Jawaban langsung
“Scalping timeframes” merujuk pada penggunaan jendela waktu chart yang singkat untuk mengelola entri, exit, dan manajemen trade. Dalam praktiknya, pendekatan ini menggunakan sejumlah input yang kecil: (1) timeframe chart, (2) aturan yang memetakan informasi timeframe menjadi keputusan, (3) asumsi timing eksekusi, (4) asumsi biaya trading dan gesekan, serta (5) asumsi kondisi pasar seperti volatilitas dan likuiditas.
Karena hasil bisa berbeda-beda, input ini sebaiknya dipisahkan menjadi mekanisme yang stabil (apa yang Anda lakukan) versus kondisi yang variabel (apa yang dilakukan pasar dan platform Anda). Pemisahan inilah yang bisa Anda verifikasi secara independen.
Mekanisme dan definisi: input apa yang sebenarnya digunakan
1) Pemilihan chart timeframe (input inti)
“Scalping timeframe” adalah input yang menjelaskan seberapa banyak riwayat harga yang dilihat oleh setiap keputusan. Umumnya, scalping menggunakan interval yang singkat (misalnya, chart berbasis menit) untuk merespons perubahan harga dengan cepat. Timeframe spesifik bukan strategi itu sendiri; ia hanya menentukan resolusi informasi yang Anda amati.
Mekanisme yang stabil: Anda memilih timeframe (atau kumpulan timeframe) lalu menyatakan bagaimana keputusan disejajarkan dengan batas candle (misalnya, keputusan dievaluasi saat penutupan bar atau saat pembukaan bar).
2) Aturan waktu: penjadwalan entri/exit
Horizon yang singkat memerlukan aturan berbasis waktu, seperti:
- Kapan Anda diizinkan untuk masuk (misalnya, hanya setelah peristiwa tertentu pada timeframe yang dipilih).
- Kapan exit diizinkan (misalnya, setelah jumlah bar tetap, atau ketika suatu kondisi terpenuhi).
- Apakah pembaruan manajemen trade terjadi pada setiap bar baru, pada setiap tick, atau pada cadence yang tetap.
Ini adalah input karena mereka mengontrol seberapa sering keputusan dibuat dan kapan informasi menjadi tersedia.
3) Timing eksekusi dan asumsi slippage
Bahkan jika logika “sinyal” Anda sudah didefinisikan, scalping timeframes secara implisit mengasumsikan bahwa pengisian (fills) terjadi mendekati harga yang dimaksud. Input di sini meliputi:
- Apakah Anda memodelkan eksekusi pada market, limit, atau stop orders.
- Apakah Anda mengasumsikan slippage minimal atau Anda secara eksplisit menganggarkan slippage.
- Apakah platform Anda memberikan harga dengan kecepatan yang cukup untuk timing yang Anda inginkan.
Kondisi variabel: eksekusi nyata bisa berbeda dari model backtest, terutama pada horizon waktu yang pendek.
4) Biaya trading dan gesekan
Scalping timeframes bergantung pada biaya karena profit (jika ada) biasanya sensitif terhadap:
- Spread (selisih antara harga beli dan harga jual).
- Komisi atau biaya.
- Perlakuan pembiayaan atau overnight jika posisi diperpanjang melewati jendela penahanan yang dimaksud.
Mekanisme yang stabil: ubah pendekatan Anda menjadi definisi yang terukur yang mencakup asumsi biaya.
Kondisi variabel: biaya dan spread efektif dapat berubah seiring likuiditas.
5) Asumsi kondisi pasar (likuiditas dan volatilitas)
Agar bisa diperiksa, Anda harus menyatakan asumsi tentang lingkungan yang diharapkan oleh logika timeframe Anda:
- Rezim volatilitas (seberapa besar harga biasanya bergerak selama periode penahanan).
- Likuiditas dan kedalaman (apakah ada cukup pembeli/penjual aktif untuk mendukung fills).
- Perilaku sesi (apakah trading terjadi pada jam yang biasanya lebih aktif dibanding periode yang lebih sepi).
Keterbatasan material: pilihan timeframe yang bekerja di bawah satu rezim volatilitas bisa memburuk di rezim lain, karena “timeframe” yang sama dapat menghasilkan pergerakan harga dan kualitas fill yang sangat berbeda.
Bukti atau contoh: cara independen untuk mencantumkan input
Berikut template yang bisa diperiksa untuk “input yang digunakan” yang tidak memerlukan harga real-time:
- Input timeframe: “Saya mengamati chart utama pada interval X, dan saya mengevaluasi kondisi saat bar close.”
- Cadence keputusan: “Saya hanya memperbarui ketika bar baru muncul pada interval X.”
- Penjadwalan exit: “Saya keluar jika kondisi A terpenuhi, jika tidak maka setelah N bar.”
- Asumsi eksekusi: “Saya mengasumsikan fills terjadi pada pembukaan bar berikutnya (atau saya mendefinisikan model fill limit/stop).”
- Biaya: “Saya memasukkan spread dan biaya dalam perhitungan; saya menyatakan tingkat biaya yang diasumsikan.”
- Asumsi lingkungan: “Saya mengharapkan likuiditas/volatilitas berada dalam rentang tertentu; saya menguji di berbagai rezim.”
Contoh ini menunjukkan dependensi: input “timeframe” hanyalah satu bagian. Bagian lainnya adalah batasan mekanis dan asumsi yang menentukan apakah pendekatan tersebut bisa dievaluasi secara bermakna.
Keterbatasan dan risiko (mode kegagalan yang material)
1) Ketidaksesuaian backtest-to-live
Horizon yang singkat memperbesar celah pemodelan. Mode kegagalan yang umum adalah backtest menggunakan fills yang ideal (atau asumsi biaya yang tetap) sementara eksekusi live mengalami slippage yang bervariasi dan spread efektif yang berubah.