Order Book & Volume: Feature Penting untuk Rule-Based ML

Membangun Strategi Rule-Based dengan Machine Learning

Dalam dunia aktivitas di pasar berjangka, pengambilan keputusan yang cepat dan akurat sangat penting. Machine learning (ML) menawarkan potensi besar untuk mengotomatiskan dan meningkatkan proses ini. Salah satu pendekatan yang menarik adalah membangun strategi rule-based yang didukung oleh ML. Strategi ini menggabungkan keahlian pelaku pasar dengan kemampuan ML untuk mengidentifikasi pola dan membuat prediksi.

Problem: Kompleksitas Data Pasar

Data pasar, seperti order book dan volume, sangat kompleks dan terus berubah. Sulit bagi manusia untuk memproses semua informasi ini secara manual dan mengidentifikasi peluang yang menguntungkan. Di sinilah ML dapat membantu. Dengan melatih model ML pada data pasar historis, kita dapat mengidentifikasi pola dan hubungan yang mungkin tidak terlihat oleh manusia.

Pendekatan ML/AI: Rule-Based System

Salah satu pendekatan yang populer adalah membangun sistem rule-based yang didukung oleh ML. Dalam pendekatan ini, kita mendefinisikan serangkaian aturan berdasarkan pengetahuan dan pengalaman pelaku pasar. Kemudian, kita menggunakan ML untuk mengoptimalkan aturan-aturan ini dan mengidentifikasi parameter terbaik.

Data & Label: Order Book dan Volume

Data yang paling relevan untuk membangun strategi rule-based adalah data order book dan volume.

• Order Book: Order book berisi informasi tentang harga bid (harga beli) dan ask (harga jual) serta ukuran order pada setiap harga. Data ini memberikan gambaran tentang tekanan beli dan jual di pasar.
• Volume: Volume menunjukkan jumlah aset yang diperdagangkan dalam periode waktu tertentu. Volume yang tinggi menunjukkan minat yang besar pada aset tersebut, sementara volume yang rendah menunjukkan minat yang kurang.

Data ini kemudian dapat digunakan untuk menghasilkan fitur-fitur yang relevan untuk model ML. Contoh fitur termasuk:

• Harga bid dan ask terbaik
• Ukuran order pada harga bid dan ask terbaik
• Spread bid-ask (selisih antara harga bid dan ask)
• Volume perdagangan dalam periode waktu tertentu
• Perubahan volume dari waktu ke waktu

Label yang digunakan untuk melatih model ML dapat berupa berbagai macam, tergantung pada tujuan strategi. Contoh label termasuk:

• Arah harga di masa depan (naik, turun, atau sideways)
• Probabilitas harga mencapai level tertentu
• Keuntungan atau kerugian dari strategi tertentu

Evaluasi: Backtesting dan Forward Testing

Setelah model ML dilatih, penting untuk mengevaluasi kinerjanya. Evaluasi ini dapat dilakukan dengan menggunakan data historis (backtesting) atau dengan menggunakan data pasar real-time (forward testing).

• Backtesting: Backtesting melibatkan pengujian strategi pada data historis untuk melihat bagaimana kinerjanya di masa lalu. Ini memberikan gambaran tentang potensi keuntungan dan risiko dari strategi tersebut.
• Forward Testing: Forward testing melibatkan pengujian strategi pada data pasar real-time, tetapi dengan menggunakan akun demo atau simulated trading. Ini memberikan gambaran yang lebih realistis tentang kinerja strategi di lingkungan pasar yang sebenarnya.

Risiko & Limitasi

Seperti semua strategi aktivitas di pasar berjangka, strategi rule-based yang didukung oleh ML memiliki risiko dan batasan. Beberapa risiko yang perlu dipertimbangkan termasuk:

• Overfitting: Overfitting terjadi ketika model ML terlalu cocok dengan data pelatihan dan tidak dapat digeneralisasikan dengan baik ke data baru. Ini dapat menyebabkan kinerja yang buruk di pasar real-time.
• Data Leakage: Data leakage terjadi ketika informasi dari masa depan digunakan untuk melatih model ML. Ini dapat menyebabkan kinerja yang terlalu optimis selama backtesting.
• Regime Shift: Regime shift terjadi ketika karakteristik pasar berubah secara signifikan. Ini dapat menyebabkan strategi yang sebelumnya menguntungkan menjadi tidak menguntungkan.
• Biaya Inferensi: Biaya inferensi adalah biaya yang terkait dengan menjalankan model ML di pasar real-time. Biaya ini dapat mencakup biaya komputasi, biaya data, dan biaya konektivitas.

Outlook

Penggunaan ML dalam aktivitas di pasar berjangka terus berkembang pesat. Dengan semakin banyaknya data dan semakin canggihnya algoritma ML, kita dapat mengharapkan untuk melihat strategi yang lebih canggih dan efektif di masa depan. Namun, penting untuk diingat bahwa ML hanyalah alat. Keberhasilan strategi aktivitas di pasar berjangka masih bergantung pada pengetahuan dan pengalaman pelaku pasar.

Batasan LLM

Perlu diingat bahwa LLM (Large Language Model) memiliki batasan. LLM dapat menghasilkan informasi yang tidak akurat (hallucination) dan dapat rentan terhadap data leakage jika tidak digunakan dengan hati-hati. Oleh karena itu, penting untuk memvalidasi semua informasi yang dihasilkan oleh LLM dan untuk memastikan bahwa data yang digunakan untuk melatih LLM tidak mengandung informasi dari masa depan.

Riset vs.

Produk Jadi

Artikel ini membahas konsep dan pendekatan eksperimental dalam penggunaan ML untuk aktivitas di pasar berjangka. Penting untuk membedakan antara riset dan produk jadi. Strategi yang dibahas di sini mungkin tidak cocok untuk semua orang dan mungkin memerlukan penyesuaian lebih lanjut sebelum dapat digunakan dalam aktivitas di pasar berjangka real-time.

FAQ

Apa saja fitur penting dari order book untuk ML?

Fitur penting dari order book meliputi harga bid dan ask, ukuran order pada setiap harga, dan spread bid-ask. Fitur-fitur ini memberikan gambaran tentang dinamika penawaran dan permintaan di pasar.

Mengapa volume penting dalam strategi rule-based?

Volume memberikan indikasi tentang kekuatan tren dan minat pasar terhadap suatu aset. Volume yang tinggi dapat mengkonfirmasi tren yang ada, sementara volume yang rendah dapat mengindikasikan potensi pembalikan arah.

Bagaimana cara menghindari overfitting dalam model ML untuk trading?

Overfitting dapat dihindari dengan menggunakan teknik regularisasi, validasi silang, dan dengan memastikan bahwa model tidak terlalu kompleks dibandingkan dengan jumlah data yang tersedia.

Apa saja risiko utama dalam menggunakan ML untuk trading?

Risiko utama meliputi overfitting, data leakage, dan perubahan rezim pasar. Penting untuk secara teratur memantau dan menyesuaikan model untuk mengatasi risiko ini.