Cara Kerja Regresi Linear dalam Forex
Regresi linear dalam forex: definisi dan tujuannya
Regresi linear adalah metode statistik yang digunakan untuk memodelkan hubungan antara satu variabel (variabel dependen) dan satu atau lebih variabel (variabel independen). “Linear” mengacu pada model yang berupa fungsi garis lurus dari input, bukan pada gagasan bahwa pasar itu sendiri bergerak dalam garis lurus.
Dalam analisis terkait forex, orang dapat menerapkan regresi linear pada deret waktu historis seperti:
- level harga (misalnya, log harga pasangan mata uang)
- return atau selisih (misalnya, log return)
- fitur penjelas yang diturunkan dari data lain (misalnya, nilai lag)
Poin kuncinya adalah pemisahan antara mekanisme dan ekspektasi: metode ini mengestimasi parameter yang menggambarkan bagaimana data masa lalu sejalan dengan hubungan linear. Metode ini tidak secara inheren memberikan prediksi yang aman tentang harga masa depan.
Mekanisme: bentuk model, input, dan urutan estimasi
1) Pilih variabel dependen dan variabel independen
Untuk menerapkan regresi linear, Anda harus menentukan terlebih dahulu apa yang ingin Anda jelaskan. Misalnya, dengan satu variabel independen X dan variabel dependen Y, bentuk dasarnya adalah:
Y = a + bX + ε
- Y adalah variabel dependen (yang Anda ukur).
- X adalah variabel independen (yang Anda gunakan untuk menjelaskan Y).
- a adalah intersep.
- b adalah kemiringan (seberapa besar Y berubah rata-rata untuk perubahan satu unit pada X).
- ε adalah suku kesalahan (bagian dari Y yang tidak dijelaskan oleh garis).
Dalam konteks forex, X dan Y dibangun dari data pasar dan fitur apa pun yang Anda putuskan untuk digunakan. Pilihan umum termasuk menggunakan nilai lag sebagai X (misalnya, menggunakan return periode sebelumnya untuk menjelaskan return periode berikutnya), tetapi pilihan yang tepat adalah asumsi yang harus Anda nyatakan.
2) Kumpulkan observasi historis dan selaraskan dalam waktu
Regresi linear mengharapkan observasi berpasangan. Jika Anda menggunakan deret waktu, Anda perlu memutuskan cara menyelaraskan stempel waktu. Misalnya, jika Y adalah “return periode berikutnya,” maka X harus dihitung dari “periode saat ini” (atau sebelumnya) sehingga Anda tidak secara tidak sengaja menggunakan informasi masa depan.
Keputusan penyelarasan ini penting karena kesalahan dapat mengubah hubungan yang diestimasi.
3) Estimasi parameter (a dan b)
Pendekatan standar adalah ordinary least squares (OLS), yang memilih a dan b untuk meminimalkan jumlah kuadrat kesalahan:
min Σ( Yi − (a + bXi) )²
Secara konseptual, OLS menemukan garis lurus yang membuat deviasi vertikal antara nilai Y yang diamati dan garis menjadi sekecil mungkin, dalam arti kuadrat terkecil.
Estimasi parameter bergantung pada:
- data yang Anda masukkan (sampel)
- cara Anda menskalakan dan mentransformasikan variabel
- apakah Anda menyertakan intersep
- keberadaan outlier dan periode yang tidak biasa
4) Hitung nilai pas dan residual
Setelah parameter diestimasi, Anda menghitung:
- nilai pas: Ŷi = a + bXi
- residual: ei = Yi − Ŷi
Residual menunjukkan apa yang gagal dijelaskan oleh model untuk setiap observasi. Residual yang besar menunjukkan periode di mana hubungan linear tidak menangkap pergerakan yang diamati.
5) Evaluasi kesesuaian model (dalam sampel) dan ketidakpastian
Anda biasanya menggunakan metrik kesesuaian seperti:
- R² (seberapa besar varians dalam Y dijelaskan oleh model linear)
- ukuran kesalahan (misalnya, mean squared error)
Namun, kesesuaian dalam sampel yang tinggi tidak secara otomatis menyiratkan kinerja luar sampel yang kuat. Dalam deret waktu, hubungan dapat berubah.
Bukti dan contoh logika yang dapat Anda verifikasi secara independen
Struktur contoh yang dikerjakan (tanpa mengasumsikan “keunggulan prediktif”)
Misalkan Anda memiliki satu set N observasi yang diselaraskan dari data forex historis. Anda mendefinisikan:
- Y sebagai return periode berikutnya
- X sebagai return periode saat ini
Anda kemudian menghitung X dan Y untuk setiap langkah waktu, menghasilkan pasangan (Xi, Yi) untuk i = 1…N. Dengan pasangan tersebut:
- estimasi a dan b menggunakan OLS
- peroleh nilai prediksi Ŷi
- hitung residual ei = Yi − Ŷi
- ukur kesalahan dan/atau R² pada data yang sama
Untuk memverifikasi hasil secara independen, Anda dapat menjalankan ulang perhitungan menggunakan seri input dan transformasi yang sama. Jika estimasi koefisien Anda berubah banyak saat Anda mengubah jendela sampel, itu adalah sinyal penting bahwa hubungan tersebut tidak stabil.
Mengapa “hubungan linear” tidak sama dengan kausalitas
Bahkan ketika regresi menemukan asosiasi linear yang terukur secara statistik, itu tidak membuktikan bahwa X menyebabkan Y. Dalam data forex, banyak efek yang tumpang tindih (rilis makro, pergeseran sentimen risiko, perubahan likuiditas). Parameter regresi merangkum pola korelasi di bawah model yang Anda pilih, bukan pendorong yang dijamin.
Keterbatasan material dan mode kegagalan dalam konteks forex
1) Non-stasioneritas dan perubahan rezim
Deret waktu forex dapat berubah karena kondisi pasar yang berubah. Regresi linear mengasumsikan bahwa hubungan yang Anda estimasi bermakna untuk sampel yang diamati. Jika hubungan yang mendasarinya berubah seiring waktu, koefisien yang diestimasi dari data masa lalu mungkin tidak lagi menggambarkan perilaku selanjutnya.
2) Spesifikasi model yang salah
Model garis lurus mungkin terlalu sederhana. Bahkan jika hubungan “rata-rata” terlihat linear, hubungan yang sebenarnya mungkin:
- non-linear
- berubah seiring waktu (parameter yang berubah)
- bergantung pada variabel yang tidak Anda sertakan
Jika model salah spesifikasi, residual sering menunjukkan pola yang sistematis, yang berarti model tersebut tidak lengkap secara struktural.
3) Autokorelasi dan kesalahan yang bergantung
Dalam deret waktu, residual dapat berkorelasi seiring waktu. Banyak interpretasi inferensi klasik untuk regresi bergantung pada asumsi tentang suku kesalahan. Jika kesalahan bersifat autokorelasi atau heteroskedastis, estimasi ketidakpastian (misalnya, kesalahan standar) dapat menyesatkan.
4) Overfitting dengan banyak fitur
Jika Anda memperluas ke banyak variabel independen (regresi berganda), model dapat menyesuaikan noise pada periode pelatihan, terutama dengan data yang terbatas. Dalam forex, “lebih banyak fitur” dapat meningkatkan kesesuaian yang tampak sambil memperburuk generalisasi.
5) Kualitas data dan pilihan transformasi
Pilihan yang berbeda—menggunakan level harga vs return, transformasi log vs aritmetika, panjang jendela, dan penanganan outlier—dapat secara material mengubah hasil. Karena regresi sensitif terhadap penskalaan dan komposisi sampel, Anda harus membuat transformasi tetap eksplisit.
Cara memverifikasi klaim tentang hasil regresi linear
Periksa asumsi dan reproduktibilitas Anda
Untuk memverifikasi secara independen apakah analisis regresi linear koheren, fokuslah pada:
- apakah X dan Y diselaraskan dengan benar dalam waktu
- apakah Anda mendefinisikan transformasi secara eksplisit
- apakah residual terlihat acak daripada terstruktur
- apakah koefisien tetap relatif stabil di berbagai jendela historis
Bedakan “variasi yang dijelaskan” dari “peramalan”
Sangat membantu untuk memberi label keluaran dengan benar:
- Regresi memberikan nilai pas dan residual untuk sampel serta deskripsi model.
- Meramalkan Y di masa depan memerlukan validasi tambahan di luar kesesuaian dalam sampel.