Bertahan hidup, baru layak bicara tentang bunga majemuk; semakin lama bertahan, semakin layak menjadi pemenang.
Daftar Isi
Satu, overfitting: Penipuan terbesar di dunia kuantitatif
Dua, bias penyintas: Apa yang kamu lihat sebagai kesuksesan, besar kemungkinan hanya hasil penyaringan
Tiga, bias pandangan ke depan: Orang yang melihat jawaban selalu mendapatkan nilai penuh
Empat, memilih bias: Manusia secara alami suka percaya pada diri mereka sendiri
Lima, angsa hitam dan ekor tebal: Model tidak pernah bisa mencakup seluruh realitas
Enam, sistem pertahanan tim kuantitatif institusi
Tujuh, pemahaman akhir: Trading kuantitatif pada dasarnya adalah "manajemen kesalahan"
Pengantar: Kenapa 90% strategi kuantitatif gagal setelah diluncurkan?
Di industri manajemen aset institusi, ada sebuah pepatah yang beredar bertahun-tahun:
"Setiap strategi dapat menghasilkan uang di backtest, sampai mulai di live trading."
Banyak pemula yang masuk ke trading kuantitatif mengalami fase yang sama:
Backtest pengembalian tahunan 80%.
Rasio Sharpe 3.0+.
Penarikan maksimum kurang dari 10%.
Tingkat kemenangan mencapai 70%.
Terlihat seolah menemukan kunci kekayaan.
Tapi begitu diluncurkan:
Pengembalian terpotong;
Penarikan dua kali lipat;
Slippage menyerap keuntungan;
Langsung tidak efektif setelah perubahan lingkungan pasar.
Akhirnya mencapai kesimpulan yang salah:
Pasar telah berubah.
Faktanya, kebanyakan waktu bukan pasar yang berubah, tetapi strategi dari awal sudah palsu.
Dari perspektif manajemen aset kuantitatif bank investasi, yang benar-benar menentukan hidup mati strategi bukanlah tingkat pengembalian, tetapi kualitas kognisi.
Jika empat artikel pertama berbicara tentang:
Bagaimana membangun Alpha, bagaimana membangun strategi, bagaimana mengelola risiko, bagaimana menggabungkan faktor;
Jadi artikel ini membahas masalah yang lebih mendasar:
Bagaimana menghindari diri menjadi sumber risiko terbesar sendiri.
Karena musuh terbesar trading kuantitatif bukanlah volatilitas, bukan black swan, tetapi bias kognitif.
Satu, overfitting: penipuan terbesar di dunia kuantitatif.
Apa itu overfitting?
Overfitting pada dasarnya adalah:
Model tidak belajar pola pasar.
Melainkan mengingat suara sejarah.
Sederhananya:
Itu tidak menemukan pola.
Melainkan mengingat jawaban.
Misalnya:
Kamu menemukan bahwa backtest data sepuluh tahun yang lalu:
Ketika RSI=73, MACD golden cross, kemiringan rata-rata 20 hari lebih besar dari 0.7%, dan volume meningkat 37%, beli.
Tingkat pengembalian sangat tinggi.
Masalahnya adalah:
Apakah kondisi ini benar-benar mewakili pola pasar?
Atau hanya kebetulan dalam data sejarah?
Tidak ada yang tahu.
Tapi kemungkinan besar adalah yang terakhir.
Mengapa kuantitatif sangat rentan terhadap overfitting?
Karena pengembangan strategi pada dasarnya adalah:
Pencarian parameter skala besar.
Misalnya:
Sebuah strategi tren sederhana:
Parameter Jumlah opsi Periode rata-rata 10 jenis Ambang RSI 10 jenis Rasio stop-loss 10 jenis Waktu holding 10 jenis Filter volatilitas 10 jenis Filter waktu 10 jenis Jumlah kombinasi:
10^6=1,000,000
1.000.000 kombinasi.
Asalkan kombinasi cukup banyak.
Selalu ada beberapa "strategi super".
Masalahnya adalah:
Mereka hanya statistik yang menang lotere.
Bukan menemukan pola pasar.
Bagaimana institusi mengenali overfitting?
Uji sensitivitas parameter
Strategi yang benar-benar efektif:
Rata-rata 20 hari efektif;
Hari ke-18, ke-22 juga efektif.
Pengembalian tidak akan tiba-tiba runtuh.
Dan strategi overfitting:
Menghasilkan uang dalam 20 hari;
Kerugian langsung dalam 21 hari.
Menunjukkan bahwa yang dihasilkan adalah parameter itu sendiri.
Bukan pola pasar.
Uji stabilitas (Robustness Test).
Institusi akan membangun:
Peta panas parameter (Parameter Surface).
Jika strategi hanya menghasilkan uang di area yang sangat kecil:
Ini adalah contoh tipikal overfitting.
Jika area luas menghasilkan uang:
Baru kemudian memiliki Alpha yang nyata.
Pengujian di luar sampel.
Standar emas di industri:
Dataset digunakan untuk Training, Validation, Testing, proporsi biasanya:
60%
20%
20%
Set pengujian hanya boleh dilihat sekali.
Tidak bisa mengatur parameter berulang kali.
Jika tidak, set pengujian juga akan berubah menjadi set pelatihan.
Pemahaman inti tingkat bank investasi.
Strategi yang tidak didukung oleh logika ekonomi:
Pada dasarnya semuanya adalah penambangan data.
Backtest seindah apapun tidak ada artinya.
Alpha pertama kali berasal dari logika.
Kedua berasal dari data.
Dua, bias survivor: apa yang kamu lihat sebagai kesuksesan, kemungkinan besar hanya hasil seleksi.
Apa itu bias survivor?
Kasus klasik paling terkenal berasal dari Perang Dunia II.
Statistik sekutu tentang peluru di pesawat yang kembali.
Menemukan bahwa sayap ditembak paling banyak.
Siapkan untuk memperkuat pelindung sayap.
Para statistikawan menunjukkan:
Salah.
Karena pesawat yang ditembak di mesin tidak bisa kembali.
Apa yang kamu lihat adalah yang selamat.
Apa yang tidak terlihat adalah contoh kematian.
Bias survivor dalam backtest kuantitatif.
Misalnya:
Hari ini, saham komponen CSI 300.
Backtest selama sepuluh tahun terakhir.
Hasilnya sangat baik.
Masalahnya adalah:
Kemana saham yang dikeluarkan dalam sepuluh tahun terakhir?
Banyak:
ST
Delisting
Kebangkrutan
Penipuan keuangan
Semua menghilang.
Hanya pemenang yang tersisa di backtest.
Rendahnya tingkat pengembalian alami.
Pasar kripto lebih parah.
Jika menggunakan 100 koin teratas tahun 2026 untuk backtest strategi tahun 2022:
Kamu tidak akan pernah melihat:
Terra (LUNA)
Aset terkait FTX.
Berbagai proyek MEME yang nol.
Token yang sudah delisting.
Contoh kematian ini.
Akibatnya, pengembalian sangat terlampau tinggi.
Tempat paling menakutkan dari bias survivor.
Itu tidak hanya ada dalam data.
Masih ada di dalam diri manusia.
Kamu melihat:
Orang yang memposting pengembalian di media sosial.
Tapi tidak bisa melihat:
99 orang yang mengalami liquidasi.
Kamu melihat:
Manajer dana sukses.
Tapi tidak bisa melihat:
Manajer dana yang sudah dilikuidasi.
Kamu melihat:
Mitos pengembalian tahunan 300%.
Tapi tidak bisa melihat:
Di belakang ada 99 akun yang nol.
Ini juga mengapa:
Pengembalian di media sosial selalu lebih tinggi daripada kenyataan.
Karena orang yang rugi tidak akan memposting di media sosial.
Ketiga, bias foresight: orang yang mengintip jawaban selalu mendapatkan nilai penuh.
Apa itu bias foresight?
Look-Ahead Bias.
Sederhananya:
Menggunakan informasi masa depan dalam backtest.
Misalnya:
Laporan tahunan diterbitkan pada April 2024.
Tapi kamu melakukan trading dengan laporan tahunan ini di Januari 2024.
Di dunia nyata tidak mungkin tahu.
Backtest tapi sudah tahu sebelumnya.
Jadi pengembalian melonjak.
Tiga jenis bias foresight yang paling umum.
Bias data keuangan.
Kebingungan antara waktu pengumuman laporan keuangan dan periode laporan.
Institusi akan sangat ketat menggunakan:
Tanggal pengungkapan yang sebenarnya.
Dan bukan tanggal laporan.
Bias harga yang disesuaikan.
Banyak orang langsung menggunakan harga yang telah disesuaikan ke belakang.
Sebenarnya:
Transaksi terjadi saat dividen masa depan belum terjadi.
Ini adalah informasi masa depan.
Bias harga yang disesuaikan.
Strategi mengeluarkan sinyal beli pada 14:59:59.
Backtest dilakukan pada harga transaksi 14:59:59.
Di dunia nyata:
Transmisi order membutuhkan waktu.
Proses pencocokan membutuhkan waktu.
Harga transaksi sudah berubah.
Institusi biasanya bergabung:
Penundaan.
Slippage.
Biaya dampak order.
Melakukan perbaikan.
Bias foresight dalam trading frekuensi tinggi.
Lebih tersembunyi.
Misalnya:
Snapshot order book.
Apa yang kamu lihat adalah order book yang lengkap.
Tapi di pasar nyata:
Penundaan transmisi data beberapa milidetik.
Ini cukup untuk mengubah hasil.
Oleh karena itu:
Banyak strategi frekuensi tinggi mati segera setelah di-launch.
Akar masalah ada di sini.
Empat, bias pemilihan: manusia secara alami suka percaya diri.
Bias konfirmasi (Confirmation Bias).
Ini adalah masalah yang dihadapi semua investor.
Kamu harus membentuk pendapat terlebih dahulu.
Kemudian mencari bukti untuk mendukung pendapat.
Melainkan membiarkan bukti menentukan pendapat.
Misalnya:
Percaya bahwa golden cross itu efektif.
Jadi terus mencari kasus golden cross yang sukses.
Mengabaikan kasus-kasus kegagalan.
Akhirnya semakin teguh.
Sebenarnya hanya diri yang berkhayal.
Bias pengintipan data (Data Snooping).
Kesalahan umum lainnya di bidang kuantitatif.
Esensinya adalah:
Uji coba berulang sampai menemukan hasil yang efektif.
Misalnya:
Uji 1000 faktor.
Selalu ada beberapa yang signifikan.
Ini tidak berarti mereka benar-benar efektif.
Hanya peristiwa probabilistik.
Bagaimana dunia akademis menyelesaikannya?
Memperkenalkan:
Penyesuaian Pengujian Berganda.
(Penyesuaian Pengujian Berganda)
Termasuk:
Penyesuaian Bonferroni.
Tingkat Temuan Palsu.
White Reality Check.
Deflated Sharpe Ratio.
Tujuannya sama:
Mengurangi kemungkinan "penemuan palsu".
Karena sebagian besar Alpha ditemukan:
Akhirnya semua hanya kebisingan.
Lima, black swan dan tail yang tebal: model tidak pernah bisa mencakup semua kenyataan.
Ilusi terbesar di pasar keuangan.
Risiko mengikuti distribusi normal.
Faktanya tidak begitu.
Pasar keuangan menunjukkan:
Distribusi tail tebal (Fat Tail).
Frekuensi kejadian ekstrem jauh lebih tinggi daripada prediksi teoritis.
Misalnya:
Krisis saham 1987.
Krisis keuangan 2008.
Krisis pandemi 2020.
Krisis obligasi Inggris 2022.
2024 reversi perdagangan carry Jepang.
Peristiwa ini hampir "tidak mungkin terjadi" dalam model normal.
Tapi sebenarnya terjadi.
Kenapa model tidak bisa memprediksi black swan?
Karena model berasal dari sejarah.
Masa depan tidak selalu mengulangi sejarah.
Model hanya bisa memberitahumu:
Apa yang terjadi di masa lalu.
Tidak bisa memberitahumu:
Masa depan pasti tidak akan terjadi apa-apa.
Ini adalah dua hal yang sepenuhnya berbeda.
Kasus ikan paus London.
Pada tahun 2012,
Tim tempat Bruno Iksil bekerja menggunakan model risiko untuk mengevaluasi posisi derivatif kredit.
Model menunjukkan risiko dapat dikendalikan.
Akhirnya rugi lebih dari 6 miliar dolar.
Masalahnya bukan pasar.
Melainkan asumsi model yang salah.
Yang paling berbahaya bukanlah model yang gagal.
Melainkan:
Kamu pikir model tidak akan gagal.
Keenam, sistem pertahanan tim kuantitatif institusi.
Institusi manajemen aset yang benar-benar matang.
Tidak akan bertanya:
"Strategi ini menghasilkan berapa banyak?"
Melainkan bertanya terlebih dahulu:
"Bagaimana ini akan mati?"
Tingkat pertama: Manajemen risiko penelitian.
Apakah ada logika ekonomi?
Apakah ada mekanisme kausal?
Apakah efektif di berbagai pasar?
Apakah efektif di berbagai periode?
Tingkat kedua: Manajemen risiko statistik.
Verifikasi di luar sampel.
Walk Forward Test.
Simulasi Monte Carlo.
Uji Bootstrap.
Deflated Sharpe Ratio.
Tingkat ketiga: Manajemen risiko portofolio.
Batasan strategi tunggal.
Batasan aset tunggal.
Kontrol konsentrasi industri.
Pembatasan paparan faktor.
Tingkat keempat: Manajemen risiko tail.
Uji stres:
Krisis keuangan.
Pembekuan likuiditas.
Mekanisme penghentian.
Lonjakan ekstrem.
Downtime bursa.
Memastikan sistem dapat bertahan dalam lingkungan ekstrem.
Tujuh, pemahaman akhir: trading kuantitatif pada dasarnya adalah "manajemen kesalahan".
Kebanyakan orang berpikir:
Trading kuantitatif adalah mencari jawaban yang benar.
Faktanya bukan demikian.
Apa yang sebenarnya dilakukan institusi top adalah:
Mengelola kesalahan.
Karena pasar tidak memiliki model yang selalu benar.
Hanya:
Model dengan biaya kesalahan lebih rendah.
Ciri khas institusi kuantitatif teratas.
Bukan yang paling menguntungkan.
Melainkan tingkat kematian terendah.
Misalnya:
Institusi yang bertahan lama seperti Renaissance Technologies, Bridgewater Associates, AQR Capital Management, telah membangun budaya yang sama:
Ragu pada model sendiri;
Ragu pada asumsi sendiri;
Ragu pada kesimpulan sendiri;
Selalu tinggalkan ruang untuk risiko ekstrem.
Karena mereka tahu:
Risiko terbesar di pasar adalah,
Sering kali berasal dari hal-hal yang dianggap "tidak mungkin terjadi".
Kesimpulan: Lebih penting daripada menemukan Alpha adalah menghindari pseudo-Alpha.
Lima artikel menjelaskan, kerangka lengkap trading kuantitatif juga hampir terbentuk:
Modul Pertanyaan inti Sumber Alpha Kenapa bisa menghasilkan uang Model strategi Bagaimana cara menghasilkan uang Manajemen risiko Bagaimana bisa bertahan hidup Sistem faktor Bagaimana memperluas keunggulan Jerat kognitif Bagaimana menghindari penipuan diri Bagi manajemen aset institusi, trading kuantitatif tidak pernah mencari "formula yang selalu menghasilkan uang".
Melainkan sebuah sistem industri yang terus-menerus divalidasi, terus-menerus diiterasi, dan terus-menerus mengelola risiko.
Yang benar-benar menentukan pengembalian jangka panjang bukanlah sekali menangkap kesempatan, melainkan dapat menjaga modal, sistem, dan hak untuk bertahan hidup di tengah banyak kesalahan, kebisingan, dan black swan.
Karena di pasar modal, Alpha terbesar bukanlah memprediksi masa depan.
Melainkan memiliki kemampuan untuk melewati masa depan.
Bertahan hidup, baru bisa bicara tentang bunga majemuk; bertahan lebih lama, baru bisa jadi pemenang.