Jawaban langsung
Untuk menguji “scalping spreads”, pertama-tama Anda mendefinisikan apa yang Anda maksud dengan spread selama jendela trading yang singkat, lalu menguji apakah perilaku spread yang diamati tetap konsisten relatif terhadap baseline setelah Anda memasukkan friksi trading yang realistis. Uji yang baik menetapkan sebuah hipotesis, memilih asumsi untuk pengukuran bid/ask dan eksekusi, membagi data ke periode yang terpisah, serta memeriksa ketahanan (robustness) saat terjadi perubahan likuiditas dan kondisi. Karena hasil bergantung pada kondisi pasar, kualitas eksekusi, dan biaya, Anda juga menyertakan setidaknya satu mode kegagalan ketika hubungan spread tidak lagi berlaku.
Mekanisme dan definisi
Spread adalah selisih antara harga ask terbaik dan harga bid terbaik pada suatu titik waktu. Ketika orang membahas scalping spreads, mereka biasanya merujuk pada karakteristik spread yang penting untuk waktu holding yang sangat singkat (misalnya, hitungan detik atau beberapa menit). Tujuan pengujian bukan untuk memprediksi transaksi; melainkan untuk mengukur apakah perilaku spread, yang diukur secara konsisten, cukup stabil (relatif terhadap baseline) di bawah kondisi cepat yang relevan untuk scalping.
Mulailah dengan memisahkan mekanisme yang stabil dari kondisi yang berubah:
- Mekanisme stabil (dapat diuji dan diukur): bagaimana Anda menghitung spread, bagaimana Anda memberi timestamp, dan bagaimana Anda mengagregasinya (rata-rata, median, persentil) dalam jendela yang dipilih.
- Kondisi pasar/penyedia yang bervariasi (tidak tetap): likuiditas, volatilitas, efek waktu dalam sehari, kedalaman order-book, dan bagaimana eksekusi terisi dibandingkan bid/ask terbaik yang dikutip.
Definisi praktis untuk pengujian sebaiknya mencakup:
- Aturan pengukuran: misalnya, gunakan bid terbaik dan ask terbaik yang tersedia pada setiap timestamp.
- Aturan jendela: misalnya, hitung statistik ringkasan pada jendela bergulir dengan panjang W.
- Aturan agregasi: misalnya, bandingkan median spread vs baseline, dan juga lihat perilaku ekor atas (di mana biaya bisa melonjak).
Bukti atau contoh (hipotesis, baseline, split, biaya)
Di bawah ini adalah struktur uji yang bisa Anda implementasikan dengan kutipan bid/ask historis (tidak diperlukan data real-time untuk menjelaskan metodenya).
1) Rumuskan hipotesis yang bisa dipatahkan (falsifiable)
Contoh hipotesis (tetap tidak menjanjikan):
- “Dalam jendela yang singkat, distribusi spread secara bermakna lebih ketat dibanding distribusi yang diukur pada jendela yang lebih panjang, setelah memperhitungkan biaya transaksi.”
Hipotesis ini dapat diuji karena ia memprediksi bagaimana statistik ringkasan berubah di berbagai panjang jendela setelah memodelkan biaya.
2) Pilih baseline
Baseline harus didefinisikan sebelum Anda melihat hasil. Baseline yang umum meliputi:
- Distribusi spread jendela lebih panjang (misalnya, bandingkan persentil jendela pendek vs jendela panjang).
- Baseline dalam jendela yang sama pada rezim yang berbeda (misalnya, bandingkan saat volatilitas lebih tinggi vs lebih rendah).
- Baseline lintas-sektoral (cross-sectional) (misalnya, bandingkan antar instrumen), tetapi hanya jika aturan pengukurannya sama.
Intinya adalah Anda harus menentukan apa yang Anda bandingkan dan mengapa.
3) Split data dan evaluasi
Gunakan periode terpisah untuk mengurangi overfitting:
- Periode pengembangan (training): tentukan W, agregasi, dan metrik statistik ringkasan mana yang penting.
- Periode evaluasi (testing): jalankan aturan yang sama persis dan laporkan hasilnya.
Split yang rapi bisa berbasis waktu (misalnya, bulan-bulan lebih awal vs bulan-bulan lebih akhir) untuk menyesuaikan dengan bagaimana pasar berkembang.
4) Tentukan asumsi untuk biaya dan eksekusi
Meskipun pertanyaan Anda “spreads”, pengujian Anda harus mencakup total friksi trading, karena scalping sensitif terhadap perbedaan biaya yang kecil.
Asumsi yang harus Anda nyatakan secara eksplisit:
- Spread yang dikutip vs biaya yang dieksekusi: putuskan apakah Anda mengukur spread dari kuotasi atau menyimpulkannya dari pengisian (executed fills).
- Perlakuan komisi/biaya: jika dataset Anda hanya berisi kuotasi, Anda mungkin hanya bisa memodelkan biaya sebagai parameter konstan (dinyatakan sebagai asumsi).
- Model slippage: eksekusi bisa terjadi lebih buruk daripada bid/ask terbaik yang dikutip, terutama dalam kondisi cepat. Jika Anda tidak memiliki data fill, Anda harus (a) menghilangkan slippage dengan batasan yang eksplisit, atau (b) menambahkan asumsi slippage yang konservatif.
Metrik perbandingan yang sederhana dan sadar biaya bisa berupa:
- Proksi biaya efektif = statistik spread + asumsi biaya + asumsi slippage (masing-masing didefinisikan dan diparameterkan).
5) Bandingkan distribusi, bukan hanya rata-rata
Spread sering memiliki lonjakan. Karena itu, sertakan setidaknya satu metrik ekor:
- Median spread (kecenderungan pusat).
- Spread persentil ke-90/ke-95 (risiko ekor).
- Proporsi waktu ketika spread melebihi ambang batas (peluang kegagalan saat trading cepat).
Spread yang “biasanya kecil” tetap bisa gagal untuk scalping jika kejadian ekor mendominasi.
Keterbatasan dan risiko (mode kegagalan yang material)
Tidak ada uji yang lengkap tanpa menjelaskan apa yang bisa membatalkan kesimpulan. Setidaknya satu keterbatasan yang material harus dimasukkan.
Keterbatasan 1: Hubungan historis tidak menetapkan hasil masa depan
Meskipun spread jendela pendek lebih ketat di masa lalu, struktur pasar bisa berubah. Perubahan regulasi, pergeseran likuiditas, dan perilaku eksekusi dapat mengubah bagaimana kuotasi diterjemahkan menjadi biaya yang benar-benar terjadi.
Keterbatasan 2: Spread berbasis kuotasi bisa berbeda dari biaya yang terealisasi
Spread bid/ask yang dikutip tidak sama dengan biaya yang Anda keluarkan saat order terisi. Di pasar yang cepat, bid/ask terbaik bisa menghilang di antara pengambilan sampel kuotasi dan eksekusi.
Ini menciptakan mode kegagalan yang umum:
- Uji Anda menemukan “spread yang ketat” dari kuotasi, tetapi biaya efektif yang terealisasi menjadi lebih buruk karena lag eksekusi atau slippage.
Keterbatasan 3: Kondisi penyedia dan instrumen mungkin tidak konsisten
Jika Anda membandingkan antar penyedia atau instrumen, aturan pengukuran dan struktur likuiditas bisa berbeda. Kedalaman pasar yang bervariasi berarti spread yang dikutip sama bisa mengimplikasikan tingkat kesulitan eksekusi yang berbeda.
Keterbatasan 4: Biaya dan asumsi pemodelan dapat mendominasi kesimpulan
Jika Anda menambahkan biaya, slippage, dan friksi lain sebagai konstanta, hasil bisa berubah ketika asumsi-asumsi tersebut berubah. Sebaliknya, jika Anda mengabaikan biaya, kesimpulan yang hanya berbasis spread bisa menyesatkan untuk horizon yang singkat.
Verifikasi dan pertanyaan berikutnya
Untuk memverifikasi temuan Anda secara independen, Anda harus bisa mengulang metode dari hipotesis dan definisi tertulis Anda:
- Hitung ulang spread menggunakan aturan pengukuran yang Anda nyatakan secara eksplisit.
- Terapkan agregasi Anda pada definisi jendela W yang sama.
- Gunakan split evaluasi yang sama dan asumsi biaya yang sama.
- Laporkan beberapa metrik (bagian tengah dan ekor), bukan hanya satu angka.
Pertanyaan berikutnya yang berguna adalah: Apakah kesimpulan spread tetap berlaku ketika Anda mengubah definisi jendela dan asumsi biaya dalam rentang yang wajar? Jika hasilnya sensitif, perlakukan itu sebagai indikasi bahwa efek “scalping spread” tidak cukup robust untuk penggunaan umum.
Jika Anda mau, bagikan data yang Anda miliki (hanya kuotasi vs trades/fills), panjang jendela yang Anda pilih, dan apa yang dimaksud “scalping spreads” dalam konteks Anda (quoted spread, effective cost proxy, atau realized execution cost). Lalu desain pengujian bisa dipertegas sesuai pengukuran dan asumsi yang tersedia.
DOCUMENT END