Di MFTI telah diperkenalkan sistem yang menguji strategi perdagangan kripto tidak berdasarkan riwayat harga yang diidealkan, melainkan pada simulasi kondisi yang mendekati perdagangan nyata. Pengembangan ini mempertimbangkan komisi, slippage, likuiditas, biaya pendanaan kontrak perpetual, dan faktor-faktor lain yang dapat menyebabkan strategi yang menguntungkan di atas kertas menjadi lemah setelah diluncurkan.
Kartu Pengembangan
- Pengembang: Institut Fisika dan Teknologi Moskow (MFTI).
- Tanggal Perilisan Sistem: 30 Juli 2026.
- Industri: Layanan keuangan, investasi, dan audit.
- Teknologi: Data Mining.
Sistem ini termasuk dalam alat analisis data intelijen dan dirancang untuk evaluasi strategi kripto yang lebih ketat. Tugasnya adalah menunjukkan bagaimana algoritma akan berperilaku bukan dalam kondisi laboratorium, tetapi dalam lingkungan di mana transaksi dieksekusi dengan biaya, penundaan, dan batasan pasar.
Apa itu Backtesting dan Mengapa Diperlukan
Backtesting adalah pengujian strategi perdagangan pada data historis. Sederhananya, algoritma seolah-olah menjalani kembali segmen pasar masa lalu: menerima harga, membuka dan menutup transaksi sesuai aturan yang ditetapkan, kemudian menunjukkan hasil apa yang mungkin terjadi.
Pengujian seperti ini diperlukan untuk mengevaluasi logika strategi terlebih dahulu: apakah strategi itu menghasilkan keuntungan, seberapa dalam penurunan modal terjadi, seberapa sering periode rugi muncul, dan apakah ide tersebut mampu bertahan di berbagai fase pasar. Untuk robot trading, backtesting sangat penting: membantu menemukan kelemahan sebelum diluncurkan dengan uang sungguhan.
Bagaimana Melakukan Backtest Strategi atau Robot
Biasanya pengujian dibangun dengan algoritma yang jelas:
- Mempersiapkan data historis: harga, volume, komisi, dan parameter pasar lainnya.
- Mengatur aturan strategi: kondisi masuk, keluar, ukuran posisi, dan batasan risiko.
- Memasukkan kondisi perdagangan nyata: komisi, slippage, likuiditas, dan biaya pendanaan untuk kontrak perpetual.
- Menjalankan tes sehingga algoritma tidak menggunakan data dari masa depan.
- Menganalisis hasil melalui laporan, grafik, dan tabel transaksi.
Untuk backtesting, platform seperti MetaTrader, TradingView, Amibroker, dan yang serupa sering digunakan. Jika diperlukan sistem pengujian sendiri, biasanya ditulis dalam Python, C++, atau R.
Optimisasi robot trading melibatkan penelusuran dan perbandingan parameter: misalnya, periode indikator, aturan keluar, atau ukuran posisi. Namun, hanya memilih varian dengan profitabilitas maksimum berbahaya — penting untuk melihat seberapa stabil hasilnya pada segmen pasar yang berbeda.
Ada juga metode pengujian tambahan. Forward testing menjalankan strategi pada data baru setelah pengaturan, untuk mengujinya di luar segmen historis di mana parameter dipilih. Visual testing menunjukkan transaksi langsung pada grafik langkah demi langkah: lebih mudah melihat di mana algoritma masuk, keluar, dan membuat kesalahan.
Metrik, Faktor, dan Kesalahan Backtesting yang Sering Terjadi
Hasil backtesting dinilai tidak hanya dari keuntungan. Biasanya beberapa indikator dilihat sekaligus:
- Profitabilitas: menunjukkan berapa banyak strategi menghasilkan keuntungan dalam periode yang dipilih.
- Maximum Drawdown (MDD): menunjukkan seberapa besar penurunan modal dari puncak ke minimum.
- Sharpe Ratio: membantu menilai profitabilitas dengan penyesuaian risiko.
- Volatilitas: menunjukkan seberapa tajam hasil strategi berubah.
- Rasio Profit/Risk: membantu memahami apakah potensi keuntungan layak terhadap kemungkinan kerugian.
Keberhasilan pengujian paling dipengaruhi oleh kualitas data, pertimbangan komisi, likuiditas, slippage, realisme simulasi, panjang periode pengujian, dan risiko overfitting.
Kesalahan yang paling sering terjadi adalah penggunaan data masa depan, overfitting terhadap segmen sejarah yang menguntungkan, mengabaikan biaya perdagangan, dan periode pengujian yang terlalu pendek. Justru karena kesalahan seperti inilah strategi mungkin tampak kuat pada grafik, tetapi cepat kehilangan efektivitas setelah diluncurkan.
Apa yang Diteliti Ilmuwan MFTI
Di pusat penelitian adalah strategi momentum — salah satu pendekatan populer dalam perdagangan algoritmik. Ide dasarnya sederhana: jika harga aset sudah bergerak ke arah tertentu, ia mungkin melanjutkan pergerakan itu untuk beberapa waktu. Di pasar keuangan tradisional, pendekatan seperti ini telah lama diterapkan, tetapi di kripto, sering kali diuji terlalu sederhana.
Di pasar kripto ditemukan berbagai jenis strategi:
- Momentum: bertaruh pada kelanjutan pergerakan harga yang sudah dimulai.
- Arbitrase: mencari perbedaan harga antar platform atau instrumen.
- Scalping: transaksi jangka pendek yang sering dengan target keuntungan kecil.
- Strategi tren: bekerja mengikuti arah pergerakan utama pasar.
- Strategi kontra-tren: mencoba mendapatkan keuntungan dari retraksi melawan pergerakan saat ini.
- Market making: mengajukan penawaran beli dan jual untuk mendapatkan keuntungan dari spread.
Masalah utama pengujian seperti ini adalah terlepasnya dari kenyataan. Kutipan pada grafik historis menunjukkan harga, tetapi tidak mengungkap semua kondisi transaksi: bagaimana likuiditasnya, berapa biaya eksekusinya, seberapa besar slippage yang terjadi, dan bagaimana siklus pasar berubah. Karena itu, strategi mungkin tampak kuat pada data masa lalu, tetapi setelah diluncurkan, kehilangan profitabilitas yang diharapkan dengan cepat.
Tim departemen 'Blockchain' MFTI memutuskan untuk menguji seberapa stabil strategi momentum dengan pendekatan yang lebih realistis. Untuk itu, pekerjaan dibagi menjadi beberapa langkah praktis:
- Pembuatan sistem pengujian.
- Pengumpulan data per jam untuk pasar spot.
- Pengumpulan data per jam untuk futures perpetual selama 8 tahun.
Bagaimana Sistem Pengujian Bekerja
Pengembangan ini mensimulasikan kerja strategi perdagangan langkah demi langkah, seolah-olah diluncurkan dalam waktu nyata. Pada setiap langkah, sistem memeriksa beberapa kondisi:
- Algoritma hanya menerima data pasar yang mungkin tersedia pada saat pengambilan keputusan.
- Hasil transaksi dihitung dengan mempertimbangkan komisi.
- Slippage ditambahkan dalam perhitungan.
- Likuiditas yang tersedia diperhitungkan.
- Untuk kontrak perpetual, biaya pendanaan diperhitungkan.
Setelah menghitung satu segmen waktu, algoritma berpindah ke yang berikutnya dan mengulangi prosedur pada data yang diperbarui. Pendekatan ini membantu menghindari kesalahan umum — penggunaan informasi dari masa depan. Hasilnya, tes menunjukkan bukan profitabilitas abstrak pada sejarah, melainkan gambaran yang lebih realistis tentang perilaku strategi dalam perdagangan.
Sistem mereproduksi kerja strategi langkah demi langkah: menggunakan hanya data yang tersedia pada saat itu, mempertimbangkan biaya perdagangan nyata, kemudian berpindah ke periode berikutnya. Metode seperti ini memungkinkan untuk menilai bagaimana strategi bisa berperilaku dalam kondisi pasar yang sebenarnya, — jelas Maksim Egorov, lulusan departemen 'Blockchain' MFTI.
Untuk pasar, di mana trader sering menguji ide di MetaTrader, menulis model sendiri di Python, atau memindahkan algoritma berkinerja tinggi ke C++, tidak hanya logika masuk dan keluar posisi yang penting. Kualitas pengujian didasarkan pada tiga hal:
- Mempertimbangkan biaya yang timbul saat mengeksekusi transaksi.
- Mempertimbangkan batasan eksekusi, termasuk likuiditas dan slippage.
- Membandingkan penilaian akhir dengan bagaimana strategi bisa bekerja dalam perdagangan nyata.
Hasil: Profitabilitas Ternyata Bukan Keunggulan Utama
Hasil yang diperoleh selanjutnya diverifikasi dengan metode statistik. Ini diperlukan untuk memisahkan efek stabil dari kebetulan parameter dengan segmen pasar yang menguntungkan. Kontrol seperti ini menunjukkan: banyak strategi yang terlihat bagus dalam pengujian standar, kehilangan efektivitasnya secara signifikan setelah mempertimbangkan kondisi perdagangan nyata.
Kesimpulan utama ternyata bukan bahwa strategi momentum memberikan keuntungan maksimum. Keunggulan yang lebih penting adalah kemampuannya membatasi kerugian pada periode penurunan pasar yang tajam. Dalam pengujian realistis, justru perlindungan modal selama krisislah yang muncul ke depan.
Melalui sistem dijalankan 132 varian strategi. Penelitian menunjukkan bahwa tidak bisa hanya mengandalkan satu varian yang menunjukkan performa terbaik pada data historis. Setelah koreksi terhadap penelusuran acak, hasilnya secara statistik tidak berbeda lagi dengan keberuntungan. Namun, efek momentum itu sendiri tidak hilang.
Jika strategi dinilai bukan berdasarkan satu skenario paling sukses, tetapi secara rata-rata dan membentuk portofolio dari beberapa varian, strategi itu mempertahankan profitabilitas yang stabil. Pada saat yang sama, sifat utamanya adalah mengurangi drawdown pada periode krisis. Menurut perhitungan MFTI, maximum drawdown berkurang lebih dari 2 kali lipat: dari 67% menjadi 29%.
Mengapa Pengujian Seperti Ini Diperlukan untuk Pasar Kripto
Para penulis pengembangan ini berpendapat bahwa sistem ini dapat menjadi dasar untuk menilai dan menciptakan produk investasi baru di pasar kripto. Nilainya terletak pada fakta bahwa produk dapat diuji terlebih dahulu dalam kondisi yang mendekati perdagangan nyata, dan dipahami seberapa mampu produk itu melindungi modal selama penurunan tajam.
Sistem seperti ini dapat menjadi dasar penilaian produk investasi baru untuk pasar kripto. Hal ini memungkinkan untuk melihat terlebih dahulu bagaimana strategi melewati periode penurunan tajam dan seberapa terkendali risikonya. Di tengah pembentukan basis regulasi untuk aset finansial digital di Rusia, alat-alat seperti ini bisa menjadi sangat dibutuhkan, — catat Maksim Egorov.
Langkah selanjutnya, para ilmuwan MFTI berencana menguji kelas strategi perdagangan lainnya. Penelitian juga ingin diperluas ke jenis aset kripto baru, untuk menilai seberapa besar pengujian realistis mengubah pandangan tentang risiko dan profitabilitas di berbagai segmen pasar.
end-content
