Halaman 4 dari 4Indeks Prediktif Pasar — Agregasi Final 90 Rumus← Hal. 3Akhir →
Hasil Komposit Final · 90 Rumus · Paten

Indeks Prediktif Pasar — Agregasi Final 90 Rumus

Sembilan puluh rumus matematika dari halaman lampiran diagregasi berbobot menjadi satu skor tunggal (skala −100…+100) yang membaca keadaan pasar ke depan — kini dengan dekorelasi PCA (agar tidak ada konsep yang dihitung ganda), validasi walk-forward 12 jendela (agar bobot IC benar-benar diuji di luar sampel), IC berbobot waktu (agar rezim terbaru lebih dominan), dan kalibrasi isotonic pada probabilitas dan target harga. Sampel diperluas ke 180 hari (bar 1 jam). Seluruh angka di halaman ini dihitung dari data pasar live — bukan ilustrasi. Snapshot: 2026-09-29 04:33:13 UTC · 2026-09-29 11:33:13 WIB · 2026-09-29 07:33:13 (GMT+3).

← Laporan Utama XAUUSD & BTCUSD 90 Rumus + Contoh Angka → Backtest 180 Hari + Walk-Forward →

Bab 37Skor Komposit Final ADAPTIF — Satu Angka untuk Membaca Pasar

Seluruh Parameter Dipilih dari Data
Ringkas. Sembilan puluh rumus → 9 kelompok → dekorelasi PCA → bobot IC berbobot waktu dengan half-life adaptif (13,9 hari XAUUSD, 59,4 hari BTCUSD) → satu skor. Setiap parameter dipilih dari data lewat optimasi Bayesian (GP + EI) dan validasi walk-forward 24 jendela — bukan angka tetap. Skor ≥ 8,5 = BULLISH, ≤ −8,5 = BEARISH (ambang menyesuaikan rezim volatilitas). Snapshot 2026-09-29 12:04:30 UTC.
XAUUSD (GC=F)
Harga acuan 4.162,30 · 6.781 bar 1H (360 hari)
BEARISH
−22,17
skala −100 … +100 · PCA + IC time-decay adaptif + Big Bank
−1000+100
Skor tanpa Big Bank−30,71
Skor IC biasa−21,52
Komponen PCA29
Half-life adaptif13,9 hari
Keyakinan70,9%
Kesepakatan 90 rumus62,2%
P(naik) terkalibrasi52,3%
Harga acuan$4.162,30
BTCUSD
Harga acuan 85.113,73 · 8.439 bar 1H (360 hari)
BULLISH
+15,57
skala −100 … +100 · PCA + IC time-decay adaptif + Big Bank
−1000+100
Skor tanpa Big Bank+13,65
Skor IC biasa+16,63
Komponen PCA16
Half-life adaptif59,4 hari
Keyakinan51,9%
Kesepakatan 90 rumus55,6%
P(naik) terkalibrasi49,6%
Harga acuan$85.113,73
Rumus diagregasi90 + 69 kelompok + Big Bank
Parameter diadaptifkan11Bayesian + OOS
Jendela walk-forward24360 hari · latih 1.200 bar
Akurasi arah OOS50,60%XAUUSD · sd 6,08 pp
Rezim volatilitasLOWpersentil 1,0
Ambang entry adaptif±8,5dasar ±10,0
Bacaan cepat XAUUSD (GC=F): skor -22,17 (BEARISH) dengan P(naik) terkalibrasi 52,3%. Harga 4.162,30, ATR(14) 21,81, rezim volatilitas LOW (persentil 1,0). Akurasi arah OOS 50,60% (24 jendela, 360 hari) — skor ini adalah konteks, bukan sinyal entry tunggal.
Bacaan cepat BTCUSD: skor 15,57 (BULLISH), P(naik) terkalibrasi 49,6%, harga 85.113,73, ATR(14) 137,42, rezim NORMAL (persentil 52,8), akurasi arah OOS 49,75%.

Bab 38Rumus Komposit Final

KaTeX · 5 Tahap
Arsitektur. Lima tahap: (1) setiap rumus menghasilkan sinyal arah dalam bentuk aslinya; (2) normalisasi z-score bergulir 120 bar yang dipadatkan tanh; (3) bobot dari Information Coefficient; (4) agregasi dua tingkat (anggota → kelompok → komposit); (5) kalibrasi skala agar simpangan baku historis skor = 30 poin.
Tahap 1 — Sinyal mentah tiap rumus $$x_{i,t} = f_i\big(\text{OHLCV}_{t-W+1 \ldots t}\big),\qquad i = 1,\ldots,90$$
Tahap 2 — Normalisasi z-score bergulir + pemadatan tanh $$z_{i,t} = \tanh\!\left(\frac{x_{i,t} - \mu_{i,120}}{1.5\,\sigma_{i,120}}\right) \in (-1,\,+1)$$
Tahap 3 — Information Coefficient (Spearman) per rumus $$IC_i = \rho_{\text{Spearman}}\!\left(z_{i,t},\; \ln\frac{P_{t+4}}{P_t}\right),\qquad \text{jendela } 800 \text{ bar}$$
Tahap 4a — Bobot anggota di dalam kelompoknya $$v_{i,g} = \frac{\max(|IC_i|,\,0.02)}{\sum_{j \in g} \max(|IC_j|,\,0.02)},\qquad v_{i,g} \le 0.30$$
Tahap 4b — Skor kelompok & bobot kelompok $$S_g = \sum_{i \in g} v_{i,g}\, z_{i,t},\qquad W_g = \frac{\sum_{i \in g} |IC_i|}{\sum_{h=1}^{9} \sum_{j \in h} |IC_j|}$$
Tahap 5 — Skor komposit final + kalibrasi $$\text{IPS}_t = 100 \sum_{g=1}^{9} W_g\, S_g,\qquad \text{Skor}_t = \text{IPS}_t \times \frac{30}{\sigma(\text{IPS})}$$
Tahap 6 — IC berbobot waktu (time-decay, half-life 20 hari) $$w_t = 2^{-\Delta_t / H},\qquad IC_j^{\text{decay}} = \rho^{w}_{\text{Spearman}}\big(\tilde P_{j,t},\; \ln\tfrac{P_{t+4}}{P_t}\big)$$
Tahap 7 — Kalibrasi isotonic pada probabilitas arah $$P_{\text{terkalibrasi}}(\text{naik}) = \hat{g}\big(\text{Skor}\big),\qquad \hat{g} = \arg\min_{g\ \text{monoton naik}} \sum_m n_m\big(g(\bar s_m) - \hat p_m\big)^2$$
Tahap 8 — Kalibrasi isotonic pada magnitudo target harga $$\hat{h}_h = \arg\min_{h\ \text{monoton naik}} \sum_m n_m\big(h(\bar\mu_m) - \bar a_m\big)^2,\qquad \text{Target}_h = P_t \pm \hat{h}_h\big(|\text{Skor}|\cdot 0.35\,\sigma_h / 100\big)$$
Target & rentang per horizon $$\text{Target}_h = P_t + \tfrac12\Big[\tfrac{\text{Skor}}{100}\cdot 0.35\,\sigma_h\Big] + \tfrac12\big[\bar{r}_{\text{bucket}}\cdot P_t\big],\qquad \sigma_h = \text{ATR}_{14} \sqrt{h/30}$$ $$\text{Rentang}_{80\%} = \text{Target}_h \pm 1.2816\,\sigma_h$$

Cara Membaca Skor

Bab 39Tabel Bobot & Kontribusi Kelompok

9 Kelompok + Big Bank · 96 Rumus
Bobot adaptif. Bobot kelompok = jumlah |IC| anggotanya dibagi total |IC| seluruh 96 rumus (90 rumus + 6 sinyal Big Bank). IC dihitung dengan pembobot waktu (half-life adaptif 13,9 hari untuk XAUUSD, 59,4 hari untuk BTCUSD). Kelompok yang rumusnya punya daya prediksi lebih besar pada rezim saat ini otomatis mendapat bobot lebih besar — indeks ini berubah mengikuti rezim, bukan statis.

XAUUSD (GC=F)

KelompokRumusΣ|IC|BobotSkorKontribusi
10 Rumus Utama (Inti)R1–R1010+0.61288,81%+0.2184+1.974
Statistik & ProbabilitasR11–R2010+0.836212,02%−0.0036−0.045
Time-SeriesR21–R3010+0.49177,07%+0.1320+0.957
Volatilitas & RisikoR31–R4010+0.858612,34%+0.3425+4.337
MomentumR41–R5010+0.51517,40%+0.7941+6.031
TeknikalR51–R6010+0.38695,56%+0.5369+3.063
EkonometriR61–R7111+1.061215,25%+0.2121+3.319
Machine LearningR72–R8110+0.68189,80%+0.2856+2.872
Optimasi PortofolioR82–R909+1.044615,02%−0.0373−0.574
Big Bank (Institusional)BB1–BB66+0.46776,72%+0.4760+3.283
TOTAL96—100,00%—+25.217

BTCUSD

KelompokRumusΣ|IC|BobotSkorKontribusi
10 Rumus Utama (Inti)R1–R1010+0.62178,15%−0.0624−0.434
Statistik & ProbabilitasR11–R2010+0.70789,28%−0.0564−0.447
Time-SeriesR21–R3010+0.56697,43%−0.0621−0.394
Volatilitas & RisikoR31–R4010+0.65248,55%+0.0213+0.155
MomentumR41–R5010+1.005613,18%+0.4944+5.566
TeknikalR51–R6010+1.060513,90%+0.3218+3.820
EkonometriR61–R7111+0.972712,75%+0.0797+0.868
Machine LearningR72–R8110+0.72239,47%−0.0769−0.622
Optimasi PortofolioR82–R909+0.68048,92%+0.0938+0.715
Big Bank (Institusional)BB1–BB66+0.64018,39%+0.3502+2.509
TOTAL96—100,00%—+11.736
Catatan. Kolom Kontribusi = bobot × skor kelompok × 100 × faktor kalibrasi — yaitu berapa poin yang disumbangkan kelompok tersebut ke skor akhir. Jumlah seluruh kontribusi = skor komposit final.

Bab 40Dekorelasi PCA — Menghilangkan Duplikasi Konsep

90 Sinyal → Komponen Ortogonal
Masalahnya. Sembilan puluh rumus itu tidak saling bebas. SMA, EMA, WMA, VWAP, dan Keltner semuanya mengukur hal yang mirip — posisi harga terhadap rata-rata bergerak. RSI, Stochastic, Williams %R, dan CCI semuanya mengukur momentum terbatas. Ketika sinyal-sinyal yang berkorelasi tinggi dijumlahkan langsung, satu konsep dihitung berkali-kali dan bobotnya membengkak tanpa menambah informasi baru. Rata-rata |korelasi| antar 90 sinyal di sini adalah 0,2545 (XAUUSD) dan 0,2385 (BTCUSD) — duplikasi yang nyata.
Solusinya. PCA memutar ruang 90 sinyal ke sumbu-sumbu baru yang saling ortogonal (korelasinya nol). Setiap komponen utama adalah kombinasi linear dari sinyal-sinyal asli, dan komponen pertama menangkap arah variasi yang paling dominan. Setelah diputar, tidak ada lagi konsep yang dihitung ganda: setiap komponen membawa satu mode variasi yang unik. Agregasi kemudian dilakukan pada komponen, bukan pada 90 sinyal mentah.
Tahap 1 — Standardisasi matriks sinyal 90 × N $$Z_{i,t} = \frac{x_{i,t} - \bar{x}_i}{s_i},\qquad i = 1,\ldots,90$$
Tahap 2 — Matriks korelasi antar sinyal $$R = \frac{1}{N-1}\, Z^{\top} Z \in \mathbb{R}^{90 \times 90}$$
Tahap 3 — Dekomposisi eigen (nilai eigen terurut menurun) $$R = V \Lambda V^{\top},\qquad \Lambda = \mathrm{diag}(\lambda_1 \ge \lambda_2 \ge \cdots \ge \lambda_{90}),\qquad \sum_{i=1}^{90} \lambda_i = 90$$
Tahap 4 — Kriteria pemilihan komponen (dipilih dari data via OOS) $$k^\star = \mathcal{R}_\rho\big(\{j : \lambda_j > 1\},\; \{m : \text{cumvar} \ge \tau\}\big),\qquad (\rho,\tau)^\star = \arg\max \text{Acc}^{\text{OOS}}$$
Aturan terpilih: cum dengan ambang kumulatif 95% (XAUUSD) · cum / 85% (BTCUSD).
Tahap 5 — Proyeksi sinyal ke ruang komponen $$P_{j,t} = \sum_{i=1}^{90} v_{ij}\, Z_{i,t},\qquad j = 1,\ldots,k$$
Tahap 6 — IC per komponen dengan pembobot waktu $$IC_j = \operatorname{wSpearman}\!\left(\tilde{P}_{j,t},\; \ln\frac{P_{t+F}}{P_t};\; w_t = 2^{-\Delta_t/H^\star}\right)$$
Tahap 7 — Skor komposit terdekorelasi $$\text{IPS}^{\text{PCA}}_t = 100 \sum_{j=1}^{k} \omega_j \, \mathrm{sgn}(IC_j)\, \tilde{P}_{j,t},\qquad \omega_j = \frac{|IC_j|}{\sum_{l=1}^{k} |IC_l|}$$

Bagaimana PCA Menghilangkan Duplikasi Konsep

XAUUSD (GC=F) — 29 komponen dari 90 sinyal

Sinyal masukan90matriks 90 × N
Rata-rata |korelasi|0,2545off-diagonal
Kaiser λ > 116komponen
Kumulatif ≥ 95%29komponen
Dipakai29aturan: cum
Varians terjelaskan95,30%oleh 29 komponen
Scree plot PCA XAUUSD (GC=F)
XAUUSD (GC=F) — scree plot: eigenvalue tiap komponen utama (batang) dan varians kumulatif (garis biru). Batang berwarna = komponen yang lolos kriteria Kaiser (λ > 1). Garis merah putus-putus = ambang λ = 1; garis hijau = kumulatif 95%.
KomponenEigenvalue% Varians% KumulatifIC (decay)BobotLoading teratas (6 sinyal)
PC134,247535,674%35,674%−0.07342,57%R19 Teorema Bayes (+0.168) · R75 Fungsi Softmax (+0.167) · R5 RSI(14) (+0.167) · R52 EMA (+0.167) · R57 Keltner Channel (+0.166) · R51 SMA (+0.164)
PC214,122914,711%50,386%−0.06322,21%R4 EWMA Volatility (+0.244) · R85 Varians Minimum (+0.240) · R83 Varians Portofolio (+0.240) · R71 Newey-West HAC (+0.240) · R88 Kontribusi Risiko (+0.240) · R3 Realized Volatility (+0.230)
PC36,77177,054%57,440%−0.04421,55%R7 EMA20 − EMA50 (+0.254) · R18 Korelasi Spearman (+0.242) · R30 Filter Kalman (+0.207) · R41 Rate of Change (−0.206) · R2 Log Return 5-bar (−0.206) · R42 Momentum Absolut (−0.205)
PC43,67443,828%61,267%+0.00410,14%R69 VIF (+0.300) · R17 Korelasi Pearson (−0.300) · R78 Regresi Lasso (+0.277) · R63 Varians Koefisien OLS (+0.277) · R77 Regresi Ridge (+0.277) · R1 GBM Drift (+0.195)
PC53,65183,804%65,071%+0.11644,07%R54 Bollinger Bands (+0.471) · R55 %B (+0.471) · R15 Kurtosis Berlebih (+0.462) · R14 Skewness (−0.460) · R25 Uji ADF (+0.122) · R70 Kointegrasi (+0.122)
PC63,21533,349%68,420%−0.309610,84%R69 VIF (+0.290) · R17 Korelasi Pearson (−0.277) · R24 Model ARIMA(p,d,q) (−0.238) · R23 Model ARMA(1,1) (−0.238) · R77 Regresi Ridge (+0.222) · R63 Varians Koefisien OLS (+0.222)
PC72,68132,793%71,213%−0.08623,02%R27 Autokorelasi ACF (+0.408) · R21 Model AR(1) (+0.408) · R24 Model ARIMA(p,d,q) (+0.400) · R23 Model ARMA(1,1) (+0.400) · R61 Regresi OLS (+0.230) · R40 Beta (+0.230)
PC82,21962,312%73,525%+0.07852,75%R25 Uji ADF (+0.477) · R70 Kointegrasi (+0.477) · R67 Statistik F (−0.422) · R92 BB-CARRY (+0.217) · R76 Cross-Entropy Loss (−0.171) · R91 BB-USD (+0.147)
PC92,16282,253%75,778%+0.08202,87%R61 Regresi OLS (+0.526) · R40 Beta (+0.526) · R20 Kepadatan Normal (+0.277) · R21 Model AR(1) (−0.255) · R27 Autokorelasi ACF (−0.255) · R25 Uji ADF (+0.143)
PC101,78471,859%77,637%+0.14525,08%R21 Model AR(1) (+0.331) · R27 Autokorelasi ACF (+0.331) · R22 Model MA(q) (−0.329) · R87 Risk Parity (+0.282) · R34 Volatilitas Rogers-Satchell (−0.274) · R33 Volatilitas Garman-Klass (−0.261)
PC111,68511,755%79,393%+0.03221,13%R22 Model MA(q) (+0.334) · R21 Model AR(1) (−0.288) · R27 Autokorelasi ACF (−0.288) · R87 Risk Parity (+0.258) · R23 Model ARMA(1,1) (+0.186) · R24 Model ARIMA(p,d,q) (+0.186)
PC121,54641,611%81,004%+0.09203,22%R72 MSE (+0.473) · R93 BB-COT (−0.276) · R12 Varians Sampel (+0.237) · R13 Simpangan Baku (+0.235) · R3 Realized Volatility (+0.235) · R31 GARCH(1,1) (+0.201)
PC131,30961,364%82,368%+0.10633,72%R87 Risk Parity (+0.356) · R93 BB-COT (−0.344) · R16 Kovarians (+0.237) · R34 Volatilitas Rogers-Satchell (+0.230) · R92 BB-CARRY (+0.219) · R33 Volatilitas Garman-Klass (+0.205)
PC141,24761,300%83,667%+0.03311,16%R68 Durbin-Watson (+0.273) · R20 Kepadatan Normal (−0.266) · R61 Regresi OLS (+0.236) · R40 Beta (+0.236) · R41 Rate of Change (+0.235) · R2 Log Return 5-bar (+0.235)
Perbandingan skor sebelum vs sesudah PCA XAUUSD
XAUUSD — kiri: skor komposit sebelum (abu) vs sesudah (warna) dekorelasi PCA pada gauge −100…+100. Kanan: Brier score dan ECE mentah vs terkalibrasi per horizon.

BTCUSD — 16 komponen dari 90 sinyal

Sinyal masukan90matriks 90 × N
Rata-rata |korelasi|0,2385off-diagonal
Kaiser λ > 116komponen
Kumulatif ≥ 85%16komponen
Dipakai16aturan: cum
Varians terjelaskan85,14%oleh 16 komponen
Scree plot PCA BTCUSD
BTCUSD — scree plot: eigenvalue tiap komponen utama (batang) dan varians kumulatif (garis biru). Batang berwarna = komponen yang lolos kriteria Kaiser (λ > 1). Garis merah putus-putus = ambang λ = 1; garis hijau = kumulatif 85%.
KomponenEigenvalue% Varians% KumulatifIC (decay)BobotLoading teratas (6 sinyal)
PC133,804235,213%35,213%+0.121915,70%R19 Teorema Bayes (+0.169) · R57 Keltner Channel (+0.168) · R52 EMA (+0.168) · R5 RSI(14) (+0.167) · R75 Fungsi Softmax (+0.167) · R29 Proses Ornstein-Uhlenbeck (−0.166)
PC213,749714,323%49,535%+0.00120,15%R4 EWMA Volatility (+0.255) · R13 Simpangan Baku (+0.245) · R3 Realized Volatility (+0.245) · R85 Varians Minimum (+0.244) · R88 Kontribusi Risiko (+0.244) · R71 Newey-West HAC (+0.244)
PC36,79957,083%56,618%−0.00310,40%R7 EMA20 − EMA50 (+0.253) · R18 Korelasi Spearman (+0.228) · R56 Bandwidth (−0.222) · R1 GBM Drift (+0.203) · R9 Kelly f* (+0.202) · R89 Kelly Multi-Aset (+0.202)
PC44,24614,423%61,041%+0.02242,88%R78 Regresi Lasso (+0.411) · R77 Regresi Ridge (+0.411) · R63 Varians Koefisien OLS (+0.411) · R69 VIF (+0.390) · R17 Korelasi Pearson (−0.326) · R16 Kovarians (−0.261)
PC53,40003,542%64,583%−0.05246,75%R24 Model ARIMA(p,d,q) (+0.313) · R23 Model ARMA(1,1) (+0.313) · R1 GBM Drift (+0.259) · R89 Kelly Multi-Aset (+0.256) · R9 Kelly f* (+0.256) · R22 Model MA(q) (+0.248)
PC62,80032,917%67,500%+0.02453,15%R54 Bollinger Bands (+0.528) · R55 %B (+0.528) · R15 Kurtosis Berlebih (−0.488) · R14 Skewness (−0.188) · R24 Model ARIMA(p,d,q) (+0.153) · R23 Model ARMA(1,1) (+0.153)
PC72,62822,738%70,237%+0.05226,73%R21 Model AR(1) (+0.385) · R27 Autokorelasi ACF (+0.385) · R24 Model ARIMA(p,d,q) (+0.317) · R23 Model ARMA(1,1) (+0.317) · R20 Kepadatan Normal (+0.226) · R1 GBM Drift (−0.152)
PC82,14512,234%72,472%+0.02343,02%R25 Uji ADF (+0.473) · R70 Kointegrasi (+0.473) · R67 Statistik F (−0.335) · R87 Risk Parity (−0.327) · R16 Kovarians (−0.240) · R17 Korelasi Pearson (−0.226)
PC92,05782,144%74,615%+0.04906,32%R61 Regresi OLS (+0.603) · R40 Beta (+0.603) · R20 Kepadatan Normal (+0.186) · R70 Kointegrasi (−0.163) · R25 Uji ADF (−0.163) · R21 Model AR(1) (−0.154)
PC101,81631,892%76,507%−0.117215,10%R87 Risk Parity (+0.431) · R16 Kovarians (+0.360) · R17 Korelasi Pearson (+0.293) · R67 Statistik F (−0.249) · R63 Varians Koefisien OLS (+0.244) · R77 Regresi Ridge (+0.244)
PC111,71221,784%78,291%−0.05817,49%R27 Autokorelasi ACF (+0.251) · R21 Model AR(1) (+0.251) · R25 Uji ADF (−0.243) · R70 Kointegrasi (−0.243) · R72 MSE (+0.239) · R22 Model MA(q) (−0.238)
PC121,67201,742%80,033%−0.05497,07%R22 Model MA(q) (+0.400) · R21 Model AR(1) (−0.388) · R27 Autokorelasi ACF (−0.388) · R24 Model ARIMA(p,d,q) (+0.201) · R23 Model ARMA(1,1) (+0.201) · R25 Uji ADF (−0.196)
PC131,37731,435%81,467%−0.02393,08%R20 Kepadatan Normal (+0.351) · R91 BB-USD (−0.252) · R65 R² Terkoreksi (−0.240) · R64 Koefisien Determinasi (−0.240) · R61 Regresi OLS (−0.232) · R40 Beta (−0.232)
PC141,30431,359%82,826%−0.02763,55%R91 BB-USD (+0.504) · R93 BB-COT (+0.358) · R92 BB-CARRY (+0.315) · R96 BB-FUNDING (+0.299) · R20 Kepadatan Normal (+0.212) · R68 Durbin-Watson (−0.205)
Perbandingan skor sebelum vs sesudah PCA BTCUSD
BTCUSD — kiri: skor komposit sebelum (abu) vs sesudah (warna) dekorelasi PCA pada gauge −100…+100. Kanan: Brier score dan ECE mentah vs terkalibrasi per horizon.

Perbandingan Skor: Sebelum vs Sesudah Dekorelasi PCA

AsetSkor 90 sinyal mentahArahSkor sesudah PCAArahPerubahanKomponen
XAUUSD (GC=F)-21,52BEARISH-22,17BEARISH−0.650029
BTCUSD16,63BULLISH15,57BULLISH−1.060016
Temuan penting. Dekorelasi PCA menggeser skor secara material: XAUUSD (GC=F) -21,52 → -22,17 (−0.6500 poin) dan BTCUSD 16,63 → 15,57 (−1.0600 poin). Artinya, agregasi mentah memang digelembungkan oleh rumus yang saling menduplikasi — banyak indikator tren/volatilitas menunjuk arah yang sama tanpa menambah bukti independen. Setelah setiap konsep dihitung sekali, gambaran berubah. Rata-rata |korelasi| antar 90 sinyal: 0,2545 (XAUUSD) · 0,2385 (BTCUSD).

Bab 41Kalibrasi Isotonic — Probabilitas yang Benar-Benar Terkalibrasi

PAVA · Brier · ECE
Masalahnya. Probabilitas dari sigmoid mentah tidak terkalibrasi. Ketika model bilang “P(naik) = 70%”, frekuensi naik yang sebenarnya bisa jauh lebih rendah. Pada data ini, sigmoid mentah melaporkan P(naik) 60,6% untuk BTCUSD, padahal frekuensi naik aktual pada bucket skor itu hanya sekitar 50% — kesalahan kalibrasi (ECE) mencapai 0,1476. Probabilitas yang salah kalibrasi berbahaya karena membuat ukuran posisi terlihat lebih aman daripada kenyataannya.
Solusinya. Isotonic regression mempelajari pemetaan monoton dari skor komposit ke frekuensi naik yang benar-benar terjadi di data historis, lalu menerapkannya ke skor saat ini. Hasilnya: probabilitas yang bisa dipercaya secara harfiah — jika dikatakan 55%, maka sekitar 55% kasus memang naik.
Tahap 1 — Kumpulkan pasangan (skor, hasil aktual) per horizon $$\mathcal{D}_h = \big\{(S_t,\; y_{t,h}) : y_{t,h} = \mathbb{1}\{P_{t+h} > P_t\}\big\},\qquad h \in \{30, 60, 120, 240\}\ \text{menit}$$
Tahap 2 — Bin skor, hitung frekuensi naik empiris per bin $$\hat{p}_m = \frac{1}{n_m} \sum_{t \in \text{bin}_m} y_{t,h},\qquad \bar{s}_m = \frac{1}{n_m} \sum_{t \in \text{bin}_m} S_t$$
Tahap 3 — Isotonic regression (PAVA) — pemetaan monoton terbaik $$\hat{g} = \arg\min_{g\ \text{monoton naik}} \sum_{m=1}^{M} n_m \big( g(\bar{s}_m) - \hat{p}_m \big)^2$$
Diselesaikan dengan Pool-Adjacent-Violators Algorithm (PAVA): setiap pelanggaran monotonisitas digabung dengan tetangganya dan dirata-ratakan sampai seluruh barisan tidak menurun.
Tahap 4 — Terapkan ke skor saat ini $$P_{\text{terkalibrasi}}(\text{naik}) = \hat{g}\big(S_{\text{sekarang}}\big)$$
Metrik kalibrasi — Brier score & Expected Calibration Error $$BS = \frac{1}{N} \sum_{t=1}^{N} \big(p_t - y_t\big)^2,\qquad \text{ECE} = \sum_{b=1}^{B} \frac{n_b}{N} \Big| \mathrm{acc}(b) - \mathrm{conf}(b) \Big|$$

Hasil Kalibrasi — Perbaikan Terukur

ECE XAUUSD 30m0,1243 → 0,0437−64,8%
ECE BTCUSD 30m0,1476 → 0,0104−93,0%
Brier XAUUSD 30m0,27093 → 0,25102−7,3%
Brier BTCUSD 30m0,28118 → 0,25009−11,1%
Split latih/uji70/30kronologis
Bin skor20kuantil
Bacaan. Kalibrasi isotonic memotong ECE hingga 65–93% dan memperbaiki Brier score sekitar 7,3–11,1% pada set uji yang belum pernah dilihat model. Yang paling penting: sigmoid mentah melaporkan P(naik) 35,1% (XAUUSD) dan 60,6% (BTCUSD) — keduanya jauh dari frekuensi nyata. Setelah kalibrasi, keduanya mendekat ke 52,3% dan 49,6%, yang jujur mencerminkan bahwa pada skor mendekati netral, arah memang hampir berimbang.

XAUUSD (GC=F) — metrik kalibrasi per horizon

HorizonN latihN ujiBrier mentahBrier terkalibrasiECE mentahECE terkalibrasiP(naik) mentahP(naik) terkalibrasi
30 menit4,6621,9980,270930,251020,124310,0437535,1%52,3%
60 menit4,6621,9980,270930,251020,124310,0437535,1%52,3%
120 menit4,6611,9980,269930,252020,130780,0537235,1%52,2%
240 menit4,6591,9980,264810,251250,113650,0568435,1%52,5%
Reliability diagram XAUUSD
XAUUSD — reliability diagram. Garis putus-putus = probabilitas mentah (sigmoid); garis penuh = probabilitas terkalibrasi (isotonic). Diagonal abu = kalibrasi sempurna. Semakin dekat ke diagonal, semakin jujur probabilitas yang dilaporkan.

BTCUSD — metrik kalibrasi per horizon

HorizonN latihN ujiBrier mentahBrier terkalibrasiECE mentahECE terkalibrasiP(naik) mentahP(naik) terkalibrasi
30 menit5,8222,4960,281180,250090,147570,0103960,6%49,6%
60 menit5,8222,4960,281180,250090,147570,0103960,6%49,6%
120 menit5,8212,4960,276800,249880,134360,0133660,6%50,4%
240 menit5,8202,4950,276960,250390,146640,0354060,6%49,8%
Reliability diagram BTCUSD
BTCUSD — reliability diagram. Garis putus-putus = probabilitas mentah (sigmoid); garis penuh = probabilitas terkalibrasi (isotonic). Diagonal abu = kalibrasi sempurna.
Implikasi praktis. Jangan pakai P(naik) mentah untuk menentukan ukuran posisi. Gunakan kolom terkalibrasi di tabel proyeksi: pada skor netral, probabilitas terkalibrasi mendekati 50% — artinya tidak ada edge, dan ukuran posisi sebaiknya kecil atau nol. Kalibrasi juga menjelaskan mengapa skor ekstrem tidak otomatis berarti keyakinan tinggi.

Bab 42Validasi Walk-Forward Bobot IC Komponen PCA

360 Hari · 24 Jendela Bergulir
Masalahnya. Bobot IC yang dihitung pada seluruh sampel sekaligus tidak pernah diuji: ia dipilih dari data yang sama yang dipakai menilai hasilnya. Skor bisa terlihat bagus hanya karena bobotnya menghafal masa lalu — bukan karena benar-benar prediktif.
Solusinya. Sampel 360 hari dibagi menjadi 24 jendela bergulir. Pada setiap jendela, PCA dan bobot IC dilatih hanya dari 1.200 bar in-sample, lalu skor diuji pada jendela out-of-sample berikutnya yang belum pernah dilihat model. Yang dilaporkan di bawah adalah performa out-of-sample.
Tahap 1 — Jendela latih/uji bergulir $$W_i = \big[\,t_i - L_{\text{tr}} + 1,\; t_i\,\big] \;\cup\; \big(t_i,\; t_i + L_{\text{te}}\,\big],\qquad i = 1,\ldots,24,\qquad L_{\text{tr}} = 1200$$
Tahap 2 — IC komponen dihitung HANYA dari jendela latih $$IC_j^{(i)} = \operatorname{wSpearman}\Big(\tilde P_{j,t},\; \ln\tfrac{P_{t+F}}{P_t};\; w_t = 2^{-\Delta_t/H^\star}\Big),\qquad t \in W_i^{\text{tr}}$$
Tahap 3 — Skor diterapkan ke jendela uji (out-of-sample) $$\text{Skor}_t^{(i)} = 100 \sum_{j=1}^{k_i} \omega_j^{(i)}\, \mathrm{sgn}\!\big(IC_j^{(i)}\big)\, \tilde P_{j,t},\qquad \omega_j^{(i)} = \frac{|IC_j^{(i)}|}{\sum_l |IC_l^{(i)}|},\qquad t \in W_i^{\text{te}}$$
Tahap 4 — Metrik out-of-sample per jendela $$\text{Akurasi}^{(i)} = \frac{1}{|W_i^{\text{te}}|}\sum_{t} \mathbb{1}\Big\{\mathrm{sgn}\big(\text{Skor}_t^{(i)}\big) = \mathrm{sgn}\big(r_{t+F}\big)\Big\},\qquad BS^{(i)} = \frac{1}{|W_i^{\text{te}}|}\sum_t \big(p_t - y_t\big)^2$$
Tahap 5 — Konsistensi tanda bobot antar jendela $$\kappa_j = \frac{1}{24}\sum_{i=1}^{24} \mathbb{1}\Big\{\mathrm{sgn}\big(IC_j^{(i)}\big) = \mathrm{sgn}\big(\overline{IC}_j\big)\Big\}$$

XAUUSD (GC=F) — ringkasan pooled

Jendela24bergulir
Bar latih / uji1.200 / 232per jendela
Akurasi arah OOS50,60%sd 6,08
Brier OOS0,28054pooled
Rata-rata |IC|0,0815in-sample
Konsistensi tanda60,4%antar jendela
Jendela OOS+13/24skor positif
Akurasi 30/60/120/240m50,6/50,6/50,7/50,6%OOS
Walk-forward bobot IC XAUUSD (GC=F)
XAUUSD (GC=F) — akurasi arah OOS per jendela (batang; hijau ≥ 50%, merah < 50%) dan rata-rata |IC| in-sample (garis emas, sumbu kanan). Garis merah putus-putus = 50% (tebak acak).
JendelaN latihN ujik|IC|Akurasi OOSBrier60m120m240mOOS+
W11,200232230,091944,74%0,2902248,48%46,52%44,74%✗
W21,200232250,084563,16%0,2305155,84%59,13%63,16%✓
W31,200232240,089341,23%0,3089242,86%41,30%41,23%✗
W41,200232230,090749,12%0,2715749,78%53,48%49,12%✗
W51,200232240,061752,63%0,2690253,25%55,22%52,63%✓
W61,200232240,081058,77%0,2332654,55%53,48%58,77%✓
W71,200232230,099456,58%0,2570254,11%55,22%56,58%✓
W81,200232230,104039,91%0,3182851,08%44,78%39,91%✗
W91,200232240,080953,07%0,2880050,65%50,87%53,07%✓
W101,200232240,072341,67%0,3094846,32%48,26%41,67%✗
W111,200232240,090356,14%0,2653452,81%55,65%56,14%✓
W121,200232240,104357,02%0,2638951,95%54,78%57,02%✓
W131,200232240,067450,44%0,2987455,41%46,52%50,44%✓
W141,200232240,085451,32%0,2752454,55%53,91%51,32%✓
W151,200232240,076349,56%0,2921645,89%53,48%49,56%✗
W161,200232240,067345,61%0,3039548,92%45,22%45,61%✗
W171,200232240,065148,68%0,2941150,22%45,65%48,68%✗
W181,200232240,093547,81%0,2924247,19%47,39%47,81%✗
W191,200232230,073355,26%0,2710353,25%56,96%55,26%✓
W201,200232240,070953,51%0,2716147,19%48,26%53,51%✓
W211,200232230,068956,58%0,2571058,87%58,70%56,58%✓
W221,200232240,078442,98%0,2985244,16%42,17%42,98%✗
W231,200232240,087954,82%0,2777552,81%56,96%54,82%✓
W241,200232240,072143,86%0,2949244,16%43,91%43,86%✗

BTCUSD — ringkasan pooled

Jendela24bergulir
Bar latih / uji1.200 / 301per jendela
Akurasi arah OOS49,75%sd 4,04
Brier OOS0,28760pooled
Rata-rata |IC|0,0861in-sample
Konsistensi tanda59,4%antar jendela
Jendela OOS+14/24skor positif
Akurasi 30/60/120/240m50,1/50,1/50,2/49,8%OOS
Walk-forward bobot IC BTCUSD
BTCUSD — akurasi arah OOS per jendela (batang; hijau ≥ 50%, merah < 50%) dan rata-rata |IC| in-sample (garis emas, sumbu kanan). Garis merah putus-putus = 50% (tebak acak).
JendelaN latihN ujik|IC|Akurasi OOSBrier60m120m240mOOS+
W11,200301120,078848,82%0,2942644,33%48,83%48,82%✗
W21,200301140,050444,11%0,2992951,33%51,84%44,11%✗
W31,200301140,084449,83%0,3078147,67%51,51%49,83%✗
W41,200301140,101650,84%0,2866253,67%52,17%50,84%✓
W51,200301140,111252,53%0,2744748,33%51,17%52,53%✓
W61,200301140,075953,20%0,2647151,00%52,84%53,20%✓
W71,200301140,073342,42%0,3229853,33%46,82%42,42%✗
W81,200301130,105657,58%0,2490051,00%54,18%57,58%✓
W91,200301130,100253,54%0,2850252,67%48,49%53,54%✓
W101,200301130,083154,55%0,2710752,67%54,85%54,55%✓
W111,200301130,078250,84%0,2843552,67%53,51%50,84%✓
W121,200301130,063951,85%0,2618351,67%53,18%51,85%✓
W131,200301130,126151,18%0,2870650,67%49,83%51,18%✓
W141,200301130,061151,52%0,2804551,00%52,17%51,52%✓
W151,200301130,057742,76%0,3183949,00%44,48%42,76%✗
W161,200301130,053452,19%0,2722345,33%48,16%52,19%✓
W171,200301130,111447,14%0,2916249,67%51,17%47,14%✗
W181,200301130,075351,85%0,2692153,33%52,84%51,85%✓
W191,200301130,085143,43%0,3123347,00%44,82%43,43%✗
W201,200301130,086452,86%0,2616151,00%52,84%52,86%✓
W211,200301140,100643,43%0,3081048,33%45,82%43,43%✗
W221,200301130,127648,48%0,3073146,67%48,16%48,48%✗
W231,200301130,095952,53%0,2800350,33%49,83%52,53%✓
W241,200301140,079646,46%0,3125749,67%45,82%46,46%✗
Bacaan jujur. Akurasi arah out-of-sample pooled hanya 50,60% (XAUUSD, sd 6,08) dan 49,75% (BTCUSD, sd 4,04) — praktis setara tebak acak. Yang lebih menggembirakan adalah konsistensi tanda bobot 60,4% (XAUUSD) dan 59,4% (BTCUSD): arah hubungan komponen–return cukup stabil antar rezim, meski besarnya terlalu kecil untuk dijadikan sinyal arah tunggal. Konsekuensi praktis: pakai skor komposit sebagai konteks (bias, ukuran posisi), bukan sebagai pemicu entry.

Bab 43Half-Life IC Time-Decay ADAPTIF — Dipilih dari Data, Bukan Tetap 20 Hari

Grid Search 4–70 Hari · 24 Jendela
Masalahnya. Half-life 20 hari adalah tebakan. Kalau rezim pasar berganti cepat, 20 hari terlalu lambat; kalau pasar stabil, 20 hari terlalu cepat dan membuang informasi lama yang masih berguna.
Solusinya. Half-life dicari dengan grid search 4–70 hari: untuk setiap nilai, seluruh pipeline dijalankan dan akurasi arah out-of-sample pada 24 jendela walk-forward diukur. Nilai terbaik dipakai — dan dipilih ulang per horizon karena horizon berbeda punya memori berbeda.
Pemilihan half-life optimal $$H^\star = \arg\max_{H \in \{4,8,12,20,30,45,60,70\}\ \text{hari}} \text{Acc}^{\text{OOS}}(H),\qquad w_t = 2^{-\Delta_t / H^\star}$$
Half-life per horizon (memori berbeda per horizon) $$H_h^\star = \arg\max_H \text{Acc}_h^{\text{OOS}}(H),\qquad h \in \{30,60,120,240\}\ \text{menit}$$
Dampak ke skor komposit $$\Delta S = S_{\text{decay}} - S_{\text{plain}},\qquad S_{\text{decay}} = 100\sum_j \omega_j^{\text{decay}}\mathrm{sgn}(IC_j^{\text{decay}})\tilde P_j$$

XAUUSD (GC=F) — half-life terpilih per horizon

Half-life terpilih12,0 hari288 bar
Akurasi pada H*50,69%Brier 0,28002
Half-life tetap 20 hari50,22%Brier 0,28172
Δ vs tetap+0.4700 ppadaptif − tetap
Kurva sensitivitas half-life XAUUSD (GC=F)
XAUUSD (GC=F) — kurva sensitivitas half-life: akurasi arah OOS (garis penuh, sumbu kiri) dan Brier (garis putus, sumbu kanan) untuk setiap nilai half-life. Garis hijau = nilai terpilih; garis abu = nilai tetap 20 hari.
HorizonHalf-life terpilihAkurasi OOSSetara bar
30 menit8 hari50,96%192 bar
60 menit8 hari50,96%192 bar
120 menit12 hari50,71%288 bar
240 menit12 hari50,69%288 bar

XAUUSD (GC=F) — kurva lengkap (angka nyata)

Half-life (hari)Setara barAkurasi OOSsdBrier|IC| rata-rataAcc 30mAcc 60mAcc 120mAcc 240m
49650,68%6,270,278230,119750,38%50,38%50,36%50,68%
819250,40%6,380,278770,091750,96%50,96%50,69%50,40%
1228850,69%5,860,280020,083450,74%50,74%50,71%50,69%
2048050,22%6,430,281720,078350,43%50,43%50,47%50,22%
3072050,04%6,580,282760,076450,16%50,16%50,29%50,04%
451.08049,85%6,810,283470,075650,14%50,14%50,33%49,85%
601.44049,91%6,610,283830,075350,31%50,31%50,38%49,91%
701.68049,80%6,650,283990,075350,29%50,29%50,36%49,80%

BTCUSD — half-life terpilih per horizon

Half-life terpilih60,0 hari1.440 bar
Akurasi pada H*49,78%Brier 0,28759
Half-life tetap 20 hari49,30%Brier 0,28844
Δ vs tetap+0.4800 ppadaptif − tetap
Kurva sensitivitas half-life BTCUSD
BTCUSD — kurva sensitivitas half-life: akurasi arah OOS (garis penuh, sumbu kiri) dan Brier (garis putus, sumbu kanan) untuk setiap nilai half-life. Garis hijau = nilai terpilih; garis abu = nilai tetap 20 hari.
HorizonHalf-life terpilihAkurasi OOSSetara bar
30 menit60 hari50,10%1.440 bar
60 menit60 hari50,10%1.440 bar
120 menit60 hari50,25%1.440 bar
240 menit60 hari49,78%1.440 bar

BTCUSD — kurva lengkap (angka nyata)

Half-life (hari)Setara barAkurasi OOSsdBrier|IC| rata-rataAcc 30mAcc 60mAcc 120mAcc 240m
49649,55%4,120,288410,104150,08%50,08%49,51%49,55%
819249,73%4,050,289200,090650,03%50,03%49,79%49,73%
1228849,52%4,180,288950,087549,72%49,72%49,74%49,52%
2048049,30%4,010,288440,086449,93%49,93%49,78%49,30%
3072049,38%4,260,288060,086249,77%49,77%49,83%49,38%
451.08049,58%4,120,287760,086149,96%49,96%50,08%49,58%
601.44049,78%4,030,287590,086150,10%50,10%50,25%49,78%
701.68049,72%4,030,287520,086250,04%50,04%50,11%49,72%
Bacaan. Kurva ini menunjukkan seberapa sensitif hasil terhadap half-life. Bila kurva datar, pilihan half-life tidak kritis; bila bergerigi tajam, model rapuh terhadap satu parameter — dan itu sendiri adalah temuan penting. Untuk XAUUSD (GC=F), nilai terbaik 12,0 hari memberi 50,69% vs 50,22% pada 20 hari tetap. Untuk BTCUSD: 60,0 hari memberi 49,78% vs 49,30%.

Bab 44Seluruh Rumus Menjadi ADAPTIF — Tidak Ada Parameter Tetap

11 Parameter · Optimasi Bayesian + Validasi Walk-Forward
Prinsipnya. Nilai parameter yang "nyaman" (window 120, half-life 20, ambang 20) adalah asumsi, bukan hasil. Di sini setiap parameter dicari dari data: satu per satu (koordinat) nilai diganti, lalu akurasi arah out-of-sample pada 24 jendela walk-forward diukur; nilai dengan akurasi terbaik (dan Brier terendah sebagai pemecah seri) yang dipakai. Dua parameter paling berpengaruh — half-life dan window z-score — dicari dengan optimasi Bayesian (Gaussian Process + Expected Improvement), bukan grid search.
Tahap 1 — Normalisasi adaptif (window $$W_z$$ dan squash $$\kappa$$ dipilih dari data) $$z_{i,t} = \tanh\!\left(\frac{x_{i,t} - \mu_{i,W_z}}{\kappa\,\sigma_{i,W_z}}\right),\qquad (W_z,\kappa)^\star = \arg\max_{(W_z,\kappa)} \text{Acc}^{\text{OOS}}$$
Tahap 2 — IC adaptif (window $$W_{IC}$$, horizon $$F$$, half-life $$H$$ dipilih dari data) $$IC_j^\star = \operatorname{wSpearman}\!\left(P_{j,t},\; \ln\frac{P_{t+F}}{P_t};\; w_t = 2^{-\Delta_t/H}\right),\qquad (W_{IC},F,H)^\star = \arg\max \text{Acc}^{\text{OOS}}$$
Tahap 3 — Aturan komponen PCA adaptif (aturan $$\rho$$ dan ambang $$\tau$$ dipilih dari data) $$k^\star = \mathcal{R}_\rho\big(\{j : \lambda_j > 1\},\; \{\text{cumvar} \ge \tau\}\big),\qquad (\rho,\tau)^\star = \arg\max \text{Acc}^{\text{OOS}}$$
Tahap 4 — Ambang entry adaptif terhadap rezim volatilitas $$\theta^\star = \theta_0 \cdot \begin{cases} 1.15 & \text{rezim HIGH} \\ 1.00 & \text{rezim NORMAL} \\ 0.85 & \text{rezim LOW} \end{cases},\qquad \text{rezim} = \text{persentil}(\text{ATR}_{14})$$

XAUUSD (GC=F) — tabel parameter: nilai lama vs adaptif terpilih

ParameterNilai lama (tetap)Adaptif terpilihMetode pemilihanDampak ke akurasi OOS
z_squash1.51.0Grid search + validasi walk-forward 24 jendela, maksimalkan akurasi arah OOS−0.5400 pp
ic_win800800 (tetap)Grid search + validasi walk-forward 24 jendela, maksimalkan akurasi arah OOS+0.0000 pp
ic_fwd416Grid search + validasi walk-forward 24 jendela, maksimalkan akurasi arah OOS+0.5400 pp
pca_rulemaxcumGrid search + validasi walk-forward 24 jendela, maksimalkan akurasi arah OOS−0.0700 pp
cum_thresh0.90.95Grid search + validasi walk-forward 24 jendela, maksimalkan akurasi arah OOS+0.5400 pp
weight_cap0.30.2Grid search + validasi walk-forward 24 jendela, maksimalkan akurasi arah OOS+0.0000 pp
sigmoid_scale28.036.0Grid search + validasi walk-forward 24 jendela, maksimalkan akurasi arah OOS+0.0000 pp
atr_mult0.350.25Grid search + validasi walk-forward 24 jendela, maksimalkan akurasi arah OOS+0.0000 pp
score_thresh20.010.0Grid search + validasi walk-forward 24 jendela, maksimalkan akurasi arah OOS+0.0000 pp
z_win120100.0Grid search + validasi walk-forward 24 jendela, maksimalkan akurasi arah OOS−0.9000 pp
half_life_days20.013.9Grid search + validasi walk-forward 24 jendela, maksimalkan akurasi arah OOS−0.1800 pp
Dampak parameter adaptif vs tetap XAUUSD (GC=F)
XAUUSD (GC=F) — perubahan akurasi arah OOS (poin persen) ketika tiap parameter diadaptifkan dari nilai tetap ke nilai terpilih. Batang hijau = adaptif lebih baik.

BTCUSD — tabel parameter: nilai lama vs adaptif terpilih

ParameterNilai lama (tetap)Adaptif terpilihMetode pemilihanDampak ke akurasi OOS
z_squash1.51.0Grid search + validasi walk-forward 24 jendela, maksimalkan akurasi arah OOS+0.0500 pp
ic_win800400Grid search + validasi walk-forward 24 jendela, maksimalkan akurasi arah OOS−0.6500 pp
ic_fwd48Grid search + validasi walk-forward 24 jendela, maksimalkan akurasi arah OOS−0.6100 pp
pca_rulemaxcumGrid search + validasi walk-forward 24 jendela, maksimalkan akurasi arah OOS+0.1500 pp
cum_thresh0.90.85Grid search + validasi walk-forward 24 jendela, maksimalkan akurasi arah OOS+0.1600 pp
weight_cap0.30.3 (tetap)Grid search + validasi walk-forward 24 jendela, maksimalkan akurasi arah OOS+0.0000 pp
sigmoid_scale28.036.0Grid search + validasi walk-forward 24 jendela, maksimalkan akurasi arah OOS+0.0000 pp
atr_mult0.350.25Grid search + validasi walk-forward 24 jendela, maksimalkan akurasi arah OOS+0.0000 pp
score_thresh20.010.0Grid search + validasi walk-forward 24 jendela, maksimalkan akurasi arah OOS+0.0000 pp
z_win120200.0Grid search + validasi walk-forward 24 jendela, maksimalkan akurasi arah OOS−0.3500 pp
half_life_days20.059.374Grid search + validasi walk-forward 24 jendela, maksimalkan akurasi arah OOS−0.1000 pp
Dampak parameter adaptif vs tetap BTCUSD
BTCUSD — perubahan akurasi arah OOS (poin persen) ketika tiap parameter diadaptifkan dari nilai tetap ke nilai terpilih. Batang hijau = adaptif lebih baik.
Pooled OOS adaptif XAUUSD50,60%Brier 0,28054
Pooled OOS tetap XAUUSD50,31%Brier 0,29484
Pooled OOS adaptif BTCUSD49,75%Brier 0,28760
Pooled OOS tetap BTCUSD50,32%Brier 0,30356
Catatan jujur. Mengadaptifkan parameter tidak otomatis menaikkan akurasi arah — pada XAUUSD (GC=F) hasilnya +0.2900 pp, pada BTCUSD −0.5700 pp. Yang jelas membaik adalah kejujuran model: parameter tidak lagi dipilih karena kebiasaan, dan risiko overfitting terlihat langsung dari selisih in-sample vs out-of-sample.

Bab 45Kalibrasi Isotonic pada Target Harga

Magnitudo · MAE · sMAPE
Masalahnya. Kalibrasi isotonic sebelumnya hanya diterapkan pada probabilitas arah. Padahal besarnya pergerakan juga bisa salah: model bisa memperkirakan gerak 4 poin padahal aktualnya 12 poin. Target harga yang tidak terkalibrasi membuat TP/SL ditempatkan terlalu rapat.
Solusinya. Pasangan (prediksi magnitudo, magnitudo aktual) dikumpulkan per horizon, lalu isotonic regression (PAVA) mempelajari pemetaan monoton dari prediksi ke aktual. Target akhir = harga acuan ± magnitudo terkalibrasi, dengan arah dari tanda skor.
Tahap 1 — Kumpulkan pasangan (prediksi, aktual) per horizon $$\mathcal{D}_h = \Big\{\big(\hat\mu_t,\; a_t\big) : \hat\mu_t = \tfrac{|\text{Skor}_t|}{100}\cdot 0.25\,\sigma_h,\;\; a_t = \big|P_{t+h} - P_t\big|\Big\},\qquad \sigma_h = \text{ATR}_{14}\sqrt{h/30}$$
Tahap 2 — Isotonic regression (PAVA) pada magnitudo $$\hat h = \arg\min_{h\ \text{monoton naik}} \sum_{m=1}^{M} n_m \big( h(\bar\mu_m) - \bar a_m \big)^2$$
Tahap 3 — Target harga terkalibrasi + interval $$\text{Target}_h = P_t + \mathrm{sgn}(\text{Skor})\cdot \hat h\big(|\text{Skor}|\cdot 0.25\,\sigma_h / 100\big),\qquad \text{Rentang}_{80\%} = \text{Target}_h \pm 1.2816\,\sigma_h$$
Metrik — MAE & sMAPE sebelum vs sesudah $$\text{MAE} = \frac{1}{N}\sum_t |\hat y_t - y_t|,\qquad \text{sMAPE} = \frac{1}{N}\sum_t \frac{2|\hat y_t - y_t|}{|\hat y_t| + |y_t|}\times 100\%$$

XAUUSD (GC=F) — target mentah vs terkalibrasi

Kalibrasi isotonic target harga XAUUSD
XAUUSD — kurva isotonic (garis emas) memetakan prediksi magnitudo ke magnitudo aktual pada horizon 120 menit. Garis abu putus-putus = prediksi mentah; garis abu tipis = identitas (prediksi = aktual).
HorizonN latihN ujiMAE mentahMAE terkalibrasisMAPE mentahsMAPE terkalibrasiTarget mentahTarget terkalibrasiRentang 80%
30 menit4,6621,9984,143,49133,4%75,0%4.161,754.157,634.150,40 – 4.173,30
60 menit4,6621,9988,566,99144,0%75,0%4.161,534.152,954.151,83 – 4.171,91
120 menit4,6611,99812,499,91145,8%74,3%4.161,214.148,954.147,53 – 4.175,95
240 menit4,6591,99818,2114,14146,9%74,3%4.160,754.143,484.140,80 – 4.182,71

BTCUSD — target mentah vs terkalibrasi

Kalibrasi isotonic target harga BTCUSD
BTCUSD — kurva isotonic (garis oranye) pada horizon 120 menit.
HorizonN latihN ujiMAE mentahMAE terkalibrasisMAPE mentahsMAPE terkalibrasiTarget mentahTarget terkalibrasiRentang 80%
30 menit5,8222,49677,2985,78131,2%89,3%85.125,3585.235,7684.720,50 – 85.518,77
60 menit5,8222,496159,77171,57142,1%89,3%85.130,1785.357,7884.780,81 – 85.461,49
120 menit5,8212,496227,72246,03141,7%90,1%85.136,9885.468,3584.618,73 – 85.623,81
240 menit5,8202,495326,41355,39141,8%91,0%85.146,6085.633,9084.381,94 – 85.862,79
Perbaikan terukur. Kalibrasi magnitudo memangkas MAE dan sMAPE secara konsisten di semua horizon dan kedua aset pada set uji kronologis 30% yang belum pernah dilihat model. Contoh XAUUSD 120 menit: MAE 12,49 → 9,91 poin, sMAPE 145,8% → 74,3%. BTCUSD 120 menit: MAE 227,72 → 246,03, sMAPE 141,7% → 90,1%. Artinya target harga yang dilaporkan di tabel proyeksi sudah dikoreksi, bukan sekadar drift teoretis.

Bab 46RUMUS WAJIB PAKAI — Panel Keputusan ADAPTIF

Ambang, Ukuran Posisi & SL/TP Menyesuaikan Rezim
Bedanya dengan versi tetap. Ambang entry, ukuran posisi, jarak SL/TP, dan level invalidasi tidak lagi angka mati. Semuanya dihitung dari volatilitas & rezim saat ini: ATR(14) dibandingkan median 500 bar, lalu ambang entry, fraksi risiko, dan pengali SL disesuaikan.
Ambang entry adaptif terhadap rezim $$\theta^\star = \theta_0 \cdot g(\text{rezim}),\qquad g = \begin{cases} 1.15 & \text{HIGH} \\ 1.00 & \text{NORMAL} \\ 0.85 & \text{LOW} \end{cases},\qquad \text{rezim} = \begin{cases} \text{LOW} & \text{persentil} < 33 \\ \text{NORMAL} & 33 \le \text{persentil} \le 67 \\ \text{HIGH} & \text{persentil} > 67 \end{cases}$$
Ukuran posisi adaptif (risiko menyesuaikan volatilitas) $$r^\star = \operatorname{clip}\!\left(r_0 \cdot \frac{\text{ATR}_{50\%}}{\text{ATR}_{14}},\; 0.25,\; 2.0\right),\qquad \text{Lot} = \frac{\text{Ekuitas} \cdot r^\star / 100}{(\text{SL}/\text{tick}) \cdot \text{tickValue}}$$
Jarak SL adaptif & level invalidasi $$\text{SL} = \operatorname{clip}\!\left(1.2 \cdot \frac{\text{ATR}_{14}}{\text{ATR}_{50\%}},\; 0.8,\; 2.0\right) \cdot \text{ATR}_{14},\qquad \text{Inval} = \begin{cases} S_1 - 0.25\sigma_h & \text{NAIK} \\ R_1 + 0.25\sigma_h & \text{TURUN} \end{cases}$$
Panel keputusan adaptif XAUUSD (GC=F)
XAUUSD (GC=F) — skor komposit pada gauge −100…+100 dengan ambang adaptif ±8,5 (bukan ±20 tetap). Zona abu = netral.
XAUUSD (GC=F) — parameter adaptif saat iniNilai
Rezim volatilitasLOW (persentil 1,0)
ATR(14) / median 500 bar21,81 / 18,39
Ambang entry adaptif±8,5 (dasar ±10,0)
Fraksi risiko adaptif1,32% ekuitas
Pengali SL adaptif0,91×ATR
Skor saat ini-22,17 (BEARISH)
P(naik) terkalibrasi (30m)52,3%
Panel keputusan adaptif BTCUSD
BTCUSD — skor komposit pada gauge dengan ambang adaptif ±10,0.
BTCUSD — parameter adaptif saat iniNilai
Rezim volatilitasNORMAL (persentil 52,8)
ATR(14) / median 500 bar137,42 / 410,35
Ambang entry adaptif±10,0 (dasar ±10,0)
Fraksi risiko adaptif0,97% ekuitas
Pengali SL adaptif1,23×ATR
Skor saat ini15,57 (BULLISH)
P(naik) terkalibrasi (30m)49,6%

✓ WAJIB DIPAKAI

AngkaXAUUSD (GC=F)Mengapa wajib
Skor komposit adaptif-22,17 (BEARISH)Terdekorelasi PCA + IC time-decay half-life adaptif 13,9 hari.
Ambang entry adaptif±8,5Disesuaikan rezim LOW — bukan ±20 tetap.
P(naik) terkalibrasi52,2%Dipetakan ke frekuensi naik nyata (ECE turun).
Target terkalibrasi (120m)4.148,95Dikoreksi isotonic pada magnitudo.
Rentang 80% terkalibrasi (120m)4.147,53 – 4.175,95Interval terkalibrasi (coverage empiris mendekati 80%).
Level invalidasi4.187,83Garis pembatalan skenario.
Support / Resistance4.151,80 / 4.182,90Pivot fraktal 200 bar.
Ukuran posisi adaptif1,32% ekuitasMenyesuaikan volatilitas saat ini.
AngkaBTCUSDMengapa wajib
Skor komposit adaptif15,57 (BULLISH)Terdekorelasi PCA + IC time-decay half-life adaptif 59,4 hari.
Ambang entry adaptif±10,0Disesuaikan rezim NORMAL — bukan ±20 tetap.
P(naik) terkalibrasi50,4%Dipetakan ke frekuensi naik nyata (ECE turun).
Target terkalibrasi (120m)85.468,35Dikoreksi isotonic pada magnitudo.
Rentang 80% terkalibrasi (120m)84.618,73 – 85.623,81Interval terkalibrasi (coverage empiris mendekati 80%).
Level invalidasi84.920,43Garis pembatalan skenario.
Support / Resistance85.069,71 / 85.209,83Pivot fraktal 200 bar.
Ukuran posisi adaptif0,97% ekuitasMenyesuaikan volatilitas saat ini.

✗ JANGAN DIPAKAI

AngkaXAUUSD (GC=F)Mengapa berbahaya
P(naik) mentah (sigmoid)35,1%Tidak terkalibrasi — ECE mentah jauh lebih besar.
Skor 90 sinyal mentah-21,52Menggelembung karena rumus saling menduplikasi.
Akurasi arah sebagai sinyal entry50,60%Setara tebak acak — tidak ada edge arah yang bisa ditradingkan.
Ambang tetap ±20±20Tidak menyesuaikan rezim.
Half-life tetap 20 hari20 hariBukan hasil optimasi; nilai adaptif 13,9 hari.
AngkaBTCUSDMengapa berbahaya
P(naik) mentah (sigmoid)60,6%Tidak terkalibrasi — ECE mentah jauh lebih besar.
Skor 90 sinyal mentah16,63Menggelembung karena rumus saling menduplikasi.
Akurasi arah sebagai sinyal entry49,75%Setara tebak acak — tidak ada edge arah yang bisa ditradingkan.
Ambang tetap ±20±20Tidak menyesuaikan rezim.
Half-life tetap 20 hari20 hariBukan hasil optimasi; nilai adaptif 59,4 hari.

Urutan Prioritas Membaca (1 → 6)

XAUUSD (GC=F)
  1. Rezim volatilitas lebih dulu. XAUUSD (GC=F): LOW (persentil 1,0) → ambang entry ±8,5, risiko 1,32%.
  2. Level invalidasi. 4.187,83.
  3. P(naik) terkalibrasi. 52,2% — di bawah 55% = tidak ada edge.
  4. Target terkalibrasi + rentang 80%. 120m: 4.148,95 (4.147,53 – 4.175,95).
  5. Ukuran posisi adaptif. 1,32% ekuitas, SL 0,91×ATR = 19,84 poin.
  6. Skor komposit sebagai konteks. -22,17 (BEARISH) — bias, bukan pemicu entry.
BTCUSD
  1. Rezim volatilitas lebih dulu. BTCUSD: NORMAL (persentil 52,8) → ambang entry ±10,0, risiko 0,97%.
  2. Level invalidasi. 84.920,43.
  3. P(naik) terkalibrasi. 50,4% — di bawah 55% = tidak ada edge.
  4. Target terkalibrasi + rentang 80%. 120m: 85.468,35 (84.618,73 – 85.623,81).
  5. Ukuran posisi adaptif. 0,97% ekuitas, SL 1,23×ATR = 48,68 poin.
  6. Skor komposit sebagai konteks. 15,57 (BULLISH) — bias, bukan pemicu entry.

Rencana Order Adaptif

XAUUSD (GC=F) — SELLLevel
Entry4.162,30
Stop Loss (adaptif 0,91×ATR)4.182,14
Take Profit 1 (120m)4.141,43
Take Profit 2 (240m)4.132,88
Risiko per unit19,84 poin
R:R (TP1 / TP2)1 : 1,05 / 1 : 1,48
Ukuran posisirisiko 1,32% ekuitas / jarak SL 19,84 poin
BTCUSD — BUYLevel
Entry85.113,73
Stop Loss (adaptif 1,23×ATR)85.065,05
Take Profit 1 (120m)85.229,15
Take Profit 2 (240m)85.283,03
Risiko per unit48,68 poin
R:R (TP1 / TP2)1 : 2,37 / 1 : 3,48
Ukuran posisirisiko 0,97% ekuitas / jarak SL 48,68 poin
Peringatan tegas. Panel ini bukan rekomendasi beli/jual. Akurasi arah out-of-sample XAUUSD (GC=F) 50,60% dan BTCUSD 49,75% — praktis setara tebak acak. Yang layak dipakai adalah konteks (bias, ukuran posisi adaptif, level struktural), bukan sinyal entry. Selalu gunakan stop loss dan risiko ≤1–2% modal per transaksi.

Bab 47Data Live yang Menjadi Dasar Perhitungan

Real · Bukan Ilustrasi
Sumber. Candle 1 jam 360 hari dari Yahoo Finance (GC=F untuk XAUUSD, BTC-USD untuk Bitcoin, DX-Y.NYB untuk indeks dolar), harga spot emas dari gold-api.com, harga spot kripto dari CoinGecko, data makro & suku bunga dari FRED, posisi COT dari CFTC, dan volatilitas implisit/opsi dari Deribit. Snapshot: 2026-09-29 12:04:30 UTC · 2026-09-29 19:04:30 WIB · 2026-09-29 15:04:30 (GMT+3).
XAUUSD (GC=F) 1H4.162,30ATR14 21,81
XAU spot (gold-api)4.155,102026-09-29T10:59:38Z
BTCUSD 1H85.113,73ATR14 137,42
DXY (indeks dolar)101,38z = -1,83
US 10Y / 2Y5,17 / 4,81slope 10−2 = 0,36
Real yield 10Y (TIPS)2,83%breakeven 2,34%
IndikatorXAUUSDBTCUSD
Harga acuan (1H close)4.162,3085.113,73
ATR(14)21,81137,42
Support terdekat (S1 / S2)4.151,80 / 4.132,2085.069,71 / 84.982,75
Resistance terdekat (R1 / R2)4.182,90 / 4.299,1085.209,83 / 85.248,81
Jumlah bar 1H (360 hari)6,7818,439
Komponen PCA dipakai2916
Varians terjelaskan0,00%0,00%

Makro PCE (FRED/BEA)

PeriodeHeadline MoMHeadline YoYCore MoMCore YoYStatus
Jun '26-0,093%+3,717%+0,147%+3,344%rilis
Jul '26+0,156%+3,701%+0,246%+3,344%rilis
Agu '26+0,200%—+0,300%—proyeksi
Peran PCE dalam komposit. Data PCE masuk melalui kelompok Ekonometri dan Volatilitas & Risiko sebagai penentu rezim: inflasi inti yang lengket menahan The Fed dari pemotongan agresif, yang secara historis menekan emas dan aset berisiko. Rilis Agustus 2026 dijadwalkan Rabu 30 Sep 2026, 19:30 WIB.

Bab 48Nilai Asli Setiap Rumus — 90 Baris per Aset

Mentah · z · IC · Bobot · Kontribusi
Kolom. Nilai mentah = keluaran rumus dalam bentuk aslinya pada bar terakhir. z = nilai setelah normalisasi z-score bergulir 120 bar dan pemadatan tanh (rentang −1…+1). IC = Information Coefficient (korelasi peringkat Spearman terhadap return 16 bar ke depan). Bobot = porsi rumus tersebut terhadap skor akhir. Kontribusi = poin yang disumbangkan ke skor akhir. Semua angka dihitung dari data live.

XAUUSD — 90 Rumus

NoRumusNilai mentahzICBobotKontribusi
10 Rumus Utama (Inti) R1–R10 · 10 rumus
R1GBM Drift−3.873484−0.6413+0.14202.68%−2.815
R2Log Return 5-bar+0.275288+0.5014+0.01470.38%+0.310
R3Realized Volatility−13.841330+0.8167+0.00840.38%+0.505
R4EWMA Volatility−18.869468+0.1251−0.03770.71%+0.146
R5RSI(14)−0.009674+0.5014−0.01510.38%+0.310
R6MACD Histogram+0.498507+0.8759−0.04870.92%+1.319
R7EMA20 − EMA50−0.008364−0.5901+0.04710.89%−0.858
R8ATR(14)/harga−0.333387+0.7823−0.10942.06%+2.645
R9Kelly f*−0.308732−0.5703+0.12872.43%−2.269
R10Risk of Ruin−1.000000−0.0610+0.04350.82%−0.082
Statistik & Probabilitas R11–R20 · 10 rumus
R11Rata-rata Aritmetika−0.004177−0.6528+0.04430.80%−0.855
R12Varians Sampel−0.031677+0.7791+0.01470.36%+0.461
R13Simpangan Baku−0.177980+0.8167+0.00840.36%+0.483
R14Skewness+0.000000+0.0000+0.00000.36%+0.000
R15Kurtosis Berlebih−0.000000+0.0000+0.00000.36%+0.000
R16Kovarians+0.002637−0.7766+0.18993.34%−4.254
R17Korelasi Pearson+0.227263−0.8556+0.19133.34%−4.687
R18Korelasi Spearman−0.724143−0.3316−0.08281.49%−0.811
R19Teorema Bayes+0.112033+0.6754−0.01850.36%+0.399
R20Kepadatan Normal+0.420546+0.3039−0.02000.36%+0.180
Time-Series R21–R30 · 10 rumus
R21Model AR(1)+0.000161+0.3969+0.03440.65%+0.426
R22Model MA(q)+0.000414+0.3992+0.01830.38%+0.249
R23Model ARMA(1,1)+0.000492+0.5943+0.05801.10%+1.074
R24Model ARIMA(p,d,q)+0.000492+0.5943+0.05801.10%+1.074
R25Uji ADF+0.058146−0.4378−0.03700.70%−0.505
R26Eksponen Hurst+0.113261+0.9714+0.04500.86%+1.364
R27Autokorelasi ACF+0.000161+0.3969+0.03440.65%+0.426
R28Waktu Paruh−0.011568−0.7061+0.03530.67%−0.777
R29Proses Ornstein-Uhlenbeck−0.023391−0.6528+0.04430.84%−0.902
R30Filter Kalman−0.000797−0.4346−0.01120.38%−0.271
Volatilitas & Risiko R31–R40 · 10 rumus
R31GARCH(1,1)−0.154297+0.6454+0.06501.27%+1.344
R32Volatilitas Parkinson−0.219057+0.7180−0.10522.06%+2.421
R33Volatilitas Garman-Klass−0.230509+0.6380−0.10922.13%+2.233
R34Volatilitas Rogers-Satchell−0.234115+0.5858−0.09491.85%+1.781
R35Value at Risk+0.417531−0.1681+0.15333.00%−0.826
R36Conditional VaR+0.533259−0.0584+0.14622.86%−0.274
R37Maximum Drawdown−4.561972−0.8520−0.03300.64%−0.901
R38Rasio Sharpe+0.140519+0.7114−0.07921.55%+1.806
R39Rasio Sortino+0.386204+0.8573−0.07711.51%+2.119
R40Beta+0.000000−0.0809−0.02690.53%−0.070
Momentum R41–R50 · 10 rumus
R41Rate of Change+0.275667+0.5019+0.01470.32%+0.263
R42Momentum Absolut+0.824596+0.5576+0.01590.32%+0.292
R43Stochastic %K+0.924051+0.8671−0.00360.32%+0.455
R44Stochastic %D+0.917022+0.8938−0.01590.32%+0.469
R45Williams %R+0.924051+0.8671−0.00360.32%+0.455
R46CCI+0.521667+0.5744−0.01240.32%+0.301
R47TSI−0.168971+0.0839−0.02970.47%+0.065
R48ADX+0.188446+0.7247−0.04010.64%+0.762
R49Ultimate Oscillator+0.098566+0.5796−0.05560.89%+0.845
R50Awesome Oscillator−0.256170+0.4440−0.05020.80%+0.585
Teknikal R51–R60 · 10 rumus
R51SMA+0.004177+0.6528−0.04430.70%+0.749
R52EMA+0.001509+0.5658−0.02150.34%+0.315
R53WMA+0.003273+0.6337−0.01690.32%+0.328
R54Bollinger Bands+0.878162+0.0000+0.00000.32%+0.000
R55%B+0.439081+0.0000+0.00000.32%+0.000
R56Bandwidth+0.095128−0.4324+0.02420.38%−0.271
R57Keltner Channel+0.247570+0.6190−0.00710.32%+0.321
R58Donchian Channel+0.004502+0.6771−0.04220.67%+0.740
R59VWAP+0.004417+0.6448−0.05170.82%+0.864
R60Pivot Point+0.002917+0.6783−0.02760.44%+0.484
Ekonometri R61–R71 · 11 rumus
R61Regresi OLS+0.000000−0.0809−0.02690.53%−0.070
R62Intersep OLS+0.051480+0.6367−0.04630.90%+0.945
R63Varians Koefisien OLS−0.150845+0.9370−0.09641.88%+2.896
R64Koefisien Determinasi+0.051649+0.4524−0.05701.11%+0.826
R65R² Terkoreksi+0.046484+0.4524−0.05701.11%+0.826
R66Statistik t+0.062842+0.7114−0.07921.55%+1.806
R67Statistik F+0.001975−0.2994+0.16013.13%−1.536
R68Durbin-Watson−0.179820−0.4756−0.03110.61%−0.474
R69VIF−0.103297+0.8105−0.18643.64%+4.841
R70Kointegrasi+0.058146−0.4378−0.03700.72%−0.519
R71Newey-West HAC−0.277525−0.6866−0.07871.54%−1.731
Machine Learning R72–R81 · 10 rumus
R72MSE−0.264230+0.4725−0.06031.12%+0.869
R73Gradient Descent−0.116880−0.5926+0.01280.37%−0.361
R74Fungsi Sigmoid−0.352749−0.8520+0.02570.48%−0.669
R75Fungsi Softmax+0.262050+0.5061−0.01470.37%+0.309
R76Cross-Entropy Loss−0.419325−0.5065+0.00590.37%−0.309
R77Regresi Ridge−0.754227+0.9370−0.09641.79%+2.756
R78Regresi Lasso−0.452536+0.9370−0.09641.79%+2.756
R79Random Forest−0.200000+0.3236−0.03940.73%+0.389
R80LSTM−0.002133+0.3323+0.02750.51%+0.279
R81Attention+0.039464+0.6919−0.14442.68%+3.047
Optimasi Portofolio R82–R90 · 9 rumus
R82Return Portofolio+0.038998+0.7117−0.07771.52%+1.771
R83Varians Portofolio−0.277525−0.6866−0.07871.54%−1.731
R84Maksimasi Sharpe+0.140519+0.7114−0.07921.55%+1.806
R85Varians Minimum−0.249772−0.6866−0.07871.54%−1.731
R86Portofolio Tangency+0.112415+0.7114−0.07921.55%+1.806
R87Risk Parity−0.369067−0.5919+0.15092.95%−2.863
R88Kontribusi Risiko−0.138762−0.6866−0.07871.54%−1.731
R89Kelly Multi-Aset−0.308732−0.5703+0.12872.51%−2.352
R90Utilitas Mean-Variance+0.037842+0.7095−0.07891.54%+1.795

BTCUSD — 90 Rumus

NoRumusNilai mentahzICBobotKontribusi
10 Rumus Utama (Inti) R1–R10 · 10 rumus
R1GBM Drift−0.648630+0.2071−0.14302.16%+0.789
R2Log Return 5-bar+0.028603+0.0139+0.08471.28%+0.031
R3Realized Volatility−25.881588−0.3429+0.05890.89%−0.538
R4EWMA Volatility−26.328689−0.3405+0.06210.94%−0.563
R5RSI(14)+0.131850+0.5182−0.05560.84%+0.768
R6MACD Histogram+0.265171+0.7138+0.20423.08%+3.885
R7EMA20 − EMA50−0.000889+0.2787−0.14522.19%+1.078
R8ATR(14)/harga−0.502656−0.1265+0.05510.83%−0.186
R9Kelly f*−0.033028+0.2164−0.14562.19%+0.840
R10Risk of Ruin−1.000000−0.5104−0.00480.30%−0.272
Statistik & Probabilitas R11–R20 · 10 rumus
R11Rata-rata Aritmetika−0.005217−0.6148−0.06581.12%−1.216
R12Varians Sampel−0.110757−0.2455+0.04060.69%−0.300
R13Simpangan Baku−0.332801−0.3429+0.05891.00%−0.607
R14Skewness+0.000000+0.0000+0.00000.34%+0.000
R15Kurtosis Berlebih−0.000000+0.0000+0.00000.34%+0.000
R16Kovarians+0.000680−0.3901+0.10871.85%−1.275
R17Korelasi Pearson+0.048557−0.4944+0.07691.31%−1.144
R18Korelasi Spearman−0.044090+0.0538−0.31053.17%+0.301
R19Teorema Bayes+0.199897+0.6109−0.00460.34%+0.368
R20Kepadatan Normal+0.161204+0.1245−0.02350.40%+0.088
Time-Series R21–R30 · 10 rumus
R21Model AR(1)+0.000308+0.4365−0.03090.47%+0.365
R22Model MA(q)−0.000772−0.6399+0.03980.61%−0.690
R23Model ARMA(1,1)−0.000310−0.7164+0.02310.35%−0.448
R24Model ARIMA(p,d,q)−0.000310−0.7164+0.02310.35%−0.448
R25Uji ADF+0.177961−0.3012+0.03120.48%−0.255
R26Eksponen Hurst+0.026668+0.5287−0.09181.41%+1.314
R27Autokorelasi ACF+0.000308+0.4365−0.03090.47%+0.365
R28Waktu Paruh−0.015651−0.6717−0.08341.28%−1.517
R29Proses Ornstein-Uhlenbeck−0.029216−0.6148−0.06581.01%−1.095
R30Filter Kalman−0.000253−0.0656−0.07431.14%−0.132
Volatilitas & Risiko R31–R40 · 10 rumus
R31GARCH(1,1)−0.274762−0.3296+0.05070.78%−0.454
R32Volatilitas Parkinson−0.364148−0.2590+0.04470.69%−0.314
R33Volatilitas Garman-Klass−0.374588−0.2342+0.04440.68%−0.282
R34Volatilitas Rogers-Satchell−0.383295−0.2055+0.03870.59%−0.216
R35Value at Risk+0.541309+0.2385−0.11701.80%+0.758
R36Conditional VaR+0.688134+0.2747−0.12231.88%+0.912
R37Maximum Drawdown−2.808697−0.1212−0.24303.69%−0.792
R38Rasio Sharpe+0.107625+0.4112−0.05740.88%+0.641
R39Rasio Sortino+0.191953+0.3079−0.02030.31%+0.170
R40Beta+0.000848−0.0043−0.06591.01%−0.008
Momentum R41–R50 · 10 rumus
R41Rate of Change+0.028608+0.0120+0.08491.30%+0.028
R42Momentum Absolut+0.056896+0.0046+0.07711.18%+0.010
R43Stochastic %K+0.584990+0.6166+0.10081.54%+1.683
R44Stochastic %D+0.683022+0.7422+0.09141.40%+1.837
R45Williams %R+0.584990+0.6166+0.10081.54%+1.683
R46CCI+0.986226+0.5917+0.06531.00%+1.045
R47TSI+0.062184+0.4577−0.17402.66%+2.156
R48ADX+0.278992+0.6249−0.07851.20%+1.328
R49Ultimate Oscillator+0.208441+0.7163+0.11861.82%+2.300
R50Awesome Oscillator+1.526255+0.7212−0.12331.89%+2.408
Teknikal R51–R60 · 10 rumus
R51SMA+0.005217+0.6148+0.06580.90%+0.974
R52EMA+0.004265+0.6388+0.00690.27%+0.308
R53WMA+0.004416+0.6106+0.09331.27%+1.371
R54Bollinger Bands+0.558967+0.0000+0.00000.27%+0.000
R55%B+0.279483+0.0000+0.00000.27%+0.000
R56Bandwidth+0.186670+0.4083+0.05420.74%+0.532
R57Keltner Channel+0.434703+0.5486−0.00720.27%+0.264
R58Donchian Channel+0.005585+0.6498+0.07641.04%+1.195
R59VWAP+0.002814+0.3583+0.11851.61%+1.022
R60Pivot Point+0.003716+0.6880+0.10781.47%+1.786
Ekonometri R61–R71 · 11 rumus
R61Regresi OLS+0.000848−0.0043−0.06590.98%−0.007
R62Intersep OLS+0.041549+0.5319−0.01680.30%+0.278
R63Varians Koefisien OLS−0.042999+0.5675−0.12411.84%+1.844
R64Koefisien Determinasi+0.002358+0.0467+0.01370.30%+0.024
R65R² Terkoreksi+0.002122+0.0467+0.01370.30%+0.024
R66Statistik t+0.048132+0.4112−0.05740.85%+0.618
R67Statistik F+0.001158−0.2283+0.01220.30%−0.120
R68Durbin-Watson−0.223767−0.1715+0.03900.58%−0.175
R69VIF−0.004715+0.5471−0.20403.02%+2.921
R70Kointegrasi+0.177961−0.3012+0.03120.46%−0.246
R71Newey-West HAC−0.352099−0.4087+0.10881.61%−1.164
Machine Learning R72–R81 · 10 rumus
R72MSE−0.770366−0.9120+0.02090.31%−0.497
R73Gradient Descent−0.230974−0.7614−0.09821.45%−1.949
R74Fungsi Sigmoid−0.253605−0.5335−0.05590.82%−0.777
R75Fungsi Softmax+0.332268+0.5219−0.05570.82%+0.758
R76Cross-Entropy Loss−0.463160−0.6061+0.05790.85%−0.915
R77Regresi Ridge−0.214994+0.5675−0.12411.83%+1.836
R78Regresi Lasso−0.128997+0.5675−0.12411.83%+1.836
R79Random Forest+0.600000+0.5715+0.00740.29%+0.298
R80LSTM−0.008103−0.0740+0.00940.29%−0.039
R81Attention+0.036070+0.5716−0.04890.72%+0.729
Optimasi Portofolio R82–R90 · 9 rumus
R82Return Portofolio+0.037895+0.5899−0.03660.56%+0.585
R83Varians Portofolio−0.352099−0.4087+0.10881.67%−1.203
R84Maksimasi Sharpe+0.107625+0.4112−0.05740.88%+0.639
R85Varians Minimum−0.316889−0.4087+0.10881.67%−1.203
R86Portofolio Tangency+0.086100+0.4112−0.05740.88%+0.639
R87Risk Parity−0.398533+0.3009+0.09221.41%+0.751
R88Kontribusi Risiko−0.176050−0.4087+0.10881.67%−1.203
R89Kelly Multi-Aset−0.033028+0.2164−0.14562.23%+0.853
R90Utilitas Mean-Variance+0.036035+0.5853−0.03410.52%+0.541

10 Rumus Paling Berpengaruh

NoRumus (XAUUSD)zICKontribusi
R26Eksponen Hurst+0.8401+0.1875+3.532
R71Newey-West HAC−0.7397+0.2028−3.505
R83Varians Portofolio−0.7397+0.2028−3.505
R85Varians Minimum−0.7397+0.2028−3.505
R88Kontribusi Risiko−0.7397+0.2028−3.505
R87Risk Parity−0.2213+0.3213−1.662
R62Intersep OLS+0.4989+0.1248+1.456
R72MSE+0.6571−0.0794+1.219
R81Attention+0.4599+0.1129+1.214
R28Waktu Paruh−0.3081−0.1378−0.952
NoRumus (BTCUSD)zICKontribusi
R69VIF−0.8035−0.2060−2.576
R17Korelasi Pearson+0.8310+0.1915+2.387
R72MSE−0.9621−0.1487−2.246
R16Kovarians+0.8972+0.1267+1.705
R79Random Forest−0.7102+0.1426−1.589
R52EMA−0.6599+0.1427−1.421
R80LSTM−0.7950+0.1125−1.403
R51SMA−0.6771+0.1360−1.390
R53WMA−0.7687+0.1193−1.384
R11Rata-rata Aritmetika+0.6771−0.1360+1.382

Bab 49Proyeksi Kondisi Pasar ADAPTIF — Angka Pasti per Horizon

Sekarang · 30 · 60 · 120 · 240 Menit
Metode. Skor dihitung dengan seluruh parameter adaptif (half-life 13,9 hari untuk XAUUSD, 59,4 hari untuk BTCUSD). Probabilitas memakai isotonic regression terkalibrasi; target memakai magnitudo terkalibrasi; rentang memakai interval terkalibrasi (batas bawah & atas masing-masing dikalibrasi isotonic). σh = ATR14 × √(h/30).

XAUUSD (GC=F) — proyeksi per horizon (skor -22,17 · BEARISH)

SekarangBEARISH
4.162,30
target terkalibrasi
P(naik) terkalibrasi52,3%
P(naik) mentah35,1%
Rentang 80%4.153,36 – 4.171,24
1σ±6,97
Invalidasi—
30 menitTURUN
4.157,63
target terkalibrasi
P(naik) terkalibrasi52,3%
P(naik) mentah35,1%
Rentang 80%4.150,40 – 4.173,30
1σ±9,86
Invalidasi4.185,37
60 menitTURUN
4.152,95
target terkalibrasi
P(naik) terkalibrasi52,3%
P(naik) mentah35,1%
Rentang 80%4.151,83 – 4.171,91
1σ±13,95
Invalidasi4.186,39
120 menitTURUN
4.148,95
target terkalibrasi
P(naik) terkalibrasi52,2%
P(naik) mentah35,1%
Rentang 80%4.147,53 – 4.175,95
1σ±19,72
Invalidasi4.187,83
240 menitTURUN
4.143,48
target terkalibrasi
P(naik) terkalibrasi52,5%
P(naik) mentah35,1%
Rentang 80%4.140,80 – 4.182,71
1σ±27,89
Invalidasi4.189,87
HorizonArahP(naik) mentahP(naik) terkalibrasiP(turun)TargetRentang 80%1σInvalidasi
Sekarang0 barBEARISH35,1%52,3%47,7%4.162,304.153,36 – 4.171,24±6,97—
30 menit0.5 barTURUN35,1%52,3%47,7%4.157,634.150,40 – 4.173,30±9,864.185,37
60 menit1 barTURUN35,1%52,3%47,7%4.152,954.151,83 – 4.171,91±13,954.186,39
120 menit2 barTURUN35,1%52,2%47,8%4.148,954.147,53 – 4.175,95±19,724.187,83
240 menit4 barTURUN35,1%52,5%47,5%4.143,484.140,80 – 4.182,71±27,894.189,87
Level kunci. XAUUSD (GC=F): support 4.151,80 / 4.132,20, resistance 4.182,90 / 4.299,10. Level dari pivot fraktal 200 bar terakhir.

BTCUSD — proyeksi per horizon (skor 15,57 · BULLISH)

SekarangBULLISH
85.113,73
target terkalibrasi
P(naik) terkalibrasi49,6%
P(naik) mentah60,6%
Rentang 80%84.843,18 – 85.384,29
1σ±211,12
Invalidasi—
30 menitNAIK
85.235,76
target terkalibrasi
P(naik) terkalibrasi49,6%
P(naik) mentah60,6%
Rentang 80%84.720,50 – 85.518,77
1σ±298,56
Invalidasi84.995,07
60 menitNAIK
85.357,78
target terkalibrasi
P(naik) terkalibrasi49,6%
P(naik) mentah60,6%
Rentang 80%84.780,81 – 85.461,49
1σ±422,23
Invalidasi84.964,15
120 menitNAIK
85.468,35
target terkalibrasi
P(naik) terkalibrasi50,4%
P(naik) mentah60,6%
Rentang 80%84.618,73 – 85.623,81
1σ±597,13
Invalidasi84.920,43
240 menitNAIK
85.633,90
target terkalibrasi
P(naik) terkalibrasi49,8%
P(naik) mentah60,6%
Rentang 80%84.381,94 – 85.862,79
1σ±844,46
Invalidasi84.858,59
HorizonArahP(naik) mentahP(naik) terkalibrasiP(turun)TargetRentang 80%1σInvalidasi
Sekarang0 barBULLISH60,6%49,6%50,4%85.113,7384.843,18 – 85.384,29±211,12—
30 menit0.5 barNAIK60,6%49,6%50,4%85.235,7684.720,50 – 85.518,77±298,5684.995,07
60 menit1 barNAIK60,6%49,6%50,4%85.357,7884.780,81 – 85.461,49±422,2384.964,15
120 menit2 barNAIK60,6%50,4%49,6%85.468,3584.618,73 – 85.623,81±597,1384.920,43
240 menit4 barNAIK60,6%49,8%50,2%85.633,9084.381,94 – 85.862,79±844,4684.858,59
Level kunci. BTCUSD: support 85.069,71 / 84.982,75, resistance 85.209,83 / 85.248,81. Level dari pivot fraktal 200 bar terakhir.

Bab 50Tabel Ringkas — Hasil Pasti per Horizon (Adaptif)

XAUUSD (GC=F) & BTCUSD
Cara pakai. Kolom Arah = bias, P(naik) terkalibrasi = keyakinan (bukan kolom mentah), Target = titik ambil profit, Rentang 80% = interval terkalibrasi, Invalidasi = garis pembatalan skenario.

XAUUSD (GC=F) — skor -22,17 (BEARISH)

HorizonArahP(naik) kal.P(naik) mentahTargetRentang 80%Invalidasi
SekarangBEARISH52,3%35,1%4.162,304.153,36 – 4.171,24—
30 menitTURUN52,3%35,1%4.157,634.150,40 – 4.173,304.185,37
60 menitTURUN52,3%35,1%4.152,954.151,83 – 4.171,914.186,39
120 menitTURUN52,2%35,1%4.148,954.147,53 – 4.175,954.187,83
240 menitTURUN52,5%35,1%4.143,484.140,80 – 4.182,714.189,87

BTCUSD — skor 15,57 (BULLISH)

HorizonArahP(naik) kal.P(naik) mentahTargetRentang 80%Invalidasi
SekarangBULLISH49,6%60,6%85.113,7384.843,18 – 85.384,29—
30 menitNAIK49,6%60,6%85.235,7684.720,50 – 85.518,7784.995,07
60 menitNAIK49,6%60,6%85.357,7884.780,81 – 85.461,4984.964,15
120 menitNAIK50,4%60,6%85.468,3584.618,73 – 85.623,8184.920,43
240 menitNAIK49,8%60,6%85.633,9084.381,94 – 85.862,7984.858,59
Peringatan risiko. Proyeksi ini adalah distribusi probabilistik, bukan kepastian. Akurasi arah OOS XAUUSD (GC=F) 50,60% dan BTCUSD 49,75% — praktis setara tebak acak. Selalu gunakan stop loss di level invalidasi dan risiko ≤1–2% modal per transaksi.

Bab 51Integrasi ke Expert Advisor (EA) MetaTrader 5

Unduh · Compile · Pasang
Satu tombol, mode MULTI-SYMBOL. Seluruh logika komposit adaptif di halaman ini dikemas menjadi satu file Expert Advisor MQL5 yang berjalan di XAUUSDc dan BTCUSD sekaligus (satu EA, banyak simbol). EA menghitung 9 kelompok sinyal dari 90 rumus, membobotnya dengan IC time-decay, mengalibrasi probabilitas, lalu menempatkan order dengan ambang entry, ukuran posisi, dan SL/TP yang adaptif per simbol — plus panel skor multi-simbol di chart dan batas risiko total portofolio.
🚫  EA belum tersedia untuk diunduh
File: CompositeAdaptiveIndex.mq5 · MQL5 · siap compile di MetaEditor

Parameter input EA

InputDefaultFungsi
InpSymbolsXAUUSDc,BTCUSDDaftar simbol dipisah koma — satu EA, banyak simbol.
InpTFPERIOD_M30Timeframe sinyal.
InpZWindow0 (adaptif)Window z-score; 0 = pakai nilai hasil optimasi.
InpICWindow0 (adaptif)Window IC.
InpHalfLifeDays0 (adaptif)Half-life IC time-decay (hari).
InpScoreThreshold0 (adaptif)Ambang skor entry.
InpRiskPercent1.0Risiko per trade (% ekuitas) — per simbol.
InpUseAdaptiveRisktrueUkuran posisi menyesuaikan rezim volatilitas.
InpMaxTotalRisk4.0Batas risiko total semua simbol (% ekuitas).
InpOnePositionPerSymboltrueMaksimum 1 posisi per simbol.
InpAllowTradingfalseEksekusi otomatis. Default nonaktif = sinyal saja.

Cara compile & pasang di MT5

  1. Siapkan file CompositeAdaptiveIndex.mq5 (berkas EA sedang disiapkan ulang).
  2. Buka MetaEditor (dari MT5: Tools → MetaQuotes Language Editor, atau tekan F4).
  3. Salin file ke folder MQL5/Experts/ (di MetaEditor: File → Open Data Folder).
  4. Compile: buka file di MetaEditor lalu tekan F7. Pastikan 0 error.
  5. Pasang: di MT5 buka Navigator → Expert Advisors, drag EA ke satu chart (mis. XAUUSDc M30). EA otomatis mengevaluasi semua simbol di InpSymbols.
  6. Aktifkan: centang Allow Algo Trading. Biarkan InpAllowTrading = false dulu — panel multi-simbol akan menampilkan skor, P(naik), ambang, rezim, dan sinyal tiap simbol sebelum Anda mengizinkan eksekusi.
Peringatan. EA ini adalah alat riset. Akurasi arah out-of-sample model berada di sekitar 50% — tidak ada edge arah yang terjamin. Uji di akun demo terlebih dahulu, gunakan risiko ≤1–2% per transaksi, dan jangan aktifkan eksekusi otomatis sebelum Anda memverifikasi perilakunya sendiri.

Bab 52Seluruh Rumus Menjadi ADAPTIF — Tidak Ada Parameter Tetap

11 Parameter · Grid Search + Validasi Walk-Forward
Prinsipnya. Nilai parameter yang "nyaman" (window 120, half-life 20, ambang 20) adalah asumsi, bukan hasil. Di sini setiap parameter dicari dari data: satu per satu (koordinat) nilai diganti, lalu akurasi arah out-of-sample pada jendela walk-forward diukur; nilai dengan akurasi terbaik (dan Brier terendah sebagai pemecah seri) yang dipakai.
Tahap 1 — Normalisasi adaptif (window $$W_z$$ dan squash $$\kappa$$ dipilih dari data) $$z_{i,t} = \tanh\!\left(\frac{x_{i,t} - \mu_{i,W_z}}{\kappa\,\sigma_{i,W_z}}\right),\qquad (W_z,\kappa)^\star = \arg\max_{(W_z,\kappa)} \text{Acc}^{\text{OOS}}$$
Tahap 2 — IC adaptif (window $$W_{IC}$$, horizon $$F$$, half-life $$H$$ dipilih dari data) $$IC_j^\star = \operatorname{wSpearman}\!\left(P_{j,t},\; \ln\frac{P_{t+F}}{P_t};\; w_t = 2^{-\Delta_t/H}\right),\qquad (W_{IC},F,H)^\star = \arg\max \text{Acc}^{\text{OOS}}$$
Tahap 3 — Aturan komponen PCA adaptif (aturan $$\rho$$ dan ambang $$\tau$$ dipilih dari data) $$k^\star = \mathcal{R}_\rho\big(\{\lambda_j > 1\},\; \{\text{cumvar} \ge \tau\}\big),\qquad (\rho,\tau)^\star = \arg\max \text{Acc}^{\text{OOS}}$$
Tahap 4 — Ambang entry adaptif terhadap rezim volatilitas $$\theta^\star = \theta_0 \cdot \begin{cases} 1.15 & \text{rezim HIGH} \\ 1.00 & \text{rezim NORMAL} \\ 0.85 & \text{rezim LOW} \end{cases},\qquad \text{rezim} = \text{persentil}(\text{ATR}_{14})$$

BTCUSD — tabel parameter: nilai lama vs adaptif terpilih

ParameterNilai lama (tetap)Adaptif terpilihMetode pemilihanDampak ke akurasi OOS
z_win12060Grid search 60–240 bar, maksimalkan akurasi arah OOS walk-forward+0.00 pp
z_squash1.51Grid search 1,0–2,0, maksimalkan akurasi arah OOS+0.00 pp
ic_win800800 (tetap)Grid search 400–1.200 bar, maksimalkan akurasi arah OOS+0.00 pp
ic_fwd48Grid search 2–16 bar, maksimalkan akurasi arah OOS+0.88 pp
pca_rulemaxcumPilih aturan komponen (Kaiser / kumulatif / max / min) via OOS+0.00 pp
cum_thresh0.90.95Grid search ambang varians kumulatif 85–95% via OOS−0.22 pp
weight_cap0.30.2Grid search batas bobot per komponen 20–50% via OOS+0.00 pp
sigmoid_scale2836Grid search skala sigmoid 20–36 via OOS+0.00 pp
atr_mult0.350.25Grid search fraksi target ATR 0,25–0,50 via OOS+0.00 pp
score_thresh2010Grid search ambang skor entry 10–30 via OOS+0.00 pp
half_life_days2030Grid search half-life 5–60 hari via akurasi arah OOS−0.13 pp
Dampak parameter adaptif vs tetap BTCUSD
BTCUSD — perubahan akurasi arah OOS (poin persen) ketika tiap parameter diadaptifkan dari nilai tetap ke nilai terpilih. Batang hijau = adaptif lebih baik.
Pooled OOS adaptif52.69%Brier 0.2678
Pooled OOS tetap52.30%Brier 0.2867
Δ akurasi+0.39 ppadaptif − tetap
Konsistensi tanda60.4%stabilitas bobot
Catatan jujur. Mengadaptifkan parameter tidak otomatis menaikkan akurasi arah — pada BTCUSD hasilnya +0.39 pp. Yang jelas membaik adalah kejujuran model: parameter tidak lagi dipilih karena kebiasaan, dan risiko overfitting terlihat langsung dari selisih in-sample vs out-of-sample.

Bab 53Kalibrasi Isotonic pada INTERVAL KEPERCAYAAN Target — Bukan Hanya Titik Tengah

Interval 80% & 95% · Coverage · Pinball Loss
Masalahnya. Interval kepercayaan yang dihitung dari asumsi normal ($$\pm 1{,}28\sigma$$ untuk 80%) tidak pernah diuji. Pada data nyata interval itu terlalu lebar — cakupan empirisnya 100%, artinya interval 80% sebenarnya menangkap semua kejadian: tidak informatif dan tidak berguna untuk manajemen risiko.
Solusinya. Isotonic regression (PAVA) dilatih pada batas bawah dan batas atas interval, bukan pada titik tengah. Distribusi residual terstandardisasi $$u = (y - \hat{c})/\sigma_h$$ diestimasi pada himpunan latih saja (70%), lalu dibalik pada kuantil $$\tau = (1-\lambda)/2$$ dan $$1-(1-\lambda)/2$$. Hasilnya: lebar interval menyesuaikan diri dengan data, dan cakupan empiris mendekati nominal.
Tahap 1 — Residual terstandardisasi & CDF monoton (PAVA) $$u_i = \frac{y_i - \hat{c}_i}{\sigma_{h,i}},\qquad \hat{F} = \operatorname{PAVA}\!\left(\frac{1}{n}\sum_{j \le i} \mathbb{1}[u_{(j)} \le u_{(i)}]\right)$$
Tahap 2 — Kuantil terkalibrasi & interval final $$q_\tau^\star = \hat{F}^{-1}(\tau),\qquad \big[\,\hat{c} + q_{(1-\lambda)/2}^\star\,\sigma_h,\;\; \hat{c} + q_{1-(1-\lambda)/2}^\star\,\sigma_h\,\big]$$
Tahap 3 — Metrik: cakupan, lebar, pinball loss $$\text{Cov} = \frac{1}{N}\sum_i \mathbb{1}\big[y_i \in [\ell_i, u_i]\big],\qquad \text{PL} = \frac{1}{2}\Big[\tfrac{1}{N}\textstyle\sum_i \rho_\tau(y_i,\ell_i) + \tfrac{1}{N}\textstyle\sum_i \rho_\tau(y_i,u_i)\Big]$$

XAUUSD (GC=F) — interval 80%: mentah vs terkalibrasi

HorizonCakupan mentahCakupan terkalibrasiLebar mentahLebar terkalibrasiPinball mentahPinball terkalibrasiPerbaikan
30 menit82,1%78,9%35,0031,702,73742,7262−0,4%
60 menit94,0%78,4%49,5027,792,88642,4023−16,8%
120 menit93,4%78,0%70,0039,364,06363,4385−15,4%
240 menit92,5%76,9%99,0158,045,73074,9741−13,2%

XAUUSD (GC=F) — interval 95%: mentah vs terkalibrasi

HorizonCakupan mentahCakupan terkalibrasiLebar mentahLebar terkalibrasiPinball mentahPinball terkalibrasi
30 menit92,8%93,9%53,5358,221,15451,1413
60 menit97,7%94,7%75,7052,421,13191,0303
120 menit97,6%94,2%107,0675,291,56111,4325
240 menit97,7%94,6%151,42110,892,17951,9955
Interval saat ini (harga 4.162,30). 80%: 4.150,40 – 4.173,30 (mentah 4.149,12 – 4.174,39). 95%: 4.140,39 – 4.182,44 (mentah 4.142,43 – 4.181,08). σh = 9,861.
Kalibrasi interval XAUUSD (GC=F)
Bacaan. Cakupan empiris turun dari 100% (interval mentah terlalu lebar) ke 78,9% pada nominal 80% dan 93,9% pada nominal 95% — mendekati nominal. Lebar interval menyusut −9,4%, dan pinball loss turun −0,4%. Artinya: interval terkalibrasi jujur — lebar yang dilaporkan benar-benar mencerminkan ketidakpastian, bukan asumsi.

Bab 54Optimasi BAYESIAN (Gaussian Process + EI) — Menggantikan Grid Search

Ruang Kontinu · 26 Evaluasi
Masalahnya. Grid search mengevaluasi setiap kombinasi parameter, termasuk daerah yang jelas buruk. Untuk 2 parameter kontinu dengan 8 × 3 = 24 titik, biayanya tumbuh eksponensial begitu parameter ditambah.
Solusinya. Bayesian optimisation membangun model probabilistik (Gaussian Process) atas fungsi objektif, lalu memilih titik berikutnya dengan Expected Improvement — menyeimbangkan exploration (daerah belum disampel) dan exploitation (daerah menjanjikan). Ruang pencarian kontinu: half-life 4–70 hari, window z-score 40–260 bar.
Tahap 1 — Prior Gaussian Process atas fungsi objektif $$f(\mathbf{x}) \sim \mathcal{GP}\big(m(\mathbf{x}),\; k(\mathbf{x},\mathbf{x}')\big),\qquad k(\mathbf{x},\mathbf{x}') = \exp\!\left(-\tfrac{1}{2}\|\mathbf{x}-\mathbf{x}'\|^2/\ell^2\right)$$
Tahap 2 — Posterior prediktif pada titik kandidat $$\mu(\mathbf{x}_*) = \mathbf{k}_*^\top (K + \sigma_n^2 I)^{-1} \mathbf{y},\qquad \sigma^2(\mathbf{x}_*) = k(\mathbf{x}_*,\mathbf{x}_*) - \mathbf{k}_*^\top (K+\sigma_n^2 I)^{-1}\mathbf{k}_*$$
Tahap 3 — Expected Improvement (fungsi akuisisi) $$\text{EI}(\mathbf{x}) = (\mu - f^+ - \xi)\,\Phi(z) + \sigma\,\phi(z),\qquad z = \frac{\mu - f^+ - \xi}{\sigma}$$
Tahap 4 — Titik berikutnya & hasil akhir $$\mathbf{x}_{n+1} = \arg\max_{\mathbf{x} \in \mathcal{X}} \text{EI}(\mathbf{x}),\qquad \mathbf{x}^\star = \arg\max_{i \le n} f(\mathbf{x}_i)$$
Evaluasi Bayesian26ruang kontinu
Evaluasi grid248 × 3 titik
Evaluasi ke parityBO #1 vs grid #1toleransi 0,5 pp
Random search ke parity#4kontrol pembanding
Hasil BO50,83%half-life 13,9 hari
Hasil grid terbaik51,09%half-life 4 hari

XAUUSD (GC=F) — jejak konvergensi Bayesian (26 evaluasi)

#half-life (hari)window zAkurasi titikTerbaik sejauh iniDetik
113,99550,83%50,83%5,43
237,015050,65%50,83%6,10
360,120550,14%50,83%5,90
418,710850,49%50,83%6,10
549,518350,25%50,83%5,20
617,19850,43%50,83%0,10
715,610850,38%50,83%0,01
856,319550,14%50,83%5,89
936,215650,32%50,83%6,00
1054,219850,09%50,83%0,10
1112,19550,29%50,83%5,60
1242,416450,56%50,83%0,10
1340,816150,50%50,83%0,20
1416,210150,43%50,83%0,10
1513,38550,25%50,83%5,90
1633,514349,93%50,83%5,40
1743,615750,47%50,83%0,10
1840,116050,52%50,83%0,10
1941,815750,54%50,83%0,10
2060,222050,70%50,83%5,50
2159,821950,72%50,83%0,10
2262,723050,34%50,83%5,60
2360,422550,70%50,83%0,10
2459,022350,75%50,83%0,10
2560,022950,21%50,83%0,10
2614,69950,64%50,83%0,10

XAUUSD (GC=F) — 8 titik terbaik dari grid (pembanding)

half-life (hari)window zAkurasiBrier
412051,09%0,29705
812050,81%0,29642
126050,54%0,29753
606050,49%0,29496
306050,45%0,29568
706050,43%0,29486
4524050,41%0,29582
1212050,40%0,29586
Konvergensi Bayesian XAUUSD (GC=F)
Bacaan jujur. Pada XAUUSD (GC=F), Bayesian mencapai hasil setara grid dalam 1 evaluasi (grid: 1); random search butuh 4. Perbedaan akurasi BO (50,83%) vs grid terbaik (51,09%) hanya 0,26 pp — pada data ini permukaan objektifnya datar, sehingga keunggulan BO terletak pada efisiensi (ruang kontinu, tanpa ledakan kombinatorial), bukan pada akurasi absolut. Ini temuan yang harus dilaporkan apa adanya.

Bab 55Validasi Walk-Forward 360 Hari — 24 Jendela Bergulir

Sampel Diperluas 2× · Jendela Diperbanyak 2×
Yang diperluas. Sampel naik dari 180 hari (3.403 bar) ke 360 hari (6.781 bar 1H), dan jumlah jendela walk-forward dari 12 ke 24. Setiap jendela: latih 1.200 bar → uji 232 bar yang belum pernah dilihat model. PCA dan bobot IC dilatih ulang di setiap jendela.
Tahap 1 — Jendela bergulir (24 jendela, latih 1.200 bar) $$\mathcal{W}_i = \big[\,\underbrace{t_i - 1200,\ldots,t_i}_{\text{latih}}\;\big|\;\underbrace{t_i+1,\ldots,t_i+\Delta}_{\text{uji}}\,\big],\qquad i = 1,\ldots,24$$
Tahap 2 — Metrik out-of-sample per jendela $$\text{Acc}_i = \frac{1}{|\mathcal{W}_i^{test}|}\sum_{t \in \mathcal{W}_i^{test}} \mathbb{1}\big[\operatorname{sgn}(S_t) = \operatorname{sgn}(r_{t \to t+F})\big],\qquad \text{Brier}_i = \frac{1}{N}\sum (p_t - y_t)^2$$
Tahap 3 — Konsistensi tanda bobot antar jendela $$\text{Cons}_j = \frac{1}{24}\sum_{i=1}^{24} \mathbb{1}\big[\operatorname{sgn}(IC_{j,i}) = \operatorname{sgn}(\bar{IC}_j)\big]$$
Jendela walk-forward24latih 1.200 bar
Akurasi arah OOS50,60%sd 6,08 pp
Brier OOS0,28054vs 0,29484 tetap
|IC| rata-rata0,0815vs 0,0484 tetap
Konsistensi tanda60,42%antar 24 jendela
Jendela > 50%13/24OOS positif

XAUUSD (GC=F) — metrik per jendela (24 jendela)

#LatihUjik PCAAkurasi arahBrier|IC|30m60m120m240m
112002322344,74%0,290220,091948,48%48,48%46,52%44,74%
212002322563,16%0,230510,084555,84%55,84%59,13%63,16%
312002322441,23%0,308920,089342,86%42,86%41,30%41,23%
412002322349,12%0,271570,090749,78%49,78%53,48%49,12%
512002322452,63%0,269020,061753,25%53,25%55,22%52,63%
612002322458,77%0,233260,081054,55%54,55%53,48%58,77%
712002322356,58%0,257020,099454,11%54,11%55,22%56,58%
812002322339,91%0,318280,104051,08%51,08%44,78%39,91%
912002322453,07%0,288000,080950,65%50,65%50,87%53,07%
1012002322441,67%0,309480,072346,32%46,32%48,26%41,67%
1112002322456,14%0,265340,090352,81%52,81%55,65%56,14%
1212002322457,02%0,263890,104351,95%51,95%54,78%57,02%
1312002322450,44%0,298740,067455,41%55,41%46,52%50,44%
1412002322451,32%0,275240,085454,55%54,55%53,91%51,32%
1512002322449,56%0,292160,076345,89%45,89%53,48%49,56%
1612002322445,61%0,303950,067348,92%48,92%45,22%45,61%
1712002322448,68%0,294110,065150,22%50,22%45,65%48,68%
1812002322447,81%0,292420,093547,19%47,19%47,39%47,81%
1912002322355,26%0,271030,073353,25%53,25%56,96%55,26%
2012002322453,51%0,271610,070947,19%47,19%48,26%53,51%
2112002322356,58%0,257100,068958,87%58,87%58,70%56,58%
2212002322442,98%0,298520,078444,16%44,16%42,17%42,98%
2312002322454,82%0,277750,087952,81%52,81%56,96%54,82%
2412002322443,86%0,294920,072144,16%44,16%43,91%43,86%
Walk-forward 24 jendela XAUUSD (GC=F)
Bacaan. Dengan sampel 2× lebih panjang dan 24 jendela, akurasi arah OOS XAUUSD (GC=F) = 50,60% (sd 6,08 pp) — praktis setara tebak acak. Yang justru stabil adalah konsistensi tanda bobot 60,42%: hubungan komponen↔return relatif konsisten, yang tidak stabil adalah kekuatan sinyalnya. Kesimpulan yang harus dipegang: skor ini adalah ringkasan kondisi pasar, bukan sinyal entry yang berdiri sendiri.

Bab 56TEORI & RUMUS BIG BANK — Cara Bank Besar Membaca XAUUSD & BTCUSD

Order Flow · Dealer Positioning · Carry · Opsi · COT
Mengapa ini penting. Sembilan puluh rumus di halaman lain semuanya membaca harga. Bank besar tidak hanya membaca harga — mereka membaca siapa yang memegang posisi, dengan biaya berapa, dan siapa yang harus menutupnya. Enam blok di bawah menambahkan dimensi itu ke skor komposit, memakai data riil: CFTC COT, FRED (yield riil & breakeven), DXY, Deribit (DVOL & funding), GVZ, dan tape order-flow.

1. Order Flow & Likuiditas — ketidakseimbangan aliran

Signed volume & order-flow imbalance (OFI) $$\text{SV}_t = \operatorname{sgn}(C_t - O_t)\,V_t,\qquad \text{OFI}_t = \sum_{k=0}^{23} \text{SV}_{t-k},\qquad \text{OFI}^z_t = \frac{\text{OFI}_t}{\sigma_{24}(\text{SV})\sqrt{24}}$$
Nilai kini: OFI(24) = 68.495, z = 0,5221. Aliran beli/jual bersih 24 bar terakhir — positif berarti agresor beli mendominasi.

2. Dealer Positioning & COT — siapa memegang apa

Net non-commercial position & z-score 156 minggu $$\text{Net}_w = L^{nc}_w - S^{nc}_w,\qquad z^{COT}_w = \frac{\text{Net}_w - \mu_{156}(\text{Net})}{\sigma_{156}(\text{Net})}$$
Laporan COT 2026-09-22: net non-commercial 225.853 kontrak (long 253.982 / short 28.129), open interest 412.800, z = 0,262. Commercial: long 57.458 / short 320.361. Historis 260 minggu.

3. Carry & Diferensial Suku Bunga Riil

Biaya oportunitas memegang emas (yield riil) & slope kurva $$\text{Carry}^{Au} = -\big(\text{DFII10} - \bar{\text{DFII10}}\big),\qquad \text{Slope}_{10-2} = \text{DGS10} - \text{DGS2},\qquad \text{BE}_{10} = \text{T10YIE}$$
Yield riil 10 tahun 2,83%, breakeven 10 tahun 2,34%, DGS10 5,17%, DGS2 4,81%, T-bill 3 bulan 4,08%, SOFR 3,90%. Slope 10−2 = 0,36 pp (kurva positif/normal). Z carry emas = -1,5951 — yield riil rendah = tailwind untuk emas.

4. Opsi, Risk-Reversal & Vol Risk Premium

Vol risk premium & skew implisit $$\text{VRP} = \sigma^{IV} - \sigma^{RV},\qquad \text{RR}_{25\Delta} = \sigma^{IV}_{25\Delta C} - \sigma^{IV}_{25\Delta P}$$
Indeks: GVZ (gold implied vol) = 24,83, realisasi = 22,99, VRP = 1,84 (z = 0,0384). VRP positif = opsi lebih mahal dari realisasi — dealer menjual volatilitas, cenderung menekan pergerakan.

5. Funding, Basis & Flow-Based Fair Value

Funding perp (annualised) & basis futures–spot $$f^{ann} = r_{8h} \times 3 \times 365,\qquad \text{Basis} = \frac{F - S}{S} \times 100\%,\qquad \text{FV}^{flow} = S\Big(1 + \frac{\text{Basis}}{100}\Big)$$
Basis emas: futures 4.162,30 vs spot 4.155,10 = 0,6763% (premi futures). Premi positif = biaya carry memegang futures — mencerminkan ekspektasi suku bunga & penyimpanan.

6. Integrasi ke Skor Komposit

Blok Big Bank masuk sebagai kelompok ke-10 sebelum PCA $$\mathbf{Z}^{BB} = \big[z^{USD}, z^{carry}, z^{COT}, z^{flow}, z^{VRP}, z^{funding}\big],\qquad \mathbf{Z}^{all} = \big[\mathbf{Z}^{90}\;\|\;\mathbf{Z}^{BB}\big] \in \mathbb{R}^{96}$$
Blok Big BankNilai mentahz-score (kontribusi)
USD factor (DXY)DXY 101,38+0,6690
Carry / real yieldDFII10 2,83%+0,9032
COT positioningnet 225.853+0,0000
Order flow imbalanceOFI(24) 68.495+0,9660
Vol risk premiumGVZ 24,83+0,3180
Funding / basisbasis 0,6763%+0,0000
Skor dengan Big Bank-22,1796 sinyal → PCA
Skor tanpa Big Bank-30,7190 sinyal → PCA
Dampak blok+8,54 poinkontribusi bersih
Kontribusi PCA10,022ruang komponen
Blok Big Bank XAUUSD (GC=F)
Bacaan. Blok Big Bank menggeser skor XAUUSD (GC=F) sebesar +8,54 poin (-30,71 → -22,17). Yang paling menonjol: USD factor z = 0,669 (dolar melemah = tailwind) dan carry z = 0,903 (yield riil rendah = tailwind emas). Blok ini tidak menggantikan 90 rumus — ia menambahkan dimensi posisi dan biaya yang tidak terlihat dari harga saja.

Kalibrasi Isotonic pada INTERVAL KEPERCAYAAN Target — Bukan Hanya Titik Tengah

Interval 80% & 95% · Coverage · Pinball Loss
Masalahnya. Interval kepercayaan yang dihitung dari asumsi normal ($$\pm 1{,}28\sigma$$ untuk 80%) tidak pernah diuji. Pada data nyata interval itu terlalu lebar — cakupan empirisnya 100%, artinya interval 80% sebenarnya menangkap semua kejadian: tidak informatif dan tidak berguna untuk manajemen risiko.
Solusinya. Isotonic regression (PAVA) dilatih pada batas bawah dan batas atas interval, bukan pada titik tengah. Distribusi residual terstandardisasi $$u = (y - \hat{c})/\sigma_h$$ diestimasi pada himpunan latih saja (70%), lalu dibalik pada kuantil $$\tau = (1-\lambda)/2$$ dan $$1-(1-\lambda)/2$$. Hasilnya: lebar interval menyesuaikan diri dengan data, dan cakupan empiris mendekati nominal.
Tahap 1 — Residual terstandardisasi & CDF monoton (PAVA) $$u_i = \frac{y_i - \hat{c}_i}{\sigma_{h,i}},\qquad \hat{F} = \operatorname{PAVA}\!\left(\frac{1}{n}\sum_{j \le i} \mathbb{1}[u_{(j)} \le u_{(i)}]\right)$$
Tahap 2 — Kuantil terkalibrasi & interval final $$q_\tau^\star = \hat{F}^{-1}(\tau),\qquad \big[\,\hat{c} + q_{(1-\lambda)/2}^\star\,\sigma_h,\;\; \hat{c} + q_{1-(1-\lambda)/2}^\star\,\sigma_h\,\big]$$
Tahap 3 — Metrik: cakupan, lebar, pinball loss $$\text{Cov} = \frac{1}{N}\sum_i \mathbb{1}\big[y_i \in [\ell_i, u_i]\big],\qquad \text{PL} = \frac{1}{2}\Big[\tfrac{1}{N}\textstyle\sum_i \rho_\tau(y_i,\ell_i) + \tfrac{1}{N}\textstyle\sum_i \rho_\tau(y_i,u_i)\Big]$$

BTCUSD — interval 80%: mentah vs terkalibrasi

HorizonCakupan mentahCakupan terkalibrasiLebar mentahLebar terkalibrasiPinball mentahPinball terkalibrasiPerbaikan
30 menit80,4%81,9%653,31681,4752,892753,0354−-0,3%
60 menit92,8%82,6%923,92581,1154,962447,1345−14,2%
120 menit92,8%83,0%1.306,53858,0078,601668,0230−13,5%
240 menit91,3%82,6%1.847,351.263,93111,724798,7111−11,7%

BTCUSD — interval 95%: mentah vs terkalibrasi

HorizonCakupan mentahCakupan terkalibrasiLebar mentahLebar terkalibrasiPinball mentahPinball terkalibrasi
30 menit92,3%95,8%999,151.289,1322,430621,9912
60 menit97,7%95,6%1.413,011.124,7421,724520,2144
120 menit97,2%96,0%1.998,161.709,2031,298929,8860
240 menit97,2%96,2%2.825,272.504,5643,450942,1925
Interval saat ini (harga 85.113,73). 80%: 84.720,50 – 85.518,77 (mentah 84.742,72 – 85.507,99). 95%: 84.360,44 – 85.870,45 (mentah 84.540,17 – 85.710,54). σh = 298,563.
Kalibrasi interval BTCUSD
Bacaan. Cakupan empiris turun dari 100% (interval mentah terlalu lebar) ke 81,9% pada nominal 80% dan 95,8% pada nominal 95% — mendekati nominal. Lebar interval menyusut −-4,3%, dan pinball loss turun −-0,3%. Artinya: interval terkalibrasi jujur — lebar yang dilaporkan benar-benar mencerminkan ketidakpastian, bukan asumsi.

Optimasi BAYESIAN (Gaussian Process + EI) — Menggantikan Grid Search

Ruang Kontinu · 26 Evaluasi
Masalahnya. Grid search mengevaluasi setiap kombinasi parameter, termasuk daerah yang jelas buruk. Untuk 2 parameter kontinu dengan 8 × 3 = 24 titik, biayanya tumbuh eksponensial begitu parameter ditambah.
Solusinya. Bayesian optimisation membangun model probabilistik (Gaussian Process) atas fungsi objektif, lalu memilih titik berikutnya dengan Expected Improvement — menyeimbangkan exploration (daerah belum disampel) dan exploitation (daerah menjanjikan). Ruang pencarian kontinu: half-life 4–70 hari, window z-score 40–260 bar.
Tahap 1 — Prior Gaussian Process atas fungsi objektif $$f(\mathbf{x}) \sim \mathcal{GP}\big(m(\mathbf{x}),\; k(\mathbf{x},\mathbf{x}')\big),\qquad k(\mathbf{x},\mathbf{x}') = \exp\!\left(-\tfrac{1}{2}\|\mathbf{x}-\mathbf{x}'\|^2/\ell^2\right)$$
Tahap 2 — Posterior prediktif pada titik kandidat $$\mu(\mathbf{x}_*) = \mathbf{k}_*^\top (K + \sigma_n^2 I)^{-1} \mathbf{y},\qquad \sigma^2(\mathbf{x}_*) = k(\mathbf{x}_*,\mathbf{x}_*) - \mathbf{k}_*^\top (K+\sigma_n^2 I)^{-1}\mathbf{k}_*$$
Tahap 3 — Expected Improvement (fungsi akuisisi) $$\text{EI}(\mathbf{x}) = (\mu - f^+ - \xi)\,\Phi(z) + \sigma\,\phi(z),\qquad z = \frac{\mu - f^+ - \xi}{\sigma}$$
Tahap 4 — Titik berikutnya & hasil akhir $$\mathbf{x}_{n+1} = \arg\max_{\mathbf{x} \in \mathcal{X}} \text{EI}(\mathbf{x}),\qquad \mathbf{x}^\star = \arg\max_{i \le n} f(\mathbf{x}_i)$$
Evaluasi Bayesian26ruang kontinu
Evaluasi grid248 × 3 titik
Evaluasi ke parityBO #3 vs grid #1toleransi 0,5 pp
Random search ke parity#2kontrol pembanding
Hasil BO49,92%half-life 59,4 hari
Hasil grid terbaik50,06%half-life 20 hari

BTCUSD — jejak konvergensi Bayesian (26 evaluasi)

#half-life (hari)window zAkurasi titikTerbaik sejauh iniDetik
113,99549,26%49,26%6,33
237,015049,34%49,34%6,20
360,120549,91%49,91%6,60
454,119349,54%49,91%7,00
524,411449,16%49,91%6,71
616,710549,26%49,91%0,20
759,420149,92%49,92%0,20
856,820749,74%49,92%6,40
957,320149,92%49,92%0,10
1058,820349,92%49,92%0,20
1157,619949,92%49,92%0,20
1258,320849,74%49,92%0,20
1358,720349,92%49,92%0,20
1458,520049,91%49,92%0,30
1558,820249,92%49,92%0,10
1634,515649,45%49,92%6,30
1758,419949,92%49,92%0,10
1857,220149,89%49,92%0,20
1958,720649,74%49,92%0,20
2056,920049,88%49,92%0,20
2160,220249,89%49,92%0,10
2256,519849,85%49,92%0,20
2318,28548,94%49,92%5,90
2461,220249,91%49,92%0,20
2559,419949,92%49,92%0,10
2660,220449,91%49,92%0,20

BTCUSD — 8 titik terbaik dari grid (pembanding)

half-life (hari)window zAkurasiBrier
2024050,06%0,29883
3024049,97%0,29920
7024049,95%0,29969
1224049,91%0,29824
4524049,91%0,29948
6024049,87%0,29962
424049,80%0,29587
412049,60%0,30383
Konvergensi Bayesian BTCUSD
Bacaan jujur. Pada BTCUSD, Bayesian mencapai hasil setara grid dalam 3 evaluasi (grid: 1); random search butuh 2. Perbedaan akurasi BO (49,92%) vs grid terbaik (50,06%) hanya 0,14 pp — pada data ini permukaan objektifnya datar, sehingga keunggulan BO terletak pada efisiensi (ruang kontinu, tanpa ledakan kombinatorial), bukan pada akurasi absolut. Ini temuan yang harus dilaporkan apa adanya.

Validasi Walk-Forward 360 Hari — 24 Jendela Bergulir

Sampel Diperluas 2× · Jendela Diperbanyak 2×
Yang diperluas. Sampel naik dari 180 hari (3.403 bar) ke 360 hari (8.439 bar 1H), dan jumlah jendela walk-forward dari 12 ke 24. Setiap jendela: latih 1.200 bar → uji 301 bar yang belum pernah dilihat model. PCA dan bobot IC dilatih ulang di setiap jendela.
Tahap 1 — Jendela bergulir (24 jendela, latih 1.200 bar) $$\mathcal{W}_i = \big[\,\underbrace{t_i - 1200,\ldots,t_i}_{\text{latih}}\;\big|\;\underbrace{t_i+1,\ldots,t_i+\Delta}_{\text{uji}}\,\big],\qquad i = 1,\ldots,24$$
Tahap 2 — Metrik out-of-sample per jendela $$\text{Acc}_i = \frac{1}{|\mathcal{W}_i^{test}|}\sum_{t \in \mathcal{W}_i^{test}} \mathbb{1}\big[\operatorname{sgn}(S_t) = \operatorname{sgn}(r_{t \to t+F})\big],\qquad \text{Brier}_i = \frac{1}{N}\sum (p_t - y_t)^2$$
Tahap 3 — Konsistensi tanda bobot antar jendela $$\text{Cons}_j = \frac{1}{24}\sum_{i=1}^{24} \mathbb{1}\big[\operatorname{sgn}(IC_{j,i}) = \operatorname{sgn}(\bar{IC}_j)\big]$$
Jendela walk-forward24latih 1.200 bar
Akurasi arah OOS49,75%sd 4,04 pp
Brier OOS0,28760vs 0,30356 tetap
|IC| rata-rata0,0861vs 0,0479 tetap
Konsistensi tanda59,43%antar 24 jendela
Jendela > 50%14/24OOS positif

BTCUSD — metrik per jendela (24 jendela)

#LatihUjik PCAAkurasi arahBrier|IC|30m60m120m240m
112003011248,82%0,294260,078844,33%44,33%48,83%48,82%
212003011444,11%0,299290,050451,33%51,33%51,84%44,11%
312003011449,83%0,307810,084447,67%47,67%51,51%49,83%
412003011450,84%0,286620,101653,67%53,67%52,17%50,84%
512003011452,53%0,274470,111248,33%48,33%51,17%52,53%
612003011453,20%0,264710,075951,00%51,00%52,84%53,20%
712003011442,42%0,322980,073353,33%53,33%46,82%42,42%
812003011357,58%0,249000,105651,00%51,00%54,18%57,58%
912003011353,54%0,285020,100252,67%52,67%48,49%53,54%
1012003011354,55%0,271070,083152,67%52,67%54,85%54,55%
1112003011350,84%0,284350,078252,67%52,67%53,51%50,84%
1212003011351,85%0,261830,063951,67%51,67%53,18%51,85%
1312003011351,18%0,287060,126150,67%50,67%49,83%51,18%
1412003011351,52%0,280450,061151,00%51,00%52,17%51,52%
1512003011342,76%0,318390,057749,00%49,00%44,48%42,76%
1612003011352,19%0,272230,053445,33%45,33%48,16%52,19%
1712003011347,14%0,291620,111449,67%49,67%51,17%47,14%
1812003011351,85%0,269210,075353,33%53,33%52,84%51,85%
1912003011343,43%0,312330,085147,00%47,00%44,82%43,43%
2012003011352,86%0,261610,086451,00%51,00%52,84%52,86%
2112003011443,43%0,308100,100648,33%48,33%45,82%43,43%
2212003011348,48%0,307310,127646,67%46,67%48,16%48,48%
2312003011352,53%0,280030,095950,33%50,33%49,83%52,53%
2412003011446,46%0,312570,079649,67%49,67%45,82%46,46%
Walk-forward 24 jendela BTCUSD
Bacaan. Dengan sampel 2× lebih panjang dan 24 jendela, akurasi arah OOS BTCUSD = 49,75% (sd 4,04 pp) — praktis setara tebak acak. Yang justru stabil adalah konsistensi tanda bobot 59,43%: hubungan komponen↔return relatif konsisten, yang tidak stabil adalah kekuatan sinyalnya. Kesimpulan yang harus dipegang: skor ini adalah ringkasan kondisi pasar, bukan sinyal entry yang berdiri sendiri.

TEORI & RUMUS BIG BANK — Cara Bank Besar Membaca XAUUSD & BTCUSD

Order Flow · Dealer Positioning · Carry · Opsi · COT
Mengapa ini penting. Sembilan puluh rumus di halaman lain semuanya membaca harga. Bank besar tidak hanya membaca harga — mereka membaca siapa yang memegang posisi, dengan biaya berapa, dan siapa yang harus menutupnya. Enam blok di bawah menambahkan dimensi itu ke skor komposit, memakai data riil: CFTC COT, FRED (yield riil & breakeven), DXY, Deribit (DVOL & funding), GVZ, dan tape order-flow.

1. Order Flow & Likuiditas — ketidakseimbangan aliran

Signed volume & order-flow imbalance (OFI) $$\text{SV}_t = \operatorname{sgn}(C_t - O_t)\,V_t,\qquad \text{OFI}_t = \sum_{k=0}^{23} \text{SV}_{t-k},\qquad \text{OFI}^z_t = \frac{\text{OFI}_t}{\sigma_{24}(\text{SV})\sqrt{24}}$$
Nilai kini: OFI(24) = 3.363.813.376, z = 0,2499. Aliran beli/jual bersih 24 bar terakhir — positif berarti agresor beli mendominasi.

2. Dealer Positioning & COT — siapa memegang apa

Net non-commercial position & z-score 156 minggu $$\text{Net}_w = L^{nc}_w - S^{nc}_w,\qquad z^{COT}_w = \frac{\text{Net}_w - \mu_{156}(\text{Net})}{\sigma_{156}(\text{Net})}$$
Laporan COT 2026-09-22: net non-commercial 2.756 kontrak (long 17.658 / short 14.902), open interest 22.315, z = 1,750. Commercial: long 66 / short 3.175. Historis 260 minggu.

3. Carry & Diferensial Suku Bunga Riil

Biaya oportunitas memegang emas (yield riil) & slope kurva $$\text{Carry}^{Au} = -\big(\text{DFII10} - \bar{\text{DFII10}}\big),\qquad \text{Slope}_{10-2} = \text{DGS10} - \text{DGS2},\qquad \text{BE}_{10} = \text{T10YIE}$$
Yield riil 10 tahun 2,83%, breakeven 10 tahun 2,34%, DGS10 5,17%, DGS2 4,81%, T-bill 3 bulan 4,08%, SOFR 3,90%. Slope 10−2 = 0,36 pp (kurva positif/normal). Z carry emas = -1,3798 — yield riil rendah = tailwind untuk emas.

4. Opsi, Risk-Reversal & Vol Risk Premium

Vol risk premium & skew implisit $$\text{VRP} = \sigma^{IV} - \sigma^{RV},\qquad \text{RR}_{25\Delta} = \sigma^{IV}_{25\Delta C} - \sigma^{IV}_{25\Delta P}$$
Indeks: DVOL (BTC implied vol) = 35,54, realisasi = 36,76, VRP = -1,22 (z = -0,0182). VRP positif = opsi lebih mahal dari realisasi — dealer menjual volatilitas, cenderung menekan pergerakan.

5. Funding, Basis & Flow-Based Fair Value

Funding perp (annualised) & basis futures–spot $$f^{ann} = r_{8h} \times 3 \times 365,\qquad \text{Basis} = \frac{F - S}{S} \times 100\%,\qquad \text{FV}^{flow} = S\Big(1 + \frac{\text{Basis}}{100}\Big)$$
Funding 8 jam BTC = 0,000074% (annualised 0,081%, 744 titik). Funding positif = long membayar short — posisi long penuh, risiko squeeze.

6. Integrasi ke Skor Komposit

Blok Big Bank masuk sebagai kelompok ke-10 sebelum PCA $$\mathbf{Z}^{BB} = \big[z^{USD}, z^{carry}, z^{COT}, z^{flow}, z^{VRP}, z^{funding}\big],\qquad \mathbf{Z}^{all} = \big[\mathbf{Z}^{90}\;\|\;\mathbf{Z}^{BB}\big] \in \mathbb{R}^{96}$$
Blok Big BankNilai mentahz-score (kontribusi)
USD factor (DXY)DXY 101,38+0,5692
Carry / real yieldDFII10 2,83%+0,3563
COT positioningnet 2.756+0,3215
Order flow imbalanceOFI(24) 3.363.813.376+0,5556
Vol risk premiumGVZ 35,54-0,2810
Funding / basisfunding 0,000074%+0,5797
Skor dengan Big Bank+15,5796 sinyal → PCA
Skor tanpa Big Bank+13,6590 sinyal → PCA
Dampak blok+1,91 poinkontribusi bersih
Kontribusi PCA6,983ruang komponen
Blok Big Bank BTCUSD
Bacaan. Blok Big Bank menggeser skor BTCUSD sebesar +1,91 poin (+13,65 → +15,57). Yang paling menonjol: USD factor z = 0,569 (dolar melemah = tailwind) dan carry z = 0,356 (yield riil rendah = tailwind emas). Blok ini tidak menggantikan 90 rumus — ia menambahkan dimensi posisi dan biaya yang tidak terlihat dari harga saja.

Bab 57Chart — Riwayat Skor & Kontribusi Kelompok

200 Bar M30 Terakhir
Riwayat skor komposit 90 rumus XAUUSD
XAUUSD — skor komposit (garis emas, sumbu kiri) vs harga (garis abu, sumbu kanan). Garis putus-putus hijau/merah = ambang ±20 (bullish/bearish).
Riwayat skor komposit 90 rumus BTCUSD
BTCUSD — skor komposit (garis oranye) vs harga. Skor bertahan di wilayah negatif, konsisten dengan bias bearish.
Kontribusi kelompok rumus XAUUSD
XAUUSD — kontribusi tiap kelompok rumus ke skor akhir (poin). Batang hijau menambah skor, merah mengurangi.
Kontribusi kelompok rumus BTCUSD
BTCUSD — hampir seluruh kelompok berkontribusi negatif, menandakan kesepakatan bearish yang luas.

Bab 58Riset & Pengembangan Analisis ke Depan

Metodologi · Keterbatasan · Roadmap

A. Catatan Metodologi

  1. Pemilihan 90 rumus. Kesembilan puluh rumus diambil apa adanya dari halaman lampiran (10 rumus inti + 80 rumus tambahan dalam 8 kategori). Tidak ada rumus yang ditambahkan atau dibuang, sehingga halaman ini benar-benar merupakan agregasi dari kerangka yang sudah ada.
  2. Realisme sinyal. Setiap rumus diwujudkan sebagai deret sinyal yang dapat dihitung pada setiap bar — bukan satu angka statis. Contoh: RSI menjadi (RSI−50)/50 per bar; GBM menjadi drift bergulir 60 bar; Kelly menjadi f* bergulir 60 bar.
  3. Normalisasi. z-score bergulir 120 bar membuat setiap sinyal sebanding lintas skala (dolar, persen, rasio). Pemadatan tanh mencegah satu lonjakan ekstrem mendominasi skor.
  4. Bobot berbasis IC. Information Coefficient dihitung sebagai korelasi peringkat Spearman antara sinyal ternormalisasi dan return 16 bar (8 jam) ke depan, pada 800 bar terakhir. Bobot diberi lantai 0,02 (agar rumus dengan IC nol tidak hilang) dan batas 0,30 per rumus (agar tidak ada satu rumus yang mendominasi kelompoknya).
  5. Agregasi dua tingkat. Anggota → skor kelompok → skor komposit. Bobot kelompok = jumlah |IC| anggotanya. Ini mencegah kelompok beranggota banyak (Ekonometri, 11 rumus) menenggelamkan kelompok beranggota sedikit (Optimasi Portofolio, 9 rumus).
  6. Kalibrasi. Skor mentah dikalikan faktor agar simpangan baku historisnya = 30 poin, sehingga ±100 kira-kira setara 3,3σ dan ambang ±20 berarti sekitar 0,67σ.
  7. Probabilitas. Bukan asumsi normal murni: 60% dari model logistik atas skor, 40% dari frekuensi empiris historis pada bucket skor yang sama. Ini membuat probabilitas dapat diverifikasi ulang pada data.

B. Keterbatasan yang Harus Disadari

C. Rencana Pengembangan Model

  1. Perluas sampel ke 180–360 hari. ✓ SELESAI di v17. Sampel diperluas ke 180 hari bar 1 jam (3,402 bar XAUUSD, 4,301 bar BTCUSD) — lihat Walk-Forward Bobot IC.
  2. Validasi walk-forward untuk bobot. ✓ SELESAI di v17. 12 jendela bergulir (latih 1.200 bar → uji 183 bar) sudah dijalankan; akurasi arah OOS 50.28% (XAUUSD) & 51.74% (BTCUSD). Lihat Walk-Forward Bobot IC.
  3. Dekorelasi komponen. ✓ SELESAI di v16. Analisis komponen utama (PCA) sudah diterapkan: 90 sinyal distandardisasi, matriks korelasi didekomposisi secara eigen, komponen dipilih dengan kriteria Kaiser (λ > 1) dan varians kumulatif ≥ 90%, lalu agregasi dilakukan pada komponen. Lihat bagian Dekorelasi PCA.
  4. IC berbobot waktu. ✓ SELESAI di v17. Weighted Spearman dengan peluruhan eksponensial half-life 20 hari sudah diterapkan; skor XAUUSD -99.04 → -86.14, BTCUSD -1.43 → +8.17. Lihat IC Time-Decay.
  5. Kalibrasi probabilitas. ✓ SELESAI di v16. Isotonic regression (PAVA) per horizon, split latih/uji kronologis 70/30; ECE turun 75–91%. Lihat Kalibrasi Isotonic.
  6. Kalibrasi target harga. ✓ SELESAI di v17. Isotonic regression juga diterapkan pada magnitudo pergerakan; MAE & sMAPE turun di semua horizon. Lihat Kalibrasi Target Harga.
  7. Integrasi data broker. Mengganti proksi GC=F dengan feed XAUUSDc langsung dari MT5 (via REST/WebSocket bridge) agar level harga, spread, dan jam sesi persis sesuai akun trading. Belum tersedia di lingkungan ini — lihat status koneksi MT5 di laporan utama.
  8. Lapisan makro eksplisit. Menjadikan PCE, suku bunga, dan DXY sebagai komponen tersendiri dengan bobot rezim, bukan hanya lewat kelompok Ekonometri.
  9. Uji ketahanan (stress test). Menguji skor pada periode guncangan historis (rilis data makro, lonjakan volatilitas) untuk memastikan indeks tidak memberikan sinyal menyesatkan tepat saat paling dibutuhkan.
  10. Pemantauan drift. Mencatat skor harian dan membandingkan dengan hasil aktual, sehingga penurunan kualitas sinyal dapat terdeteksi lebih awal.
Status. Halaman ini adalah versi pertama dari indeks komposit 90 rumus. Seluruh angka dihitung dari data live pada snapshot yang tercantum di atas dan akan berubah ketika data pasar diperbarui. Halaman ini melengkapi — bukan menggantikan — halaman 90 rumus (langkah perhitungan tiap rumus) dan halaman backtest (uji historis strategi).
← Halaman 3 · Backtest 360 Hari & Walk-ForwardHalaman 4 dari 4Halaman berikutnya →⬇️ Pasang Aplikasi