Apa Itu Contoh Kerja Penyaringan Peristiwa?

Jawaban langsung

Contoh kerja penyaringan peristiwa menunjukkan bagaimana Anda mengambil daftar item kalender ekonomi yang akan datang dan mempersempitnya menjadi item yang akan Anda perlakukan sebagai relevan secara potensial untuk pasangan mata uang tertentu dan jendela waktu tertentu. Contoh di bawah ini menggunakan angka-angka fiktif untuk mendemonstrasikan mekanismenya, dan menyatakan setiap asumsi sehingga Anda dapat memeriksa logikanya secara independen.

Mekanisme dan definisi

Penyaringan peristiwa, dalam konteks kalender ekonomi, adalah proses berbasis aturan yang mengubah kumpulan mentah rilis terjadwal menjadi kumpulan “peristiwa untuk dipantau” yang lebih kecil. Input yang umum adalah tabel dengan item seperti nama peristiwa, relevansi mata uang (ekonomi mana yang dimilikinya), waktu terjadwal, dan tingkat dampak subjektif atau yang disediakan.

Ide kuncinya adalah pemisahan mekanisme yang stabil dari kondisi yang bervariasi:

• Mekanisme stabil: Anda menerapkan aturan eksplisit untuk memasukkan/mengecualikan peristiwa dan kemudian menghitung statistik sederhana (misalnya, pergerakan pasca-peristiwa) untuk subset yang disertakan.
• Kondisi yang bervariasi: dampak pasar yang sebenarnya, kualitas eksekusi, biaya transaksi, dan seberapa cepat harga bereaksi dapat berbeda dari asumsi Anda.

Kumpulan aturan penyaringan yang konkret (contoh asumsi)

Asumsikan Anda memantau instrumen seperti EUR/USD.

Aturan penyaringan yang Anda terapkan (asumsi yang harus Anda tuliskan):

1. Aturan relevansi mata uang: sertakan peristiwa hanya jika ditandai tentang area Euro (sisi EUR) atau Amerika Serikat (sisi USD).
2. Aturan dampak: sertakan hanya peristiwa yang diberi peringkat dampak “tinggi” oleh sumber peristiwa.
3. Aturan jendela waktu: sertakan hanya peristiwa yang dijadwalkan dalam jendela waktu pilihan Anda, misalnya 10:00–13:00 UTC.
4. Aturan keunikan: jika dua peristiwa dijadwalkan dalam 5 menit, Anda menyimpan keduanya (untuk menghindari menyembunyikan tumpang tindih), tetapi Anda akan melacaknya secara bersama-sama.

Catatan: aturan ini mendefinisikan prosedurnya. Aturan ini tidak mengklaim bahwa peristiwa yang disertakan akan menggerakkan harga, hanya bahwa peristiwa tersebut adalah yang akan Anda periksa.

Contoh kerja (skenario numerik)

Langkah 1: Mulai dengan daftar peristiwa (fiktif)

Misalkan kalender Anda menunjukkan empat rilis terjadwal selama 10:00–13:00 UTC:

• A: Area Euro “Inflasi (dampak tinggi)”, 10:30 UTC
• B: Amerika Serikat “Penjualan Ritel (dampak tinggi)”, 11:15 UTC
• C: Amerika Serikat “Pidato Konferensi (dampak sedang)”, 12:10 UTC
• D: Area Euro “Kepercayaan Konsumen (dampak tinggi)”, 12:12 UTC

Langkah 2: Terapkan aturan penyaringan

Menggunakan asumsi di atas:

• Aturan 1 (relevansi mata uang): A, B, dan D relevan; C juga tentang USD, jadi relevan berdasarkan mata uang.
• Aturan 2 (dampak): pertahankan A, B, D (C berdampak sedang, jadi kecualikan C).
• Aturan 3 (jendela waktu): semua peristiwa yang dipertahankan berada dalam 10:00–13:00.
• Aturan 4 (keunikan): B pada 11:15 dan A pada 10:30 berjauhan; D pada 12:12 dekat dengan C pada 12:10 tetapi C dikecualikan, jadi Anda hanya melacak D sendiri dalam set yang difilter.

Hasil: set yang difilter adalah {A, B, D}.

Langkah 3: Tentukan hasil yang terukur (asumsi eksplisit)

Untuk menjaga ini dapat diverifikasi secara independen, tentukan hasil sederhana yang akan Anda hitung dari data harga yang sudah Anda miliki:

• Misalkan pergerakan pasca-peristiwa = (harga pada akhir interval 30 menit setelah waktu terjadwal) − (harga pada waktu terjadwal).

Asumsikan Anda mengumpulkan nilai harga tengah (sekali lagi, fiktif untuk ilustrasi):

• Harga pada waktu A (10:30): 1.0800
• Harga pada A + 30 menit: 1.0830 → pergerakan = +0.0030
• Harga pada waktu B (11:15): 1.0830
• Harga pada B + 30 menit: 1.0785 → pergerakan = −0.0045
• Harga pada waktu D (12:12): 1.0790
• Harga pada D + 30 menit: 1.0802 → pergerakan = +0.0012

Langkah 4: Ringkas hasil yang difilter

Hitung rata-rata pergerakan pasca-peristiwa di seluruh peristiwa yang difilter (asumsi: rata-rata aritmetika):

• Rata-rata = (+0.0030 − 0.0045 + 0.0012) / 3 = −0.0001 (kurang lebih)

Hasil ini tidak mengatakan apa pun tentang kinerja masa depan. Ini hanya menunjukkan apa yang terjadi dalam satu skenario ini di bawah asumsi yang dinyatakan.

Apa yang berubah karena penyaringan?

Karena Anda mengecualikan C (dampak sedang), Anda tidak memasukkannya dalam analisis pasca-peristiwa Anda. Jika Anda memasukkannya, rata-rata dan kesimpulan Anda dapat berubah. Ini adalah nilai praktis dari penyaringan peristiwa: ini membuat analisis Anda fokus pada subset yang konsisten, tetapi pilihan aturan juga menentukan apa yang dapat Anda amati.