Input apa saja yang digunakan Multi Timeframe Trend?
Apa yang digunakan sebagai input oleh “Multi Timeframe Trend”
Multi Timeframe Trend (MTT) adalah pendekatan bias tren yang membentuk kerangka pengambilan keputusan dari beberapa timeframe grafik, bukan hanya mengandalkan satu timeframe saja. Secara sederhana, “input” adalah data dan pengaturan yang digunakan untuk (1) menentukan arah tren pada setiap timeframe dan (2) menggabungkan arah-arah tersebut menjadi satu bias tingkat yang lebih tinggi.
Karena platform dan penyedia yang berbeda menerapkan MTT secara berbeda, Anda harus memperlakukan daftar input yang tepat sebagai “tergantung pada aturan spesifik.” Artikel ini menjelaskan kategori input umum yang stabil yang dapat Anda verifikasi dalam implementasi Anda sendiri.
Mekanisme dan definisi: kategori input umum
MTT umumnya dimulai dengan kategori input berikut.
- Data harga (kumpulan data mentah)
- Rangkaian harga pasar seperti open, high, low, close (OHLC) dan/atau rangkaian turunan (misalnya, rata-rata yang dihitung dari harga-harga tersebut).
- Sumber rangkaian data ini penting: beberapa sistem menghitung indikator dari candle yang sama yang ditampilkan; sistem lain mungkin menggunakan feed internal atau konstruksi candle yang sedikit berbeda. Bahkan jika Anda melihat label timeframe yang sama, batang (bar) yang tepat bisa berbeda.
- Pemilihan timeframe (grafik mana yang digunakan)
- Setidaknya dua timeframe: timeframe “lebih tinggi” yang mewakili struktur pasar yang lebih luas dan timeframe “lebih rendah” yang mewakili timing atau konfirmasi.
- Pasangan timeframe spesifik (misalnya, pilihan lebih tinggi/lebih rendah apa pun) adalah parameter input yang dapat mengubah perilaku secara material.
- Metode definisi tren (bagaimana “tren” diukur)
- Banyak implementasi mendefinisikan arah tren dengan menerapkan teknik pengukuran tren pada data harga setiap timeframe.
- Cara umum meliputi: membandingkan moving average, mengevaluasi apakah harga secara konsisten berada di atas/di bawah referensi, atau memperkirakan bias arah menggunakan aturan kemiringan/struktur.
- Metode yang Anda pilih menjadi input kunci karena mengubah apa yang memenuhi syarat sebagai “naik” atau “turun.”
- Ambang batas dan parameter (pengaturan aturan)
- Jika definisi tren menggunakan ambang batas, itu adalah input. Contoh jenis parameter termasuk panjang lookback untuk ukuran tren apa pun yang digunakan, panjang penghalusan (smoothing), dan kondisi “buffer” apa pun.
- Parameter ini biasanya berupa bilangan bulat atau float di dalam aturan, dan mengubahnya dapat membalikkan klasifikasi.
- Logika kombinasi (bagaimana beberapa timeframe menjadi satu bias)
- Input juga mencakup aturan keputusan untuk menggabungkan hasil: misalnya, apakah timeframe yang lebih rendah harus setuju dengan timeframe yang lebih tinggi, atau apakah ketidaksepakatan membatalkan bias.
- Beberapa aturan mensyaratkan “penyelarasan” di kedua timeframe; yang lain lebih membebani satu timeframe.
Bukti atau contoh: apa yang harus didaftar saat Anda memverifikasi input
Cara praktis untuk mendeskripsikan input MTT adalah dengan menuliskannya sebagai daftar periksa. Berikut adalah contoh template mandiri yang dapat Anda adaptasi (tanpa mengasumsikan default platform tertentu).
Asumsikan:
- Dua timeframe digunakan: timeframe lebih tinggi H dan timeframe lebih rendah L.
- Arah tren pada setiap timeframe ditentukan dengan membandingkan ukuran tren referensi.
- Sistem mengeluarkan bias hanya ketika H dan L cocok.
Maka daftar input Anda harus secara eksplisit mencakup:
- Data: rangkaian OHLC yang digunakan untuk H dan L (dan asumsi timezone/sesi jika grafik Anda menggunakannya).
- Timeframe: pemilihan yang tepat dari H dan L.
- Ukuran tren: metode yang digunakan pada setiap timeframe (misalnya, perbandingan moving average atau aturan struktur).
- Parameter tren: nilai lookback/penghalusan/ambang batas.
- Aturan kombinasi: apakah mensyaratkan kesepakatan (H naik DAN L naik) atau mengizinkan kesepakatan sebagian.
Bahkan tanpa harga langsung, Anda dapat memverifikasi input secara independen dengan memutar ulang pengaturan tetap yang sama pada data historis dan memeriksa apakah klasifikasinya cocok dengan logika yang Anda jelaskan.
Keterbatasan dan risiko: mode kegagalan material
Risiko terbesar MTT berasal dari ketidakcocokan antara input yang diasumsikan dan apa yang sebenarnya dihitung.
- Perubahan rezim: pasar dapat bergeser dari tren menjadi sideways (atau sebaliknya). Ketika definisi tren bergantung pada kontinuitas historis, klasifikasi dapat tertinggal.
- Perbedaan konstruksi data dan candle: dua implementasi dapat memberi label timeframe yang sama tetapi menghitung candle yang sedikit berbeda, menghasilkan pengukuran tren yang berbeda.
- Sensitivitas parameter: panjang lookback, ambang batas, dan logika penyelarasan dapat secara material mengubah periode mana yang memenuhi syarat sebagai “tren.”
- Keterlambatan konfirmasi: mensyaratkan beberapa timeframe untuk selaras sering kali mengurangi deteksi dini tetapi dapat mengurangi false positive di beberapa rezim; trade-off ini tidak universal.
Keterbatasan yang penting untuk setiap kalkulasi atau contoh: hubungan historis tidak menetapkan hasil masa depan. Selain itu, hasil bervariasi dengan kondisi pasar, biaya, eksekusi, dan yurisdiksi, bahkan ketika inputnya identik.