Data apa yang diperlukan untuk menilai Penyaringan False Breakout?

Penyaringan false breakout: apa itu

Penyaringan false breakout adalah cara untuk mengurangi atau mengecualikan upaya breakout yang dengan cepat gagal. Sebuah “breakout” harus didefinisikan secara mekanis (misalnya, harga yang bergerak melampaui level tertentu untuk jendela lookback yang ditentukan). Sebuah “false” breakout biasanya berarti pergerakan tersebut tidak berlanjut dan malah kembali ke dalam rentang sebelumnya dalam kondisi waktu atau jarak tertentu.

Untuk menilai apakah metode penyaringan itu koheren dan dapat diukur, Anda memerlukan data yang memungkinkan Anda untuk (1) mengidentifikasi breakout, (2) mengklasifikasikannya sebagai false atau tidak, dan (3) mereproduksi hasil yang sama di bawah asumsi yang dinyatakan dengan jelas.

Input data yang Anda perlukan

Mulailah dengan kumpulan data minimum yang mendukung definisi tersebut.

1. Identifikasi instrumen dan pasar

• Nama instrumen trading yang tepat dan venue trading atau sumber harga.
• Konvensi kuotasi (misalnya, apakah Anda mengamati harga bid/ask atau mid).

2. Seri harga dengan stempel waktu

• Open, high, low, close (OHLC) dan/atau data tick atau bar.
• Cakupan stempel waktu lengkap dengan zona waktu yang jelas dan batas bar.
• Pengambilan sampel yang konsisten: definisi timeframe yang sama untuk deteksi breakout dan untuk jendela “false”.

3. Parameter aturan breakout

• Jendela lookback yang digunakan untuk mendefinisikan rentang atau level sebelumnya.
• Ambang batas untuk “breakout” (misalnya, close melampaui level versus sentuhan apa pun).
• Apakah Anda memerlukan beberapa konfirmasi (seperti lebih dari satu bar) dan berapa lama konfirmasi tersebut berlangsung.

4. Parameter aturan kegagalan-false

• Kondisi untuk “false”: jarak kembali (seberapa jauh kembali) dan waktu kembali (berapa bar atau berapa lama).
• Apakah filter menggunakan harga close, high/low intrabar, atau bid/ask.

5. Asumsi yang diperlukan untuk perhitungan

• Bagaimana Anda menangani spread, slippage, dan waktu eksekusi. Jika Anda tidak memiliki data trade/quote, Anda tetap harus menyatakan pengganti apa yang Anda gunakan (misalnya, harga mid) dan bahwa ini mengubah hasil.
• Bagaimana Anda memperlakukan bar yang hilang, outlier, dan perubahan seperti aksi korporasi (jarang tetapi mungkin terjadi di beberapa kumpulan data).

Provenansi, ketepatan waktu, dan pemeriksaan kualitas

Dua kumpulan data bisa terlihat identik sambil menyembunyikan detail yang tidak kompatibel. Untuk penilaian, Anda memerlukan provenansi (dari mana data berasal), ketepatan waktu (kapan data mencerminkan realitas), dan pemeriksaan kualitas.

1. Provenansi yang dapat Anda verifikasi

• Identitas sumber data: penyedia atau platform mana yang menghasilkannya.
• Apakah seri tersebut direkonstruksi, dikurasi, atau ditangkap secara langsung.
• Dokumentasi tentang bagaimana seri tersebut diagregasi menjadi bar (terutama untuk OHLC).

2. Ketepatan waktu dan penyelarasan

• Periode yang dicakup oleh kumpulan data.
• Pemrosesan awal yang diketahui seperti konversi zona waktu atau penanganan daylight saving.
• Bukti bahwa deteksi breakout dan klasifikasi false menggunakan jam dan definisi bar yang sama.

3. Pemeriksaan kualitas data (apa yang harus dicari)

• Tingkat data yang hilang dan bagaimana celah diisi atau dikecualikan.
• Konsistensi antara OHLC dan data intrabar/tick (jika keduanya ada).
• Aturan penanganan outlier: misalnya, apakah lonjakan dihapus atau dipertahankan.
• Kemampuan untuk diputar ulang: Anda harus dapat menjalankan ulang komputasi yang sama pada input yang sama dan mendapatkan klasifikasi yang sama.

Bukti atau contoh: mengubah aturan menjadi klasifikasi yang dapat diukur

Seorang penilai perlu menghubungkan data dengan hasil secara yang dapat direproduksi.

Contoh kerangka kerja (asumsi harus dinyatakan):

• Tentukan level breakout dari rentang N bar sebelumnya.
• Tandai breakout ketika close melampaui level tersebut.
• Tandai sebagai “false” jika harga close kembali ke dalam rentang sebelumnya dalam M bar.

Dengan data yang diperlukan, Anda dapat menghitung jumlah seperti:

• Total breakout yang terdeteksi berdasarkan aturan.
• Proporsi yang diklasifikasikan sebagai false berdasarkan kondisi waktu/jarak.
• Sensitivitas terhadap parameter (misalnya, mengubah N atau M).

Penting: ini menunjukkan keterukuran definisi filter, bukan peningkatan yang dijamin. Kualitas klasifikasi historis dapat berubah seiring dengan rezim volatilitas dan mikrostruktur pasar.

Keterbatasan dan risiko (mode kegagalan material)

Bahkan dengan data yang benar, penyaringan false breakout dapat gagal dengan cara yang dapat diidentifikasi.

1. Ketidakcocokan definisi Jika definisi “breakout” menggunakan harga close tetapi “false” menggunakan ekstrem intrabar (atau sebaliknya), klasifikasi menjadi tidak konsisten dan sulit untuk dibandingkan.

2. Efek mikrostruktur Jika Anda mengabaikan bid/ask atau waktu eksekusi, klasifikasi mungkin tidak mencerminkan apa yang dapat dicapai trader secara realistis. Keterbatasan ini bergantung pada data.

3. Overfitting parameter Mencoba banyak nilai N dan M pada periode yang sama dapat menciptakan tampilan efektivitas yang tidak dapat digeneralisasi. Gunakan periode waktu terpisah untuk evaluasi.