Mari kita bangun strategi perdagangan sederhana dan hipotetis. Premisnya lugas dan berakar pada narasi yang banyak dibahas: ketika koin meninggalkan bursa, cenderung bullish. Alasannya intuitif: koin yang keluar dari bursa biasanya menandakan bahwa pemegang menarik ke penyimpanan pribadi, mengurangi pasokan yang tersedia untuk dijual. Sebaliknya, koin yang mengalir ke bursa mungkin mengindikasikan bahwa pemegang bersiap untuk menjual.
Namun, arus keluar satu hari hanyalah noise. Untuk mengidentifikasi tren yang genuin, kita akan menerapkan moving average crossover pada saldo bursa. Ketika rata-rata jangka pendek turun di bawah rata-rata jangka panjang, ini mengonfirmasi bahwa koin telah meninggalkan bursa secara konsisten, sebagai pola yang berkelanjutan, bukan peristiwa yang terisolasi.
Menggunakan saldo bursa Glassnode untuk Binance, kami mendefinisikan hal berikut:
- Masuk ke pasar ketika rata-rata bergerak 5-hari dari saldo BTC Binance turun di bawah rata-rata bergerak 14-harinya, menandakan tren arus keluar yang berkelanjutan.
- Keluar dari pasar ketika rata-rata 5-hari naik kembali di atas rata-rata 14-hari, menandakan bahwa tren arus keluar telah berbalik dan koin kembali ke bursa.
Kami kemudian membandingkan strategi ini dengan sekadar memegang (hold) BTC pada periode yang sama, mulai 1 Januari 2024 hingga 9 Maret 2026, dengan modal awal $1.000 dan biaya perdagangan 0,1% yang diterapkan pada setiap perdagangan.
Berikut cara membaca bagan ini:
🟫 Garis coklat di bagian bawah adalah sinyal perdagangan biner, beralih antara di dalam pasar (1) dan di luar pasar (0).
🟦 Garis biru melacak nilai portofolio strategi dari waktu ke waktu.
🟩 Garis hijau adalah patokan portofolio buy-and-hold.
Kami dapat mengamati bahwa strategi saldo bursa berkinerja cukup baik, meskipun terkadang strategi buy-and-hold mengunggulinya. Namun, pada hari-hari terakhir periode penelitian, strategi saldo bursa menyusul. Meskipun beberapa investor mungkin menemukan kombinasi volatilitas yang berkurang dan kinerja yang pada akhirnya sebanding dengan buy-and-hold menarik, angka akhirnya menyesatkan – dan inilah alasannya.
Masalahnya: Mutasi Data dan Look-Ahead Bias
Metrik tidak statis. Banyak yang direvisi secara retrospektif ketika informasi baru tersedia. Ini terutama berlaku untuk metrik yang bergantung pada pengelompokan alamat atau pelabelan entitas, seperti saldo bursa on-chain. Namun, ini juga terjadi untuk metrik seperti volume perdagangan atau harga, karena bursa individu terkadang dapat mengirimkan datanya dengan penundaan sedikit.
Ini berarti bahwa nilai yang Anda lihat hari ini untuk, katakanlah, 15 Januari 2024, mungkin bukan nilai yang dipublikasikan pada 15 Januari 2024. Data telah direvisi dengan kearifan masa lalu (hindsight). Ketika Anda melakukan backtest pada strategi dengan data yang telah direvisi ini, Anda secara implisit menggunakan informasi yang tidak tersedia pada saat keputusan perdagangan seharusnya dibuat. Ini memperkenalkan look-ahead bias.
Backtest yang Jujur: Menggunakan Data Point-in-Time
Oleh karena itu, mari ulangi backtest yang persis sama – logika sinyal, parameter, tanggal, dan biaya yang sama – tetapi kali ini menggunakan varian Point-in-Time (PiT) dari metrik Saldo Bursa, yang tersedia di Glassnode Studio.
Metrik PiT sangat ketat hanya menambahkan (append-only) dan tidak dapat diubah. Setiap titik data historis hanya mencerminkan informasi yang diketahui pada saat pertama kali dihitung. Tidak ada revisi retrospektif, tidak ada look-ahead bias.
Meskipun kami menggunakan metrik yang sama, strategi sekarang menghasilkan hasil yang jauh berbeda, seperti yang diilustrasikan oleh garis ungu dalam bagan baru di bawah ini. Kinerja keseluruhan secara signifikan lebih buruk.
Meskipun kedua strategi berperilaku serupa untuk sebagian besar tahun 2024, kami mengamati bahwa versi berbasis PiT gagal menangkap kenaikan kuat pada November 2024 dan Maret 2025 seefektif itu. Akibatnya, kinerja kumulatif menyimpang secara berarti dan berakhir jauh lebih rendah.
Pelajaran Utama
Dalam contoh ini, strategi ungu, yang hanya memiliki akses ke informasi sebagaimana tersedia pada saat itu, berkinerja noticeably worse. ► Backtest akan berbohong jika diberi data yang salah atau yang telah direvisi. Hanya metrik Point-in-Time yang tidak dapat diubah yang memastikan Anda memutar ulang sejarah sebagaimana yang sebenarnya terjadi.
