• t4 menggunakan titik [t2, t3, t4] = 102, 101, 103
• t5 menggunakan titik [t3, t4, t5] = 101, 103, 104

Perhitungan SMA:

• SMA(t3) = (100 + 102 + 101) / 3 = 303 / 3 = 101
• SMA(t4) = (102 + 101 + 103) / 3 = 306 / 3 = 102
• SMA(t5) = (101 + 103 + 104) / 3 = 308 / 3 = 102.6667

Nilai ZLMA terkoreksi (memerlukan SMA(t−1) untuk ada):

• ZLMA(t4) = 2 × SMA(t4) − SMA(t3) = 2×102 − 101 = 203
• ZLMA(t5) = 2 × SMA(t5) − SMA(t4) = 2×102.6667 − 102 = 103.3334

Interpretasi aritmetika:

• Istilah koreksi (mengurangkan SMA sebelumnya) menggeser output sehingga dapat bereaksi lebih cepat terhadap perubahan daripada SMA biasa.
• Perhatikan bahwa nilai ZLMA dapat berada di luar rentang sederhana harga terbaru karena metode ini menerapkan koreksi linier.

Jika Anda menghitung langkah-langkah ini dengan aturan dan angka yang sama, Anda harus mendapatkan ZLMA(t4) dan ZLMA(t5) yang sama (dengan memperhitungkan pembulatan).

Keterbatasan dan risiko

1. Ambiguitas rumus: “Zero Lag Moving Average” adalah istilah umum; varian yang berbeda dapat menghasilkan output yang berbeda. Contoh perhitungan Anda hanya dapat diverifikasi secara independen jika Anda menentukan aturan perhitungan yang tepat.
2. Amplifikasi noise: metode pengurangan lag sering mengurangi keterlambatan dengan mengorbankan potensi peningkatan sensitivitas terhadap fluktuasi jangka pendek. Dalam aturan perhitungan di atas, koreksi menggunakan perbedaan antara nilai yang dihaluskan, yang dapat bereaksi terhadap perubahan kecil.
3. Efek tepi dan nilai yang hilang: moving average memerlukan riwayat yang cukup. Dengan jendela 3 titik, waktu awal (sebelum Anda dapat menghitung SMA) tidak dapat menghasilkan ZLMA tanpa asumsi awal tambahan.
4. Tidak ada jaminan prediktif: bahkan jika indikator mengikuti pergerakan historis dengan erat dalam perhitungan seperti backtest, hubungan historis tidak menetapkan hasil masa depan. Biaya eksekusi, spread (jika berlaku), dan perilaku pasar yang berubah semuanya dapat mengubah hasil yang direalisasikan.

Verifikasi atau pertanyaan berikutnya

Untuk memverifikasi mekanisme ZLMA secara independen, ulangi aritmetika yang sama dengan kumpulan data kecil Anda sendiri dan rumus eksplisit yang sama. Jika tujuan Anda adalah “zero lag,” bandingkan juga output terkoreksi dengan moving average dasar yang Anda gunakan dalam perhitungan (di sini, SMA) untuk melihat seberapa lebih awal atau berbeda responsnya.

Jika Anda mau, bagikan definisi ZLMA persis yang Anda gunakan (rumusnya, bukan hanya namanya). Kemudian contoh perhitungan dapat dihitung ulang menggunakan aturan yang tepat tersebut sehingga hasilnya sesuai dengan interpretasi Anda.