Apa itu Contoh Kerja Indeks Random Walk? (Dengan Asumsi)

Definisi: apa yang coba diukur oleh “Indeks Random Walk”

Indeks Random Walk (RWI) adalah ukuran statistik yang dimaksudkan untuk menggambarkan apakah suatu deret waktu berperilaku lebih seperti “random walk” (kenaikan yang tidak dapat diprediksi) atau menunjukkan lebih banyak struktur (beberapa tingkat prediktabilitas). Dalam praktiknya, formula pastinya bergantung pada penyedia atau dokumentasi yang Anda ikuti, tetapi ide intinya biasanya sama: ia membandingkan bagaimana perubahan harga aktual berperilaku versus apa yang Anda harapkan dalam kondisi keacakan.

Karena sumber yang berbeda dapat menerapkan RWI secara berbeda, setiap contoh kerja harus dimulai dengan menetapkan metode perhitungan. Oleh karena itu, artikel ini memberikan contoh yang lengkap secara matematis dan digerakkan oleh asumsi, tanpa mengklaim bahwa contoh tersebut cocok dengan implementasi setiap vendor.

Mekanisme: menetapkan asumsi untuk contoh kerja

Untuk mendemonstrasikan mekanisme secara transparan, kami menggunakan konstruksi gaya RWI yang disederhanakan dan didefinisikan dengan jelas.

Asumsi yang ditetapkan

1. Data: Kami menggunakan lima harga penutupan berurutan (angka arbitrer):
   • P0=100, P1=101, P2=100, P3=102, P4=101.
2. Return yang digunakan: Kami menghitung return satu periode sederhana r_t = (P_t − P_{t−1}) / P_{t−1}.
3. Ide “skor keacakan”: Kami mengukur seberapa mirip return dengan kenaikan acak dengan membandingkan besarnya perubahan berurutan.
4. Metode perhitungan (eksplisit):
   • Hitung return r1..r4.
   • Hitung selisih pertama dari return: d_t = r_t − r_{t−1} untuk t=2..4 (tiga nilai).
   • Hitung rata-rata selisih absolut: MAD = rata-rata(|d_t|).
   • Definisikan RWI = 1 / (1 + MAD).

Definisi ini membuat arahnya intuitif: jika return berurutan berubah sedikit (MAD kecil), maka RWI lebih tinggi (lebih mendekati “lebih mirip acak” dalam pengaturan mainan ini). Jika return berayun lebih tajam, MAD lebih besar dan RWI menurun.

Perhitungan langkah demi langkah

Langkah 1: Return

• r1 = (101−100)/100 = 0,01
• r2 = (100−101)/101 ≈ −0,00990099
• r3 = (102−100)/100 = 0,02
• r4 = (101−102)/102 ≈ −0,00980392

Langkah 2: Selisih pertama dari return

• d2 = r2 − r1 ≈ (−0,00990099) − 0,01 = −0,01990099
• d3 = r3 − r2 ≈ 0,02 − (−0,00990099) = 0,02990099
• d4 = r4 − r3 ≈ (−0,00980392) − 0,02 = −0,02980392

Langkah 3: Rata-rata selisih absolut

• |d2| ≈ 0,01990099
• |d3| ≈ 0,02990099
• |d4| ≈ 0,02980392
• MAD = (0,01990099 + 0,02990099 + 0,02980392) / 3 ≈ 0,02653530

Langkah 4: Hitung RWI

• RWI = 1 / (1 + MAD) = 1 / (1 + 0,02653530) ≈ 0,9741

Apa arti angka tunggal ini di bawah asumsi ini

Dalam metode mainan ini, RWI≈0,97 menunjukkan pergerakan “return dari return” yang relatif kecil, yang menghasilkan nilai indeks yang tinggi. Penting untuk dicatat, interpretasi ini hanya valid di bawah formula persis di atas dan definisi return serta jendela spesifik yang kami gunakan.

Bukti atau pemeriksaan contoh: cara memverifikasi secara independen

Pembaca dapat memverifikasi contoh secara independen dengan menghitung ulang setiap besaran antara:

1. Hitung ulang r1..r4 dari harga yang dipilih.
2. Hitung ulang d2..d4 sebagai selisih dari return.
3. Konfirmasi nilai absolut, rata-ratanya (MAD), dan pemetaan akhir RWI = 1/(1+MAD).

Untuk membuat “contoh kerja” menjadi kuat, uji juga sensitivitasnya (masih menggunakan metode tetap yang sama):

• Ubah ukuran jendela (gunakan lebih dari lima harga) dan amati apakah MAD biasanya bertambah atau menyusut.
• Gunakan log return alih-alih return sederhana dan verifikasi bagaimana r_t dan dengan demikian RWI berubah.

Pemeriksaan ini menunjukkan poin praktis yang penting: pasar dasar yang sama dapat menghasilkan nilai RWI yang berbeda ketika detail perhitungan berubah.

Keterbatasan dan risiko: mode kegagalan yang diharapkan

1. Risiko ketidakcocokan formula. “Indeks Random Walk” dapat merujuk pada definisi yang berbeda. Jika penyedia menggunakan perhitungan yang berbeda, contoh kerja yang menggunakan asumsi artikel ini mungkin tidak mereplikasi keluaran mereka.
2. Efek jendela dan pengambilan sampel. Hasil dapat berubah ketika Anda mengubah panjang data, frekuensi (misalnya, harian vs. intraday), atau cara Anda menangani data yang hilang.
3. Biaya dan eksekusi. Bahkan jika suatu indeks menunjukkan struktur yang berubah, hasil perdagangan nyata bergantung pada biaya transaksi, selip, dan waktu eksekusi—tidak satu pun dari ini yang ditangkap dalam contoh statistik harga murni.
4. Pergeseran rezim. Hubungan yang tampak “seperti random walk” dalam satu periode mungkin tidak berlaku di periode lain. Perilaku historis tidak menjamin perilaku masa depan.
5. Ketidakstabilan sampel kecil. Dengan sedikit observasi, MAD dan statistik serupa bisa berisik; satu pergerakan harga tunggal dapat sangat memengaruhi indeks.