Apa Itu Contoh Kerja Pemilihan Timeframe?

Pemilihan timeframe: definisi sebelum implikasi

Pemilihan timeframe adalah pilihan cakrawala waktu untuk mengamati dan mengukur perilaku harga. Dalam praktiknya, timeframe menentukan granularitas data yang Anda gunakan (misalnya, menit vs. jam) dan oleh karena itu seberapa cepat pola mungkin muncul atau menghilang dalam pengamatan tersebut.

Pemilihan timeframe tidak mengendalikan pergerakan pasar. Pemilihan ini mengendalikan apa yang Anda perhatikan dan bagaimana Anda menerjemahkan perhatian tersebut menjadi keputusan seperti “berapa lama saya harus menunggu sebelum menilai ulang” atau “seberapa cepat informasi menjadi terlihat di grafik saya.” Karena tampilan grafik berubah seiring timeframe, pasar dasar yang sama dapat terlihat lebih volatil pada cakrawala pendek dan lebih halus pada cakrawala panjang.

Bagaimana contoh kerja pemilihan timeframe bekerja (skenario numerik)

Di bawah ini adalah satu contoh kerja. Contoh ini tidak menggunakan harga real-time dan membuat setiap asumsi menjadi eksplisit.

Asumsi

1. Anda mengamati rangkaian harga selama 1 hari.
2. Anda mempertimbangkan dua timeframe:
   • Cakrawala pendek: tampilan 15 menit (4 interval per jam).
   • Cakrawala panjang: tampilan 2 jam (12 interval per hari).
3. Anda menggunakan aturan pengukuran sederhana yang disebut “range”:
   • Untuk setiap interval, range = (harga tertinggi − harga terendah).
4. Anda merangkum hari tersebut dengan rata-rata range interval.
5. Anda mengasumsikan “range interval” harian berikut (ini adalah angka skenario yang dibuat untuk ilustrasi):
   • Cakrawala pendek (interval 15 menit): rata-rata range = 0,8% per interval.
   • Cakrawala panjang (interval 2 jam): rata-rata range = 1,6% per interval.
6. Anda menyertakan satu asumsi biaya untuk menunjukkan keterbatasan: asumsikan 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: “Visibilitas pergerakan” yang diharapkan (skenario) tanpa biaya

• Cakrawala pendek: Anda mengharapkan rata-rata pergerakan interval sebesar 0,8% per interval 15 menit.
• Cakrawala 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:

• Cakrawala pendek: 1 hari = 24 jam, jadi jumlah interval 15 menit = 24 × 4 = 96.
• Cakrawala panjang: jumlah interval 2 jam = 24 / 2 = 12.

Beban biaya skenario per hari (hanya dari aturan penilaian ulang):

• Cakrawala pendek: biaya = 96 × 0,1% = 9,6% per hari (dalam “setara persentase harga”).
• Cakrawala panjang: biaya = 12 × 0,1% = 1,2% per hari.

Langkah 3: Bandingkan “ruang bersih yang disesuaikan dengan resolusi” (konseptual) Jika Anda memperlakukan rata-rata pergerakan setiap interval sebagai “ruang” yang Anda amati, maka ruang bersih yang diamati per hari adalah:

• Ruang bersih cakrawala pendek ≈ (96 × 0,8%) − 9,6% = 76,8% − 9,6% = 67,2%.
• Ruang bersih cakrawala panjang ≈ (12 × 1,6%) − 1,2% = 19,2% − 1,2% = 18,0%.

Interpretasi (penting): perbandingan ruang bersih di sini murni merupakan konsekuensi dari asumsi frekuensi penilaian ulang dan placeholder biaya. Ini menunjukkan bagaimana pilihan timeframe dapat mengubah seberapa sering biaya berlaku, dan oleh karena itu bagaimana pergerakan yang tampak “kecil” pada cakrawala pendek dapat didominasi oleh friksi.

Bukti dan keterbatasan: apa yang bisa gagal, dan mengapa verifikasi penting

Keterbatasan dan mode kegagalan yang relevan

Mode kegagalan utama adalah mencampur pengukuran dengan inferensi: memperlakukan apa yang muncul pada timeframe pendek seolah-olah secara otomatis memiliki makna yang sama pada timeframe panjang. Pada kenyataannya, pengamatan cakrawala pendek bisa berisik, dan pengamatan cakrawala panjang dapat menunda informasi. Contoh kerja di atas menyoroti mode kegagalan kedua: mengabaikan efek frekuensi penilaian ulang dan biaya, yang dapat membuat timeframe pendek terlihat lebih buruk secara sistematis bahkan jika timeframe tersebut menunjukkan lebih banyak peluang.

Keterbatasan lainnya adalah non-stasioneritas: bahkan jika rata-rata sesuai dengan skenario Anda, hari-hari di masa depan dapat berbeda karena perilaku pasar berubah. Hubungan historis pada satu timeframe tidak menjamin hasil di masa depan.

Cara memverifikasi fakta relevan secara independen

Untuk memverifikasi penalaran pemilihan timeframe Anda sendiri, Anda dapat:

1. Daftarkan asumsi Anda (granularitas data, cara Anda mendefinisikan “pergerakan,” frekuensi penilaian ulang, dan model biaya).
2. Hitung ulang besaran yang sama dari input pilihan Anda sendiri (misalnya, hitung ulang range interval dan beban biaya).
3. Uji apakah kesimpulan tetap berlaku ketika Anda mengubah hanya satu asumsi pada satu waktu (misalnya, pertahankan biaya yang sama tetapi ubah timeframe).

Jika kesimpulan Anda sangat bergantung pada satu asumsi, itu adalah tanda bahwa pilihan timeframe mungkin tidak kokoh.