Backtest Model

Machine Learning Keuangan

Masalah Prediksi

Berbeda dengan aplikasi ML tradisional, pasar keuangan menunjukkan beberapa karakteristik unik yang membuat prediksi sangat menantang:

• Rasio Sinyal-terhadap-Noise Rendah: Imbal hasil aset sebagian besar mengandung noise, dengan sinyal prediktif sering menjelaskan kurang dari 5% varians. IC Spearman 5-10% dianggap sangat baik dalam praktik.
• Non-Stasioneritas: Dinamika pasar berkembang dari waktu ke waktu. Hubungan yang berlaku dalam satu rezim mungkin berbalik di rezim lain, memerlukan model adaptif dan validasi hati-hati.
• Sifat Adversarial: Pasar bersifat kompetitif—sinyal menguntungkan menarik modal hingga ter-arbitrase. 'Peluruhan alpha' ini berarti model memerlukan riset dan penyempurnaan berkelanjutan.

Cross-Validation dalam Keuangan

Cross-validation k-fold standar tidak sesuai untuk data time-series karena ketergantungan temporal. Kami menggunakan:

• Purged Cross-Validation: Menghilangkan sampel di dekat batas train-test untuk mencegah kebocoran informasi dari horizon prediksi yang tumpang tindih.
• Periode Embargo: Menambahkan zona penyangga antara periode pelatihan dan pengujian, biasanya sama dengan panjang horizon prediksi.
• Combinatorial Purged CV: Menguji beberapa kombinasi train/test sambil mempertahankan integritas temporal, memberikan estimasi out-of-sample yang robust.

Feature Engineering

Data harga mentah harus ditransformasi menjadi fitur stasioner dan prediktif. Transformasi umum termasuk returns (aritmetik dan logaritmik), z-score, peringkat persentil, dan indikator teknikal. Pilihan penskalaan dan normalisasi fitur sangat memengaruhi kinerja model.

Manajemen Risiko Keuangan

Ukuran Risiko Fundamental

Manajemen portofolio profesional memerlukan kuantifikasi risiko yang ketat:

• Volatilitas (σ): Deviasi standar dari returns, biasanya dianualisasi dengan mengalikan √252 untuk data harian. Mengukur risiko total tetapi tidak membedakan antara sisi naik dan turun.
• Maximum Drawdown: Penurunan terbesar dari puncak ke lembah dalam nilai portofolio. Penting untuk memahami skenario terburuk dan psikologi investor—drawdown 50% memerlukan keuntungan 100% untuk pulih.
• Value at Risk (VaR): Kerugian maksimum yang diharapkan selama horizon waktu tertentu pada tingkat kepercayaan tertentu (mis., VaR 95%). Banyak digunakan tetapi dikritik karena tidak menangkap risiko ekor.
• Conditional VaR (Expected Shortfall): Kerugian yang diharapkan ketika kerugian melebihi VaR. Mengatasi keterbatasan VaR dengan mengkuantifikasi tingkat keparahan kejadian ekor.

Rasio Sharpe

Didefinisikan sebagai (Rp - Rf) / σp, rasio Sharpe mengukur returns yang disesuaikan risiko—excess return per unit volatilitas. Rasio Sharpe di atas 1,0 umumnya dianggap baik, di atas 2,0 sangat baik. Namun, berhati-hatilah: rasio Sharpe dapat digelembungkan secara artifisial oleh ilikuiditas, leverage, atau periode sampel pendek.

Risiko Sistematis vs. Idiosinkratis

Risiko total terdekomposisi menjadi risiko pasar (β × pergerakan pasar) dan risiko spesifik perusahaan. Capital Asset Pricing Model (CAPM) menyarankan hanya risiko sistematis yang dikompensasi, karena risiko idiosinkratis dapat didiversifikasi. Model faktor modern memperluas ini ke beberapa faktor risiko (ukuran, nilai, momentum, kualitas).

Konstruksi Portofolio

Teori Portofolio Modern

Karya seminal Harry Markowitz (1952) menetapkan bahwa risiko portofolio bukan sekadar rata-rata tertimbang dari risiko aset individual—korelasi penting. Dua aset dengan korelasi tidak sempurna (ρ < 1) bergabung menghasilkan portofolio dengan risiko lebih rendah dari kedua aset secara individual.

Efficient Frontier

Untuk setiap target return tertentu, terdapat portofolio dengan varians minimum. Himpunan semua portofolio tersebut membentuk efficient frontier—investor rasional hanya boleh memegang portofolio di frontier ini. Titik di bawah frontier adalah suboptimal (risiko sama, return lebih rendah), sementara titik di atas tidak dapat dicapai.

Tantangan Optimasi

Optimasi mean-variance terkenal sensitif terhadap estimasi input:

• Kesalahan Estimasi: Expected returns sulit untuk diestimasi secara akurat. Kesalahan kecil dalam input dapat menyebabkan portofolio optimal yang sangat berbeda.
• Risiko Konsentrasi: Optimasi tanpa batasan sering menghasilkan posisi ekstrem. Implementasi praktis menerapkan batas posisi dan batasan sektor.
• Regularisasi: Teknik seperti shrinkage estimator, Black-Litterman, dan optimasi robust membantu menstabilkan bobot portofolio.

Bobot Sama vs. Dioptimalkan

Portofolio 1/N (bobot sama) sering mengungguli portofolio yang dioptimalkan secara out-of-sample karena kesalahan estimasi. Backtest kami menggunakan bobot sama 5% sebagai baseline yang robust. Untuk portofolio yang ditingkatkan, optimizer kami menerapkan batasan dan regularisasi untuk meningkatkan kinerja dunia nyata.

Strategi Ekuitas Long-Short

Netralitas Pasar

Portofolio long-short dollar-neutral (eksposur long dan short sama) memiliki eksposur pasar bersih nol. Ini mengisolasi 'alpha' dari pemilihan saham sambil melakukan hedging risiko pasar. Strategi ini menguntungkan ketika posisi long mengungguli posisi short, terlepas dari arah pasar.

Sumber Imbal Hasil

Imbal hasil long-short terdekomposisi menjadi:

• Alpha Long: Kinerja lebih baik posisi long dibandingkan pasar.
• Alpha Short: Kinerja lebih buruk posisi short dibandingkan pasar (kita untung ketika short turun).
• Rebate Short: Bunga yang diperoleh dari hasil penjualan short (dikurangi biaya pinjaman dalam praktik).

Pertimbangan Praktis

Implementasi dunia nyata melibatkan biaya transaksi (komisi, spread bid-ask), dampak pasar (menggerakkan harga melawan Anda), batasan penjualan short (persyaratan locate, biaya pinjaman), dan batas kapasitas. Friksi-friksi ini mengurangi realized returns dari backtest teoretis.

Frekuensi Rebalancing

Rebalancing lebih sering menangkap alpha lebih cepat tetapi menimbulkan biaya transaksi lebih tinggi. Frekuensi optimal menyeimbangkan peluruhan sinyal terhadap biaya trading. Untuk prediksi return, rebalancing bulanan atau kuartalan biasanya menawarkan trade-off yang menguntungkan.

Investasi Faktor

Apa Itu Faktor?

Faktor adalah sumber return sistematis yang menjelaskan mengapa saham tertentu mengungguli lainnya dari waktu ke waktu. Berbeda dengan pemilihan saham berdasarkan analisis perusahaan individual, investasi faktor menargetkan karakteristik luas dan persisten yang dimiliki oleh kelompok sekuritas. Riset akademis telah mengidentifikasi banyak faktor, meskipun hanya segelintir yang terbukti robust di seluruh pasar dan periode waktu.

Faktor-faktor Klasik

• Pasar (β): Eksposur ke pasar ekuitas keseluruhan. Faktor asli dari CAPM—saham dengan beta lebih tinggi bergerak lebih banyak dengan pasar dan secara historis memperoleh return lebih tinggi (dengan risiko lebih tinggi).
• Ukuran (SMB): Saham small-cap cenderung mengungguli saham large-cap. Fama dan French (1993) mendokumentasikan premi 'small minus big' ini, meskipun telah melemah dalam dekade terakhir.
• Value (HML): Saham dengan rasio price-to-book rendah mengungguli saham growth dari waktu ke waktu. Faktor 'high minus low' ini mencerminkan membeli aset murah dan menjual yang mahal.
• Momentum (UMD): Saham yang berkinerja baik selama 3-12 bulan terakhir cenderung terus mengungguli. Jegadeesh dan Titman (1993) mendokumentasikan efek 'up minus down' ini di seluruh pasar.
• Kualitas (QMJ): Perusahaan dengan profitabilitas tinggi, laba stabil, dan leverage rendah mengungguli. Asness et al. (2019) memformalkan faktor 'quality minus junk' ini.
• Volatilitas Rendah: Secara paradoks, saham berisiko rendah sering memberikan risk-adjusted returns lebih tinggi daripada saham berisiko tinggi, bertentangan dengan prediksi CAPM dasar.

Model Faktor

Model multi-faktor mendekomposisi returns menjadi komponen sistematis:

• Fama-French 3-Faktor: Market + Size + Value. Menjelaskan ~90% dari returns portofolio terdiversifikasi.
• Carhart 4-Faktor: Menambahkan Momentum ke model Fama-French.
• Fama-French 5-Faktor: Menambahkan faktor Profitabilitas dan Investasi, meskipun Momentum tetap signifikan.

Timing Faktor vs. Eksposur Faktor

Eksposur faktor statis (selalu miring ke value, momentum, dll.) secara historis telah memberi imbalan kepada investor sabar. Timing faktor—menyesuaikan bobot faktor secara dinamis—jauh lebih sulit. Faktor dapat berkinerja buruk selama bertahun-tahun sebelum berbalik, dan sinyal timing terkenal tidak dapat diandalkan. Kebanyakan praktisi merekomendasikan eksposur faktor yang terdiversifikasi dan konsisten daripada alokasi taktis.

Machine Learning dan Faktor

Model prediksi kami secara implisit menangkap eksposur faktor melalui fitur-fiturnya. Dengan mempelajari pola dari data fundamental, momentum harga, dan kondisi pasar, model mengidentifikasi saham yang kemungkinan akan mengungguli—secara efektif menggabungkan beberapa faktor dengan cara berbasis data. Pendekatan ini dapat menemukan interaksi faktor non-linear yang terlewatkan oleh model linear tradisional.