Mean Reversion

Saat harga melonjak jauh di atas rata-rata belakangan ini, mudah untuk berpikir: sekarang mahal, nanti pasti turun lagi. Mean Reversion memperjelas gagasan itu dengan menanyakan apakah penyimpangan suatu besaran biasanya mengecil. Namun, ini bukan hukum alam. Penelitian imbal hasil saham menghasilkan kesimpulan berbeda menurut periode dan metodenya. Imbal hasil mengukur perubahan nilai investasi, bukan tingkat harga itu sendiri. Karena itu, pembalikan imbal hasil dan kembalinya harga ke garis pada grafik adalah pertanyaan berbeda. [1] [2]

Bayangkan rata-rata harga Close yang sudah final, yaitu harga terakhir setiap candle. Pertama kita memilih bursa, mata uang kuotasi, interval candle atau Timeframe, serta rentang data historis. Pilihan tersebut membentuk acuan. Kita dapat mempertahankannya atau memakai SMA, rata-rata bergerak sederhana yang memasukkan data baru dan mengeluarkan data tertua setiap kali candle bertambah. Itu dua aturan berbeda. Keduanya tidak mengungkap “harga yang benar” dan tetap untuk bitcoin, serta tidak boleh menggunakan data masa depan. [3] [5]

Jarak dari acuan dapat dinyatakan sebagai jumlah uang atau persentase. Pengukuran itu belum menjadi instruksi membeli atau menjual. Untuk menguji aturan semacam itu, kita harus menentukan lebih dulu besar dan arah penyimpangan yang dianggap penting. Kita juga perlu mengatur keadaan ketika nilai tepat sama dengan ambang, sinyal berulang, serta perubahan rata-rata atau sasaran selama proses berjalan. Memilih aturan setelah menemukan grafik yang bagus berarti menyesuaikan pengujian dengan hasilnya. [3] [5]

Informasi baru dapat mengubah harga untuk waktu lama. Penyimpangan yang tampak sementara bisa menjadi bagian dari tren berkelanjutan. Rata-rata lama tetap dihitung dengan benar, tetapi mungkin tidak lagi berguna untuk memperkirakan keadaan selanjutnya. Peninjauan ulang penelitian saham menemukan bukti pembalikan yang lebih lemah dan perbedaan besar antarperiode. Menunggu lebih lama tidak membuat harga pasti kembali. Kita juga perlu mengenali saat asumsi awal sudah tidak masuk akal. [2] [5]

“Saya akan membeli di bawah rata-rata” baru awal pemikiran, bukan prosedur lengkap. Belum jelas jumlah dana yang berisiko, syarat menjual, serta respons terhadap penurunan lanjutan. Untuk posisi yang mengharapkan keuntungan dari penurunan, masalahnya terbalik: harga bisa terus naik. Aturan lengkap menentukan kapan masuk, keluar sebagian atau seluruhnya, batas waktu, dan kapan meninggalkan hipotesis. Likuiditas, yaitu kemampuan benar-benar melakukan transaksi, juga diperhitungkan. Tidak masuk posisi merupakan keputusan yang sah, bukan kesalahan model. [5] [4]

Close final baru diketahui setelah candle berakhir. Kita tidak boleh langsung berasumsi bisa bertransaksi pada harga yang sama setelah itu. Dalam pengaturan simulasi bawaan, TradingView menjalankan pesanan pasar pada pembaruan harga berikutnya yang tersedia, sering kali di awal candle berikutnya. Biaya, selisih penawaran beli dan jual, serta Slippage—perbedaan antara harga yang diharapkan dan diperoleh—juga memengaruhi hasil. Jika pergerakan yang diharapkan kecil, biaya dapat melebihi seluruh keuntungan kotor. [4] [5]

Penelitian Poterba dan Summers yang tersedia melalui NBER membahas imbal hasil saham. Peninjauan berikutnya memperlihatkan pentingnya periode yang dipilih. Hasil itu tidak bisa langsung diterapkan pada bitcoin, bursa tertentu, atau interval pendek. Kita memerlukan data harga yang sesuai, pengetahuan tentang apa yang benar-benar dapat diperdagangkan saat itu, dan kondisi likuiditas yang realistis. Harga yang kembali pada satu grafik tetap hanya satu kejadian, bukan ramalan andal atau bukti metode yang terus menguntungkan. [1] [2] [5]

Pertama tuliskan perhitungan acuan, ambang penyimpangan, syarat masuk dan keluar, ukuran posisi, serta biaya. Aturan yang dipilih memakai satu periode kemudian diuji pada periode lain yang tidak dipakai saat pemilihan. CFA Institute mengingatkan bahaya memakai informasi yang belum diketahui saat itu dan mengabaikan pasar atau aset yang gagal. Pengujian perlu mencakup tren panjang dan perubahan mendadak. Membandingkan pengaturan yang berdekatan juga membantu: hasil yang bergantung pada satu nilai yang disetel sangat tepat memerlukan kehati-hatian lebih besar daripada hasil yang bertahan dalam berbagai kondisi. [5]