Apa arti divergensi dalam Tren Rata-Rata Bergerak?
Apa arti divergensi dalam Tren Rata-Rata Bergerak
Divergensi dalam tren rata-rata bergerak berarti dua ukuran yang biasanya bergerak dalam arah yang serupa mulai terpisah. Dalam praktiknya, ini dapat merujuk pada (1) rata-rata bergerak cepat yang menjauh dari rata-rata bergerak lambat, atau (2) harga yang menjauh dari rata-rata bergerak yang sebelumnya “mengikuti” harga tersebut.
Ide utamanya adalah konstruksi: rata-rata bergerak adalah aturan penghalusan yang diterapkan pada harga historis. Ketika divergensi muncul, itu menandakan perubahan dalam bagaimana data terbaru berhubungan dengan jendela penghalusan—bukan prediksi yang dijamin.
Cara kerjanya (model sederhana)
Asumsikan Anda menggunakan dua rata-rata bergerak yang dihitung dari rangkaian harga yang sama:
- Rata-rata bergerak cepat: rata-rata atas N1 titik data terakhir
- Rata-rata bergerak lambat: rata-rata atas N2 titik data terakhir, di mana N2 > N1
“Divergensi” dapat digambarkan sebagai salah satu atau kedua kondisi berikut:
- Pemisahan dalam arah atau kemiringan: rata-rata cepat mendatar, berbalik, atau bergerak melawan rata-rata lambat.
- Pemisahan dalam jarak: celah antara rata-rata cepat dan lambat melebar, bukan menyempit.
Bentuk umum kedua adalah divergensi harga-vs-rata-rata. Misalnya, jika harga berada di atas rata-rata bergerak selama tren naik, divergensi dapat terjadi ketika harga ditutup lebih konsisten di bawah rata-rata tersebut.
Yang penting adalah asumsi Anda:
- Harga mana yang Anda rata-ratakan (penutupan, harga tipikal, dll.)
- Frekuensi data mana yang Anda gunakan (menit, jam, harian)
- Bagaimana Anda menangani nilai yang hilang dan periode “pemanasan” pertama
- Apakah Anda menghitung rata-rata dari sisi candle yang sama (penting untuk aturan berbasis waktu apa pun)
Pilihan yang berbeda mengubah tampilan divergensi, bahkan jika pasar yang mendasarinya tidak berubah.
Bukti, batasan konfirmasi, dan pemeriksaan yang dapat Anda lakukan
Cara yang berguna untuk “mengonfirmasi” makna tanpa mengasumsikan hasil adalah dengan memisahkan interpretasi pola dari klaim kinerja.
Batasan material: divergensi hanyalah deskripsi pemisahan dalam rangkaian yang dihaluskan. Ini tidak secara otomatis menyiratkan pembalikan, kelanjutan, atau arah pergerakan masa depan apa pun.
Mode kegagalan yang perlu diperhatikan:
- Pemisahan yang persisten: divergensi dapat bertahan lama selama pasar yang tidak menentu, sehingga mungkin tidak terselesaikan menjadi perubahan arah yang jelas.
- Sensitivitas jendela: mengubah N1 atau N2 dapat membuat atau menghilangkan divergensi karena penghalusan mengubah titik masa lalu mana yang lebih penting.
- Sensitivitas data dan biaya: evaluasi apa pun akan dipengaruhi oleh spread, selip, waktu eksekusi, dan detail spesifik yurisdiksi atau platform jika Anda mencoba menerjemahkan konsep tersebut menjadi tindakan.
Risiko bias melihat ke belakang: setelah pergerakan besar, mudah untuk memilih contoh divergensi yang “berhasil” dan mengabaikan yang tidak. Untuk mengurangi ini, Anda memerlukan aturan yang dapat diulang untuk apa yang dianggap sebagai divergensi (misalnya, celah yang meningkat selama k periode, atau kemiringan cepat yang melintasi kemiringan lambat) dan menerapkannya di seluruh sampel historis tanpa memilih periode setelah melihat hasilnya.
Jika Anda menginginkan verifikasi independen, Anda dapat membangun tinjauan kecil seperti backtest yang hanya mengukur apakah divergensi terselesaikan menjadi kontraksi jarak yang meningkat, mean reversion menuju rata-rata lambat, atau kesepakatan kemiringan tren. Jangan perlakukan metrik tunggal apa pun sebagai bukti profitabilitas masa depan; hubungan historis tidak menetapkan hasil masa depan.
Verifikasi atau pertanyaan berikutnya
Untuk menjelaskan divergensi dengan benar, nyatakan konstruksi persis Anda (jendela cepat/lambat, jenis harga, dan kerangka waktu) dan kemudian nyatakan pertanyaan apa yang Anda uji (resolusi arah, kecepatan konvergensi, atau kesepakatan kemiringan). Pertanyaan berikutnya yang harus diajukan adalah definisi mana yang dapat Anda terapkan secara konsisten di seluruh kumpulan data.
Jika Anda membagikan jenis rata-rata bergerak dan panjang jendela yang Anda pilih (dan apakah Anda bermaksud pemisahan cepat–lambat atau pemisahan harga–rata-rata), definisi “divergensi” menjadi cukup presisi untuk diverifikasi tanpa mengandalkan prediksi.