Pemilihan timeframe: definisi sebelum implikasi
Pemilihan timeframe adalah pilihan time horizon untuk bagaimana Anda mengamati dan mengukur perilaku harga. Dalam praktiknya, sebuah timeframe menentukan tingkat kehalusan (granularity) data yang Anda gunakan (misalnya menit vs. jam) dan karena itu seberapa cepat pola dapat muncul atau menghilang dalam pengamatan tersebut.
Pemilihan timeframe tidak mengendalikan pergerakan pasar. Ia mengendalikan apa yang Anda perhatikan dan bagaimana Anda menerjemahkan perhatian itu menjadi keputusan seperti “berapa lama saya harus menunggu sebelum menilai ulang” atau “seberapa cepat informasi menjadi terlihat di chart saya.” Karena tampilan chart berubah dengan timeframe, pasar yang mendasarinya sama dapat terlihat lebih volatil pada time horizon yang pendek dan lebih halus pada time horizon yang lebih panjang.
Cara contoh terbukti (worked example) pemilihan timeframe bekerja (skenario numerik)
Berikut adalah satu contoh terbukti. Contoh ini tidak menggunakan harga real-time dan membuat setiap asumsi menjadi eksplisit.
Asumsi
- Anda mengamati deret harga selama 1 hari.
- Anda mempertimbangkan dua timeframe:
- Time horizon pendek: tampilan 15 menit (4 interval per jam).
- Time horizon panjang: tampilan 2 jam (12 interval per hari).
- Anda menggunakan aturan pengukuran sederhana yang disebut “range”:
- Untuk setiap interval, range = (high − low).
- Anda merangkum hari tersebut dengan rata-rata range interval.
- Anda mengasumsikan “range interval” harian berikut (ini adalah angka skenario yang dibuat untuk ilustrasi):
- Time horizon pendek (interval 15 menit): rata-rata range = 0.8% per interval.
- Time horizon panjang (interval 2 jam): rata-rata range = 1.6% per interval.
- Anda menyertakan satu asumsi biaya untuk menunjukkan keterbatasan: anggap setiap penilaian ulang melibatkan biaya tetap (spread + komisi) yang dinyatakan sebagai 0.1% dari harga, dan Anda menilai ulang sekali per interval.
Perhitungan
Langkah 1: Ekspektasi “visibilitas pergerakan” (skenario) tanpa biaya
- Time horizon pendek: Anda mengharapkan rata-rata pergerakan interval sebesar 0.8% per interval 15 menit.
- Time horizon panjang: Anda mengharapkan rata-rata pergerakan interval sebesar 1.6% per interval 2 jam.
Langkah 2: Efek frekuensi penilaian ulang (dengan biaya) Jumlah penilaian ulang per hari:
- Time horizon pendek: 1 hari = 24 jam, jadi jumlah interval 15 menit = 24 × 4 = 96.
- Time horizon panjang: jumlah interval 2 jam = 24 / 2 = 12.
Beban biaya per hari (hanya dari aturan penilaian ulang):
- Time horizon pendek: biaya = 96 × 0.1% = 9.6% per hari (dalam “ekuivalen persentase-harga”).
- Time horizon panjang: biaya = 12 × 0.1% = 1.2% per hari.
Langkah 3: Bandingkan “ruang” yang disesuaikan resolusi secara bersih (konseptual) Jika Anda memperlakukan pergerakan rata-rata setiap interval sebagai “ruang” yang Anda amati, maka ruang yang diamati bersih per hari adalah:
- Ruang bersih time horizon pendek ≈ (96 × 0.8%) − 9.6% = 76.8% − 9.6% = 67.2%.
- Ruang bersih time horizon panjang ≈ (12 × 1.6%) − 1.2% = 19.2% − 1.2% = 18.0%.
Interpretasi (penting): perbandingan net-room di sini murni merupakan konsekuensi dari asumsi frekuensi penilaian ulang dan placeholder biaya. Ini menunjukkan bagaimana pilihan timeframe dapat mengubah seberapa sering biaya diterapkan, dan karena itu bagaimana “pergerakan kecil” yang tampak pada time horizon pendek dapat didominasi oleh gesekan (friction).
Bukti dan keterbatasan: apa yang bisa gagal, dan mengapa verifikasi itu penting
Keterbatasan dan mode kegagalan yang relevan
Salah satu mode kegagalan utama adalah mencampur pengukuran dengan inferensi: memperlakukan apa yang tampak pada timeframe pendek seolah-olah otomatis memiliki makna yang sama pada timeframe panjang. Kenyataannya, pengamatan time horizon pendek bisa berisik, dan pengamatan time horizon panjang dapat menunda informasi. Contoh terbukti di atas menyoroti mode kegagalan kedua: mengabaikan efek frekuensi penilaian ulang dan biaya, yang dapat membuat timeframe pendek terlihat secara sistematis lebih buruk meskipun mereka menunjukkan lebih banyak peluang.
Keterbatasan lain adalah non-stasioneritas: bahkan jika rata-rata sesuai dengan skenario Anda, hari-hari di masa depan bisa berbeda karena perilaku pasar berubah. Hubungan historis pada satu timeframe tidak menjamin hasil di masa depan.
Cara memverifikasi secara independen fakta-fakta yang relevan
Untuk memverifikasi penalaran pemilihan timeframe Anda sendiri, Anda dapat:
- Daftarkan asumsi Anda (granularity data, bagaimana Anda mendefinisikan “pergerakan,” frekuensi penilaian ulang, dan model biaya).
- Hitung ulang kuantitas yang sama dari input yang Anda pilih (misalnya, hitung ulang range interval dan beban biaya).
- Uji apakah kesimpulannya tetap berlaku ketika Anda hanya mengubah satu asumsi pada satu waktu (misalnya, pertahankan biaya tetap sama tetapi geser timeframe).
Jika kesimpulan Anda sangat bergantung pada satu asumsi, itu adalah tanda bahwa pilihan timeframe mungkin tidak cukup kuat (robust).
DOCUMENT END