Bagaimana Indeks Dimensi Fraktal dapat di-backtest secara bertanggung jawab?

Indeks Dimensi Fraktal: apa yang Anda backtest

Indeks Dimensi Fraktal (FDI) adalah ukuran yang diturunkan dari data deret waktu yang bertujuan untuk mengukur seberapa “kasar” atau “kompleks” jalur deret yang diamati. Dalam praktiknya, backtest pendekatan berbasis FDI dimulai dengan memutuskan nilai sinyal apa yang Anda hitung, dari deret harga apa, menggunakan panjang jendela dan detail algoritmik apa.

Backtest yang bertanggung jawab dimulai dengan definisi. Tentukan:

• deret input (misalnya, return vs. harga)
• langkah waktu (tick, penutupan bar, atau interval yang di-resample)
• ukuran jendela bergulir yang digunakan untuk menghitung indeks
• bagaimana Anda mengonversi FDI yang dihitung menjadi variabel keputusan apa pun (misalnya, level, z-score, atau peringkat)

Jika Anda melewatkan item-item ini, “backtest FDI” yang berbeda mungkin tidak dapat dibandingkan, meskipun memiliki nama yang sama.

Alur kerja backtest yang bertanggung jawab

1) Tetapkan asumsi dan pilihan pengukuran

Buat setiap asumsi perhitungan eksplisit sebelum Anda menjalankan eksperimen. Contoh material termasuk bagaimana Anda mengambil sampel deret, bagaimana Anda menangani bar yang hilang, dan apakah Anda menghitung FDI hanya menggunakan informasi yang tersedia pada langkah waktu tersebut. Ini penting karena lookahead yang tidak disengaja (bahkan yang halus) dapat meningkatkan kinerja yang tampak.

Jaga backtest tetap deterministik: gunakan jalur kode yang sama, prapemrosesan data yang sama, dan seed acak yang sama (jika ada) di semua proses. Dokumentasikan aturan keputusan yang Anda terapkan setelah nilai FDI dihitung. Backtest harus mengukur apa yang sebenarnya Anda definisikan, bukan cerita trading yang tersirat.

2) Modelkan biaya dan eksekusi secara realistis

Backtest sering gagal karena mengabaikan biaya atau mengasumsikan eksekusi yang sempurna. Bahkan jika Anda tidak mencoba memprediksi return, evaluasi Anda harus mengurangi friksi yang relevan dengan metodologi Anda. Setidaknya, sertakan:

• biaya transaksi (fee)
• proxy bid/ask atau spread jika logika entry/exit Anda menyiratkan trading di sisi pasar yang berbeda
• slippage sebagai asumsi terbatas, bukan nol

Waktu eksekusi juga merupakan pilihan pengukuran. Jika aturan Anda memicu pada penutupan bar tetapi Anda mengasumsikan eksekusi instan pada harga penutupan yang sama, Anda secara implisit membuat asumsi waktu yang menguntungkan. Pendekatan yang lebih konservatif adalah menyelaraskan eksekusi dengan waktu paling awal informasi tersebut dapat diperdagangkan berdasarkan model bar yang Anda pilih.

3) Kontrol bias: sesuaikan pada satu periode, evaluasi pada periode lain

“Keberhasilan backtest” sering kali berasal dari overfitting: pilihan parameter yang cocok dengan noise daripada struktur yang stabil. Gunakan kontrol bias seperti:

• validasi walk-forward (fit/sesuaikan pada satu jendela, evaluasi pada blok berikutnya)
• pengujian di luar sampel yang diblokir (periode evaluasi berurutan yang terpisah)
• menjaga ambang keputusan tetap selama evaluasi

Jika Anda menggunakan beberapa siklus optimasi, Anda harus memperlakukan proses penyesuaian itu sendiri sebagai bagian dari pipeline, bukan sesuatu yang terjadi hanya “setelah” hasil terlihat bagus.

Bukti, contoh, dan apa yang harus dicari

Bukti harus terhubung dengan mekanisme

Evaluasi yang bertanggung jawab memeriksa apakah hasil yang diamati konsisten dengan peran indeks sebagai ukuran kompleksitas/kekasaran—bukan hanya apakah kurva ekuitas terlihat mulus.

Gunakan setidaknya satu eksperimen contoh dengan asumsi yang dinyatakan, seperti:

• hitung FDI pada jendela bergulir
• definisikan variabel keputusan dari FDI (misalnya, “kompleksitas tinggi vs. rendah” berdasarkan persentil)
• evaluasi aturan keputusan tetap yang dideklarasikan sebelumnya pada blok di luar sampel

Kemudian uji sensitivitas: ubah satu asumsi pada satu waktu (panjang jendela, frekuensi resampling, metode normalisasi) sambil menjaga protokol evaluasi tetap konstan. Jika kesimpulan runtuh di bawah perubahan kecil yang wajar, hubungan tersebut mungkin rapuh.

Bandingkan dengan baseline sederhana

Bukan sebagai kontes “pemenang”, tetapi untuk menafsirkan apakah indeks menambahkan sesuatu di luar perilaku generik. Baseline dapat mencakup selalu di pasar, waktu acak dengan frekuensi trading yang sama, atau statistik sederhana yang dihitung dari data yang sama. Tujuannya adalah untuk mendeteksi ketika keunggulan pipeline yang tampak mungkin berasal dari desain evaluasi daripada dari FDI.

Keterbatasan dan mode kegagalan yang perlu diperhitungkan

Satu keterbatasan penting adalah bahwa ukuran kompleksitas dapat bervariasi karena banyak alasan yang tidak terkait dengan keunggulan yang dapat diperdagangkan. FDI dapat bereaksi terhadap rezim volatilitas, break struktural, perubahan mikrostruktur, dan pergeseran rezim yang tidak bertahan.

Mode kegagalan material meliputi:

• Kebocoran lookahead dari menghitung FDI dengan informasi masa depan. - Overfitting pada sekumpulan kecil nilai parameter. - Underestimasi biaya yang mengubah keuntungan kecil yang tampak menjadi kerugian setelah friksi. - Non-stasioneritas: hubungan yang berlaku secara historis mungkin tidak bertransfer.