00:00:00Baik dalam 10, 20,
00:00:03atau 30 tahun terakhir,
00:00:04jika kita melihat periode tersebut, ada berapa banyak pola yang menguntungkan?
00:00:09Jawabannya tidak terbatas. Hal ini bahkan bisa dibuktikan secara nyata.
00:00:12Halo semuanya, saya Wall Street Guy.
00:00:21Hari ini kita akan membahas tentang investasi kuantitatif (quant).
00:00:24Banyak dari Anda yang bertanya melalui komentar, email,
00:00:26atau pesan pribadi tentang bagaimana cara melakukan trading kuantitatif.
00:00:29Sebenarnya, berdasarkan tujuan dan kurikulum saluran saya ke depan,
00:00:33saya tidak berencana membahas trading algoritma
00:00:36atau investasi kuantitatif dalam waktu dekat.
00:00:38Namun, saya melihat bahwa
00:00:40sekitar 15% dari pelanggan saya melakukan trading kuantitatif,
00:00:44dan ada beberapa hal yang mengkhawatirkan tentang investasi ini belakangan ini.
00:00:48Itulah alasan mengapa saya membuat video ini.
00:00:50Agenda hari ini dimulai dengan klasifikasi dan prinsip dasar quant secara umum,
00:00:53kemudian kita akan melihat gambaran besarnya,
00:00:56lalu membahas 10 hal yang harus diwaspadai dalam trading kuantitatif.
00:00:59Jika Anda mengingat 10 hal ini, Anda tidak akan
00:01:04membuang-buang banyak waktu dalam trading kuantitatif,
00:01:06baik itu dalam hal backtesting
00:01:09maupun penggunaan metodologi yang salah.
00:01:11Saya yakin ini bisa mencegah Anda dari kerugian yang besar.
00:01:15Meskipun ini adalah dasar dari segala dasar,
00:01:18tampaknya kursus berbayar yang mahal di luar sana
00:01:21tidak membahas poin-poin ini secara mendalam.
00:01:24Sebaliknya, kursus-kursus tersebut cenderung
00:01:27memperindah realitas backtesting dan investasi kuantitatif.
00:01:31Jadi, ingatlah 10 hal ini agar saat Anda mencari informasi
00:01:35atau menggunakan layanan investasi kuantitatif apa pun,
00:01:39Anda bisa tetap aman dan melindungi diri sendiri.
00:01:43Sebelum kita mulai, beberapa hari yang lalu saya sempat mengunggah
00:01:47sebuah tulisan pendek dengan nada yang agak emosional,
00:01:49dan sepertinya saya melakukan sedikit kesalahan.
00:01:51Saya menulis bahwa pemasaran viral dan iklan berlebihan
00:01:54mengenai investasi kuantitatif sudah melewati batas.
00:01:55Namun, di kolom komentar, banyak muncul ujaran kebencian
00:01:59terhadap individu atau perusahaan tertentu.
00:02:02Saya menghapus postingan itu karena takut merusak reputasi mereka.
00:02:06Sejujurnya, apa yang mereka lakukan bukanlah hal ilegal
00:02:09seperti grup chat saham ilegal atau perantara akun palsu.
00:02:12Mungkin saya memang terlalu ikut campur urusan orang lain.
00:02:16Namun, di sisi lain, masalah seperti akun pinjaman
00:02:19biasanya digunakan oleh orang-orang yang tahu itu ilegal,
00:02:22tetapi tetap melakukannya karena rasa serakah mereka sendiri.
00:02:25Tetapi jika melihat wacana investasi kuantitatif saat ini,
00:02:28banyak orang biasa yang ingin berusaha secara jujur
00:02:33untuk memperbaiki kondisi finansial mereka,
00:02:35malah bisa menjadi korban saat mereka memasuki bidang
00:02:37investasi kuantitatif ini.
00:02:40hal itu bisa membuat orang salah paham padahal ada bagian yang tidak ilmiah.
00:02:46Because it can cause people to misunderstand, even though it contains non-scientific elements.
00:02:51Grup saham ilegal atau akun palsu sangat jelas pelanggarannya,
00:02:55sehingga orang bisa menghindarinya jika mau.
00:02:56Tetapi dalam hal ini, orang-orang baik yang berniat belajar sungguh-sungguh bisa menjadi korban.
00:03:01Ada klaim bahwa siapa pun bisa menjadi ahli investasi kuantitatif dalam beberapa hari,
00:03:04atau ini adalah strategi yang telah teruji dengan data selama puluhan tahun,
00:03:08atau karena telah menghasilkan keuntungan majemuk 20% selama 10 tahun,
00:03:11maka akan terus seperti itu di masa depan.
00:03:14Mungkin niat mereka tidak jahat dan hanya sekadar berbicara,
00:03:18namun bagi para pemula di dunia saham,
00:03:20beberapa dari mereka mungkin salah paham dan membuat asumsi yang keliru.
00:03:23Hal ini bisa menyebabkan mereka membuang banyak waktu untuk backtesting
00:03:25dan bahkan mengalami kerugian finansial yang nyata.
00:03:27Jika mereka memiliki kepercayaan buta pada hasil backtesting tersebut,
00:03:32padahal menurut peraturan SEC di Amerika Serikat,
00:03:35pemasaran dana investasi seperti itu dianggap ilegal dan akan ditindak.
00:03:38Oleh karena itu, saya berharap mereka yang membahas investasi kuantitatif
00:03:41bisa lebih menghargai beratnya nilai uang orang lain.
00:03:45Saya tidak tahu sampai kapan saya akan terus membuat konten YouTube,
00:03:47tapi saya mengatakan ini bukan untuk terlihat seperti orang baik.
00:03:51Saya mengatakannya karena pernah mengalami masa sulit karena uang
00:03:52di usia pertengahan 20-an, jadi saya tahu bagaimana rasanya.
00:03:56Karena saya sering membahas manajemen mental saat rugi
00:03:58dan berbagi cerita tentang kerugian besar saya saat muda,
00:04:01sepertinya banyak orang yang mengirimkan pesan konsultasi kepada saya.
00:04:05Setiap minggunya, ada beberapa email dari pelanggan
00:04:09yang merasa putus asa karena kehilangan uang hingga miliaran rupiah.
00:04:14Oleh sebab itu, para YouTuber keuangan, saham, atau properti
00:04:16perlu melakukan introspeksi diri sesekali.
00:04:20merasa seolah-olah saya sedang melakukan grup berbayar (leading),
00:04:24Lately, while I've been doing my '80-Day Investment Around the World' journey,
00:04:26jadi saya berpikir harus kembali ke niat awal setelah pasar yang turun ini berakhir.
00:04:29Bagaimanapun, video ini dibuat dengan niat tersebut.
00:04:33Sama sekali tidak ada maksud untuk menyerang individu atau perusahaan tertentu.
00:04:37Pihak pemasaran investasi kuantitatif pun
00:04:40mungkin ada hal yang tidak mereka ketahui saat melakukannya.
00:04:43Mari kita semua menyadari hal ini dan berusaha memperbaikinya bersama.
00:04:46Jadi, saya mohon kepada para penonton untuk tidak
00:04:49menyebutkan nama atau menyerang siapa pun di kolom komentar.
00:04:51Baiklah, pembukaannya sudah cukup panjang.
00:04:55Pertama-tama, mari kita lihat klasifikasi investasi kuantitatif.
00:04:57Istilah “quant” didefinisikan secara sangat luas dan beragam.
00:04:58Jika kita membaginya berdasarkan urutan waktu
00:05:01untuk memudahkan pemahaman, ada yang disebut High-Frequency Trading (HFT).
00:05:04Di dalam HFT, ada tingkatan yang disebut Ultra HFT.
00:05:07Di sini, server diletakkan langsung di lokasi bursa (colocation),
00:05:10pengodean dilakukan di tingkat bahasa mesin,
00:05:12dan mereka sangat memperhatikan performa perangkat keras.
00:05:14Itulah level trading yang sangat cepat.
00:05:19Lalu, ada trading dengan cakrawala waktu yang sedikit lebih panjang,
00:05:20yaitu trading algoritma.
00:05:22Ini menggunakan indikator teknikal atau sistem berbasis aturan (rule-based).
00:05:24Jenis ini banyak dilakukan oleh individu
00:05:28dan mulai populer melalui berbagai platform backtesting.
00:05:29Selanjutnya, ada arbitrase statistik
00:05:33seperti pair trading,
00:05:35yang menggunakan model atau metodologi statistik.
00:05:39Intinya adalah mencari pola masa lalu
00:05:41dengan asumsi bahwa harga akan kembali ke rata-rata (mean reversion).
00:05:42Lalu ada juga investasi faktor (factor investing).
00:05:44Ini cenderung untuk jangka panjang, seperti faktor momentum, nilai (value), atau carry.
00:05:46Tujuannya mencari faktor yang menggerakkan harga dan menemukan alfa.
00:05:48Kemudian, topik yang sedang hangat dalam beberapa tahun terakhir
00:05:50adalah “Quantamental”.
00:05:52Ini adalah metode mengukur dan mengotomatisasi analisis fundamental,
00:05:54serta menambahkan berbagai analisis data alternatif
00:05:59untuk investasi jangka panjang.
00:06:01Dalam konteks yang sama, penggunaan machine learning,
00:06:03big data, dan data alternatif
00:06:06semakin meluas ke berbagai bidang.
00:06:07Klasifikasi ini dibuat untuk mempermudah pemahaman,
00:06:10karena sebenarnya batas-batasnya sangat kabur.
00:06:12Ada yang menyebut seluruh bidang ini sebagai trading algoritma.
00:06:16Jadi, saya akan membahas trading kuantitatif
00:06:18secara umum dan merangkum semuanya jadi satu.
00:06:20Prinsip dari trading kuantitatif adalah,
00:06:23pertama, Anda harus memiliki ide investasi atau hipotesis.
00:06:26Kedua, Anda melakukan backtesting.
00:06:28Yaitu menguji ide atau hipotesis tersebut
00:06:30menggunakan data historis.
00:06:31Jika Anda merasa metode ini bisa menghasilkan uang,
00:06:33Anda menguji apakah secara historis
00:06:35metode ini benar-benar menghasilkan keuntungan.
00:06:37Jika hasil backtesting-nya bagus,
00:06:40baru kemudian Anda melakukan trading riil
00:06:42sambil mengelola risikonya.
00:06:44Itulah empat tahapan prosesnya.
00:06:47Sebenarnya, hingga pertengahan 2010-an,
00:06:50trading kuantitatif adalah wilayah eksklusif institusi,
00:06:51terutama dana lindung nilai (quant funds)
00:06:54yang mempekerjakan banyak doktor di bidang sains dan teknik.
00:06:56Namun kini, hal ini mulai menjadi umum di institusi
00:06:57terutama dalam hal eksekusi.
00:07:00Selain itu, munculnya layanan seperti Quantopian di AS
00:07:01yang mempermudah proses backtesting
00:07:03membuat trading kuantitatif bisa diakses oleh investor individu.
00:07:06Namun di saat yang sama, pemahaman yang keliru
00:07:09tentang investasi kuantitatif juga semakin meningkat.
00:07:13Sebagai contoh,
00:07:16misalkan selama 15 tahun terakhir, jika kita berinvestasi pada perusahaan
00:07:18dengan PBR di bawah 0,9 dan masuk bursa dalam 12 bulan terakhir,
00:07:21hasilnya memberikan imbal hasil tahunan 20,2%.
00:07:23Lalu ketika angka PBR-nya sedikit diubah,
00:07:25hasilnya berubah menjadi 14% atau 17,8%.
00:07:28Banyak orang melakukan backtesting seperti ini,
00:07:30dan karena hasil pertama adalah yang terbaik,
00:07:33mereka memutuskan untuk berinvestasi
00:07:35menggunakan aturan dari hasil tersebut.
00:07:38Ini adalah contoh pemahaman yang salah.
00:07:40Jika Anda merenungkannya baik-baik,
00:07:42proses backtesting hanyalah mencari pola masa lalu
00:07:46yang menghasilkan keuntungan, dengan asumsi
00:07:48bahwa pola tersebut akan terulang di masa depan.
00:07:51Tapi apakah ada jaminan pola itu akan berulang?
00:07:53Dalam jangka waktu 10, 20, atau 30 tahun terakhir,
00:07:56kira-kira ada berapa banyak pola yang menguntungkan
00:07:58selama periode tersebut?
00:08:01Coba hentikan video ini sejenak dan pikirkan.
00:08:03Jawabannya adalah: tak terbatas.
00:08:04Ini bahkan bisa dibuktikan secara matematis.
00:08:07Karena parameter berbagai strategi bersifat kontinu,
00:08:09maka secara teknis ada jumlah strategi menguntungkan yang tak terbatas.
00:08:12Pertanyaannya, berapa banyak dari strategi itu yang akan tetap menguntungkan di masa depan?
00:08:14Inilah inti dari tantangan dalam dunia kuantitatif.
00:08:16Menemukan pola yang menguntungkan di masa lalu
00:08:18adalah hal yang bisa dilakukan siapa saja
00:08:21jika mereka memiliki alat backtesting.
00:08:24Namun, menemukan pola yang bagus di masa lalu
00:08:26DAN akan tetap bagus di masa depan adalah hal yang sangat sulit.
00:08:29Itu seperti mencari jarum dalam tumpukan jerami.
00:08:30Saat saya menjelajahi berbagai blog dan situs di Korea,
00:08:32saya melihat “Magic Formula” karya Joel Greenblatt
00:08:34sangatlah populer.
00:08:36Dia menciptakan sebuah formula sederhana
00:08:38untuk memilih saham berdasarkan kriteria tertentu,
00:08:42dan menulis buku tentang formula ajaib tersebut.
00:08:46Buku itu menjadi viral dan sangat dikenal
00:08:50di kalangan investor individu.
00:08:52Joel Greenblatt sendiri sangat terkenal di dunia hedge fund.
00:08:55Dia mulai berinvestasi sejak tahun 1980-an,
00:08:56dan selama periode itu, dia mencatatkan imbal hasil
00:09:00yang bahkan lebih tinggi daripada Warren Buffett.
00:09:02Itulah mengapa formula ajaibnya mendapatkan banyak perhatian.
00:09:04Namun, jika saya boleh langsung ke kesimpulannya,
00:09:07formula tersebut memiliki keterbatasan tersendiri.
00:09:09Banyak orang yang mengikutinya tanpa memahami risikonya.
00:09:12Strategi kuantitatif tidak semudah hanya memasukkan angka.
00:09:13Ada banyak variabel pasar yang bisa berubah sewaktu-waktu.
00:09:15Oleh karena itu, jangan hanya terpaku pada performa masa lalu.
00:09:17Dia menetapkan rumus untuk memilih saham
00:09:20dan menulis buku tentang rumus ajaib investasi tersebut.
00:09:24Buku itu menjadi topik hangat
00:09:25dan tampaknya sangat dikenal di kalangan investor ritel.
00:09:28Namun, orang ini juga sangat terkenal di dunia hedge fund.
00:09:31Dia mulai berinvestasi sejak tahun 1980-an,
00:09:33dan selama periode investasi tersebut, dia mencatat
00:09:35tingkat pengembalian yang lebih tinggi daripada Warren Buffett.
00:09:37Itulah mengapa “Rumus Ajaib” ini semakin mendapat perhatian.
00:09:40Singkatnya,
00:09:42Greenblatt bukanlah seorang quant (investor kuantitatif),
00:09:44dan hedge fund miliknya tidak berinvestasi hanya dengan rumus ajaib.
00:09:47Keuntungan besar itu bukan hasil dari investasi rumus ajaib saja.
00:09:50Dana tersebut melakukan investasi nilai (value investing)
00:09:52dan juga investasi dalam “situasi khusus” (special situations).
00:09:54Misalnya, seperti peristiwa spin-off,
00:09:57ketika sebuah perusahaan memisahkan diri,
00:09:59terjadi perbedaan harga atau celah pasar,
00:10:01dan dia menggunakan metodologi untuk menangkap keuntungan dari situ.
00:10:04Dia menggunakan metode-metode tersebut secara bersamaan.
00:10:07Dan untuk bagian investasi nilai pun, menurut saya dia tidak
00:10:10hanya menggunakan rumus yang sederhana seperti itu.
00:10:12Tentu saja, hal itu mungkin tercermin dalam kerangka kerjanya.
00:10:14Tapi saya rasa dia tidak mendapatkan hasil itu hanya dengan
00:10:18membeli saham secara mekanis menggunakan rumus tersebut.
00:10:20Jadi, jika kita melakukan backtesting performanya
00:10:22sejak tahun 2005 setelah rumus ajaib ini dipublikasikan,
00:10:26garis abu-abu ini adalah indeks S&P,
00:10:28dan garis hijau ini adalah hasil dari rumus ajaib.
00:10:29Seperti yang Anda lihat, setelah mengalami volatilitas yang tinggi,
00:10:32rumus ini terus menunjukkan performa di bawah pasar (underperform).
00:10:34Hal-hal semacam ini muncul dalam ETF ekuitas sistemik,
00:10:37jadi investasi serupa pun bermunculan,
00:10:40dan seiring dengan pasar yang menjadi lebih efisien,
00:10:42bisa dikatakan keunggulan atau “edge” tersebut telah hilang.
00:10:44Bahkan rumus yang sangat terkenal pun hanya menunjukkan hasil seperti ini.
00:10:48Sangat mudah untuk menemukan pola yang menguntungkan di masa lalu.
00:10:50Anda bahkan bisa menulis buku tentang hal itu.
00:10:53Namun, menemukan pola yang juga akan menguntungkan di masa depan
00:10:56membutuhkan kerja keras yang sangat, sangat, sangat banyak.
00:11:00Jadi, strategi dengan profit 20% setahun yang didapat hanya dari
00:11:03berpikir beberapa hari dan beberapa klik saja itu tidak ada di dunia ini.
00:11:06Contoh lainnya adalah Quantopian.
00:11:08Quantopian adalah startup yang didirikan sekitar tahun 2011,
00:11:12sebuah platform di AS yang membuat backtesting menjadi sangat mudah.
00:11:16Sebanyak 300.000 orang melakukan 12 juta kali backtesting,
00:11:20menguji dan menciptakan strategi quant yang sangat banyak di sana.
00:11:24Miliarder terkenal Steve Cohen bahkan berinvestasi di sana.
00:11:27Dia adalah seorang trader hedge fund.
00:11:29Dan para ahli quant papan atas di Quantopian
00:11:32bahkan menerbitkan makalah penelitian
00:11:34tentang strategi mana yang akan menguntungkan di masa depan,
00:11:37dengan kriteria apa dan metodologi statistik seperti apa
00:11:40yang harus digunakan untuk menyaringnya.
00:11:41Mereka benar-benar melakukan penelitian yang intensif,
00:11:44memilih strategi yang tepat,
00:11:46dan berencana untuk mengelola hedge fund baru dengan strategi itu.
00:11:48Itulah idenya,
00:11:49tapi mereka gagal total.
00:11:51Akhirnya, mereka menutup bisnisnya tahun lalu.
00:11:53Mengapa fenomena seperti ini bisa terjadi?
00:11:55Dan bagi penonton yang ingin mencoba trading atau investasi quant,
00:11:58bagaimana cara menghindari hasil yang mengecewakan seperti ini?
00:12:02Tentu saja, Anda tidak bisa menghindarinya secara sempurna.
00:12:03Dan menurut saya, ini adalah tugas yang sangat sulit.
00:12:07Namun, jika Anda tetap ingin mencobanya,
00:12:10setidaknya ingatlah 10 hal ini
00:12:12dan berhati-hatilah.
00:12:13Saya akan menjelaskannya satu per satu dari sudut pandang tersebut.
00:12:16Hanya dengan mengingat 10 hal ini,
00:12:17Anda bisa menghindari pemborosan waktu akibat backtesting yang salah,
00:12:22serta menghindari kerugian finansial.
00:12:24Tentu saja, backtesting yang baik tidak menjamin keuntungan.
00:12:27Hal pertama adalah Anda harus meragukan data tersebut.
00:12:31Ada orang yang menggunakan data dari Google atau Yahoo,
00:12:34tapi data seperti itu sebenarnya sangat, sangat “kotor”.
00:12:37Jadi, bagi mereka yang ingin memulai trading quant dari nol,
00:12:41data akan menjadi hambatan yang sangat besar.
00:12:45Data gratis seperti itu sangat kotor dan banyak kesalahan.
00:12:47Lalu, dalam proses pembersihan data
00:12:50untuk membuatnya menjadi bersih,
00:12:51Anda mungkin berpikir hanya perlu mencari kesalahannya saja.
00:12:54Namun ternyata, penilaian subjektif dan bias manusia
00:12:57pasti akan ikut masuk ke dalamnya.
00:12:59Mari saya beri satu contoh.
00:13:01Katakanlah sebuah saham diperdagangkan di kisaran 41 hingga 43 dolar,
00:13:05lalu pasar ditutup.
00:13:06Namun menjelang penutupan pasar,
00:13:08seorang trader melakukan kesalahan input order,
00:13:11sehingga satu lembar saham terjual di harga 28 dolar.
00:13:14Maka, secara teknis,
00:13:16harga terendah hari itu adalah 28 dolar.
00:13:18Meskipun orang ini rugi besar karena kesalahannya,
00:13:21harga terendah tetap harus tercatat sebagai 28 dolar.
00:13:24Itu adalah fakta yang terjadi.
00:13:25Lalu bagaimana Anda menentukan harga terendah dan tertinggi?
00:13:28Jika Anda menghapus itu dan mencatat 41 dolar sebagai harga terendah,
00:13:31sebenarnya Anda sedang menghapus transaksi
00:13:34dan harga terendah yang benar-benar terjadi.
00:13:36Tapi jika Anda tidak menghapusnya,
00:13:38misalnya, jika Anda memiliki strategi
00:13:40untuk memasang order beli jika harga anjlok lebih dari 5%
00:13:44dalam waktu 5 menit dalam rentang harga hari itu,
00:13:45maka saat melakukan backtesting,
00:13:47sistem akan mengenali bahwa Anda membeli di harga 28 dolar.
00:13:48Sistem backtesting akan menganggapnya demikian.
00:13:51Maka hasilnya seolah-olah Anda membeli di harga 28 dolar
00:13:53dan langsung menjualnya di harga penutupan 42 dolar,
00:13:55sehingga backtesting akan mencatatnya sebagai keuntungan.
00:13:58Hal ini bisa membuat performa keuntungan strategi ini
00:13:59menjadi sangat menggelembung atau tidak akurat.
00:14:01Tentu saja, jika hanya 1 lembar, Anda bisa menghapusnya.
00:14:03Tapi bagaimana jika kesalahan trader itu
00:14:06sebanyak 10 lembar, 100 lembar, atau bahkan 10.000 lembar?
00:14:09Kasus seperti itu benar-benar ada.
00:14:11Kasus-kasus seperti itu terkadang terjadi beberapa kali.
00:14:14Memang ada kasus berskala besar yang merugikan puluhan miliar won,
00:14:17dan itu memang pernah benar-benar terjadi.
00:14:20Tapi kesalahan input 100 atau 1.000 lembar
00:14:21terjadi lebih sering daripada yang Anda bayangkan.
00:14:23Tentu saja, dalam beberapa tahun terakhir,
00:14:24karena algoritma yang melakukan
00:14:25eksekusi perdagangan,
00:14:27jaring pengaman juga sudah disiapkan.
00:14:29Jadi tidak sesering dulu lagi.
00:14:31Bagaimanapun, data backtesting
00:14:33biasanya menggunakan data sebelum eksekusi algoritma menjadi umum,
00:14:36seperti data dari tahun 2011 atau 2005.
00:14:37Jika Anda melihat ke belakang sejauh itu,
00:14:39kasus-kasus seperti ini akan cukup sering ditemukan.
00:14:41Lalu bagaimana Anda akan menangani hal itu?
00:14:43Juga ada produk yang diperdagangkan
00:14:44di beberapa bursa saham yang berbeda.
00:14:45Untuk produk-produk seperti itu,
00:14:47apakah data dari berbagai bursa tersebut
00:14:49sudah diintegrasikan dengan baik?
00:14:50Misalnya, apakah harga terendah, tertinggi,
00:14:52data perdagangan, dan volume penjualannya
00:14:53sudah terintegrasi secara bersih?
00:14:56Atau,
00:14:57apakah Anda melakukan backtesting dengan data yang tidak lengkap
00:14:59karena hanya mengambil data dari beberapa bursa saja?
00:15:01Jika biaya datanya murah,
00:15:02kemungkinan besar datanya tidak lengkap.
00:15:04Dan saat menghitung MDD (Maximum Drawdown),
00:15:05apakah Anda menggunakan harga terendah dan bukan harga penutupan?
00:15:07Misalnya, untuk strategi
00:15:09rebalancing bulanan,
00:15:11saat melakukan backtesting,
00:15:13beberapa orang menggunakan data harian
00:15:14tapi hanya memakai harga penutupan saja.
00:15:15Tapi sebenarnya,
00:15:17untuk menghitung penurunan nilai (drawdown),
00:15:18Anda juga harus melihat
00:15:20penurunan nilai di dalam hari yang sama (intraday drawdown).
00:15:21Hal-hal sepele semacam itu,
00:15:22atau saat melakukan backtesting untuk kontrak berjangka (futures),
00:15:24jika produk tersebut memiliki masa kedaluwarsa,
00:15:26bagaimana Anda melakukan rollover kontraknya?
00:15:27Atau dalam kasus backtesting,
00:15:29sering kali data dibuat dengan menyambungkan
00:15:31masa kedaluwarsa kontrak berjangka yang berurutan.
00:15:33Lalu bagaimana Anda memperlakukan
00:15:34rollover kontrak tersebut?
00:15:35Masalah-masalah seperti itu
00:15:37dan masih banyak lagi masalah lainnya.
00:15:38Apakah Anda pernah memikirkan
00:15:39masalah data seperti ini?
00:15:40Atau jika Anda menggunakan layanan backtesting,
00:15:42apakah Anda hanya percaya begitu saja bahwa perusahaan itu
00:15:44sudah memproses datanya dengan benar?
00:15:47Bagian-bagian itu perlu dikonfirmasi.
00:15:51Kesalahan yang sangat banyak sering kali muncul dari masalah data,
00:15:53dan hasil backtesting sering kali
00:15:57menjadi terdistorsi atau bias.
00:15:59Selain itu, salah satu masalah yang datang dari data adalah
00:16:01bias penyintas (survivorship bias).
00:16:04Ini adalah salah satu kesalahan tipikal dalam backtesting.
00:16:06Gambar ini menunjukkan sesuatu tentang
00:16:08Perang Dunia I atau II, saya kurang yakin yang mana,
00:16:10tapi angkatan udara mencoba untuk memperkuat pesawat mereka.
00:16:12Mereka ingin tahu bagian mana dari badan pesawat
00:16:16yang harus diberi pelindung atau baja tambahan.
00:16:18Untuk mengetahui hal itu,
00:16:20para insinyur mengumpulkan semua pesawat
00:16:21yang kembali setelah pertempuran udara,
00:16:24dan menganalisis bagian mana
00:16:26yang paling banyak terkena tembakan.
00:16:28Mereka menyimpulkan, “Oh, bagian ini yang paling sering tertembak.”
00:16:29Jadi mereka memutuskan untuk membuat bagian itu
00:16:33lebih tebal dengan pelat baja atau semacamnya.
00:16:34Tapi ini adalah kesalahan yang sangat besar.
00:16:36Sebab, pada kenyataannya, pesawat yang tertembak di bagian lain
00:16:38seperti mesin atau kokpit
00:16:40semuanya sudah jatuh dan tidak pernah kembali.
00:16:42Jadi, mengambil kesimpulan hanya dari data yang tersedia
00:16:42sangatlah berbahaya.
00:16:44Ini adalah contoh bagus yang menunjukkan hal itu.
00:16:46Dalam investasi saham, bias penyintas berarti,
00:16:49misalnya, jika kita melihat sekarang,
00:16:50Hal ini menunjukkan betapa berbahayanya
00:16:52mengambil kesimpulan hanya dari data yang ada.
00:16:54Dalam investasi saham, yang disebut bias kelangsungan hidup adalah,
00:16:56sebagai contoh,
00:16:57jika kita melihat sekarang,
00:16:59seandainya kita membeli Apple dan Microsoft di tahun 80-an,
00:17:02pasti kita sudah kaya raya.
00:17:03Karena berpikir seperti itu,
00:17:05katakanlah kita menyusun strategi untuk membeli saham teknologi semacam itu.
00:17:08Namun kenyataannya, pada tahun 80-an saat itu,
00:17:10perusahaan yang menjanjikan setingkat Apple atau Microsoft
00:17:13ada lebih dari 30 perusahaan.
00:17:14Dan 28 di antaranya telah lenyap.
00:17:17Jadi, hanya dua perusahaan itu yang bertahan hidup.
00:17:19Hanya mereka berdua yang selamat,
00:17:22tapi dengan melihat mereka,
00:17:23kita berpikir bahwa investasi seperti itu akan sukses besar sekarang.
00:17:27Jadi, melakukan backtesting hanya pada perusahaan
00:17:30yang masih bertahan saat ini sebagai subjeknya,
00:17:32pasti akan membuat tingkat pengembaliannya terlihat menggelembung.
00:17:35Dan tentu saja, semakin lama periode backtesting dilakukan,
00:17:38masalahnya akan menjadi semakin besar.
00:17:40Karena dalam periode yang panjang itu,
00:17:41pasti banyak perusahaan yang ada di awal,
00:17:43namun kemudian menghilang di tengah jalan.
00:17:45Tetapi ternyata banyak investor pemula
00:17:47saat memulai backtesting seperti ini,
00:17:48menentukan “stock universe” di awal.
00:17:51Mereka menentukan cakupan saham mana
00:17:54yang akan diuji melalui backtesting,
00:17:55dan sering kali hanya terdiri dari perusahaan yang ada saat ini.
00:17:58Lalu di dalam cakupan itu,
00:17:59mereka melakukan backtesting dengan berbagai kriteria
00:18:02untuk menentukan bagaimana cara memilih
00:18:05perusahaan yang bagus di antara mereka.
00:18:07Jika dilakukan dengan cara itu,
00:18:08sejak periode backtesting dimulai hingga sekarang,
00:18:11perusahaan yang bangkrut akan otomatis tereliminasi.
00:18:13Seolah-olah kita mengasumsikan bahwa
00:18:16kita memiliki kemampuan dewa saat melakukan backtesting.
00:18:18Maka tingkat pengembaliannya tentu akan jauh lebih tinggi dari kenyataan.
00:18:21Oleh karena itu, saat melakukan backtesting,
00:18:23misalnya jika durasinya 20 tahun,
00:18:25kita harus memulai dengan perusahaan yang ada di tahun 2001
00:18:29sebagai basis datanya
00:18:30dan menjadikannya sebagai ruang lingkup pengujian.
00:18:32Saya ingin menyampaikan hal itu,
00:18:33dan sekadar info tambahan,
00:18:34para investor raksasa atau “super ants” di YouTube pun
00:18:37mungkin saja memiliki masalah bias kelangsungan hidup ini.
00:18:40Memang ada yang menjadi investor sukses berkat kemampuan murni,
00:18:43tapi ada juga yang mengambil risiko sangat besar
00:18:45dengan membeli saham dalam jumlah masif di satu perusahaan,
00:18:48lalu saham itu melonjak tajam
00:18:49sehingga mereka menjadi investor kaya raya.
00:18:51Namun, orang-orang yang melakukan tindakan serupa
00:18:53mungkin ada 30 atau 50 orang lainnya.
00:18:55Dari 50 orang yang mengambil tindakan berisiko tinggi tersebut,
00:18:58hanya satu orang yang berhasil selamat,
00:18:59dan penonton mungkin hanya melihat satu orang yang beruntung itu.
00:19:02Hal ini pun bisa jadi merupakan masalah bias kelangsungan hidup.
00:19:05Jadi, jika pada saat ini kita berpikir,
00:19:06“Aku juga harus jadi seperti dia,”
00:19:08lalu melakukan investasi dengan risiko yang sangat besar,
00:19:11itu tidak menjamin kesuksesan yang pasti,
00:19:13melainkan hanya jika Anda menjadi satu orang yang beruntung dari 50 orang.
00:19:17Hanya dengan menyadari adanya bias-bias seperti ini,
00:19:20kita bisa melakukan investasi yang jauh lebih rasional dan bijaksana.
00:19:22Jadi, saat menggunakan platform backtesting,
00:19:24masalah data yang saya sebutkan tadi
00:19:27atau masalah bias kelangsungan hidup,
00:19:28bisa dibilang Anda menyerahkan semuanya kepada penyedia layanan tersebut.
00:19:31Secara naif.
00:19:32Namun, apakah perusahaan tersebut
00:19:33benar-benar menangani masalah data atau bias tersebut
00:19:35secara sangat ketat
00:19:37dari sudut pandang pengguna, dan mengkhawatirkan
00:19:39tingkat pengembalian investasi yang nyata dari penggunanya?
00:19:41Apakah mereka menginvestasikan banyak modal
00:19:43untuk membersihkan data tersebut?
00:19:45Hal-hal seperti itu harus Anda pastikan terlebih dahulu.
00:19:48Lalu, poin kedua yang harus diwaspadai adalah
00:19:50apa yang disebut sebagai “look-ahead bias”.
00:19:52Jangan melihat masa depan terlebih dahulu.
00:19:54Jika kita mencoba menerjemahkan istilah look-ahead bias,
00:19:57mungkin bisa disebut sebagai “bias prediksi masa depan”?
00:19:58Bisa diartikan seperti itu.
00:20:00Ini terjadi ketika informasi yang belum bisa didapatkan saat waktu transaksi,
00:20:03digunakan dalam backtesting yang menggunakan data masa lalu.
00:20:05Jadi, berdasarkan urutan waktu,
00:20:07informasi itu sebenarnya belum ada tahun lalu,
00:20:09tetapi sering kali ditemukan logika transaksi
00:20:12yang merujuk pada informasi tersebut saat melakukan simulasi beli/jual tahun lalu.
00:20:14Itulah yang disebut sebagai look-ahead bias.
00:20:15Salah satu contoh kesalahan umum dalam hal ini adalah,
00:20:18misalnya per bulan September 2021 ini,
00:20:21karena sulit untuk melakukan backtesting pada semua saham di Korea,
00:20:24pengguna berpikir, “Mari kita pilih 100 saham saja.”
00:20:27Begitulah kira-kira pemikiran penggunanya.
00:20:29Lalu mereka menyaring 100 perusahaan teratas berdasarkan kapitalisasi pasar KOSPI
00:20:30dan melakukan backtesting dengan daftar tersebut.
00:20:34Misalnya, strategi membeli jika PER berada di angka tertentu.
00:20:35Dengan cara itu,
00:20:38mereka melakukan backtesting selama 10 tahun
00:20:39dan hasilnya ternyata sangat bagus.
00:20:41Tapi apa yang salah di sini?
00:20:42Mereka menyaring 100 teratas kapitalisasi pasar KOSPI
00:20:44berdasarkan data per September 2021.
00:20:50Hanya perusahaan-perusahaan itulah yang dipilih,
00:20:51padahal jika melakukan backtesting 10 tahun dari tahun 2011,
00:20:55itu sama saja dengan sudah mengetahui sebelumnya
00:20:59perusahaan mana yang akan masuk 100 besar di tahun 2021.
00:21:01Kapitalisasi pasar yang tinggi sebenarnya berarti
00:21:03harga saham perusahaan tersebut terus naik secara stabil.
00:21:06Meskipun orang-orang mencoba berhati-hati,
00:21:08mereka sering melakukan kesalahan ini
00:21:11dengan berpikir untuk membatasi simulasi pada beberapa ratus saham teratas saja.
00:21:12Mereka sering terjebak dalam pemikiran seperti itu.
00:21:14Contoh lainnya adalah
00:21:15saat melakukan backtesting dengan data fundamental laporan keuangan perusahaan.
00:21:17Setiap perusahaan memiliki tanggal pengumuman laporan keuangan
00:21:21kuartalan yang berbeda-beda.
00:21:24Tetapi, apakah transaksi seperti rebalancing
00:21:26dilakukan benar-benar setelah pengumuman tersebut?
00:21:29Katakanlah sebuah perusahaan baru merilis laporan keuangannya awal bulan depan,
00:21:31namun rebalancing dilakukan akhir bulan ini
00:21:33seolah-olah sudah mengetahui informasi tersebut.
00:21:36Artinya, transaksi dilakukan dengan sudah mengetahui masa depan.
00:21:40Hal-hal semacam itu bisa tercampur dalam backtesting.
00:21:41Lalu contoh lainnya adalah,
00:21:44misalkan kita berasumsi melakukan transaksi berdasarkan harga penutupan.
00:21:46Dan kita melakukan rebalancing harian,
00:21:48padahal harga penutupan adalah informasi yang baru diketahui setelah hari itu berakhir.
00:21:50Namun, jika backtesting dilakukan seolah-olah pesanan dieksekusi
00:21:525 menit sebelum pasar tutup dengan harga tersebut,
00:21:54maka bisa timbul bias
00:21:57karena seolah-olah sudah mengetahui masa depan dalam rentang waktu tersebut.
00:22:00Selanjutnya, poin ketiga ini sangat, sangat penting.
00:22:03Yaitu menghindari “overfitting” atau optimasi berlebihan.
00:22:05Ini adalah bagian yang tidak bisa terlalu ditekankan betapa pentingnya.
00:22:07Overfitting adalah
00:22:09membuat model yang kinerjanya terlalu bagus
00:22:11hanya pada data sampel yang diberikan.
00:22:13Misalnya, kita punya sampel seperti ini.
00:22:16Maka yang ingin kita ketahui adalah
00:22:18populasi yang ada di baliknya.
00:22:19Kita ingin mengestimasi
00:22:23seluruh populasi secara umum.
00:22:25Bagi Anda yang mungkin belum familiar dengan istilah populasi,
00:22:27saya akan jelaskan secara singkat.
00:22:29Misalnya kita melakukan survei opini
00:22:32tentang hasil pemilihan umum.
00:22:34Jika kita melakukan survei terhadap seluruh rakyat,
00:22:36maka itu akan menjadi survei opini yang sempurna.
00:22:38Dengan tingkat akurasi 100%.
00:22:40Tapi karena tidak mungkin bertanya kepada seluruh rakyat,
00:22:41maka kita mengambil sampel dari mereka.
00:22:44Kita hanya mengambil sebagian populasi dan mengasumsikan sampel itu
00:22:46mewakili populasi di belakangnya.
00:22:48Kita menganggapnya memiliki representativitas dan melakukan estimasi.
00:22:50Begitu juga dengan data ini, sebenarnya data populasi di baliknya
00:22:53pasti memiliki distribusi tertentu,
00:22:58dan kita mengambil beberapa sampel darinya
00:22:59untuk mencoba mengira-ngira seperti apa bentuk populasi tersebut.
00:23:02Ini adalah gambaran upaya mencocokkan model agar sesuai dengan bentuk itu,
00:23:06namun mencocokkan model (fitting) berarti
00:23:08kita harus menemukan garis tren model
00:23:10yang meminimalkan kesalahan (error) dengan sampel ini.
00:23:16Garis-garis seperti ini.
00:23:20Tetapi jika Anda mencocokkan model yang sangat kompleks
00:23:22dan berkelok-kelok seperti ini,
00:23:25maka pada data sampel, kesalahannya adalah nol.
00:23:30Garisnya menyentuh semua titik sampel.
00:23:30Jadi, ini adalah model dengan kesalahan nol
00:23:34yang sempurna hanya untuk sampel ini.
00:23:37Tapi apakah ini model yang merepresentasikan populasi di baliknya dengan baik?
00:23:39Tentu saja tidak, kan?
00:23:41Jika kita mengambil sampel baru, tingkat kesalahannya pasti akan sangat besar.
00:23:44Oleh karena itu, optimasi harus dilakukan secukupnya saja
00:23:47agar ketika sampel baru masuk,
00:23:51total kesalahannya tetap kecil.
00:23:51Sebaliknya, jika Anda mencocokkan garis lurus
00:23:54yang terlalu sederhana seperti ini,
00:23:58maka itu disebut “underfitting” atau kurang optimasi.
00:24:00Sehingga tingkat kesalahan pada sampel itu sendiri sudah besar.
00:24:03Jadi, hal terpenting dalam pemodelan apa pun
00:24:06adalah melakukan optimasi yang moderat.
00:24:08Namun banyak orang saat melakukan backtesting,
00:24:10menggunakan data masa lalu yang sebenarnya merupakan data sampel.
00:24:13Hanya demi memaksimalkan keuntungan di dalam sampel tersebut,
00:24:16mereka memasukkan segala macam aturan
00:24:18untuk menaikkan tingkat pengembalian setinggi mungkin.
00:24:20Misalnya, dari hasil backtesting data tahun 2015 sampai 2021,
00:24:24jika membeli saham dengan PER antara 13,75 hingga 17,23,
00:24:26kapitalisasi pasar antara 51,7 miliar hingga 62,3 miliar won,
00:24:29dan PBR di bawah 1,17,
00:24:32maka keuntungan tahunan sebesar 70% bisa tercapai.
00:24:35Hasil backtesting seperti ini muncul.
00:24:39Dilihat dari sini saja, ini jelas merupakan overfitting total.
00:24:43Ini adalah optimasi yang sangat berlebihan.
00:24:46Jika Anda membeli saham dengan PBR di bawah 1,17,
00:24:50maka keuntungan tahunan sebesar 70% dimungkinkan.
00:24:52Hasil backtesting seperti ini pun muncul.
00:24:54Jika dilihat, ini jelas merupakan overfitting.
00:24:57Ini adalah hasil dari optimasi yang berlebihan.
00:24:58Mungkin ada perusahaan dengan PER 17,24 yang profitabilitasnya buruk,
00:25:04namun tetap dimasukkan ke dalam data ini.
00:25:05Atau mungkin ada perusahaan dengan kapitalisasi pasar 51,5 miliar won,
00:25:09yang sebenarnya contoh buruk, namun aturannya dibuat seperti ini.
00:25:12Jika Anda mencoba memaksimalkan keuntungan secara detail hanya berdasarkan data sampel masa lalu,
00:25:16dengan cara menyesuaikan semuanya secara paksa,
00:25:19maka model seperti inilah yang akan dihasilkan.
00:25:21Jika data dengan distribusi seperti itu muncul di masa depan,
00:25:25maka margin kesalahannya akan menjadi sangat besar.
00:25:27Itulah intinya,
00:25:28mari kita bahas ini dengan lebih mendalam.
00:25:29Ini juga merupakan salah satu contoh optimasi berlebih.
00:25:31Kita mencoba mencari garis
00:25:34yang memisahkan warna merah dan biru dengan baik.
00:25:36Model garis semacam itu.
00:25:37Garis hitam ini dipelajari dengan cukup tepat,
00:25:40tapi garis hijau yang berkelok-kelok itu,
00:25:42berdasarkan titik-titik biru dan merah yang Anda lihat,
00:25:46berhasil memisahkan mereka dengan sempurna.
00:25:48Jadi, berdasarkan data sampel ini,
00:25:50itu adalah garis sempurna dengan kesalahan nol.
00:25:52Namun, pada populasi yang ada di baliknya,
00:25:55titik biru mungkin akan muncul di sini,
00:25:57dan titik merah mungkin akan muncul di sana.
00:25:59Ketika data baru masuk di masa depan,
00:26:03garis hijau ini kemungkinan besar akan memiliki banyak kesalahan.
00:26:05Kita bisa memprediksinya seperti itu.
00:26:07Jika terlalu memaksakan kecocokan pada data masa lalu,
00:26:10model itu tidak akan bisa diterapkan di masa depan.
00:26:11Ini juga contoh yang serupa,
00:26:13katakanlah kita mengumpulkan data pribadi yang mendalam
00:26:15dari 100 siswa yang sedang bersekolah.
00:26:16Berdasarkan data itu, kita ingin menentukan siapa
00:26:19yang akan mendapat nilai bagus di antara 100 siswa tahun ini.
00:26:20atau “tinggi badannya harus sekian”.
00:26:22The key is lately,
00:26:23Jika kita terlalu mengoptimalkan aturan
00:26:26berdasarkan data siswa berprestasi tahun lalu secara berlebihan,
00:26:28dan menetapkan aturan pembedaan seperti itu,
00:26:30lalu menerapkannya pada siswa tahun ini,
00:26:32hasilnya bisa menjadi sangat tidak masuk akal.
00:26:34Jika kita hanya menetapkan aturan pembedaan
00:26:37berdasarkan jumlah jam belajar saja,
00:26:39If we plug it into the data of students who were enrolled last year,
00:26:42maka dibandingkan dengan aturan yang sangat detail tadi,
00:26:44tingkat akurasinya mungkin akan lebih rendah.
00:26:45Meskipun tingkat akurasinya sedikit lebih rendah,
00:26:47ketika diterapkan pada siswa tahun ini pun,
00:26:49kemungkinan besar akurasinya akan tetap terjaga dengan baik.
00:26:53Lalu, bagaimana kita bisa memitigasi masalah optimasi berlebih ini?
00:26:56Setiap backtesting pasti memiliki masalah optimasi berlebih sampai batas tertentu,
00:27:00dan mustahil untuk menghilangkannya sepenuhnya.
00:27:01Misalnya, bagaimana kita tahu apakah strategi yang di-backtest dengan data 5 tahun terakhir
00:27:06akan tetap efektif untuk 3 tahun ke depan?
00:27:08Jawaban sempurna untuk pertanyaan itu
00:27:11hanyalah dengan mencoba melakukan trading selama 3 tahun, bukan?
00:27:12Tapi itu adalah cara yang retrospektif,
00:27:15jika kita merugi setelah trading selama 3 tahun,
00:27:17maka itu tidak akan ada artinya, kan?
00:27:17Jadi, salah satu metodenya adalah
00:27:19menggunakan apa yang disebut “Out of Sample Data”.
00:27:21Yaitu menggunakan data di luar sampel.
00:27:23Saya tidak yakin apakah terjemahannya tepat,
00:27:25tapi biasanya ini disebut sebagai data OOS.
00:27:27Sebagai contoh,
00:27:28menggunakan data dari September 2015 hingga September 2021,
00:27:31yang berarti data selama 6 tahun,
00:27:33untuk menemukan strategi terbaik lalu langsung
00:27:34melakukan trading mulai Oktober 2021 bukanlah ide yang bagus.
00:27:38Bukannya melakukan itu,
00:27:39tetapi gunakanlah data dari September 2014 hingga September 2020,
00:27:42yaitu data selama 6 tahun,
00:27:44untuk menemukan strategi yang menghasilkan keuntungan tinggi.
00:27:46Setelah itu, bayangkan Anda mulai trading mulai Oktober 2020,
00:27:49lalu lakukan backtesting sekali lagi untuk periode hingga September 2021.
00:27:52Jadi, setelah menemukan strategi terbaik melalui backtesting
00:27:55dengan data 6 tahun sejak 2014,
00:27:57Anda membayangkan seolah-olah sedang melakukan trading sungguhan mulai Oktober 2020,
00:28:02dan melakukan backtesting selama satu tahun tersebut.
00:28:04Jika hasilnya bagus,
00:28:06barulah Anda melakukan trading sungguhan mulai Oktober 2021.
00:28:09Tentu saja, pembagian seperti ini
00:28:10bisa menimbulkan masalah lain,
00:28:12tapi kita akan membahasnya nanti.
00:28:13Poin yang ingin saya sampaikan sekarang adalah,
00:28:16jika Anda memiliki data sampel sebanyak ini,
00:28:18pisahkanlah sebagian kecil darinya.
00:28:19Sisihkan bagian tersebut,
00:28:21dan gunakan data sisanya untuk mencari strategi dengan giat,
00:28:23melakukan banyak backtesting,
00:28:24dan mencoba mengoptimalkannya di sana.
00:28:26Namun jangan langsung terjun ke trading sungguhan,
00:28:28melainkan gunakan data
00:28:30yang tidak digunakan saat mencari strategi tadi.
00:28:31Bayangkan itu adalah trading sungguhan,
00:28:33lalu cobalah terapkan strategi Anda di sana.
00:28:34Itulah yang disebut menggunakan data di luar sampel,
00:28:35atau data OOS.
00:28:38Dalam ilmu data, ada istilah seperti
00:28:39data pelatihan (training data), data validasi (validation data),
00:28:41data uji (test data), atau data pengembangan (development data).
00:28:42Istilah-istilah tersebut
00:28:44sebenarnya tidak terlalu penting.
00:28:45Poin nomor 4 berlanjut dari nomor 3,
00:28:46yaitu “kesempatan validasi hanya ada satu kali”.
00:28:48Ini sangat, sangat, sangat penting.
00:28:50Kalimat ini benar-benar sangat penting,
00:28:53tidak peduli seberapa sering saya menekankannya,
00:28:58itu tidak akan pernah cukup.
00:29:01Mari kita bahas lebih lanjut mengenai
00:29:03pengujian data di luar sampel ini.
00:29:04Ada berbagai istilah untuk data sampel dan data luar sampel,
00:29:06tapi dalam video ini,
00:29:08saya akan menyederhanakannya menjadi
00:29:09data pelatihan dan data validasi.
00:29:11Dalam contoh sebelumnya,
00:29:12data dari tahun 2014 hingga 2020
00:29:13adalah data pelatihan.
00:29:16Data pelatihan berarti
00:29:18data yang digunakan untuk mencari strategi.
00:29:19Setelah strateginya ditemukan,
00:29:20kita memvalidasinya.
00:29:22Data backtesting selama satu tahun terakhir
00:29:24akan kita sebut sebagai data validasi.
00:29:26Grafik ini menunjukkan
00:29:28seberapa kompleks aturan atau model yang digunakan.
00:29:30Semakin ke kanan,
00:29:32modelnya menjadi semakin kompleks.
00:29:35Misalnya, menetapkan aturan yang sangat mendetail
00:29:36seperti “antara 173cm hingga 173,25cm”.
00:29:38Semakin Anda melakukan itu,
00:29:40maka kompleksitasnya akan meningkat.
00:29:42Dan sumbu ini menunjukkan kesalahan prediksi.
00:29:44Yaitu seberapa besar kesalahan yang terjadi
00:29:45saat model diterapkan pada situasi nyata.
00:29:47Bisa Anda lihat bahwa pada sampel pelatihan,
00:29:49semakin kompleks model yang digunakan,
00:29:50maka kesalahannya akan semakin berkurang.
00:29:52Tadi ada banyak sampel di sini,
00:29:53dan semakin berkelok-kelok atau semakin kompleks aturannya,
00:29:54kesalahan dalam data sampel tersebut
00:29:55bisa dihilangkan hingga menjadi nol.
00:29:58Jadi, jika model dibuat sangat kompleks,
00:29:59kesalahan akan mendekati nol.
00:30:02Namun, jika model yang sudah dipelajari tersebut
00:30:03diuji dengan data validasi yang sudah kita pisahkan tadi,
00:30:05berapakah kesalahan yang akan muncul?
00:30:06Pada awalnya, ketika modelnya sangat sederhana
00:30:08seperti garis lurus, atau saat terjadi underfitting,
00:30:12kesalahannya akan terlihat mirip.
00:30:14Namun, seiring dengan semakin kompleksnya model atau aturan,
00:30:16kesalahan pada sampel data pelatihan akan terus berkurang,
00:30:18tetapi pada data validasi,
00:30:19setelah mencapai titik terendah, kesalahannya justru akan mulai meningkat
00:30:21saat model menjadi terlalu kompleks.
00:30:23Jika diibaratkan dengan backtesting dalam investasi,
00:30:24kita melakukan banyak sekali backtesting,
00:30:26menetapkan aturan-aturan yang sangat mendetail,
00:30:28mencoba berbagai macam backtesting,
00:30:31dan menyesuaikan parameter
00:30:33seperti nilai PER harus di atas angka tertentu secara mendetail.
00:30:35Semakin kompleks Anda membuatnya,
00:30:37maka tingkat keuntungan pada data masa lalu akan terus meningkat.
00:30:40Karena ini adalah grafik kesalahan, maka semakin rendah grafiknya, semakin baik.
00:30:42Pokoknya, backtesting yang dipaksakan agar cocok dengan data masa lalu
00:30:45akan memberikan keuntungan yang lebih baik seiring dengan tingkat kecocokannya.
00:30:47Namun, ketika ini diterapkan di dunia nyata,
00:30:51jika aturannya dibuat terlalu kompleks,
00:30:52maka sejak titik tertentu, semakin kompleks aturannya,
00:30:55tingkat keuntungan di dunia nyata justru akan menurun.
00:30:56Begitulah jadinya.
00:30:59Tadi saya mengibaratkan kesalahan yang rendah
00:31:02sebagai keuntungan yang membaik,
00:31:05dan kesalahan yang tinggi sebagai keuntungan yang memburuk.
00:31:08Secara teknis,
00:31:12kesalahan yang membesar
00:31:15sedikit berbeda dengan penurunan tingkat keuntungan.
00:31:17Maksudnya, semakin buruk backtesting dilakukan
00:31:18dan semakin terjadi overfitting,
00:31:21maka kesenjangan antara keuntungan backtesting dan keuntungan di masa depan,
00:31:23yaitu margin kesalahannya, akan semakin besar.
00:31:24Kesalahan itu secara acak
00:31:26bisa saja membuat hasilnya lebih tinggi
00:31:28atau bisa juga lebih rendah.
00:31:31Namun, secara umum, jika terjadi kesalahan seperti itu,
00:31:32tingkat keuntungan di dunia nyata akan menjadi lebih buruk.
00:31:33Alasannya karena saat mencocokkannya dengan data masa lalu,
00:31:34semuanya sudah diatur sedemikian rupa
00:31:37untuk memaksimalkan tingkat keuntungan.
00:31:39Sehingga jika terjadi kesalahan dari tingkat keuntungan tersebut,
00:31:42biasanya kesalahannya akan mengarah ke bawah.
00:31:45Lalu, bagaimana sebaiknya kita membagi
00:31:47data pelatihan dan data validasi untuk backtesting?
00:31:49Misalnya, dari tahun 2011 hingga 2021,
00:31:50mari kita lihat cara pembagiannya.
00:31:51Tapi biasanya, jika terjadi selisih seperti itu,
00:31:53tingkat pengembalian di lapangan akan menjadi lebih buruk.
00:31:55Karena saat mencocokkan dengan data masa lalu,
00:31:57semuanya dipaksakan sedemikian rupa
00:31:59agar tingkat pengembaliannya bisa naik semaksimal mungkin.
00:32:00Jadi, jika terjadi kesalahan pada angka pengembalian tersebut,
00:32:02biasanya selisihnya akan mengarah ke bawah.
00:32:03Lalu, bagaimana cara membagi data pelatihan
00:32:06dan data validasi untuk melakukan backtesting?
00:32:08Misalnya, dari tahun 2011 hingga 2021,
00:32:11belajar dari data 11 tahun dan menerapkannya mulai tahun depan.
00:32:15Artinya, Anda tidak menggunakan data validasi secara terpisah.
00:32:18Semuanya digunakan sebagai data pelatihan lalu langsung diterapkan.
00:32:21Cara ini sangat tidak disarankan.
00:32:22Metode pembagian yang saya sebutkan tadi adalah
00:32:25menggunakan data 10 tahun sebagai data pelatihan untuk belajar,
00:32:28lalu memvalidasinya dengan data 1 tahun terakhir di 2021,
00:32:31baru kemudian menerapkannya mulai tahun 2022.
00:32:34Namun, seperti yang akan saya jelaskan nanti,
00:32:36ini pun bukan metode yang terlalu bagus.
00:32:38Lalu, apa metode lain yang lebih baik?
00:32:40Ada metode yang disebut “Walk-forward Testing”.
00:32:43Sistemnya adalah seperti ini.
00:32:44Misalnya, mulai dari tahun 1999 selama 3 tahun,
00:32:46Anda belajar dan mengoptimalkan parameter di sana.
00:32:49Berdasarkan hasil itu, lakukan validasi selama 1 tahun,
00:32:52lalu lanjutkan dengan sistem bergulir (rolling) seperti itu.
00:32:55Jika Anda menyusun strategi dengan cara ini,
00:32:58sebagai contoh untuk model yang sangat sederhana.
00:33:01Sebenarnya melakukan backtesting hanya berdasarkan PER
00:33:04menurut saya tidak masuk akal,
00:33:05tapi anggaplah ada strategi membeli saham dengan PER di bawah angka tertentu.
00:33:08Jika Anda mengoptimalkan PER berdasarkan data 10 tahun,
00:33:11maka standar PER yang ideal
00:33:13untuk setiap tahunnya pasti akan berbeda-beda.
00:33:17Dari situ, Anda mungkin akan memilih nilai rata-rata yang cukup baik.
00:33:20Tetapi jika rentangnya dipersempit,
00:33:22Anda menetapkan nilai PER berdasarkan 3 tahun terakhir untuk bertransaksi,
00:33:26dan melakukan pengujian dengan cara seperti itu.
00:33:28Dengan cara ini, parameter dapat disesuaikan
00:33:30secara lebih fleksibel mengikuti alur waktu.
00:33:32Begitulah cara pengujiannya dilakukan.
00:33:35Bisa dengan cara itu, atau bisa juga
00:33:37menggunakan metode K-Fold CV.
00:33:38Ini disebut juga Cross Validation.
00:33:39Cara kerjanya adalah sebagai berikut.
00:33:41Nilai K ini menunjukkan menjadi berapa bagian data tersebut dibagi.
00:33:45Jika melihat gambar, nilai K-nya adalah 5.
00:33:47Jika K ditetapkan 5, data dibagi menjadi 5 bagian yang sama.
00:33:50Kemudian, lakukan pelatihan pada data 4 tahun,
00:33:53lalu cek berapa tingkat pengembaliannya pada data validasi 1 tahun.
00:33:56Selanjutnya, lakukan pelatihan pada 4 bagian lainnya,
00:33:59dan validasi hasilnya pada tahun yang tersisa.
00:34:01Setelah itu, rata-rata tingkat pengembalian ini dibagi 1/5.
00:34:05Maksudnya, semua hasil pengembalian tersebut dirata-ratakan.
00:34:09Hasil itulah yang dianggap mendekati profit yang bisa diharapkan.
00:34:12Itulah konsep dasarnya.
00:34:13Selain itu, misalnya menggunakan data 10 tahun terakhir.
00:34:16Ada juga yang belajar menggunakan data tahun genap,
00:34:19lalu memvalidasinya dengan data tahun ganjil.
00:34:22Semua metode ini memiliki kelebihan dan kekurangan.
00:34:23Jika bicara soal kelebihannya,
00:34:26parameternya sangat stabil terhadap “Market Regime Change”.
00:34:30Maksudnya begini.
00:34:31Ketika terjadi krisis keuangan atau pandemi COVID-19,
00:34:33karakteristik pasar akan berubah.
00:34:35Misalnya, krisis keuangan terjadi pada tahun 2008,
00:34:39tapi Anda belajar dari data tahun 1998 hingga 2007.
00:34:43Anda menemukan strategi dengan profit tinggi di sana,
00:34:45lalu mencoba memvalidasinya.
00:34:46Karena karakteristik pasar sudah berubah total,
00:34:49distribusi datanya pun ikut berubah.
00:34:51Sehingga situasi pasar yang baru ini
00:34:52tidak akan tercermin dalam pola-pola lama tersebut.
00:34:55Jadi, jika membagi data dengan cara seperti ini,
00:34:57ketika terjadi peristiwa besar yang mengubah
00:35:00sifat dan pola pasar secara drastis,
00:35:02Anda bisa melakukan validasi dengan lebih stabil.
00:35:06Itulah sebabnya metode ini sering digunakan.
00:35:08Namun saat menggunakan cara ini, berhati-hatilah agar tidak “melihat ke masa depan”.
00:35:11Hal ini sangat penting untuk diperhatikan.
00:35:13Karena meskipun tergantung pada siklus transaksinya,
00:35:16jika diasumsikan Anda bertransaksi bulanan,
00:35:18dalam data pelatihan saat ini,
00:35:19data tahun 2014 sudah tercermin di dalamnya.
00:35:22Tergantung pada aturan atau data apa yang digunakan di tahun 2013,
00:35:26hal-hal yang baru diketahui setelah masuk tahun 2014
00:35:28bisa saja ikut tercampur ke dalam data validasi.
00:35:30Jika itu terjadi, profit pada data validasi akan terlihat melonjak.
00:35:34Sebab model belajar dengan sudah mengetahui masa depan.
00:35:36Oleh karena itu, Anda harus sangat berhati-hati pada bagian ini.
00:35:39Dan meskipun saya menjelaskannya secara garis besar,
00:35:41dalam bidang Machine Learning,
00:35:44ada bagian yang disebut Hyperparameter.
00:35:46Secara umum, parameter adalah bagian yang disesuaikan
00:35:50oleh model itu sendiri untuk meminimalkan error pada data sampel.
00:35:54Sedangkan Hyperparameter adalah bagian yang harus ditentukan oleh manusia.
00:35:57Misalnya, saat melakukan analisis regresi.
00:35:59Apakah Anda akan menggunakan garis lurus atau garis lengkung?
00:36:03Dengan kata lain, seberapa kompleks bentuk rumus
00:36:07atau model yang akan digunakan.
00:36:09Hal-hal seperti itu diputuskan oleh manusia.
00:36:11Jumlah parameter tersebut adalah Hyperparameter.
00:36:15Setelah itu ditentukan, barulah berdasarkan data yang ada,
00:36:18garis ini akan dicocokkan (fitting)
00:36:22ke arah yang paling mengoptimalkan selisih data tersebut.
00:36:23Jadi, nilai-nilai seperti kemiringan (slope) atau intersep
00:36:28yang dipelajari model agar sesuai dengan data Itulah yang disebut parameter.
00:36:33Jadi, Anda juga perlu mencoba berbagai Hyperparameter.
00:36:36Maka data tidak hanya dibagi menjadi Train dan Test,
00:36:40tapi ada satu lagi yang disebut Dev Data.
00:36:42Setelah melakukan optimasi di sana,
00:36:45Hyperparameter dioptimalkan pada data tersebut,
00:36:48baru kemudian divalidasi dengan Test Data. Ada juga yang melakukannya begitu.
00:36:51Bagi yang sudah paham Machine Learning pasti mengerti,
00:36:55tapi bagi yang belum tahu, penjelasan singkat ini mungkin tidak cukup.
00:36:58Jadi, mari kita lewati saja bagian itu.
00:37:00Namun dalam melakukan proses ini, ada hal yang sangat,
00:37:04sangat, sangat penting dan tidak boleh disepelekan.
00:37:08Yaitu mengenai data validasi.
00:37:10Jangan pernah, sekali-kali, melihat data validasi dua kali.
00:37:15Maksud saya hasilnya.
00:37:16Anda belajar dari data pelatihan dan menguji berbagai strategi untuk mencari profit terbaik.
00:37:22Strategi itu mungkin terlihat bagus di atas kertas data pelatihan,
00:37:26tapi untuk memastikan apakah strategi itu benar-benar akan berhasil di dunia nyata,
00:37:31Anda menjalankannya menggunakan periode atau data yang tidak dipakai saat pelatihan.
00:37:38Ingat, ini tidak boleh dilakukan dua kali.
00:37:41Cukup sekali saja. Jika hasilnya buruk saat pertama kali dijalankan,
00:37:45maka seberapa pun kerasnya usaha Anda selama bertahun-tahun untuk membuatnya,
00:37:50seluruh strategi itu harus dibuang.
00:37:52Mengapa? Karena di dunia nyata pun, Anda hanya punya satu kesempatan untuk untung atau rugi.
00:37:57Kita tidak bisa memutar balik waktu, bukan?
00:37:58Meskipun merasa sayang karena hasil validasinya buruk,
00:38:03lalu Anda mengutak-atik parameter lagi menggunakan data pelatihan,
00:38:07dan akhirnya mendapatkan profit bagus saat divalidasi ulang.
00:38:10Begitu Anda melakukan itu, data validasi tersebut bukan lagi data validasi,
00:38:14melainkan sudah berubah menjadi bagian dari data pelatihan.
00:38:16Karena Anda sudah melakukan optimasi parameter termasuk dengan data validasi tersebut.
00:38:21Jadi, kita tidak bisa memberikan jaminan apa pun
00:38:26mengenai seberapa besar profit yang akan dihasilkan di lapangan nanti.
00:38:29Itulah mengapa poin ini sangat krusial.
00:38:31Dan hal penting lainnya saat melakukan backtesting,
00:38:34The fact that times change—the concept of a 'market regime.'
00:38:37Saya ingin mengajukan satu pertanyaan.
00:38:39Antara backtesting 20 tahun dan backtesting 3 tahun,
00:38:42mana yang lebih bermakna?
00:38:44Melihat judulnya, jawabannya mungkin sudah jelas.
00:38:47Banyak investor pemula yang berpikir bahwa semakin lama periode backtesting,
00:38:50atau semakin banyak datanya, maka akan semakin baik.
00:38:54Namun bagi saya, di antara kedua backtesting ini,
00:38:57meskipun tergantung pada rentang waktu dan frekuensi transaksi,
00:39:00secara umum,
00:39:01saya akan lebih memilih data 3 tahun.
00:39:03Semakin banyak jumlah data, memang semakin baik.
00:39:06Tapi data tersebut harus berasal dari distribusi yang sama.
00:39:09Data yang banyak itu bagus, namun
00:39:11tidak baik jika dicampur dengan data lain dari lingkungan yang sudah berubah.
00:39:17Masalah yang dihadapi jika periode backtesting terlalu panjang
00:39:20adalah karakteristik pasar yang berubah.
00:39:22Ini entah grafik tingkat pengembalian riil
00:39:26atau grafik yang terkait dengan suku bunga,
00:39:28tapi bisa dilihat di sini bahwa konsep suku bunga yang wajar
00:39:33memang terus berfluktuasi,
00:39:34tapi level suku bunga yang dianggap wajar dalam suatu sistem berubah drastis.
00:39:38Pada waktu itu di level ini, lalu mungkin karena Oil Shock,
00:39:41setelah periode itu, levelnya pindah ke sini.
00:39:45Lalu setelah tahun 80-an,
00:39:47level inilah yang secara umum berlaku sebagai suku bunga standar.
00:39:51Katakanlah Anda melakukan trading obligasi,
00:39:53dan Anda mempelajari strategi trading di dalam periode ini
00:39:57untuk kemudian digunakan di periode berikutnya.
00:39:59Jika Market Regime-nya sudah berubah,
00:40:02maka strategi menguntungkan yang dibuat dari data pelatihan sebelumnya
00:40:07tidak akan berlaku lagi di sini.
00:40:08Itulah yang disebut Market Regime Change.
00:40:11Perubahan sifat atau sistem pasar.
00:40:14Perubahan karakteristik pasar ini
00:40:17bisa terjadi karena perubahan pelaku pasar.
00:40:20Contohnya setelah COVID-19, banyak sekali investor ritel yang masuk,
00:40:23sehingga muncul insiden GameStop.
00:40:25Sebelum pandemi COVID-19,
00:40:27strategi short-selling semacam itu,
00:40:30bahkan ada hedge fund yang khusus melakukan short-selling.
00:40:32Itu adalah strategi yang sangat efektif dulu.
00:40:34Tapi tiba-tiba karena karakteristik pasar berubah,
00:40:37mereka bahkan ada yang sampai mengalami kebangkrutan.
00:40:39Selanjutnya adalah perubahan sistem dan regulasi. Krisis keuangan terjadi,
00:40:43prop-trading di bank investasi dilarang,
00:40:45dan berbagai regulasi di pasar derivatif juga mengubah pasar.
00:40:49Strategi yang dipelajari
00:40:50berdasarkan data sebelum krisis keuangan
00:40:52tidak akan berjalan dengan baik setelahnya.
00:40:54Lalu ada kejadian eksternal,
00:40:55seperti Oil Shock yang sangat luar biasa
00:40:57hingga mengubah pasar itu sendiri.
00:40:59Kejadian makroekonomi semacam itu.
00:41:01Dan juga perubahan makroekonomi lainnya.
00:41:03Seiring dengan rasio utang yang terus meningkat,
00:41:06level suku bunga yang dulunya berada di kisaran tertentu,
00:41:08kini telah memasuki era suku bunga yang sangat rendah.
00:41:11Hal ini juga didukung oleh pelonggaran kuantitatif,
00:41:13yang turut berkontribusi pada suku bunga rendah ini.
00:41:15Akibatnya, saham-saham pertumbuhan tiba-tiba berkinerja sangat baik
00:41:17selama 10 tahun terakhir.
00:41:19Namun, jika Anda menggunakan data sebelum pelonggaran kuantitatif
00:41:22untuk menemukan strategi yang menguntungkan,
00:41:24mungkin model tersebut akan menyarankan untuk membeli saham nilai.
00:41:25Maka tentu saja, selama 10 tahun ke depan,
00:41:27hasilnya pasti akan sangat buruk.
00:41:28Selain itu, ada juga faktor munculnya teknologi baru,
00:41:30atau perubahan dalam struktur industri,
00:41:32dan hal-hal semacam itu.
00:41:33Jadi, saat melakukan backtesting selama 20 tahun,
00:41:35apakah data dari tahun 2001 masih relevan?
00:41:38Tentu saja, apa yang disebut sebagai “perubahan rezim pasar”
00:41:40bergantung pada elemen apa yang Anda amati.
00:41:42Itu bisa sedikit berbeda.
00:41:43Pada akhirnya, bergantung pada logika strategi,
00:41:45aturan, atau jenis model
00:41:47yang sedang digunakan,
00:41:49serta data apa yang dianalisis,
00:41:51berdasarkan hal-hal itulah
00:41:52Anda harus memperhatikan apakah rezim data tersebut
00:41:53telah mengalami perubahan.
00:41:55Ada jenis data yang sifatnya
00:41:56berubah dengan sangat cepat,
00:41:58bahkan dalam hitungan bulan.
00:41:59Namun ada juga data yang tetap
00:42:01sangat stabil selama 10 hingga 15 tahun.
00:42:03Siklus krisis pun berbeda-beda setiap saat,
00:42:05sehingga secara umum,
00:42:07hanya karena pandemi COVID terjadi,
00:42:09bukan berarti semua pola sebelumnya
00:42:09menjadi tidak berarti sama sekali.
00:42:12Meski begitu, jika Anda menggunakan data 20 tahun,
00:42:14seperti yang saya katakan,
00:42:15pasti akan ada masalah yang muncul.
00:42:17Anda bisa melihatnya seperti itu.
00:42:18Jika Anda mencoba melakukan inferensi
00:42:20dengan menggunakan data yang sangat lama,
00:42:22rezim pasar mungkin sudah
00:42:23berubah di tengah jalan,
00:42:24dan terus berubah lagi.
00:42:25Bagaimanapun, jika data dari masa lalu yang jauh tersebut
00:42:29masih mencerminkan kondisi saat ini,
00:42:30maka data itu masih bisa digunakan.
00:42:32Oleh karena itu, beberapa orang mengatakan
00:42:33bahwa kondisi sekarang mirip dengan tahun 1940-an.
00:42:35Ada juga pembicaraan seperti itu,
00:42:37tapi itu hanya selingan saja.
00:42:38Jadi, perdagangan kuantitatif (quant trading)
00:42:41kini sudah sangat umum digunakan,
00:42:42bahkan oleh investor individu.
00:42:44Namun untuk investasi jangka panjang,
00:42:45kelemahan dari investasi kuantitatif adalah
00:42:47ketika menerapkan teknik kuantitatif ini
00:42:49pada investasi jangka panjang,
00:42:51sangat sulit untuk mengamankan data yang cukup
00:42:53sekaligus menghindari perubahan rezim pasar.
00:42:55Misalkan ada strategi algoritma
00:42:57yang menggunakan data per menit.
00:42:59Dalam satu jam,
00:43:01terdapat 60 poin data.
00:43:02Karena ada 60 menit,
00:43:03maka ada 60 data.
00:43:04Lalu misalkan
00:43:05ini adalah perdagangan berjangka 24 jam.
00:43:08Jika dikalikan 24,
00:43:09hasilnya 1.440.
00:43:10Benar, kan?
00:43:10Ada 1.440 poin data dalam sehari.
00:43:12Jika satu hari ada 1.440 data,
00:43:15dan diperdagangkan 5 hari seminggu, total sekitar 250 hari,
00:43:17katakanlah kita punya 250 hari kerja.
00:43:20Dalam setahun, akan terkumpul lebih dari 300.000 data.
00:43:21Kira-kira sebanyak itulah jumlah data
00:43:23yang bisa diperoleh dalam satu tahun.
00:43:25Hanya dengan satu tahun saja,
00:43:26Anda sudah mendapatkan lebih dari 300.000 data.
00:43:29Dengan jumlah data yang sangat banyak dan signifikan itu,
00:43:32Anda bisa melakukan verifikasi,
00:43:33menggunakan model yang lebih kompleks,
00:43:35dan melakukan berbagai hal lainnya.
00:43:36Namun, misalkan strategi rebalancing
00:43:37dilakukan setiap bulan.
00:43:39Maka dalam setahun hanya ada 12 data.
00:43:41Bahkan jika Anda melakukannya selama 20 tahun,
00:43:42hanya akan ada 240 data.
00:43:44Karena jumlah data tidak bisa ditambah melalui sumbu waktu,
00:43:47Anda harus melihat berbagai macam saham
00:43:49dan mencoba memperluas cakupan ke sana
00:43:51untuk mengamankan signifikansinya.
00:43:53Namun pada akhirnya, dalam sumbu waktu,
00:43:54sulit untuk menghindari perubahan rezim pasar.
00:43:57Itulah sebabnya bagian ini sangat sulit.
00:43:58Setelah pandemi COVID melanda,
00:44:00banyak praktisi kuantitatif yang mengeluh.
00:44:02Ada seseorang bernama Inigo Fraser-Jenkins,
00:44:05setahu saya dia adalah Head of Quants di perusahaan ternama.
00:44:09Dia pernah menjelaskan tentang
00:44:11“Mengapa saya tidak lagi menjadi seorang Quant.”
00:44:13Inti dari penjelasannya adalah,
00:44:15tugas Quant adalah memprediksi masa depan berdasarkan pola masa lalu.
00:44:19Namun,
00:44:20ketika peristiwa seperti COVID terjadi, pola masa lalu menjadi tidak berguna.
00:44:23Saat terjadi perubahan rezim pasar,
00:44:25sangat sedikit hal yang bisa dilakukan oleh seorang Quant.
00:44:28Bahkan ada yang menyebutnya sebagai krisis eksistensial bagi para Quant.
00:44:30Istilah seperti itu sering digunakan.
00:44:31Dan tahun lalu, kinerja para Quant sangat buruk.
00:44:34Tentu ada beberapa Quant yang kinerjanya bagus,
00:44:36tapi rata-ratanya sangat, sangat mengecewakan.
00:44:38Sekarang kita sudah sampai sekitar setengah jalan,
00:44:40dan waktu sudah berlalu satu setengah jam.
00:44:43Jadi, Bagian 1 kita akhiri sampai di sini.
00:44:45Besok di Bagian 2, kita akan membahas sisa poin nomor 6 sampai 10,
00:44:49kelebihan dan keterbatasan,
00:44:50serta kurikulum untuk belajar investasi kuantitatif.
00:44:52Kita akan membahas semuanya secara detail.
00:44:54Sampai jumpa di Bagian 2.
00:44:55Terima kasih.