00:00:00Halo, saya Wallga-ji.
00:00:01Hari ini, bagian kedua dari Kebenaran dan Kebohongan Investasi Kuantitatif,
00:00:03Backtesting bukanlah segalanya,
00:00:05kita akan membahas tentang hal ini.
00:00:07Kita sudah membahas bagian pertama sampai titik itu,
00:00:09dan di bagian kedua ini, kita akan mulai dari poin nomor 6.
00:00:12Sebelum masuk ke bagian kedua,
00:00:14saya ingin menekankan sekali lagi tujuan dari video ini.
00:00:17Bukannya saya bilang perdagangan kuantitatif itu buruk.
00:00:19Dunia pada akhirnya bergerak ke arah kuantifikasi,
00:00:23dan di pasar saham pun, kuantifikasi atau metode kuantitatif
00:00:26adalah tren yang tidak terelakkan.
00:00:28Namun, saya hanya ingin
00:00:31mewaspadai harapan yang berlebihan atau kepercayaan buta
00:00:33terhadap investasi kuantitatif,
00:00:35itulah alasan saya membuat video ini.
00:00:37Jadi, jika Anda belum memiliki dasar inferensi statistik,
00:00:41Anda harus mempelajarinya dengan giat sebelum terjun ke bidang ini.
00:00:45Melihat komentar dari para penonton,
00:00:47ada yang beranggapan bahwa investasi kuantitatif masih lebih baik
00:00:50daripada hanya mengandalkan insting.
00:00:52Tapi menurut saya tidak seperti itu.
00:00:54Tentu saja, sulit untuk mendapatkan hasil bagus hanya dengan insting.
00:00:57Namun, jika Anda melakukan investasi kuantitatif dengan cara yang salah,
00:01:00yaitu dengan backtesting yang sama sekali tidak memiliki
00:01:02signifikansi statistik,
00:01:04pertama-tama Anda akan membuang-buang waktu tambahan,
00:01:07dan meski backtesting tersebut secara statistik tidak berarti,
00:01:11Anda akan merasa telah melakukan verifikasi.
00:01:13Ilusi bahwa Anda telah melakukan verifikasi ilmiah ini
00:01:16bisa membuat Anda mengambil risiko yang melebihi batas.
00:01:18Sebenarnya saya ragu untuk menceritakan ini,
00:01:21tapi cukup banyak pelanggan yang berkonsultasi melalui email karena mengalami kerugian besar.
00:01:27Saya pernah menyinggung hal ini sebelumnya,
00:01:29tetapi ada beberapa orang yang merugi sangat besar karena investasi kuantitatif.
00:01:34Seseorang yang mengirim email minggu lalu—
00:01:36saya tidak bisa menyebutkan jumlah pastinya demi privasi—
00:01:39tapi dia kehilangan uang dalam jumlah besar hingga
00:01:43menyebabkan keretakan dalam rumah tangganya.
00:01:46Saat saya bertanya melalui email tentang metodologi
00:01:50yang dia gunakan,
00:01:51ternyata itu bertentangan dengan hal-hal yang saya bahas di video ini.
00:01:54Dia melakukan banyak backtesting yang secara statistik sama sekali tidak berarti.
00:01:59Dia punya strategi dengan MDD sekitar 15%,
00:02:04dan karena imbal hasilnya cukup bagus sepanjang tahun lalu,
00:02:07dia mengambil pinjaman yang cukup besar awal tahun ini
00:02:10untuk dimasukkan ke sana.
00:02:12Ketika KOSPI turun sekitar 10%,
00:02:15portofolionya sendiri turun lebih dari 20%.
00:02:19Karena dia menggunakan pinjaman dan sebagainya,
00:02:22leverage-nya menjadi sekitar 3 kali lipat,
00:02:24dan dia akhirnya kehilangan sekitar 60-70% modalnya.
00:02:28Saat berbicara dengan orang-orang seperti itu,
00:02:30mereka sangat memercayai hasil backtesting investasi kuantitatif,
00:02:34dan karena mereka tidak terlalu memikirkan tentang benchmark,
00:02:38imbal hasil yang sangat bagus di tahun lalu itu
00:02:42sebenarnya terjadi saat KOSPI naik lebih dari 100%
00:02:43dari titik terendahnya.
00:02:45Harusnya mereka membandingkannya dengan indeks KOSPI,
00:02:47tapi karena strategi backtesting mereka menunjukkan hasil 40% majemuk
00:02:52dan tahun lalu menghasilkan 70%,
00:02:54mereka menjadi sangat yakin dan memasukkan modal termasuk dari pinjaman.
00:03:00Melihat hal-hal seperti itu, saya merasa sangat kasihan.
00:03:02Sambil memperhatikan diskusi tentang investasi kuantitatif akhir-akhir ini,
00:03:08saya merasa perlu membuat video seperti ini.
00:03:11Itulah alasan mengapa saya memproduksi video ini.
00:03:14Jika hal-hal yang saya jelaskan dalam video ini
00:03:17sama sekali tidak bisa Anda pahami,
00:03:20maka Anda sebaiknya jangan menyentuh bidang ini,
00:03:22atau setidaknya perkuat dulu dasar statistik Anda.
00:03:25Bagi Anda yang sudah berada di tingkat menengah,
00:03:27saya harap Anda mendekatinya dengan hati-hati dengan memperhatikan 10 poin peringatan ini.
00:03:33Jika Anda sudah ahli atau tingkat lanjut, silakan lakukan sesuka Anda.
00:03:36Bukan kapasitas saya untuk mengatur Anda.
00:03:39Strategi kuantitatif yang dibangun dengan metode yang benar dan tepat
00:03:43tentu memiliki keunggulan (edge) yang sangat bagus.
00:03:46Saya hanya ingin menyampaikan pesan sederhana bahwa tidak ada makan siang gratis.
00:03:49Itu hanyalah cerita yang sangat masuk akal.
00:03:52Sebab, sepanjang tahun lalu, wacana tentang jalan pintas atau jalur cepat
00:03:57tampaknya sudah menjadi terlalu berlebihan.
00:04:01Saya membuat video ini hanya dalam aspek tersebut,
00:04:04bukan berarti kuantitatif itu buruk,
00:04:05tapi Anda harus berusaha keras dan menguasai dasarnya dengan benar.
00:04:08Mohon pahami maksud saya seperti itu.
00:04:10Jadi, hal keenam yang harus diingat
00:04:12saat melakukan perdagangan kuantitatif adalah:
00:04:15Seorang praktisi kuantitatif pun harus bisa menahan diri.
00:04:17Ini adalah bagian yang disalahpahami oleh sangat banyak orang.
00:04:20Bahkan mereka yang menyebut diri mereka ahli pun
00:04:23sering kali terjebak dalam ilusi bahwa semakin banyak backtesting dilakukan, semakin baik.
00:04:25Banyak yang beranggapan seperti itu.
00:04:28Tapi itu sama sekali tidak benar.
00:04:30Backtesting bukanlah “semakin banyak semakin baik”, praktisi kuantitatif harus tahu cara mengendalikan diri.
00:04:35Ini saya ambil dari sebuah makalah penelitian.
00:04:37Semakin sering Anda melakukan backtesting, masalah optimasi berlebihan,
00:04:40yaitu masalah overfitting, akan menjadi semakin serius.
00:04:44Hal tersebut dapat dibuktikan secara matematis.
00:04:47Jika kita melihat data pengguna dari Quantopian atau bukti empiris lainnya,
00:04:51terlihat bahwa algoritma dari pengguna yang melakukan banyak backtesting
00:04:55memiliki perbedaan yang besar antara imbal hasil saat backtesting
00:05:00dengan imbal hasil nyata saat dijalankan di masa depan.
00:05:01Alasannya adalah semakin sering Anda menjalankan backtesting,
00:05:04Anda akan mulai menangkap pola dan sinyal bahkan dari pergerakan acak yang sederhana.
00:05:09Sebenarnya, dalam sebuah makalah, mereka melakukan eksperimen dengan “random walk” murni.
00:05:12Artinya, mereka mensimulasikan pergerakan saham secara acak berkali-kali,
00:05:18lalu mencoba melakukan backtesting pada data tersebut.
00:05:21Namun, bahkan dalam pergerakan yang sepenuhnya acak, saat backtesting dilakukan terus-menerus,
00:05:26mereka menemukan strategi dengan Sharpe Ratio mencapai 1 atau 2,
00:05:29dan beberapa strategi mulai menunjukkan hasil yang baik tidak hanya pada data pelatihan, tapi juga pada data validasi.
00:05:36Fenomena yang menjadi masalah di banyak bidang ilmu pengetahuan lainnya ini
00:05:40disebut sebagai “p-value hacking”.
00:05:42Mengenai p-value ini, bagi mereka yang mengambil jurusan statistik,
00:05:46mungkin akan tidak suka jika definisinya tidak kaku.
00:05:48Tapi demi menjelaskan secara intuitif dan mudah bagi pemula,
00:05:52bayangkan saat ilmuwan melakukan eksperimen, hasil tersebut
00:05:57digunakan untuk mengestimasi populasi di baliknya dari sebuah sampel.
00:06:02Misalnya, dalam survei pemilihan presiden, dari seluruh warga negara, kita mengambil beberapa orang untuk memperkirakan tingkat elektabilitas.
00:06:10Meskipun populasi aslinya tidak demikian, tapi secara kebetulan sampel yang diambil
00:06:20ternyata sangat sesuai dengan arah dan topik penelitian, probabilitas terjadinya hasil bagus yang tidak sengaja itu disebut p-value.
00:06:25Setiap bidang punya standar berbeda, tapi biasanya jika di bawah 5%,
00:06:31itu dikatakan signifikan secara statistik.
00:06:34Misalnya, kalimat yang ingin kita verifikasi adalah “Apakah elektabilitas kandidat A di atas 50% atau tidak?”
00:06:42Lalu kita ambil sampel dan hasilnya keluar 55%.
00:06:47Maka, berapa peluang populasi aslinya 50% tapi secara kebetulan sampelnya mengandung lebih banyak pendukung A sehingga menjadi 55%?
00:06:57Jika p-value-nya 0,2, artinya peluang itu hanyalah kebetulan adalah 20%.
00:07:03Tapi jika sampelnya menunjukkan 70%, padahal populasi aslinya hanya mendukung 50%,
00:07:10maka peluang orang-orang yang mendukung A secara sangat beruntung terpilih semua ke dalam sampel
00:07:17hingga mencapai 70% mungkin hanya sekitar 1%.
00:07:21Inilah yang disebut p-value.
00:07:22Jadi, jika saat hasil 55% p-value-nya adalah 0,2,
00:07:27maka kita tidak bisa menyimpulkan bahwa
00:07:31kandidat A tidak memiliki elektabilitas 50%.
00:07:33Kita katakan signifikansi statistiknya tidak terpenuhi.
00:07:38Namun jika sampelnya 70% dan p-value-nya sekitar 1%, dan kita menetapkan standar 5%, maka 1% itu jauh lebih rendah.
00:07:46Jadi kita bisa bicara dengan keyakinan bahwa secara statistik signifikan bahwa elektabilitas kandidat A bukan 50%.
00:07:57Kira-kira begitulah p-value.
00:08:00Dan mengulang-ulang eksperimen agar p-value terlihat bagus disebut sebagai p-value hacking.
00:08:06Misalnya, katakanlah p-value-nya 0,05 saat tingkat elektabilitas sampel keluar 60%.
00:08:15Artinya, meskipun populasi aslinya adalah kelompok dengan elektabilitas 50%,
00:08:21jika kita terus-menerus mengambil sampel baru sebanyak 100 kali, setidaknya sekali akan muncul sampel dengan hasil 60%.
00:08:29Oleh karena itu, dalam beberapa eksperimen sains atau bidang lain, ada kasus di mana sampel diambil ulang untuk dicocokkan dengan topik makalah,
00:08:35dan setelah dilakukan sekitar 20 kali, standar p-value 0,05 terpenuhi lalu makalah diterbitkan.
00:08:43Itu adalah sikap akademis yang sangat buruk, dan itulah yang disebut p-hacking.
00:08:48Hal yang sama juga berlaku dalam backtesting.
00:08:51Bahkan dengan saham yang pergerakannya sangat acak tanpa pola statistik apa pun,
00:08:58seperti saham yang bergerak layaknya lemparan koin, jika kita mengambil data pelatihan lalu melakukan backtesting untuk mencari imbal hasil yang bagus,
00:09:06dan terus mengulangnya, maka secara kebetulan akan muncul beberapa kasus di mana imbal hasilnya terlihat bagus pada data validasi.
00:09:13Seperti yang saya katakan di bagian pertama tentang overfitting, meski Anda mengoptimalkan imbal hasil pada data pelatihan,
00:09:20lalu mencobanya pada data validasi atau melakukan paper trading,
00:09:23jika Anda melakukan backtesting secara berlebihan,
00:09:29sebenarnya itu tidak memiliki kekuatan prediksi masa depan atau pola yang berarti,
00:09:34itu hanyalah menangkap pola masa lalu yang tidak berguna sama sekali.
00:09:39Tapi secara kebetulan, hasil imbal hasilnya bisa terlihat bagus bahkan sampai ke data validasi.
00:09:44Oleh karena itu, lanjut ke poin nomor 7, sangat penting untuk bisa menjelaskan strategi dalam bahasa “non-kuantitatif”.
00:09:51Mengapa penting untuk menjelaskan strategi dalam bahasa non-kuantitatif?
00:09:54Mari kita lihat dulu mengapa jumlah data itu penting.
00:09:58Mari kita asumsikan ada model yang sederhana dan model yang fleksibel.
00:10:02Dalam gambar ini, garis biru adalah model dengan fleksibilitas tinggi,
00:10:06dan garis hitam adalah model yang sangat sederhana.
00:10:09Semakin fleksibel sebuah model, ia bisa mencocokkan sampel yang diberikan dengan sempurna tanpa kesalahan.
00:10:15Namun, jika distribusi aslinya adalah seperti ini, maka ketika data baru masuk,
00:10:21garis biru ini akan menghasilkan banyak kesalahan.
00:10:23Hal ini pernah saya bahas di bagian pertama, tapi jika datanya sangat, sangat banyak—
00:10:28ribuan atau puluhan ribu—dulu pengumpulan data sangatlah sulit.
00:10:32Jadi, kita harus mengestimasi atau memprediksi distribusi asli dari populasi yang sangat besar hanya dengan sampel yang sangat kecil.
00:10:39Tapi akhir-akhir ini, meski tergantung bidangnya, kita bisa mengukur populasi itu sendiri atau mengumpulkan data terabyte yang mendekati jumlah populasi.
00:10:50Jika datanya sebanyak itu, menggunakan model yang fleksibel pun tidak akan menyebabkan optimasi berlebihan separah ini.
00:10:57Jadi, jika kita menerapkan garis biru ini pada data yang sangat banyak,
00:11:04meskipun agak bergelombang, fitting-nya akan tetap masuk akal sehingga saat data validasi baru masuk,
00:11:09kesalahannya tidak akan terlalu besar. Namun, jika dilihat dari konteks trading, seperti yang saya katakan di bagian pertama,
00:11:15jumlah data akan semakin sedikit saat kita berpindah dari satuan detik/menit ke hari, bulan, dan tahun.
00:11:20Pada akhirnya, dalam investasi kuantitatif yang menggunakan laporan keuangan dan bukan high-frequency trading, jumlah datanya akan mengecil.
00:11:28Tadi saya mengulang pembahasan dari bagian pertama, lalu bagaimana cara menghindari optimasi berlebihan saat datanya sedikit?
00:11:35Dalam hal ini, Anda harus membatasi fleksibilitas model agar tidak terjadi overfitting atau optimasi berlebihan.
00:11:41Istilahnya adalah “imposing a structure” atau memaksakan suatu struktur,
00:11:45atau disebut juga teknik regularisasi, yaitu membatasi fleksibilitas untuk sedikit meredakan optimasi berlebihan.
00:11:53Tentu saja, Anda bisa membatasi model atau menggunakan teknik regularisasi saat melakukan fitting semacam ini,
00:11:59tetapi cara lain terkait backtesting adalah hanya mengimplementasikan ide yang masuk akal
00:12:09secara ekonomi atau dari sudut pandang trader, lalu melakukan backtesting untuk membatasi efek optimasi berlebihan.
00:12:15Jika Anda mencoba tes di sana-sini pada data acak,
00:12:19dan melakukan backtesting puluhan ribu kali tanpa arti apa pun,
00:12:23Anda mungkin akan menemukan pola yang terlihat tersusun rapi seperti garis lurus.
00:12:29Jadi, daripada mengganti semua parameter tanpa arti, mencoba PBR karena PER tidak berhasil,
00:12:33dan terus-menerus mengulang backtesting secara membabi buta,
00:12:39seharusnya Anda mengamati pasar sebagai investor atau trader,
00:12:43dan memilih ide investasi atau ide trading yang memiliki makna secara ekonomi.
00:12:47Dengan melakukan backtesting pada ide-ide pilihan tersebut, Anda bisa menghindari ketidaksengajaan di mana Anda menangkap pola acak yang tidak berguna
00:12:53yang bahkan terlihat bagus sampai pada data validasi atau paper trading.
00:12:59Ini bukan sekadar istilah keren seperti pengenalan pola data besar (big data),
00:13:03tapi jika Anda tidak bisa menjelaskan dalam bahasa sehari-hari mengapa strategi Anda bisa menghasilkan imbal hasil lebih tinggi dari indeks secara ekonomi,
00:13:10maka besar kemungkinan Anda hanya sedang melakukan “data snooping”.
00:13:16Data snooping secara harfiah berarti “menyiksa” data, yaitu menjalankan data terus-menerus
00:13:23sampai Anda mendapatkan hasil yang Anda inginkan.
00:13:28Menurut saya, ini jauh lebih penting dari yang diperkirakan.
00:13:31Tentu saja ada pengecualian, misalnya saat menggunakan deep learning.
00:13:35Saat teknik regularisasi seperti dropout digunakan dengan sangat baik dalam deep learning,
00:13:40dan para ahli melakukan berbagai optimasi dengan benar untuk membuat model investasi AI otomatis,
00:13:49memang sulit untuk menjelaskan secara ekonomi bagaimana setiap bobot (weight) dalam deep learning tersebut dipilih.
00:13:56Dan sebenarnya, di Korea pun ada banyak pakar kuantitatif hebat yang meneliti strategi semacam ini,
00:14:04dan saat membaca karya mereka, kita bisa merasakan bahwa mereka mendekatinya secara ilmiah dan ketat.
00:14:08Anda bisa merasakannya.
00:14:10Apa yang saya sampaikan di sini adalah untuk investor perorangan yang melakukan backtesting
00:14:17menggunakan alat bantu backtesting. Jika ingin menghindari data snooping,
00:14:24jangan mulai dari data lalu memaksanya, tapi mulailah dari ide investasi, ide trading, atau logika ekonomi baru ke backtesting.
00:14:31Jadi, poin-poin yang saya sampaikan ini adalah untuk para investor pemula.
00:14:40Bagi mereka yang menentukan parameter dengan reinforcement learning atau deep learning, silakan lakukan sesuai keahlian masing-masing.
00:14:47Poin kedelapan, ini juga sangat penting.
00:14:50Anda harus benar-benar meragukan diri sendiri dari berbagai sudut pandang.
00:14:53Maksud saya di sini adalah meragukan strategi Anda.
00:14:56Cara berpikirnya begini: misal Anda sudah backtesting, lalu lolos di data validasi,
00:15:01bukan data pembelajaran, bahkan sudah mencoba paper trading dan lolos.
00:15:06Strategi yang lolos tahap verifikasi tersebut bukanlah strategi yang terbukti akan menghasilkan profit besar,
00:15:12melainkan hanyalah strategi yang belum terbukti akan menghasilkan profit buruk.
00:15:15Perbedaan ini mungkin terdengar seperti permainan kata, tapi perbedaan sikap yang halus ini membawa perubahan besar.
00:15:21Jangan langsung percaya hanya karena lolos backtesting,
00:15:24tapi anggaplah bahwa “belum terbukti kalau ini tidak bisa dipercaya”.
00:15:29Lalu, bagaimana cara meragukannya dari berbagai sudut pandang?
00:15:31Pertama, jika hasilnya terlalu bagus, kemungkinan besar itu tidak benar-benar bagus.
00:15:35Misalnya, jika ini bukan High-Frequency Trading (HFT),
00:15:37dan strategi tunggal memiliki Sharpe Ratio di atas 2, Anda harus curiga.
00:15:42Angka di atas 3 hampir mustahil terjadi.
00:15:44Jika portofolio yang terdiri dari banyak strategi dengan Sharpe Ratio 1 koma sekian
00:15:49bisa mempertahankan Sharpe Ratio di atas 3 dalam jangka panjang, itu sudah level legenda.
00:15:54Bisa masuk ke dalam seri “Market Wizards”.
00:15:56Jadi, Anda harus berhati-hati dengan bagian ini.
00:15:59High-Frequency Trading sedikit berbeda.
00:16:02Karena frekuensinya sangat tinggi, Sharpe Ratio bisa mencapai 3 atau 4,
00:16:06tapi dalam High-Frequency Trading,
00:16:09ada biaya infrastruktur sebagai biaya tetap, jadi konteksnya agak berbeda.
00:16:14Bagi mereka yang melakukan backtesting atau trading kuantitatif secara umum,
00:16:17jika angkanya di atas 2, berhati-hatilah.
00:16:20Mungkin ada Look-ahead bias,
00:16:22atau mungkin Anda melakukan overfitting,
00:16:24atau mungkin karena terlalu sering melakukan backtesting,
00:16:26terjadi P-value hacking.
00:16:28Hal-hal seperti itu harus Anda curigai.
00:16:30Dan jika ada strategi yang lolos backtesting,
00:16:32Anda harus terus membedahnya dari berbagai sisi.
00:16:34Misalnya, cobalah menyesuaikan asumsi biaya.
00:16:39Bukan sekadar komisi transaksi saja,
00:16:42tapi buatlah asumsi volume perdagangan atau likuiditas menjadi lebih buruk,
00:16:46lalu coba naikkan biaya slippage.
00:16:48Atau cobalah mengubah parameter strategi tersebut.
00:16:51Meskipun parameternya diubah sedikit,
00:16:54apakah profitnya tetap bagus dan stabil?
00:16:56Anda harus memeriksa bagian itu.
00:16:58Misalkan ini strategi terkait PER.
00:17:01Apakah ini kasus di bawah atau di atas?
00:17:04Backtesting menunjukkan titik optimal PER adalah 14,
00:17:08tapi coba bagi menjadi 13.5, 14, 15, 16.
00:17:13Apakah profitnya hanya memburuk sedikit di sekitar angka itu,
00:17:15menunjukkan tren parameter yang stabil?
00:17:19Atau, saat PER 14 hasilnya segini,
00:17:24tapi saat dikurangi jadi 13 hasilnya turun drastis,
00:17:26dan saat 12 malah jadi minus?
00:17:28Jika muncul nilai parameter
00:17:31yang tidak stabil seperti ini,
00:17:32maka dalam kebanyakan kasus,
00:17:34kemungkinan besar terjadi overfitting.
00:17:36Lalu, cobalah ubah waktu transaksi sedikit demi sedikit.
00:17:39Misalnya,
00:17:40jika itu strategi transaksi satuan jam,
00:17:43coba ubah waktu entry dan exit sekitar 5 atau 10 menit.
00:17:46Atau jika itu strategi kuantitatif yang melakukan rebalancing bulanan,
00:17:50biasanya rebalancing dilakukan awal atau akhir bulan.
00:17:54Anda akan melakukan backtesting dengan asumsi transaksi di waktu itu,
00:17:56tapi coba ganti tanggalnya ke tanggal 28, atau tanggal 3 atau 4 jika di awal bulan.
00:18:01Coba ubah timing-nya beberapa hari dan lihat
00:18:04apakah profitnya tetap stabil dan mirip.
00:18:08Untuk rebalancing bulanan, sebenarnya dilakukan kemarin
00:18:11atau besok seharusnya tidak membuat perbedaan besar.
00:18:14Tapi jika selisih satu dua hari saja
00:18:16membuat profit tahunan turun dari 15% ke 7%,
00:18:20berarti ada yang salah.
00:18:22Selain itu, coba tambahkan berbagai asumsi lain.
00:18:24Seperti kejadian eksogen atau mengubah rentang waktu sedikit demi sedikit.
00:18:28Tapi soal kejadian eksogen ini,
00:18:30sulit dilakukan dalam simulasi
00:18:34atau backtesting pada alat bantu tertentu.
00:18:36Bisa juga dengan menambahkan noise statistik.
00:18:39Dalam statistik,
00:18:42ini biasa disebut Bootstrapping.
00:18:44Mengubah variabel pasar saham secara acak
00:18:48sedikit saja di dalam distribusi tersebut.
00:18:50Lalu lihat apakah hasilnya tetap stabil.
00:18:54Pokoknya, bedah semuanya semaksimal mungkin,
00:18:57setelah itu, biasanya barulah
00:19:00pindah ke tahap verifikasi dengan data validasi atau paper trading.
00:19:03Baru kemudian lanjut ke trading sungguhan.
00:19:06Itu saran saya.
00:19:07Dan poin ini juga sudah sempat saya singgung,
00:19:10Anda harus menetapkan benchmark dengan benar.
00:19:12Ada sebuah kasus nyata,”
00:19:14seseorang pamer strategi kuantitatifnya
00:19:17yang menghasilkan profit 30% dalam 6 bulan.
00:19:20Strategi orang ini adalah strategi beli saham,
00:19:22padahal di periode yang sama tahun lalu, KOSPI naik 40%.
00:19:25Dan saat menetapkan benchmark,
00:19:28Anda harus memilih benchmark yang sesuai dengan strategi Anda.
00:19:31Misalnya, jika Anda menyusun strategi fokus pada saham teknologi,
00:19:36maka harus dibandingkan dengan NASDAQ,
00:19:38jangan dibandingkan dengan S&P atau Russell.
00:19:41Jadi, soal profit strategi,
00:19:43misalkan dalam periode 6 tahun yang sama,
00:19:46mana yang lebih baik antara strategi profit 13% dari tahun 2011-2017
00:19:49dan strategi profit 17% dari tahun 2015-2021?
00:19:53Umumnya orang akan berpikir 17% lebih baik,
00:19:56tapi penilaian mana yang lebih baik akan berbeda tergantung
00:20:00performa benchmark strategi tersebut selama periode itu.
00:20:02Strategi yang hanya menghasilkan 17% di pasar yang sangat bagus
00:20:06tentu berbeda dengan strategi yang menghasilkan 13%
00:20:08di pasar negara yang sedang minus.
00:20:11Namun, ada orang yang tidak membandingkan dengan benchmark apa pun
00:20:14dan hanya mementingkan
00:20:16angka profit absolut mereka saja.
00:20:19Karena itu, Anda harus selalu memandang strategi Anda
00:20:20secara relatif terhadap benchmark.
00:20:23Lalu, saat menetapkan benchmark untuk strategi sendiri,
00:20:25apa saja yang harus dipertimbangkan?
00:20:27Risiko volatilitas, atau apakah itu saham value atau growth.
00:20:30Hal-hal itu semua punya indeks terpisah.
00:20:33Jadi, misalnya strategi Anda
00:20:35hanya menetapkan cakupan pada saham growth teknologi
00:20:38dan memilih saham dari dalam sana,
00:20:41maka Anda harus membandingkannya dengan
00:20:45indeks terkait saham growth teknologi sebagai benchmark.
00:20:48Kemudian jika menggunakan opsi,
00:20:50misal portofolio beli saham
00:20:52tapi melakukan hedging dengan opsi.
00:20:53Meskipun menggunakan opsi,
00:20:54bolehkah membandingkannya dengan indeks S&P?
00:20:56Tidak boleh.
00:20:57Sangat tidak boleh.
00:20:58Strategi ini harus dibandingkan dengan
00:21:00benchmark yang sudah ter-hedging opsi.
00:21:03Lalu apakah strateginya long only (hanya beli),
00:21:05atau strategi long-short
00:21:06yang melakukan beli dan jual kosong (short selling)?
00:21:08Jika strategi juga melakukan jual kosong,
00:21:10jangan gunakan indeks yang hanya berbasis beli.
00:21:13Jadi, dengan cara ini,
00:21:14tetapkan benchmark yang sesuai dengan strategi Anda,
00:21:17lalu bandingkan profit benchmark tersebut
00:21:19untuk mengevaluasi profit strategi Anda.
00:21:22Sebenarnya ini hal yang sangat mendasar,
00:21:24tapi sangat banyak investor pemula
00:21:27yang melewatkan bagian ini
00:21:28dan hanya melihat profit absolut saja.
00:21:30Terakhir,
00:21:31diversifikasikan strategi Anda.
00:21:33Seketat apa pun Anda berusaha,
00:21:35berhati-hati dalam backtesting,
00:21:37dan melakukannya secara ilmiah,
00:21:39profit aslinya tetap akan berbeda.
00:21:41Jadi, jika Anda mendiversifikasi strategi investasi,
00:21:43Anda bisa mendapatkan efek diversifikasi
00:21:45di mana risiko berkurang tanpa menurunkan profit.
00:21:47Meskipun hasilnya bisa bervariasi,
00:21:49dari sudut pandang Sharpe Ratio secara keseluruhan,
00:21:51melakukan diversifikasi investasi pasti lebih baik.
00:21:54Dari sudut pandang ini,
00:21:56strategi yang mirip dengan strategi yang sudah Anda miliki
00:21:58berarti tidak memiliki nilai guna yang besar.
00:22:01Jadi, jika dalam portofolio saya
00:22:03sudah ada strategi yang menggunakan laporan keuangan tertentu,
00:22:05memasukkan strategi lain
00:22:07yang hanya diubah sedikit
00:22:08lalu di-backtesting
00:22:10tidak akan membawa arti yang besar.
00:22:11Itu yang ingin saya sampaikan.
00:22:12Jadi, hal-hal yang harus diperhatikan
00:22:14dalam investasi dan trading kuantitatif:
00:22:1610 poin.
00:22:17Curigai data.
00:22:18Jangan melihat ke masa depan terlebih dahulu.
00:22:20Hindari overfitting.
00:22:21Kesempatan verifikasi hanya sekali.
00:22:22Zaman selalu berubah.
00:22:23Market regime.
00:22:25Seorang quant pun
00:22:27harus bisa mengendalikan diri.
00:22:28Jangan terus-menerus
00:22:29menjalankan backtesting
00:22:30tanpa ide investasi apa pun.
00:22:31Dari sudut pandang itu,
00:22:33Anda harus bisa menjelaskan strategi
00:22:34dalam bahasa non-kuantitatif.
00:22:35Tentu ada pengecualian,
00:22:36seperti di bidang deep learning
00:22:38dan reinforcement learning.
00:22:39Lalu, meski sudah lolos backtesting,
00:22:40ragukanlah dari berbagai sudut pandang.
00:22:42Coba sesuaikan lingkungannya sedikit demi sedikit
00:22:43dan pastikan profitnya stabil berdasarkan parameternya.
00:22:44Kemudian, tetapkan benchmark dengan benar.
00:22:46Lalu, diversifikasikan strategi Anda.
00:22:48Jika Anda mengingat 10 hal ini saja,
00:22:50Anda bisa menghindari membuang waktu
00:22:52karena backtesting yang salah
00:22:54saat melakukan investasi atau trading kuantitatif.
00:22:56Selanjutnya, diversifikasikan strategi Anda.
00:22:58Jadi, jika Anda mengingat 10 hal ini saja,
00:23:00Anda bisa terhindar dari backtesting yang salah
00:23:02saat melakukan investasi atau trading kuantitatif,
00:23:04sehingga tidak membuang-buang waktu Anda.
00:23:06Selain itu, kerugian yang datang dari backtesting yang salah
00:23:09dapat dihindari sepenuhnya.
00:23:10Itulah yang ingin saya sampaikan.
00:23:11Tapi ini hanya menghindari kerugian akibat backtesting yang salah,
00:23:14melakukan backtesting dengan benar
00:23:16bukan berarti keuntungan Anda akan terjamin.
00:23:18Setidaknya, Anda bisa menghindari rugi karena kesalahan teknis backtesting.
00:23:22Sebagai penutup bagian ini,
00:23:23mari kita bicara sedikit tentang kelebihan dan keterbatasan kuantitatif.
00:23:26Seperti yang saya tekankan di awal video,
00:23:28bukan berarti investasi kuantitatif itu buruk.
00:23:30Memiliki pola pikir terukur sebagai investor itu sangatlah baik.
00:23:34Namun, iklan yang berlebihan dan
00:23:36melakukan backtesting seadanya justru bisa menjadi racun.
00:23:38Selain membuang waktu dan menyebabkan kerugian,
00:23:40Anda bisa terjebak dalam ilusi sesat
00:23:42bahwa Anda sedang berinvestasi secara ilmiah,
00:23:44sehingga Anda mengambil risiko yang terlalu besar.
00:23:46Saya merasa kasihan melihat kasus-kasus kerugian nyata seperti itu.
00:23:50Masalahnya adalah,
00:23:52meskipun Anda melakukan backtesting seadanya
00:23:54dan melakukan tindakan yang tidak berarti secara statistik,
00:23:56bahkan saat Anda menyusun strategi,
00:23:58karena sifat pasar saham yang acak,
00:24:00backtesting asal-asalan itu pun terkadang bisa menghasilkan untung.
00:24:03Karena backtesting yang salah
00:24:05tidak berarti hasilnya akan selalu
00:24:07lebih buruk daripada hasil backtesting-nya.
00:24:09Itu artinya selisih antara profit backtesting
00:24:11dan profit riil menjadi semakin lebar.
00:24:13Jadi selisihnya bisa ke atas,
00:24:15atau bisa juga ke bawah.
00:24:17Namun umumnya, backtesting dilakukan untuk
00:24:19memaksimalkan keuntungan berdasarkan data masa lalu,
00:24:21sehingga jika terjadi selisih, biasanya ke arah bawah,
00:24:23artinya profit aslinya akan lebih buruk.
00:24:26Jika Anda melakukan backtesting tanpa makna statistik sama sekali,
00:24:30benar-benar dilakukan secara acak,
00:24:32atau saat Anda mulai terjun ke pasar riil,
00:24:35kondisi pasarnya sedang sangat bagus,
00:24:37Anda mungkin mendapatkan profit sebesar hasil backtesting,
00:24:39atau bahkan bisa lebih tinggi lagi.
00:24:41Jika tidak hati-hati, ini bisa menjadi
00:24:43apa yang disebut “keberuntungan pemula” (beginner's luck).
00:24:45Ini tidak hanya terjadi di investasi kuantitatif,
00:24:47tapi juga di kasino, trading manual, atau analisis teknikal.
00:24:50Ini terjadi di berbagai bidang
00:24:53yang melibatkan uang dan probabilitas.
00:24:56Jika seseorang menang di awal seperti itu,
00:24:59mereka jadi percaya diri lalu menambah modal,
00:25:01bahkan sampai mengambil pinjaman,
00:25:02yang akhirnya berujung pada kerugian yang lebih besar.
00:25:05Jadi Anda harus berhati-hati dengan hal ini.
00:25:07Sekali lagi saya sampaikan,
00:25:08keuntungan tidak bisa dibuktikan
00:25:11hanya melalui backtesting.
00:25:12Hanya karena sudah diverifikasi berkali-kali,
00:25:14bukan berarti strategi itu terbukti tidak akan rugi.
00:25:17Strategi-strategi dalam kondisi seperti inilah
00:25:19yang akhirnya dilepas ke pasar riil,
00:25:21bukan karena profitnya sudah pasti
00:25:22atau terbukti akan selalu bagus.
00:25:24Saya ingin menekankan hal itu sekali lagi.
00:25:27Dan sebenarnya,
00:25:29orang-orang yang melihat dengan sinis
00:25:31sering mengatakan hal ini kepada saya:
00:25:32“Orang ini selalu saja
00:25:34mengatakan semuanya sulit.”
00:25:36Investasi nilai katanya sulit,
00:25:37trading berdasarkan chart juga sulit,
00:25:38bahkan mengikuti indeks (index tracking)
00:25:40pun belum tentu selalu naik.
00:25:41Sekarang investasi kuantitatif pun dibilang sulit.
00:25:44“Lalu saya harus investasi apa?”
00:25:46Bahkan saya pernah mendengar komentar seperti ini:
00:25:47“Apakah karena Anda bekerja di keuangan,
00:25:49Anda ingin menunjukkan kesombongan sebagai ahli?”
00:25:51“Apakah Anda meremehkan orang awam
00:25:53dan menyuruh mereka ikut indeks saja?”
00:25:54Tapi bukan itu maksud saya.
00:25:55Memang pada dasarnya, menghasilkan uang lebih banyak dari orang lain itu sulit.
00:26:00Sejujurnya, jika semakin banyak
00:26:01orang yang melakukan investasi kuantitatif yang salah,
00:26:03saya justru merasa diuntungkan.
00:26:05Merekalah yang menciptakan inefisiensi pasar,
00:26:08dan karena adanya orang-orang seperti itulah,
00:26:10seseorang bisa mendapatkan keuntungan berlebih (alpha).
00:26:12Saya tidak punya alasan kuat untuk memberitahu
00:26:14bahwa metode mereka salah.
00:26:15Jadi alasan saya bilang semuanya sulit
00:26:18bukanlah untuk melarang Anda melakukannya,
00:26:20atau menyuruh orang non-ahli
00:26:23untuk hanya mengikuti indeks saja.
00:26:24Because it is naturally difficult to earn more money than others
00:26:28jika Anda ingin menghasilkan lebih banyak,
00:26:30berusahalah dengan cara yang benar,
00:26:32belajarlah untuk membangun keahlian,
00:26:34dan kumpulkanlah pengalaman.
00:26:35Lewat arah itulah,
00:26:36entah itu investasi nilai,
00:26:37investasi kuantitatif,
00:26:39atau mengikuti indeks, lakukanlah dengan serius.
00:26:41Itulah maksud sebenarnya.
00:26:42Tapi entah kenapa cerita yang masuk akal ini
00:26:44sulit diterima oleh orang-orang.
00:26:45Sebaliknya, janji bahwa Anda bisa kaya dengan cepat,
00:26:48atau bisa mendapat profit 20% per tahun dengan mudah,
00:26:50cerita-cerita seperti itu
00:26:51sudah ada sejak 10, 20, 30,
00:26:53bahkan 100 tahun yang lalu.
00:26:55Cerita-cerita seperti itu terus beredar,
00:26:57dan setiap ada metode investasi baru,
00:26:59hal yang sama terulang kembali.
00:27:01Bahkan ketika ada produk baru muncul,
00:27:03cerita yang sama beredar lagi.
00:27:05Lalu kenapa setiap kali,
00:27:06korban-korban baru terus bermunculan
00:27:08seolah sejarah sedang berulang?
00:27:10Menurut pendapat saya,
00:27:12itu karena meskipun metodenya salah,
00:27:14kasus-kasus yang berhasil
00:27:16memang benar-benar terjadi.
00:27:18Ada orang yang menang besar di kasino,
00:27:20dan ada juga orang yang tetap menghasilkan uang
00:27:21meskipun dengan backtesting seadanya.
00:27:24Jadi, distribusi probabilitas yang sebenarnya
00:27:26menjadi tersembunyi.
00:27:27Artinya, di dunia dan kehidupan ini,
00:27:29terdapat unsur keacakan (randomness),
00:27:31sehingga volatilitas itu
00:27:33menutupi nilai rata-ratanya.
00:27:35Jadi saya mencoba membayangkan gambar seperti ini.
00:27:37Apakah seseorang akan kaya atau tidak di masa depan,
00:27:41bukanlah sesuatu yang pasti atau deterministik,
00:27:43melainkan masalah probabilitas.
00:27:45Katakanlah sumbu X menunjukkan tingkat kekayaan,
00:27:48semakin ke kanan berarti semakin kaya.
00:27:50Mari kita asumsikan seperti itu.
00:27:51Maka, bagi para pegawai negeri
00:27:54yang masa pensiunnya terjamin,
00:27:56atau mereka yang hidup jujur dan menabung di deposito,
00:27:58mereka akan membangun kekayaan di level tertentu.
00:28:01Jika kita pikirkan tentang itu,
00:28:02karena mereka berinvestasi dengan aman di deposito
00:28:05dan sangat berhati-hati,
00:28:07volatilitas kekayaan mereka tidaklah tinggi.
00:28:09Meskipun ada pengeluaran sedikit atau
00:28:11mendapatkan bunga deposito,
00:28:13kekayaan mereka hanya akan bergerak di sekitar situ saja.
00:28:15Namun, jika Anda mulai berinvestasi saham,
00:28:17volatilitas dalam hidup Anda akan meningkat.
00:28:20Entah Anda kehilangan uang di saham,
00:28:22atau mendapatkan keuntungan darinya.
00:28:24Atau mungkin terjadi krisis keuangan
00:28:26yang membuat kekayaan Anda merosot.
00:28:27Bagian yang sedikit keliru dari gambar ini adalah
00:28:29garisnya turun secara lurus,
00:28:31tapi jika Anda mengambil risiko lebih besar
00:28:34seperti berinvestasi di saham,
00:28:35sebagai ganti volatilitas yang meningkat,
00:28:37posisinya akan bergeser sedikit ke kanan.
00:28:39Jadi kenyataannya akan menjadi seperti itu.
00:28:42Dibandingkan hidup yang sangat stabil,
00:28:43sebagai imbalan karena berani mengambil risiko,
00:28:45rata-ratanya pun akan
00:28:46bergeser ke arah kanan.
00:28:48Anda bisa melihatnya seperti itu.
00:28:50Kini, bagi mereka yang mengejar gaya hidup lebih ekstrem,
00:28:54seperti futures, derivatif, atau kripto,
00:28:57volatilitasnya akan semakin besar, seperti garis kuning.
00:28:59Dan di antara sesama investor saham pun,
00:29:02jika Anda membangun keahlian yang lebih tinggi,
00:29:04Anda bisa memiliki distribusi probabilitas di sisi ini,
00:29:06dan jika lebih ahli lagi, bisa lebih ke kanan lagi.
00:29:08Namun, bagi mereka yang berinvestasi dengan cara yang salah,
00:29:10seperti berjudi di kasino,
00:29:12atau melakukan spekulasi murni,
00:29:14atau bergabung dengan grup chat ilegal yang memanipulasi harga,
00:29:18atau melakukan backtesting yang salah seperti yang kita bahas hari ini,
00:29:21atau melakukan “all-in” berdasarkan rumor belaka,
00:29:23volatilitasnya juga seharusnya lebih besar dari gambar ini,
00:29:26tapi intinya, rata-ratanya akan bergeser ke kiri.
00:29:29Tapi masalahnya adalah,
00:29:31bahkan di antara orang-orang yang melakukan itu,
00:29:33karena ini adalah distribusi probabilitas,
00:29:35satu dari seribu atau sepuluh ribu orang
00:29:38bisa saja mendapatkan untung yang sangat besar.
00:29:40Jadi, ada orang yang mendapatkan jackpot di kasino,
00:29:43atau kaya mendadak karena all-in di satu koin.
00:29:45Satu atau dua orang dari sepuluh ribu pasti akan muncul.
00:29:48Tapi saat melihat fenomena ini, itu hanyalah bias penyintas (survivorship bias).
00:29:51Anda harus sadar bahwa dalam distribusi probabilitas ini,
00:29:55kasus seperti itu bisa terjadi sekali dalam sepuluh ribu orang.
00:29:57Jika Anda tidak memiliki pola pikir seperti itu,
00:29:59dan malah terpengaruh padahal sudah menjalani hidup yang jujur,
00:30:03Jika Anda beralih ke sini, ada kemungkinan besar kekayaan Anda akan berkurang.
00:30:07Tentu saja, mengesampingkan detail teknis seperti apakah ini harus lebih ke kanan,
00:30:11atau apakah distribusinya harus lebih mendatar,
00:30:13hal-hal semacam itu kita kesampingkan dulu.
00:30:15Poin yang ingin saya sampaikan sekarang adalah
00:30:17bahwa menumpuk kekayaan, investasi, atau pasar saham,
00:30:20bukanlah dunia yang bersifat deterministik dan pasti,
00:30:25melainkan dunia probabilistik yang terbentuk melalui distribusi.
00:30:28Meskipun Anda berinvestasi saham dengan cara yang benar dan tepat,
00:30:31jika kondisi pasar buruk dan berbagai peristiwa negatif terjadi,
00:30:35hasilnya bisa saja merosot ke bawah.
00:30:37Dan meskipun seseorang melakukan perjudian kasino yang salah,
00:30:39secara kebetulan dia pergi ke sana dan—
00:30:41bagaimanapun juga, pasti ada seseorang yang mendapatkan jackpot—
00:30:43That is how you can hit the jackpot
00:30:45Dunia ini tidak langsung memaku Anda di satu posisi tetap
00:30:49hanya karena Anda melakukan tindakan yang tidak memiliki keunggulan probabilitas.
00:30:51Sebaliknya, Anda hidup dalam sebuah distribusi probabilitas,
00:30:55di mana melakukan hal buruk pun bisa membawa Anda ke atas,
00:30:57dan mencoba hidup dengan benar pun bisa membawa Anda ke bawah.
00:30:59Begitulah kenyataannya.
00:31:00Namun, jika tindakan tersebut dilakukan berulang kali, pada akhirnya,
00:31:03hasilnya akan memusat di sini,
00:31:04dan orang-orang tersebut akan berakhir di titik ini.
00:31:06Hanya dengan memahami konsep ini saja,
00:31:08apa pun yang dikatakan orang-orang yang beruntung itu,
00:31:10atau godaan apa pun yang Anda terima terkait hal tersebut,
00:31:13saya rasa ini akan membantu Anda untuk tetap teguh.
00:31:16Itulah alasan saya menyiapkan diagram ini.
00:31:19Sekarang, mari kembali ke pembahasan tentang kuantitatif.
00:31:21Keterbatasan utama analisis kuant (quant) adalah ketergantungan pada data masa lalu.
00:31:25Backtesting dilakukan dengan asumsi bahwa pola masa lalu akan berulang,
00:31:29dan itulah batasan dari metode kuantitatif.
00:31:31ketika peristiwa seperti pandemi COVID-19 terjadi,
00:31:33When an event like COVID-19 occurs
00:31:35sifat dan sistem pasar itu sendiri berubah total,
00:31:38sehingga pola masa lalu tidak lagi berlaku sama sekali.
00:31:41Jika Anda melihat setelah pandemi tahun lalu,
00:31:43ini adalah rata-rata imbal hasil reksa dana AS,
00:31:46ini adalah rata-rata imbal hasil hedge fund,
00:31:48kemudian ini adalah reksa dana kuantitatif,
00:31:50dan ini adalah hedge fund kuantitatif,
00:31:52lalu terakhir adalah indeks Russell.
00:31:54Bisa dilihat bahwa metode kuantitatif kinerjanya jauh lebih rendah (underperforming).
00:31:57Bahkan di antara berbagai faktor, kecuali faktor momentum,
00:32:00di seluruh pasar saham Amerika Serikat,
00:32:02faktor-faktor lainnya berkinerja lebih rendah daripada pasar secara keseluruhan.
00:32:06Selain investasi berbasis faktor (factor investing) seperti ini,
00:32:08upaya untuk mencari “alpha” (keuntungan di atas pasar),
00:32:10meskipun data alternatif sedang menjadi topik hangat saat ini,
00:32:14kenyataannya biaya data untuk metode kuantitatif sangatlah besar,
00:32:18dan biaya untuk menemukan alpha yang sebenarnya terus meningkat.
00:32:22Ini mirip dengan perlombaan senjata di era Perang Dingin.
00:32:24Ide-ide yang benar-benar segar,
00:32:26pola-pola menguntungkan yang belum ditemukan
00:32:28yang terus memberikan imbal hasil berlebih,
00:32:30menjadi semakin sulit untuk ditemukan,
00:32:32sementara biaya untuk mencarinya justru melonjak drastis.
00:32:34Jadi, imbal hasil berlebih yang didapat dibandingkan biaya yang dikeluarkan mulai menurun.
00:32:38Jika saya bertanya kepada teman-teman yang bekerja di hedge fund kuantitatif,
00:32:42dahulu, jika mereka melakukan riset mendalam dan menemukan strategi yang sangat bagus,
00:32:46strategi tersebut bisa menghasilkan keuntungan berlebih,
00:32:48misalnya, bertahan selama satu tahun.
00:32:52Setelah itu profitabilitasnya perlahan menurun,
00:32:54dan barulah mereka perlu melakukan penyesuaian.
00:32:56Namun sekarang, durasi itu memendek menjadi hanya 4 hingga 6 bulan.
00:33:00Sebab, persaingan di antara para analis kuantitatif semakin ketat,
00:33:04dan ketika mereka berpindah perusahaan,
00:33:06strategi-strategi tersebut menjadi umum dan terstandarisasi.
00:33:08Selain itu, meskipun Quantopian sudah ditutup saat ini,
00:33:11masih banyak platform backtesting lainnya yang tersedia.
00:33:14Sekarang mungkin ada puluhan platform semacam itu,
00:33:16sehingga investor individu pun mulai terjun ke bidang ini.
00:33:18Akibatnya, semakin sulit untuk menemukan alpha yang unik di pasar
00:33:22dan menghasilkan keuntungan berlebih yang luar biasa.
00:33:25Pasar ini benar-benar telah menjadi “samudra merah” (red ocean).
00:33:27Dalam aspek ini, kelebihan penilaian manusia dibandingkan kuantitatif
00:33:30adalah kemampuan untuk melakukan inferensi dengan data yang terbatas.
00:33:34Misalnya, kasus pandemi COVID-19
00:33:35adalah peristiwa yang sangat unik dan langka.
00:33:38Karena tidak banyak kasus pandemi serupa
00:33:40yang terjadi di masa lalu,
00:33:43hampir mustahil untuk menemukan pola dari data historis.
00:33:46Namun, bahkan dalam kasus yang hanya terjadi sekali ini,
00:33:49manusia bisa menganalisis Flu Spanyol tahun 1920-an,
00:33:53atau menggunakan berbagai kebijaksanaan hidup lainnya
00:33:56untuk melakukan inferensi yang rasional.
00:33:58Oleh karena itu, jika Anda melihat tren kuantifikasi di pasar saham,
00:34:00otomatisasi dimulai dari High-Frequency Trading (HFT)
00:34:03yang memiliki jumlah data yang sangat padat dalam hitungan milidetik.
00:34:07Sehingga para trader jangka pendek (scalper) semakin kesulitan dan mulai menghilang.
00:34:09Di sisi lain, untuk bidang investasi jangka panjang
00:34:13yang jumlah datanya masih sedikit dalam skala tahunan,
00:34:16inferensi manusia masih memegang peranan besar.
00:34:21Bahkan hedge fund yang berinvestasi jangka panjang pun,
00:34:24para manajer investasi masih sering menggunakan penilaian diskresioner mereka sendiri.
00:34:26Still, these fund managers exercise a lot of discretionary and arbitrary judgment
00:34:31Ada aspek-aspek yang memang memerlukan keputusan manusia.
00:34:32Bagaimanapun, arus sejarah memang mengarah pada metode kuantitatif,
00:34:35dan kuantifikasi akan terus berlanjut di masa depan.
00:34:38Namun, Artificial General Intelligence (AGI)—yaitu AI yang bisa menghadapi masalah baru,
00:34:42bukan sekadar tugas yang telah dipelajarinya—
00:34:44dan mampu melakukan inferensi dari pengalaman di bidang lain
00:34:47untuk menyelesaikan tugas baru tersebut,
00:34:49setidaknya akan memakan waktu puluhan tahun lagi.
00:34:52Meskipun riset seperti One-shot learning atau Meta-learning sedang berjalan,
00:34:55saya masih melihatnya sebagai masa depan yang jauh.
00:34:58Oleh karena itu, saya rasa di pasar saham pun AI belum bisa menggantikan manusia sepenuhnya.
00:35:02Itulah pemikiran saya.
00:35:03Namun, tetap saja tidak bisa dipungkiri bahwa arus sejarah
00:35:06sedang bergerak menuju kuantifikasi dan otomasi.
00:35:09Meskipun metode kuantitatif lemah terhadap perubahan rezim atau paradigma pasar,
00:35:12ia masih jauh lebih unggul daripada manusia yang melakukan perdagangan impulsif,
00:35:15terbawa emosi, tanpa prinsip, atau tanpa evaluasi diri.
00:35:19Jadi, jika Anda benar-benar ingin sukses menjadi trader profesional,
00:35:23menurut saya ada sekitar tiga cara.
00:35:26Pertama, jika Anda melakukan trading dengan penilaian pribadi,
00:35:29gunakanlah bantuan dari berbagai analisis kuantitatif
00:35:33maupun model sentimen sebagai pendukung.
00:35:36Lakukan analisis berita, analisis pasar, atau analisis skenario,
00:35:39di mana Anda melakukan riset dan analisis terhadap peristiwa baru
00:35:41yang sulit dilakukan oleh algoritma kuantitatif.
00:35:43Tambahkan nilai tersebut ke dalam strategi Anda.
00:35:45Alih-alih bersaing di bidang HFT yang sangat sibuk,
00:35:48jadilah trader yang beroperasi di antara rentang
00:35:51day trading hingga swing trading.
00:35:54Saya sendiri menempuh jalan ini dalam kapasitas perdagangan pribadi.
00:35:57Misalnya, saya memproses semua data perdagangan opsi,
00:36:00menerapkan machine learning pada data tersebut,
00:36:03untuk menghasilkan sinyal-sinyal tertentu.
00:36:05Lalu saya mengumpulkan semua data berita,
00:36:07melatih model sentimen,
00:36:09dan melihat sinyal dari sana.
00:36:11Bukan berarti saya melakukan perdagangan otomatis dengan itu,
00:36:13tetapi saya merujuk pada bagian tersebut dalam penilaian saya,
00:36:16sembari mempertimbangkan kondisi pasar saat ini, tren kebijakan The Fed,
00:36:19dan faktor-faktor lainnya secara keseluruhan.
00:36:21Itulah yang kemudian menuntun saya
00:36:23pada keputusan perdagangan.
00:36:24Kedua, bagi Anda yang berlatar belakang pendidikan sains atau teknik,
00:36:26khususnya para mahasiswa tingkat sarjana,
00:36:28jika Anda ingin menjadi analis kuantitatif di institusi,
00:36:31tempuhlah studi doktoral (Ph.D) yang serius di bidang sains/teknik,
00:36:34lalu jadilah analis kuantitatif institusional.
00:36:36Ketiga, bagi mereka yang melakukan perdagangan kuantitatif saat ini,
00:36:39ada pasar ceruk (niche) yang tidak tersentuh oleh institusi besar.
00:36:42Anda bisa mencoba perdagangan kuantitatif individu di ceruk tersebut.
00:36:46Kurang lebih ada tiga cara seperti itu.
00:36:49Contoh ceruk yang tidak disentuh institusi adalah,
00:36:52strategi dengan kapasitas di bawah beberapa miliar won.
00:36:55Institusi tidak akan menghabiskan sumber daya untuk strategi semacam itu.
00:36:58Kapasitas di sini berarti, seberapa besar imbal hasil akan menurun
00:37:01jika dana yang dikelola terus ditambah.
00:37:03Ini melibatkan biaya transaksi, slippage,
00:37:05dan masalah likuiditas,
00:37:07semua faktor tersebut berpengaruh.
00:37:08Saya rasa batas maksimalnya sekitar 5 hingga 10 miliar won.
00:37:11Itu perkiraan saya.
00:37:12Dengan kata lain, strategi yang kapasitasnya menurun di kisaran tersebut
00:37:15tidak akan dilirik oleh institusi.
00:37:18Karena tidak banyak keuntungan yang bisa diambil dari upaya yang dikeluarkan.
00:37:21Namun bagi individu, jika imbal hasil tidak menurun
00:37:24meskipun dana ditingkatkan hingga 5 atau 10 miliar won,
00:37:27jumlah itu sudah lebih dari cukup.
00:37:29Jadi, carilah ceruk-ceruk seperti itu dengan baik,
00:37:31temukan inefisiensi pasar tersebut,
00:37:33dan hasilkan keuntungan darinya.
00:37:34Lalu, bagaimana cara mempelajarinya dengan benar?
00:37:38Terkait perdagangan kuantitatif dan algoritmik,
00:37:40untuk menyusun kurikulum belajarnya,
00:37:42secara garis besar saya bisa sampaikan,
00:37:44bahwa sebenarnya ada berbagai macam jalur,
00:37:45tetapi jika dirangkum,
00:37:47pertama, saya pikir Anda mutlak harus belajar coding.
00:37:50Seorang analis kuantitatif yang tidak bisa coding dan hanya memakai Excel bukanlah analis kuantitatif sejati.
00:37:53Meskipun Excel memiliki banyak fungsi,
00:37:56itu adalah alat yang sangat terbatas secara absolut.
00:37:59Jika jumlah data yang ditangani sedikit lebih banyak,
00:38:01Excel akan langsung macet (freeze).
00:38:02Setidaknya Anda harus mempelajari Python.
00:38:05Jadi, alih-alih melakukan backtesting pada indikator laporan keuangan
00:38:08atau indikator teknikal yang sudah dilakukan oleh semua orang,
00:38:11dan hanya berakhir dengan strategi yang sudah dicoba ribuan kali oleh orang lain,
00:38:14yang hanya akan berujung pada overfitting,
00:38:17Anda harus bisa mengubah ide segar Anda menjadi sebuah strategi.
00:38:20Untuk mencari samudra biru (blue ocean), mencari ceruk pasar,
00:38:23dan menghasilkan keuntungan berlebih, Anda wajib bisa coding.
00:38:26Hanya dengan begitu Anda bisa mewujudkan ide-ide tersebut secara fleksibel.
00:38:29Itulah pesan saya.
00:38:30Dan tentu saja,
00:38:31Anda harus memiliki dasar statistik yang kuat.
00:38:33Ini benar-benar standar minimal: statistik tingkat sarjana,
00:38:37dan statistik Bayesian.
00:38:38Setidaknya Anda harus mengambil satu atau dua mata kuliah
00:38:40terkait hal tersebut.
00:38:42Lalu mengenai analisis deret waktu (time series analysis),
00:38:44Anda akan mempelajari ARIMA, kointegrasi, Kalman filter,
00:38:46dan hal-hal semacam itu.
00:38:48Tetapi secara umum, saat menangani data deret waktu,
00:38:51Anda harus tahu bagian mana yang perlu diwaspadai dan bagaimana cara memprosesnya.
00:38:52bagaimana cara memprosesnya, dan hal-hal semacam itu.
00:38:55Lalu, sekarang ada pembelajaran mesin (machine learning).
00:38:57Sebenarnya, analisis regresi juga merupakan salah satu bagian dari pembelajaran mesin.
00:39:00Ada banyak algoritma dalam pembelajaran mesin,
00:39:02seperti SVM, Random Forest,
00:39:05atau AdaBoost.
00:39:07Ada begitu banyak algoritma di luar sana.
00:39:09Jika Anda punya waktu untuk belajar, Anda bisa mempelajari semuanya.
00:39:12Tapi secara pribadi, saya merekomendasikan analisis regresi,
00:39:14LightGBM,
00:39:15atau XGBoost.
00:39:16Lalu deep learning,
00:39:17dan pembelajaran tanpa pengawasan (unsupervised learning),
00:39:18seperti clustering dan semacamnya.
00:39:20Kemudian ada pemrosesan bahasa alami (NLP),
00:39:22ditambah reinforcement learning yang belakangan ini banyak diterapkan dalam trading.
00:39:26Kira-kira sejauh itu yang perlu Anda pelajari.
00:39:28Lalu, bagian yang sangat, sangat penting adalah bahasa Inggris.
00:39:30Materi tentang quant dalam bahasa Korea masih sangat, sangat terbatas.
00:39:33Ini bukan berarti para quant di Korea
00:39:37tertinggal dibandingkan dengan mereka yang di Amerika.
00:39:38Ada banyak quant yang sangat hebat di Korea.
00:39:40Namun, kebanyakan dari mereka sangat mahir dengan materi berbahasa Inggris,
00:39:46sehingga mereka tidak merasa perlu menerjemahkannya ke dalam bahasa Korea.
00:39:49Itulah sebabnya sebagian besar sumber daya quant tersedia dalam bahasa Inggris.
00:39:53Meskipun ada materi belajar quant dalam bahasa Korea,
00:39:58sejauh yang saya lihat, materi tersebut biasanya masih di tingkat dasar untuk publik.
00:40:03Jika ingin mendalami lebih jauh, materi bahasa Korea masih kurang, jadi Anda wajib bisa bahasa Inggris.
00:40:11Selain itu, jurnal-jurnal terkait quant finance juga penting.
00:40:14Hedge fund quant juga mendapatkan banyak ide dari jurnal-jurnal ini untuk kemudian diuji,
00:40:21jadi sering-seringlah membaca jurnal-jurnal tersebut.
00:40:24Mungkin Anda berpikir, “Kapan saya bisa mempelajari semua ini?”
00:40:28Tapi Anda tidak perlu menyelesaikan semuanya sebelum memulai.
00:40:32Setelah Anda memiliki dasar statistik yang kuat,
00:40:35mempelajari langkah ke-2 atau ke-3 menurut saya tidak akan memakan waktu terlalu lama.
00:40:39Bagi mereka dengan latar belakang sains, mungkin sudah tahu atau butuh sekitar 6 bulan.
00:40:44Jadi, meskipun baru sampai di poin ke-2 atau ke-3,
00:40:48Anda bisa mulai menyusun strategi sambil mempelajari metodologi baru secara bertahap.
00:40:52Itu poin yang ingin saya sampaikan.
00:40:53Sebenarnya, saya telah merangkum semua materi yang saya pelajari dan materi kuliah saya,
00:40:57dan tebalnya kira-kira segini.
00:41:00Ini dicetak bolak-balik,
00:41:02jadi kalau kertas A4, mungkin sekitar 500 sampai 600 halaman.
00:41:07Bagi mereka yang memiliki dasar sains, seperti matematika, statistik, atau fisika,
00:41:11yang dipelajari saat sarjana, mungkin butuh sekitar 6 bulan hingga 1 tahun
00:41:15jika dipelajari dengan sangat intens.
00:41:18Bagi yang tidak punya dasar sains, mungkin perlu waktu 1 sampai 3 tahun.
00:41:23Anggaplah sekitar waktu itu dan susunlah kurikulum untuk mulai belajar.
00:41:28Sebenarnya, hal-hal ini tidak hanya berguna untuk trading quant.
00:41:31Saat ini, ilmu ini sangat membantu di berbagai bidang seperti sains data atau pengembangan perangkat lunak.
00:41:36Jika Anda hanya menganalisis chart terus-menerus, ilmu itu tidak banyak berguna di bidang lain, kan?
00:41:41Jadi jika trading-nya tidak berhasil, waktu yang Anda habiskan akan terbuang sia-sia.
00:41:46Tapi mempelajari hal ini akan meningkatkan kemampuan dasar Anda dan sangat baik untuk karier.
00:41:52Selanjutnya, saya sempat mencari-cari tentang alat backtesting,
00:41:57dan saya menemukannya di Reddit. Jika Anda membuka tautan ini,
00:42:02ada layanan dan situs yang terkait dengan algorithmic trading.
00:42:06Dulu saya pernah menggunakan Quantopian,
00:42:10dan juga QuantConnect. Itu juga cukup bagus.
00:42:13Setahu saya, untuk individu biayanya sekitar 8 dolar per bulan, dan fiturnya lumayan.
00:42:18Tentu saja ini bukan iklan, karena saya juga belum mencoba semua alat yang ada.
00:42:23Jadi saya tidak bermaksud memberikan rekomendasi khusus.
00:42:26Di dalam negeri (Korea), saya mencari dan menemukan layanan seperti backtest.kr atau GenPort.
00:42:32Saya belum pernah menggunakannya secara langsung, jadi saya tidak bisa berkomentar banyak.
00:42:36Tapi tentu bagus jika alat-alat lokal juga terus berkembang.
00:42:39Namun, daripada situs yang membatasi backtesting pada bagian-bagian tertentu saja,
00:42:44saya lebih merekomendasikan situs yang memiliki infrastruktur yang mendukung berbagai bahasa pemrograman.
00:42:50Di mana saya bisa menghubungkan kode yang saya tulis ke dalam infrastruktur tersebut untuk backtesting.
00:42:56Saya merekomendasikan situs seperti itu.
00:42:58Sebab, fleksibilitas itu sangat penting
00:43:00agar Anda bisa menguji dan mengimplementasikan ide-ide yang benar-benar orisinal,
00:43:03dan dengan begitu Anda bisa menghasilkan profit berlebih (excess return).
00:43:07Jadi, jika Anda benar-benar ingin mahir dalam trading quant dan serius menempuh jalan ini,
00:43:11Anda wajib belajar coding,
00:43:13agar Anda bisa menulis sendiri bagian strateginya,
00:43:15lalu gunakanlah alat yang sudah menyediakan
00:43:19seluruh bagian infrastruktur lainnya.
00:43:22Itulah saran dari saya.
00:43:23Tapi karena di sini ada begitu banyak layanan,
00:43:26saya tidak bisa menentukan mana yang terbaik untuk Anda.
00:43:29Mungkin Anda merasa harus belajar coding juga,
00:43:31dan ada begitu banyak hal yang harus dilakukan.
00:43:33Anda mungkin berpikir seperti itu.
00:43:34Atau mungkin bertanya-tanya, “Apakah tidak ada cara yang mudah?”
00:43:36Anda mungkin berpikiran begitu.
00:43:37Strategi seperti Magic Formula mungkin terasa intuitif,
00:43:40tapi selama 20 tahun terakhir, seperti bidang lainnya,
00:43:42dunia finansial juga telah banyak berubah dan berkembang.
00:43:45Di hampir semua bidang lain,
00:43:47tidak ada yang masih menggunakan teknologi dari tahun 80-an atau 90-an.
00:43:50Tapi anehnya, di pasar saham,
00:43:52strategi dari tahun 80-an dan 90-an masih saja diperkenalkan kepada investor ritel,
00:43:56dan kembali menjadi tren.
00:43:57Fenomena seperti itu sering terjadi.
00:43:59Tapi anggaplah bahwa di dunia ini tidak ada cara yang intuitif dan mudah untuk mencari uang.
00:44:03Hanya saja, karena faktor probabilitas dan volatilitas pasar saham,
00:44:06meskipun menggunakan cara yang mudah tanpa banyak usaha,
00:44:09bisa saja ada orang yang berhasil meraup uang.
00:44:10Sebaliknya, ada orang yang sudah berusaha keras tapi tetap rugi.
00:44:13Hal semacam itu memang bisa terjadi.
00:44:15Namun, saat melihat fenomena tersebut,
00:44:16jangan sampai tergiur.
00:44:17Lihatlah kenyataannya,
00:44:18dan ingatlah tentang distribusi probabilitas tadi.
00:44:20Pikirkanlah hal itu,
00:44:22dan tentukan distribusi probabilitas mana yang akan Anda pilih.
00:44:25Apakah Anda akan memilih jalan yang sulit tapi menuju ke arah kanan?
00:44:28Atau Anda akan memilih yang di sisi kiri,
00:44:29tapi meningkatkan volatilitasnya
00:44:31untuk melihat apakah Anda bisa sampai ke sana?
00:44:32Apakah Anda ingin mencoba berjudi di sana?
00:44:34Anda harus membuat pilihan.
00:44:36Itu yang ingin saya sampaikan.
00:44:37Sebagai penutup, saya juga menonton “Squid Game” baru-baru ini
00:44:40dan menurut saya sangat seru.
00:44:41Ada sesuatu yang dikatakan Kakek Oh Il-nam
00:44:42di bagian akhir cerita,
00:44:44yang sangat berkesan bagi saya.
00:44:45Tepat sebelum dia meninggal,
00:44:46dia bertanya apa persamaan antara orang yang punya sangat sedikit uang
00:44:48dan orang yang punya sangat banyak uang.
00:44:50Dia bilang,
00:44:51hidup mereka sama-sama tidak menyenangkan.
00:44:52Itulah yang dia katakan.
00:44:54Jadi, menurut saya,
00:44:55dalam kehidupan nyata kita,
00:44:56kesenangan dan kebahagiaan itu
00:44:57ada pada proses perubahan dari kondisi tidak punya uang
00:44:59menjadi punya banyak uang.
00:45:01Jika kita melewati semua proses itu
00:45:03dan tiba-tiba menjadi kaya,
00:45:04saya rasa itu tidak akan terlalu bermakna.
00:45:06Melakukan hal itu sebenarnya sama saja dengan
00:45:08melewatkan semua kenangan
00:45:09yang menyenangkan dan membahagiakan,
00:45:10serta bagian-bagian hidup yang berharga.
00:45:11Itu seperti membuang semuanya.
00:45:13Dulu saya juga sangat suka bermain game.
00:45:14Benar-benar sangat suka.
00:45:15Saat masih SMP,
00:45:17sepertinya saya sangat gila bermain game.
00:45:18Bahkan sampai SMA juga begitu.
00:45:20Tapi ada satu saat ketika game single-player
00:45:21mulai terasa tidak menyenangkan lagi,
00:45:23yaitu sejak saya mulai menggunakan cheat.
00:45:26Dalam game StarCraft,
00:45:27Anda akan langsung kaya dalam sekejap
00:45:28Becoming rich in an instant
00:45:29dan bisa mengalahkan semuanya.
00:45:30Tetapi, hanya demi memenangkan game itu,
00:45:32menggunakan cheat sebenarnya
00:45:33berarti membuang tujuan utama dari sebuah game,
00:45:35yaitu kesenangan dalam proses
00:45:37untuk menaklukkan tantangan tersebut.
00:45:38Anda menyerah pada kesenangan itu
00:45:39dan membuat game tersebut menjadi membosankan.
00:45:41Sama halnya dalam kehidupan kita.
00:45:43Saat kenyataan terasa sulit,
00:45:44kita mungkin berpikir, “Andai saja aku punya banyak uang.”
00:45:46Kita berpikir seperti itu.
00:45:47Tentu saja, saat uang kita bertambah,
00:45:49kita juga bisa menjadi lebih bahagia.
00:45:50Tetapi uang itu sendiri,
00:45:51hasil akhirnya itu sendiri,
00:45:53kebahagiaan yang didapat darinya
00:45:54akan dengan mudah berubah menjadi rasa bosan.
00:45:56Padahal sebenarnya proses itulah
00:45:57yang merupakan inti dari kebahagiaan sejati.
00:45:59Saya ingin menutup video hari ini dengan kata-kata yang mungkin terdengar klise ini.
00:46:01Maka dari itu, saya akan mengakhiri videonya di sini.
00:46:03Kalau begitu,
00:46:04sampai jumpa di video lainnya.
00:46:06Terima kasih.