Apa Itu Contoh Perhitungan Mean Reversion Range?

Jawaban langsung

Contoh perhitungan mean reversion range adalah skenario numerik yang menunjukkan bagaimana Anda (1) memilih rata-rata acuan, (2) memperkirakan variabilitas tipikal di sekitar rata-rata tersebut dari observasi historis, dan (3) mendefinisikan sebuah “range” sebagai jarak tetap di atas dan di bawah rata-rata. Anda kemudian membandingkan harga yang diamati kemudian dengan range tersebut untuk memahami apa arti “di dalam range” dan “di luar range”—tanpa mengasumsikan bahwa hal itu memprediksi hasil di masa depan.

Mekanisme atau definisi

Mean reversion adalah gagasan bahwa, dalam beberapa periode lookback, sebuah variabel mungkin cenderung bergerak kembali menuju tendensi sentral (rata-rata). Mean reversion range mengubah gagasan kualitatif tersebut menjadi aturan yang menghasilkan level-level.

Pengaturan contoh perhitungan yang umum menggunakan empat asumsi yang harus Anda nyatakan secara eksplisit:

1. Rata-rata acuan: Anda menghitung rata-rata dari kuantitas yang dipilih (sering kali level harga atau deret turunan) selama periode lookback.
2. Ukuran variabilitas: Anda menghitung seberapa besar deret tersebut biasanya menyimpang dari rata-rata (misalnya, menggunakan standar deviasi).
3. Lebar range: Anda memilih pengali k yang menskalakan variabilitas menjadi jarak.
4. Momen perbandingan: Anda menggunakan nilai “saat ini” yang terpisah untuk menguji apakah nilai tersebut berada di dalam atau di luar range yang telah ditentukan.

Mekanisme yang stabil adalah aritmetika (rata-rata, variabilitas, dan penambahan/pengurangan variabilitas yang diskalakan). Kondisi yang bervariasi adalah semua hal lainnya: periode lookback yang dipilih, definisi deret, dan apakah perilaku pasar tetap serupa dengan periode historis. Karena tidak ada data real-time atau pengaturan khusus penyedia yang diasumsikan di sini, contoh ini hanya berfokus pada metode dan interpretasi.

Bukti atau contoh

Skenario numerik contoh perhitungan (semua asumsi dinyatakan)

Asumsi (tetap untuk contoh ini):

• Anda menggunakan 10 observasi historis dari satu nilai deret, dilabeli (x_1) hingga (x_{10}).
• Deret tersebut sudah dinyatakan dalam unit yang sama secara konsisten dari waktu ke waktu.
• Anda menghitung rata-rata aritmetika (\mu) dari 10 nilai tersebut.
• Anda menghitung standar deviasi sampel (s) dari 10 nilai tersebut.
• Anda menetapkan mean reversion range sebagai ([\mu - k,s,; \mu + k,s]) dengan (k = 1).
• Anda kemudian membandingkan satu observasi “saat ini” (x_{current}) dengan kedua level tersebut.

Nilai historis (10 observasi): [ [1.1000,;1.1010,;1.0990,;1.1020,;1.1005,;1.0985,;1.1015,;1.1002,;1.0998,;1.1012] ]

Langkah 1: Hitung rata-rata (\mu). Jumlah dari 10 nilai tersebut adalah (11.0027). Oleh karena itu: [ \mu = 11.0027 / 10 = 1.10027 ]

Langkah 2: Hitung standar deviasi sampel (s). Menggunakan rumus standar deviasi sampel (bagi dengan (n-1)), hasil untuk himpunan ini kira-kira: [ s \approx 0.00119 ]

Langkah 3: Tetapkan range dengan (k=1). Level bawah: [ \mu - s = 1.10027 - 0.00119 = 1.09908 ] Level atas: [ \mu + s = 1.10027 + 0.00119 = 1.10146 ]

Jadi mean reversion range Anda kira-kira adalah: [ [1.09908,; 1.10146] ]

Langkah 4: Bandingkan nilai saat ini. Misalkan (x_{current} = 1.1022). Karena (1.1022 > 1.10146), nilai saat ini ini berada di luar batas atas.

Cara menginterpretasikan hasil (tanpa memprediksi)

Dari perhitungan ini saja, Anda hanya dapat mengatakan:

• Range tersebut didefinisikan dari variabilitas historis, bukan dari jaminan.
• Observasi saat ini berada di luar pita historis sebagaimana didefinisikan oleh (\mu), (s), dan (k) yang Anda pilih.
• Apakah deret tersebut nantinya bergerak kembali menuju (\mu) tidak diketahui dan bergantung pada kondisi pasar yang berubah.

Keterbatasan dan risiko

1. Risiko definisi (lookback dan pilihan deret): Mengubah periode lookback, granularitas data, atau definisi deret yang tepat mengubah (\mu) dan (s), yang mengubah range.
2. Pergeseran rezim / non-stasioneritas: Perilaku mean-reversion dapat melemah jika proses yang menghasilkan nilai berubah. Dalam kasus tersebut, rata-rata historis mungkin tidak lagi mewakili rezim saat ini.
3. Sensitivitas outlier: Jika estimasi variabilitas Anda sangat dipengaruhi oleh beberapa titik ekstrem, range dapat menjadi terlalu lebar atau terlalu sempit.
4. Biaya dan eksekusi (dalam konteks trading nyata): Bahkan jika range yang dihitung benar secara matematis, hasil nyata dapat menyimpang karena spread bid/ask, slippage, komisi, dan latensi. (Faktor-faktor tersebut tidak disertakan dalam contoh perhitungan ini karena tidak ada penyedia atau kondisi pasar yang diasumsikan.)
5. Ketidakcocokan verifikasi: “Backtest” yang berhasil dalam satu periode tidak menetapkan kinerja masa depan; hubungan historis tidak menjamin hasil di masa depan.