Data Apa yang Diperlukan untuk Menilai Expert Advisor MT4?

Definisi dan pertanyaan inti

Expert Advisor (EA) MT4 adalah logika trading otomatis yang berjalan di MetaTrader 4. Untuk menilai sebuah EA, Anda memerlukan data yang memungkinkan Anda memahami (1) apa yang sebenarnya dilakukan EA tersebut, dan (2) dalam kondisi apa EA tersebut dievaluasi. Tujuannya bukan untuk memprediksi keuntungan di masa depan, tetapi untuk memverifikasi bahwa perilaku yang dinyatakan dan perilaku yang diuji konsisten serta didasarkan pada asumsi yang didefinisikan dengan jelas.

Input: data apa yang Anda perlukan untuk mendeskripsikan EA

Mulailah dengan deskripsi operasional EA. Input minimum yang berguna adalah:

1. Logika strategi dan parameter: aturan yang digunakan EA (kriteria entry/exit, kontrol risiko, manajemen posisi) dan seluruh rangkaian input yang dapat disetel. Jika EA menggunakan indikator, catat indikator mana, nilai parameternya, dan bagaimana indikator tersebut dikombinasikan.

2. Asumsi sesi trading dan eksekusi: filter apa pun seperti jam trading yang diizinkan, jenis order, penanganan slippage, dan apakah EA membatasi trading selama peristiwa mirip berita (jika aturan tersebut ada).

3. Asumsi model biaya: spread yang diasumsikan, komisi, swap/biaya pembiayaan, dan biaya trading terukur lainnya. Jika hasil EA ditampilkan tanpa mendokumentasikan biaya, itu adalah input penting yang hilang.

4. Data yang digunakan untuk evaluasi: rangkaian harga historis yang digunakan untuk backtesting, termasuk timeframe, model bar (bagaimana tick/bar dibangun), dan apakah backtest menggunakan asumsi eksekusi yang realistis.

5. Konfigurasi lingkungan: asumsi mata uang akun, batasan terkait leverage (jika relevan dengan pemeriksaan margin), dan izin trading. Bahkan jika EA “hanya membeli/menjual,” batas margin dan batasan eksekusi dapat memengaruhi kelayakan.

Provenansi: dari mana data berasal

Provenansi berarti Anda dapat menelusuri setiap kumpulan data dan pengaturan ke sumbernya:

• Sumber dan dokumentasi EA: dari mana kode atau biner terkompilasi berasal, informasi versi/build, dan dokumentasi apa pun yang menjelaskan tujuan kontrol setiap parameter.
• Konfigurasi yang digunakan selama pengujian: nilai parameter yang tepat, metode penentuan ukuran order, dan pengaturan risiko yang digunakan selama kinerja yang dilaporkan.
• Asal data pasar: pemasok atau kumpulan data yang digunakan untuk backtest historis. Jika asalnya tidak jelas, Anda tidak dapat menilai apakah backtest menangkap asumsi likuiditas dan mikro-struktur.
• Provenansi metode evaluasi: apakah hasil berasal dari backtesting, forward testing, atau paper trading, dan berapa lama setiap periode berjalan.

Ini penting karena pengaturan parameter yang identik dapat berperilaku berbeda ketika asal data atau model eksekusi berubah.

Ketepatan waktu dan “apa yang diketahui saat itu”

Bahkan dalam konteks non-live, ketepatan waktu memengaruhi interpretasi. Anda perlu mengidentifikasi:

• Jendela waktu yang digunakan untuk backtesting (tanggal mulai/selesai) dan apakah jendela tersebut tumpang tindih dengan periode evaluasi selanjutnya.
• Risiko kebocoran data: apakah optimasi apa pun menggunakan informasi dari periode yang sama yang kemudian “dibuktikan” kinerjanya.
• Definisi out-of-sample: apa yang dicadangkan untuk evaluasi versus apa yang digunakan untuk menyetel parameter.

Pendekatan praktis dan selalu relevan adalah mewajibkan kinerja EA dievaluasi dengan periode yang dipisahkan secara jelas dan Anda dapat menjelaskan input apa yang tersedia di setiap tahap.

Bukti atau contoh: cara memeriksa apakah EA sesuai dengan klaim

Untuk menilai sebuah EA, bandingkan tiga lapisan bukti:

1. Konsistensi spesifikasi-ke-kode: apakah aturan yang didokumentasikan cocok dengan perilaku kode (atau perilaku terkompilasi jika kode tidak tersedia)?
2. Realisme backtest: apakah evaluasi menggunakan asumsi eksekusi yang masuk akal untuk instrumen dan timeframe (termasuk biaya dan penanganan pemenuhan order)?
3. Reproduksibilitas: dapatkah seseorang menjalankan ulang backtest yang sama dengan parameter dan asal data yang sama dan mendapatkan hasil yang sama atau sangat mirip?

Jika Anda tidak dapat mereproduksi hasil dengan pengaturan terdokumentasi yang sama, perlakukan bukti kinerja tersebut sebagai lemah.

Keterbatasan dan risiko: mode kegagalan material yang perlu diperhatikan

Keterbatasan umum yang harus Anda perlakukan sebagai data risiko kelas satu meliputi:

• Overfitting: kinerja yang sangat bergantung pada nilai parameter tertentu atau kondisi historis tertentu.
• Ketidakcocokan eksekusi: hasil backtest yang mengasumsikan pemenuhan order ideal, mengabaikan slippage, atau menghilangkan detail komisi/spread.
• Ketergantungan rezim tersembunyi: logika yang bekerja di satu rezim pasar tetapi gagal di rezim lain (misalnya, ketika volatilitas atau struktur tren berubah).
• Kasus tepi operasional: perilaku selama pemutusan koneksi, margin tidak mencukupi, pemenuhan parsial, atau spread mendadak.
• Kerapuhan indikator: jika EA bergantung pada indikator, periksa seberapa sensitif EA terhadap perubahan parameter indikator dan terhadap resolusi data yang digunakan.

Hubungan historis tidak menetapkan hasil masa depan; bukti terbaik yang tersedia terbatas pada kondisi yang dapat Anda verifikasi.