Jika strategi benar-benar bagus, mengapa tidak menghasilkan uang sendiri? Tiga makalah mengungkapkan kebenaran kejam di balik indikator penjualan

Dalam dunia perdagangan cryptocurrency, banyak orang sering mempercayai “indikator perdagangan” tertentu. Namun, banyak penelitian menunjukkan bahwa sebagian besar strategi perdagangan yang mengklaim stabilitas pengujian kembali (backtest) dan keuntungan tidak selalu terbukti efektif di pasar, melainkan hanyalah survivor yang terpilih. Sama seperti mengerjakan seratus soal ujian nasional tahun lalu dan mendapatkan nilai sempurna, itu tidak berarti kamu akan tampil sama baiknya di ujian tahun ini. Inilah jebakan “overfitting” dari strategi perdagangan. Masalah yang lebih nyata adalah, jika sebuah strategi benar-benar berkinerja luar biasa, mengapa tidak menggunakan leverage sendiri, melainkan menjual atau membagikannya secara terbuka?

Akhirnya, strategi yang benar-benar efektif seringkali terbatas oleh kapasitas penerimaan, semakin banyak dana yang digunakan, keunggulan akan terserap oleh perilaku perdagangan dan reaksi pasar sendiri.

Pengembang indikator perdagangan sering hanya menampilkan bagian terbaik untuk mengumpulkan dana

Sebuah makalah yang diterbitkan oleh American Mathematical Society menunjukkan adanya bias dalam pengujian kembali. Penelitian menemukan bahwa dalam kerangka pengujian kembali tradisional, memang dapat ditemukan beberapa strategi teknikal yang menghasilkan pengembalian positif yang signifikan dalam data historis, itulah sebabnya analisis teknikal telah lama disukai pasar. Namun, penulis selanjutnya menunjukkan bahwa hasil seperti ini sering mengabaikan satu masalah utama: bias eksplorasi data (data-snooping bias).

Ketika peneliti menguji ratusan bahkan ribuan aturan perdagangan secara bersamaan, secara statistik pasti akan muncul beberapa strategi yang berkinerja sangat baik, bahkan jika pasar sepenuhnya acak. Jika hanya menilai berdasarkan pemenang setelahnya, itu sama saja menganggap keberuntungan sebagai kemampuan.

Setelah koreksi bias, keunggulan strategi teknikal menyusut secara signifikan

Untuk mengatasi masalah tersebut, penelitian menggunakan metode pengujian statistik yang lebih ketat, memasukkan koreksi terhadap bias dari pengujian ganda. Hasilnya menunjukkan bahwa setelah koreksi, hampir semua strategi teknikal yang tampaknya memiliki pengembalian surplus yang signifikan kehilangan signifikansi statistiknya. Dengan kata lain, aturan perdagangan teknikal di lingkungan luar sampel sulit untuk mereproduksi kinerja historisnya, menunjukkan bahwa strategi ini sebenarnya tidak menangkap struktur pasar yang berkelanjutan.

Setelah memperhitungkan biaya transaksi, pengembalian nyata menjadi lebih suram

Penelitian juga mempertimbangkan faktor biaya transaksi. Karena strategi perdagangan teknikal biasanya memiliki tingkat perputaran yang tinggi, setelah biaya komisi, slippage, dan biaya dampak pasar dimasukkan, bahkan strategi yang masih menunjukkan pengembalian positif kecil pun sering berubah menjadi negatif. Penulis menunjukkan bahwa hasil ini sangat relevan secara praktis, karena sebagian besar hasil pengujian kembali yang dipublikasikan seringkali meremehkan friksi biaya dalam lingkungan perdagangan nyata.

Kesimpulan penelitian tidak sepenuhnya menolak keberadaan analisis teknikal, melainkan menunjukkan bahwa perannya lebih cocok sebagai alat manajemen risiko, identifikasi tren, atau alat bantu perilaku, bukan sebagai sumber keuntungan tunggal. Dalam pasar modern yang sangat kompetitif dan cepat mencerminkan informasi, mengandalkan sinyal harga dan volume historis saja sudah sulit membentuk keunggulan perdagangan yang berkelanjutan.

Kesalahan pengujian kembali indikator perdagangan: seperti soal ujian nasional yang bagus dalam ujian belajar

Makalah berjudul “Probabilitas Overfitting dalam Pengujian Kembali” (The Probability of Backtest Overfitting) menunjukkan bahwa kinerja pengujian kembali yang sempurna yang Anda lihat kemungkinan besar hanyalah hasil dari overfitting data. Dalam bidang keuangan kuantitatif, pengujian kembali adalah alat standar untuk menilai risiko dan imbal hasil strategi. Namun, seiring peningkatan kemampuan komputasi, peneliti kini dapat dengan mudah menguji ratusan miliar kombinasi strategi pada data historis yang sama.

Penulis makalah menyatakan, “Jika Anda terus menanyai data cukup lama, ia akan mengaku.” Ketika peneliti terus menyesuaikan parameter (seperti panjang moving average, ambang masuk posisi, dll) sampai kinerja terlihat sempurna, mereka sebenarnya hanya menyesuaikan noise pasar masa lalu, bukan menangkap sinyal masa depan. Sama seperti kamu mengerjakan soal ujian nasional berkali-kali, sampai kamu bisa mendapatkan 100 poin dari soal tahun lalu, itu tidak berarti kamu akan tampil sama baiknya di ujian tahun ini, karena keduanya berbeda.

Untuk mengatasi masalah ini, tim peneliti memperkenalkan indikator kunci: probabilitas overfitting pengujian kembali (Probability of Backtest Overfitting, PBO)). PBO mengukur kemungkinan bahwa strategi terbaik dalam pengujian kembali historis akan berkinerja di masa depan di bawah rata-rata. Jika PBO tinggi, itu menunjukkan strategi tersebut secara sengaja dipilih sebagai “parameter terbaik”; jika PBO rendah, strategi tersebut dianggap kokoh.

Dalam sebuah eksperimen dengan strategi yang memiliki rasio Sharpe hingga 1.27, yang sangat menarik bagi investor umum, ditemukan bahwa PBO strategi tersebut mencapai 55%. Meskipun semua pengujian kembali dalam sampel menunjukkan pengembalian positif, dalam pengujian di luar sampel, 53% dari waktu mengalami kerugian. Ini membuktikan bahwa bahkan strategi dengan rasio Sharpe tinggi pun bisa sepenuhnya merupakan hasil overfitting.

Studi empiris di pasar saham India: RSI, MACD sulit secara konsisten mengalahkan pasar

Setelah membahas masalah pengujian kembali dan statistik, mari kita lihat studi nyata. Sebuah studi empiris selama 18 tahun di pasar saham India menunjukkan bahwa alat analisis teknikal yang banyak digunakan investor secara keseluruhan sulit membantu trader secara konsisten menciptakan pengembalian surplus, bahkan selama periode pasar bearish yang singkat, kinerja yang disesuaikan risiko tetap tidak cukup untuk membuktikan analisis teknikal memiliki kemampuan keuntungan jangka panjang.

Studi ini dilakukan oleh S. Muruganandan dari Fakultas Ekonomi Sri Dharmasthala Manjunatheshwara College di India, dipublikasikan di Colombo Business Journal. Menggunakan data historis dari Bursa Efek Bombay (BSE) Sensex dari Februari 2000 hingga Mei 2018, yang mencakup beberapa siklus pasar bullish, bearish, dan sideways, mereka menguji dua indikator teknikal paling umum: Relative Strength Index (RSI) dan Moving Average Convergence Divergence (MACD).

Performa RSI sepenuhnya mengecewakan, tidak mampu menciptakan keunggulan yang stabil di semua siklus pasar

Hasil penelitian menunjukkan bahwa strategi RSI selama periode sampel secara keseluruhan, baik sinyal beli maupun jual, tidak secara signifikan mengungguli pengembalian rata-rata tanpa strategi apa pun, bahkan sebelum biaya transaksi dikurangi.

Setelah membagi data berdasarkan siklus pasar, RSI sering mengeluarkan sinyal jual selama pasar bullish, tetapi gagal mengikuti tren secara efektif; selama pasar bearish atau sideways, meskipun sinyal beli meningkat, mereka sering terlalu dini masuk posisi, sehingga hasilnya tetap buruk. Penelitian menunjukkan bahwa karakteristik RSI membuatnya cenderung melawan tren dalam pasar tren satu arah, malah menjadi beban kinerja. Dari sudut pandang risiko disesuaikan, rasio Sharpe strategi RSI sebagian besar negatif, menunjukkan risiko yang diambil tidak sebanding dengan imbalan yang diperoleh.

MACD sedikit lebih baik dalam sinyal jual selama pasar bearish

Sebaliknya, performa MACD sedikit lebih baik, tetapi tetap sulit dianggap andal. Penelitian menemukan bahwa sinyal beli MACD di semua siklus pasar secara rata-rata tidak secara signifikan mengungguli pasar; namun, sinyal jual selama sebagian besar pasar bearish menunjukkan pengembalian positif yang signifikan secara statistik, dan berkinerja lebih baik dari pengembalian rata-rata tanpa strategi.

Ini menunjukkan bahwa selama penurunan pasar, MACD lebih membantu trader menghindari sebagian kerugian, atau mendapatkan keuntungan melalui strategi short selling. Namun, setelah memasukkan pengukuran risiko, bahkan sinyal jual selama pasar bearish dengan keuntungan tetap menunjukkan rasio Sharpe rendah, menandakan imbal hasil tidak cukup untuk mengimbangi volatilitas strategi. Dengan kata lain, MACD berguna dalam kondisi tertentu, tetapi masih jauh dari menjadi alat keuntungan yang dapat diandalkan jangka panjang.

Kesimpulan penelitian menunjukkan bahwa di pasar saham India, dalam kerangka efisiensi lemah (Weak-form Efficiency), harga historis sudah tercermin secara efektif, sehingga mengandalkan indikator teknikal saja sulit untuk mendapatkan pengembalian abnormal secara konsisten. Bahkan di pasar berkembang yang relatif tidak sempurna informasi, keunggulan analisis teknikal secara bertahap dihapus oleh pasar. Penulis menekankan bahwa jika biaya transaksi, slippage, dan biaya modal dimasukkan, kinerja strategi analisis teknikal kemungkinan akan semakin memburuk.