Halaman 2 dari 490 Rumus Matematika — Contoh Perhitungan Angka Nyata← Hal. 1Hal. 3 →
Lampiran Analitis · 90 Rumus

90 Rumus Matematika — Contoh Perhitungan Angka Nyata

Catatan v16 — mengapa PCA penting di sini. Ke-90 rumus pada halaman ini tidak saling bebas: SMA, EMA, WMA, VWAP, dan Keltner semuanya mengukur posisi harga terhadap rata-rata bergerak; RSI, Stochastic, Williams %R, dan CCI semuanya mengukur momentum terbatas. Bila semuanya dijumlahkan langsung, satu konsep dihitung berkali-kali dan bobotnya membengkak tanpa menambah informasi. Karena itu agregasi final kini memakai dekorelasi PCA: 90 sinyal distandardisasi, matriks korelasinya didekomposisi secara eigen, komponen dipilih dengan kriteria Kaiser (λ > 1) dan varians kumulatif ≥ 90%, lalu bobot IC diberikan pada komponen ortogonal — bukan pada rumus mentah. Probabilitas arahnya juga sudah terkalibrasi dengan isotonic regression (PAVA). Lihat Dekorelasi PCA → dan Kalibrasi Isotonic →.

Setiap rumus disertai langkah substitusi angka pasar XAUUSD & BTCUSD terkini (29 Sep 2026) hingga hasil akhirnya. 10 rumus utama sebagai kerangka inti, 80 rumus tambahan sebagai lapisan verifikasi dalam 8 sub-kategori.

← Kembali ke Laporan Utama XAUUSD & BTCUSD Studi Kasus Backtest 90 Hari + Walk-Forward → Hasil Komposit Final 90 Rumus →

Bab 22Rumus v19 — Kalibrasi Interval, Optimasi Bayesian & Blok Big Bank

KaTeX · Angka Nyata

A. Kalibrasi isotonic pada INTERVAL kepercayaan

Residual terstandardisasi & CDF monoton (PAVA) $$u_i = \frac{y_i - \hat{c}_i}{\sigma_{h,i}},\qquad \hat{F} = \operatorname{PAVA}\big(\hat{F}_{emp}\big),\qquad q_\tau^\star = \hat{F}^{-1}(\tau)$$
Interval terkalibrasi & pinball loss $$\big[\hat{c} + q_{(1-\lambda)/2}^\star \sigma_h,\; \hat{c} + q_{1-(1-\lambda)/2}^\star \sigma_h\big],\qquad \rho_\tau(y,q) = \max\big(\tau(y-q),\,(\tau-1)(y-q)\big)$$
Hasil XAUUSD 30 menit: cakupan 100% → 78,9% (nominal 80%), lebar 35,00 → 31,70, pinball 2,7374 → 2,7262 (−0,4%).

B. Optimasi Bayesian (GP + Expected Improvement)

Posterior GP & fungsi akuisisi EI $$\mu(\mathbf{x}_*) = \mathbf{k}_*^\top(K+\sigma_n^2 I)^{-1}\mathbf{y},\qquad \text{EI}(\mathbf{x}) = (\mu - f^+ - \xi)\Phi(z) + \sigma\phi(z)$$
Titik berikutnya $$\mathbf{x}_{n+1} = \arg\max_{\mathbf{x}} \text{EI}(\mathbf{x}),\qquad \mathbf{x}^\star = \arg\max_{i \le n} f(\mathbf{x}_i)$$
XAUUSD: BO mencapai parity di evaluasi #1 (grid #1, random #4). Parameter terpilih: half-life 13,9 hari, window z 95.

C. Blok BIG BANK — arus institusional

Order flow, COT, carry, vol risk premium, funding $$\text{OFI}^z = \frac{\sum_{k=0}^{23}\operatorname{sgn}(C-O)V}{\sigma_{24}(\text{SV})\sqrt{24}},\quad z^{COT} = \frac{L^{nc}-S^{nc}-\mu_{156}}{\sigma_{156}},\quad \text{Carry} = -(\text{DFII10}-\bar{\text{DFII10}})$$
Vol risk premium, funding annualised, basis $$\text{VRP} = \sigma^{IV}-\sigma^{RV},\qquad f^{ann} = r_{8h}\cdot 3\cdot 365,\qquad \text{Basis} = \frac{F-S}{S}\cdot 100\%$$
Integrasi ke skor komposit (kelompok ke-10 sebelum PCA) $$\mathbf{Z}^{all} = \big[\mathbf{Z}^{90}\;\|\;\mathbf{Z}^{BB}\big] \in \mathbb{R}^{96},\qquad S = 100\sum_j w_j \operatorname{sgn}(IC_j) P_j$$
Nilai kini: USD factor z = 0,669, carry z = 0,903, COT z = 0,000, order flow z = 0,966, VRP z = 0,318. Dampak ke skor XAUUSD: +8,54 poin.

D. Walk-forward 24 jendela (360 hari)

Jendela bergulir & metrik OOS $$\mathcal{W}_i = \big[t_i-1200,\,t_i\,\big|\,t_i+1,\,t_i+\Delta\big],\qquad \text{Acc}_i = \frac{1}{N}\sum \mathbb{1}\big[\operatorname{sgn}(S_t)=\operatorname{sgn}(r_{t\to t+F})\big]$$
XAUUSD: akurasi OOS 50,60% (sd 6,08 pp), Brier 0,28054, |IC| 0,0815, konsistensi tanda 60,42%. BTCUSD: 49,75%, Brier 0,28760.

Bab 23Rumus ADAPTIF — Parameter Dipilih dari Data

11 Parameter · Grid Search + Walk-Forward
Seluruh rumus di halaman ini kini memakai parameter yang dipilih dari data, bukan angka tetap. Berikut rumus pemilihan parameternya.
Normalisasi adaptif $$z_{i,t} = \tanh\!\left(\frac{x_{i,t} - \mu_{i,W_z}}{\kappa\,\sigma_{i,W_z}}\right),\qquad (W_z,\kappa)^\star = \arg\max_{(W_z,\kappa)} \text{Acc}^{\text{OOS}}$$
IC berbobot waktu dengan half-life adaptif $$IC_j^\star = \operatorname{wSpearman}\!\left(P_{j,t},\; \ln\frac{P_{t+F}}{P_t};\; w_t = 2^{-\Delta_t/H^\star}\right),\qquad H^\star = \arg\max_H \text{Acc}^{\text{OOS}}(H)$$
Aturan komponen PCA adaptif $$k^\star = \mathcal{R}_\rho\big(\{\lambda_j > 1\},\; \{\text{cumvar} \ge \tau\}\big),\qquad (\rho,\tau)^\star = \arg\max \text{Acc}^{\text{OOS}}$$
Ambang entry & ukuran posisi adaptif $$\theta^\star = \theta_0 \cdot g(\text{rezim}),\qquad r^\star = \operatorname{clip}\!\left(r_0 \cdot \frac{\text{ATR}_{50\%}}{\text{ATR}_{14}},\; 0.25,\; 2.0\right)$$
ParameterNilai lama (tetap)Adaptif terpilih (XAUUSD)Adaptif terpilih (BTCUSD)
z_win1206060
z_squash1.511
ic_win8001200800
ic_fwd448
cum_thresh0.90.850.95
weight_cap0.30.20.2
sigmoid_scale283636
atr_mult0.350.250.25
score_thresh201010
half_life_days206030
Rincian lengkap ada di Halaman 4 — Indeks Prediktif Pasar.

Bab 2410 Rumus Matematika Utama — dengan Contoh Angka Nyata

Bagian Utama
Bagian Utama. Sepuluh rumus inti kerangka riset: model harga (GBM), pengukuran return & volatilitas, indikator momentum (RSI, MACD, EMA, ATR), hingga manajemen risiko (Kelly, Risk of Ruin). Semua contoh memakai harga XAUUSD $4.123,80 (spot) / $4.155,00 (futures GC=F) dan BTCUSD $83.134,86.
Rumus 1
Model Harga Geometric Brownian Motion (GBM)
$$dS_t = \mu S_t\,dt + \sigma S_t\,dW_t$$
Variabel: S_t = harga aset pada waktu t; μ = drift (laju tren tahunan); σ = volatilitas tahunan; dW_t = proses Wiener (guncangan acak).
Contoh angka nyata: Ambil XAUUSD S = $4.123,80, μ = 5%/tahun, σ = 16%/tahun, dt = 1/252 (satu hari bursa).
Langkah 1 — komponen drift: μS·dt = 0,05 × 4.123,80 × (1/252) = $0,818.
Langkah 2 — komponen difusi (1σ): σS√dt = 0,16 × 4.123,80 × √(1/252) = 0,16 × 4.123,80 × 0,0630 = $41,57.
Hasil: dalam satu hari, XAUUSD diperkirakan bergerak +$0,82 dari tren, dengan simpangan acak 1σ sebesar ±$41,57 — artinya rentang harian wajar ≈ $4.082–$4.165.
Rumus 2
Log Return (Imbal Hasil Logaritmik)
$$r_t = \ln\!\left(\frac{P_t}{P_{t-1}}\right)$$
Variabel: P_t = harga penutupan periode t; P_{t-1} = harga periode sebelumnya.
Contoh angka nyata: XAUUSD: P_t = $4.123,80 (spot terkini), P_{t-1} = $4.155,00 (penutupan sebelumnya).
Substitusi: r = ln(4.123,80 / 4.155,00) = ln(0,99249).
Hasil: r = −0,00754 = −0,754%.
Pembanding BTCUSD: r = ln(83.134,86 / 83.128,56) = ln(1,0000758) = +0,0076% — Bitcoin nyaris datar, emas turun.
Rumus 3
Volatilitas Realisasi Tahunan (Realized Volatility)
$$\sigma_{\text{ann}} = \sqrt{\frac{252}{n-1}\sum_{t=1}^{n}\left(r_t-\bar r\right)^2}$$
Variabel: r_t = log return harian; n = jumlah observasi; 252 = hari bursa per tahun.
Contoh angka nyata: Log return harian XAUUSD (4 hari): −0,819%, −1,301%, −1,078%, −0,754%. Rata-rata r̄ = −0,988%.
Langkah 1 — jumlah kuadrat deviasi: (0,169%)² + (−0,313%)² + (−0,090%)² + (0,234%)² = 1,894×10⁻⁵.
Langkah 2 — varians harian: 1,894×10⁻⁵ / (4−1) = 6,313×10⁻⁶.
Langkah 3 — tahunkan: σ = √(6,313×10⁻⁶ × 252) = √(1,591×10⁻³) = 3,99%.
Pembanding BTCUSD dari seri yang sama: 7,04% — Bitcoin ≈1,8× lebih volatil dari emas.
Rumus 4
Volatilitas EWMA (RiskMetrics)
$$\sigma_t^2 = \lambda\,\sigma_{t-1}^2 + (1-\lambda)\,r_{t-1}^2$$
Variabel: λ = faktor peluruhan (0,94 untuk data harian); r_{t-1} = return periode sebelumnya.
Contoh angka nyata: XAUUSD: λ = 0,94, σ²_{t−1} = (0,2513%)² = 6,313×10⁻⁶, r_{t−1} = −0,754% → r² = 5,685×10⁻⁵.
Substitusi: σ²_t = 0,94 × 6,313×10⁻⁶ + 0,06 × 5,685×10⁻⁵ = 5,934×10⁻⁶ + 3,411×10⁻⁵ = 9,345×10⁻⁶.
Hasil: σ_t = √(9,345×10⁻⁶) = 0,3057% harian → tahunan = 0,3057% × 15,8745 = 4,85%.
Perhatikan: EWMA (4,85%) lebih tinggi dari volatilitas historis (3,99%) karena guncangan terbaru diberi bobot lebih besar — relevan menjelang rilis PCE.
Rumus 5
RSI — Relative Strength Index
$$RSI = 100 - \frac{100}{1 + RS},\qquad RS = \frac{\overline{\text{Gain}}_n}{\overline{\text{Loss}}_n}$$
Variabel: RS = rasio rata-rata kenaikan terhadap rata-rata penurunan selama n periode (umumnya 14).
Contoh angka nyata: XAUUSD 1H, n = 14: rata-rata kenaikan = 0,85, rata-rata penurunan = 1,24.
Langkah 1: RS = 0,85 / 1,24 = 0,6855.
Langkah 2: RSI = 100 − 100/(1 + 0,6855) = 100 − 100/1,6855 = 100 − 59,33.
Hasil: RSI = 40,67 (mendekati zona netral-lemah; nilai <30 = oversold).
Pembanding BTCUSD 1H: RSI = 56,64 — Bitcoin masih di sisi bullish, emas sudah tertekan.
Rumus 6
MACD — Moving Average Convergence Divergence
$$MACD = EMA_{12} - EMA_{26},\qquad \text{Signal} = EMA_9(MACD),\qquad \text{Hist} = MACD - \text{Signal}$$
Variabel: EMA_12, EMA_26 = rata-rata bergerak eksponensial 12 & 26 periode; Hist = histogram.
Contoh angka nyata: XAUUSD 1H: EMA12 = $4.140,20, EMA26 = $4.158,50, Signal (EMA9 dari MACD) = −$19,01.
Langkah 1: MACD = 4.140,20 − 4.158,50 = −$18,30.
Langkah 2: Hist = −18,30 − (−19,01) = +$0,71.
Hasil: MACD masih negatif (tren bearish) tetapi histogram sudah positif — tenaga jual melemah, sinyal awal potensi pembalikan.
Rumus 7
EMA — Exponential Moving Average
$$EMA_t = \alpha P_t + (1-\alpha)\,EMA_{t-1},\qquad \alpha = \frac{2}{n+1}$$
Variabel: α = faktor penghalus; n = periode; P_t = harga terkini.
Contoh angka nyata: XAUUSD, EMA20: n = 20 → α = 2/(20+1) = 0,09524. P_t = $4.123,80, EMA_{t−1} = $4.195,00.
Substitusi: EMA_t = 0,09524 × 4.123,80 + 0,90476 × 4.195,00 = 392,75 + 3.795,47.
Hasil: EMA20 = $4.188,22.
Harga ($4.123,80) berada di bawah EMA20 — konfirmasi bias bearish jangka pendek. EMA50 di $4.239,89 memperkuat struktur turun.
Rumus 8
ATR — Average True Range
$$TR_t = \max\!\big(H_t-L_t,\;|H_t-C_{t-1}|,\;|L_t-C_{t-1}|\big),\qquad ATR_n = \frac{1}{n}\sum_{i=1}^{n}TR_i$$
Variabel: H, L, C = harga tertinggi, terendah, penutupan; n = periode (umumnya 14).
Contoh angka nyata: XAUUSD 1H, satu candle: H = $4.140,00, L = $4.122,00, C_{t−1} = $4.135,00.
Langkah 1 — tiga kandidat TR: H−L = 18,00; |H−C_{t−1}| = 5,00; |L−C_{t−1}| = 13,00.
Langkah 2 — TR = maksimum = $18,00.
Langkah 3 — rata-rata 14 candle: ATR14 = $18,16.
Hasil: stop loss XAUUSD harus lebih lebar dari $18,16 agar tidak tersapu noise. BTCUSD 1H ATR14 = $519,14.
Rumus 9
Kriteria Kelly — Ukuran Posisi Optimal
$$f^{*} = \frac{p\,b - q}{b} = \frac{p(b+1)-1}{b}$$
Variabel: f* = fraksi modal optimal; p = probabilitas menang; q = 1−p; b = rasio payoff (reward/risk).
Contoh angka nyata: Setup Sell Limit XAUUSD: win-rate p = 45%, payoff b = 1,5 (TP 1,5× jarak SL).
Langkah 1: q = 1 − 0,45 = 0,55.
Langkah 2: f* = (0,45 × 1,5 − 0,55) / 1,5 = (0,675 − 0,55)/1,5 = 0,125/1,5.
Hasil: f* = 8,33% dari modal. Praktiknya dipakai half-Kelly = 4,17% (atau lebih kecil) untuk meredam drawdown.
Rumus 10
Risk of Ruin — Probabilitas Kebangkrutan
$$R = \left(\frac{1-A}{1+A}\right)^{U},\qquad A = p - q$$
Variabel: p = probabilitas menang; q = probabilitas kalah; U = jumlah unit modal (modal dibagi risiko per transaksi).
Contoh angka nyata: Sistem dengan p = 55%, q = 45%, risiko 2% per transaksi → U = 1/0,02 = 50 unit.
Langkah 1: A = 0,55 − 0,45 = 0,10.
Langkah 2: R = ((1−0,10)/(1+0,10))⁵⁰ = (0,9/1,1)⁵⁰ = (0,81818)⁵⁰.
Langkah 3: ln(0,81818) = −0,20067 → ×50 = −10,03 → e⁻¹⁰·⁰³ = 4,4×10⁻⁵.
Hasil: R = 0,0044% — sangat kecil. Namun bila risiko dinaikkan ke 10% (U = 10), R naik menjadi (0,81818)¹⁰ = 13,4%. Inilah alasan risiko per transaksi XAUUSD/BTCUSD dijaga ≤1–2%.

Bab 2580 Rumus Tambahan — Verifikasi & Penguatan

Bagian Tambahan
Bagian Tambahan. Delapan puluh rumus pendukung yang memperkuat, menguji, dan memvalidasi kesimpulan 10 rumus utama — masing-masing dengan contoh perhitungan angka nyata. Dikelompokkan ke dalam 8 sub-kategori.

25.1Statistik & Probabilitas 10 rumus

Rumus 11
Rata-rata Aritmetika
$$\bar{x} = \frac{1}{n}\sum_{i=1}^{n} x_i$$
Variabel: Lihat notasi pada formula di atas.
Contoh angka nyata: x̄ = (4.290,00 + 4.255,00 + 4.200,00 + 4.155,00 + 4.123,80)/5 = 21.023,80/5 = $4.204,76 (rata-rata 5 penutupan XAUUSD terakhir).
Rumus 12
Varians Sampel
$$s^2 = \frac{1}{n-1}\sum_{i=1}^{n}(x_i-\bar{x})^2$$
Variabel: Lihat notasi pada formula di atas.
Contoh angka nyata: Deviasi dari x̄ = 4.204,76: +85,24; +50,24; −4,76; −49,76; −80,96. Jumlah kuadrat = 18.843,3 → s² = 18.843,3/4 = 4.710,8.
Rumus 13
Simpangan Baku
$$s = \sqrt{s^2}$$
Variabel: Lihat notasi pada formula di atas.
Contoh angka nyata: s = √4.710,8 = $68,64 — ukuran sebaran harga emas di sekitar rata-ratanya.
Rumus 14
Skewness (Kemiringan)
$$g_1 = \frac{n}{(n-1)(n-2)}\sum_{i=1}^{n}\left(\frac{x_i-\bar{x}}{s}\right)^{3}$$
Variabel: Lihat notasi pada formula di atas.
Contoh angka nyata: z = +1,242; +0,732; −0,069; −0,725; −1,180 → z³ berjumlah 0,2837. g₁ = (5/(4×3)) × 0,2837 = +0,118 (mendekati simetris, sedikit ekor kanan).
Rumus 15
Kurtosis Berlebih
$$g_2 = \frac{n(n+1)}{(n-1)(n-2)(n-3)}\sum z_i^{4} - \frac{3(n-1)^2}{(n-2)(n-3)}$$
Variabel: Lihat notasi pada formula di atas.
Contoh angka nyata: Σz⁴ = 4,882. g₂ = (30/24)×4,882 − 48/6 = 6,103 − 8 = −1,897 (distribusi lebih tipis dari normal — pergerakan ekstrem relatif jarang pada sampel ini).
Rumus 16
Kovarians
$$\mathrm{Cov}(X,Y) = \frac{1}{n-1}\sum (x_i-\bar{x})(y_i-\bar{y})$$
Variabel: Lihat notasi pada formula di atas.
Contoh angka nyata: Return harian XAUUSD vs BTCUSD (4 hari): Σ(x−x̄)(y−ȳ) = 1,150×10⁻⁵ → Cov = 1,150×10⁻⁵/3 = 3,83×10⁻⁶ (positif — emas & Bitcoin cenderung bergerak searah).
Rumus 17
Korelasi Pearson
$$\rho = \frac{\mathrm{Cov}(X,Y)}{\sigma_X \sigma_Y}$$
Variabel: Lihat notasi pada formula di atas.
Contoh angka nyata: ρ = 3,83×10⁻⁶ / (0,2513% × 0,4435%) = 3,83×10⁻⁶ / 1,1145×10⁻⁵ = +0,344 — korelasi positif moderat, diversifikasi emas–Bitcoin masih bermanfaat.
Rumus 18
Korelasi Spearman (Peringkat)
$$\rho_s = 1 - \frac{6\sum d_i^2}{n(n^2-1)}$$
Variabel: Lihat notasi pada formula di atas.
Contoh angka nyata: Peringkat return 4 hari: d = 0,0,0,0 → Σd² = 0 → ρ_s = 1 − 0 = +1,00 (pada sampel kecil ini urutan pergerakan emas & Bitcoin identik).
Rumus 19
Teorema Bayes
$$P(A\mid B) = \frac{P(B\mid A)\,P(A)}{P(B)}$$
Variabel: Lihat notasi pada formula di atas.
Contoh angka nyata: P(rally emas) = 40%; P(PCE lebih rendah | rally) = 70%; P(PCE lebih rendah) = 50%. P(rally | PCE rendah) = (0,70×0,40)/0,50 = 56% — sinyal PCE menaikkan peluang rally dari 40% ke 56%.
Rumus 20
Fungsi Kepadatan Normal
$$f(x) = \frac{1}{\sigma\sqrt{2\pi}}\,e^{-\frac{(x-\mu)^2}{2\sigma^2}}$$
Variabel: Lihat notasi pada formula di atas.
Contoh angka nyata: XAUUSD μ = 4.204,76, σ = 68,64. Pada x = 4.123,80: z = −1,180 → f = (1/(68,64×2,5066))×e⁻⁰·⁶⁹⁶ = 0,005814 × 0,4988 = 0,00290 per dolar.

25.2Time-Series 10 rumus

Rumus 21
Model AR(1)
$$X_t = c + \phi X_{t-1} + \varepsilon_t$$
Variabel: Lihat notasi pada formula di atas.
Contoh angka nyata: Regresi return emas hari ini terhadap kemarin: c = −0,0004, φ = 0,32. Jika r_{t−1} = −0,754%, maka r̂_t = −0,0004 + 0,32×(−0,00754) = −0,281%.
Rumus 22
Model MA(q)
$$X_t = \mu + \varepsilon_t + \theta_1\varepsilon_{t-1} + \cdots + \theta_q\varepsilon_{t-q}$$
Variabel: Lihat notasi pada formula di atas.
Contoh angka nyata: MA(1) BTCUSD: μ = 0, θ₁ = 0,25, ε_{t−1} = −0,445%. r̂_t = 0 + 0 + 0,25×(−0,00445) = −0,111%.
Rumus 23
Model ARMA(1,1)
$$X_t = c + \phi X_{t-1} + \varepsilon_t + \theta\varepsilon_{t-1}$$
Variabel: Lihat notasi pada formula di atas.
Contoh angka nyata: c = 0, φ = 0,30, θ = 0,20, X_{t−1} = −0,754%, ε_{t−1} = −0,30%. X̂_t = 0,30×(−0,00754) + 0,20×(−0,0030) = −0,286%.
Rumus 24
Model ARIMA(p,d,q)
$$\phi(B)(1-B)^d X_t = \theta(B)\varepsilon_t$$
Variabel: Lihat notasi pada formula di atas.
Contoh angka nyata: Untuk harga emas non-stasioner dipakai d = 1 (diferensiasi = log return). Setelah d = 1, model ARMA(1,1) di atas berlaku pada r_t — hasil proyeksi harian −0,286%.
Rumus 25
Uji Augmented Dickey-Fuller
$$\Delta y_t = \alpha + \beta t + \gamma y_{t-1} + \sum \delta_i \Delta y_{t-i} + \varepsilon_t$$
Variabel: Lihat notasi pada formula di atas.
Contoh angka nyata: Harga XAUUSD: statistik ADF = −1,42 vs nilai kritis 5% = −2,89 → −1,42 > −2,89 → gagal tolak H₀: harga emas non-stasioner (perlu diferensiasi).
Rumus 26
Eksponen Hurst
$$H = \frac{\log(R/S)}{\log(n)}$$
Variabel: Lihat notasi pada formula di atas.
Contoh angka nyata: Rentang R = 166,3, simpangan S = 68,64, n = 5. H = log(2,423)/log(5) = 0,3843/0,6990 = 0,55 — sedikit di atas 0,5, artinya emas cenderung trending lemah (bukan mean-reverting murni).
Rumus 27
Autokorelasi (ACF)
$$\rho_k = \frac{\sum_{t=k+1}^{n}(x_t-\bar{x})(x_{t-k}-\bar{x})}{\sum_{t=1}^{n}(x_t-\bar{x})^2}$$
Variabel: Lihat notasi pada formula di atas.
Contoh angka nyata: Lag-1 return emas: ρ₁ = +0,32 — return hari ini sedikit dipengaruhi return kemarin (momentum jangka sangat pendek).
Rumus 28
Waktu Paruh Mean-Reversion
$$t_{1/2} = \frac{\ln 2}{\ln(1+\phi)}$$
Variabel: Lihat notasi pada formula di atas.
Contoh angka nyata: φ = 0,32 → t½ = 0,6931/ln(1,32) = 0,6931/0,2776 = 2,5 periode — guncangan harga emas mereda separuh dalam ≈2–3 candle 1H.
Rumus 29
Proses Ornstein-Uhlenbeck
$$dX_t = \theta(\mu - X_t)\,dt + \sigma\,dW_t$$
Variabel: Lihat notasi pada formula di atas.
Contoh angka nyata: θ = 0,28, μ = $4.204,76, X_t = $4.123,80, σ = 68,64. Tarikan = 0,28×(4.204,76−4.123,80) = +$22,67 per periode — model menarik harga kembali ke rata-rata.
Rumus 30
Filter Kalman (Pembaruan)
$$\hat{x}_k = \hat{x}_k^- + K_k\left(z_k - H\hat{x}_k^-\right)$$
Variabel: Lihat notasi pada formula di atas.
Contoh angka nyata: Prediksi harga emas x̂⁻ = $4.130,00, pengukuran z = $4.123,80, gain K = 0,6. x̂ = 4.130,00 + 0,6×(4.123,80−4.130,00) = $4.126,28 — estimasi lebih halus dari data mentah.

25.3Volatilitas & Risiko 10 rumus

Rumus 31
GARCH(1,1)
$$\sigma_t^2 = \omega + \alpha \varepsilon_{t-1}^2 + \beta \sigma_{t-1}^2$$
Variabel: Lihat notasi pada formula di atas.
Contoh angka nyata: ω = 2,0×10⁻⁶, α = 0,10, β = 0,85, ε²_{t−1} = 5,685×10⁻⁵, σ²_{t−1} = 6,313×10⁻⁶. σ²_t = 2,0×10⁻⁶ + 0,10×5,685×10⁻⁵ + 0,85×6,313×10⁻⁶ = 1,305×10⁻⁵ → σ = 0,361% harian.
Rumus 32
Volatilitas Parkinson
$$\sigma_P = \sqrt{\frac{1}{4n\ln 2}\sum \left(\ln\frac{H_i}{L_i}\right)^2}$$
Variabel: Lihat notasi pada formula di atas.
Contoh angka nyata: XAUUSD 1H: H = 4.140,00, L = 4.122,00 → ln(1,00459) = 0,00458 → kuadrat = 2,098×10⁻⁵. σ_P = √(2,098×10⁻⁵/(4×ln2)) = √(7,567×10⁻⁶) = 0,275% per candle.
Rumus 33
Volatilitas Garman-Klass
$$\sigma_{GK} = \sqrt{\frac{1}{n}\sum\left[\tfrac12\left(\ln\tfrac{H}{L}\right)^2 - (2\ln 2 - 1)\left(\ln\tfrac{C}{O}\right)^2\right]}$$
Variabel: Lihat notasi pada formula di atas.
Contoh angka nyata: O = 4.135,00, H = 4.140,00, L = 4.122,00, C = 4.123,80. ½(0,00458)² = 1,049×10⁻⁵; (2ln2−1) = 0,3863; ln(C/O) = −0,00271 → kuadrat 7,34×10⁻⁶ → 0,3863×7,34×10⁻⁶ = 2,836×10⁻⁶. σ_GK = √(1,049×10⁻⁵ − 2,836×10⁻⁶) = 0,277%.
Rumus 34
Volatilitas Rogers-Satchell
$$\sigma_{RS} = \sqrt{\frac{1}{n}\sum\left[\ln\tfrac{H}{C}\ln\tfrac{H}{O} + \ln\tfrac{L}{C}\ln\tfrac{L}{O}\right]}$$
Variabel: Lihat notasi pada formula di atas.
Contoh angka nyata: ln(H/C) = 0,00392, ln(H/O) = 0,00121, ln(L/C) = −0,00044, ln(L/O) = −0,00315. Suku = 4,74×10⁻⁵ + 1,39×10⁻⁵ = 6,13×10⁻⁵ → σ_RS = 0,248%.
Rumus 35
Value at Risk (Parametrik)
$$VaR_{\alpha} = \mu - z_{\alpha}\,\sigma$$
Variabel: Lihat notasi pada formula di atas.
Contoh angka nyata: XAUUSD: μ = −0,988% harian, σ = 0,2513%, z₉₅ = 1,645. VaR = −0,988% − 1,645×0,2513% = −1,401% → pada modal $10.000, kerugian 1 hari yang dilampaui 5% waktu = $140,10.
Rumus 36
Conditional VaR (Expected Shortfall)
$$CVaR_{\alpha} = \mu - \sigma\,\frac{\phi(z_{\alpha})}{1-\alpha}$$
Variabel: Lihat notasi pada formula di atas.
Contoh angka nyata: φ(1,645) = 0,1031. CVaR = −0,988% − 0,2513%×(0,1031/0,05) = −0,988% − 0,518% = −1,506% → rata-rata kerugian pada 5% hari terburuk = $150,60 per $10.000.
Rumus 37
Maximum Drawdown
$$MDD = \max_{t}\left(\frac{\text{Peak}_t - \text{Trough}_t}{\text{Peak}_t}\right)$$
Variabel: Lihat notasi pada formula di atas.
Contoh angka nyata: XAUUSD turun dari puncak $4.300,60 ke palung $4.123,80. MDD = (4.300,60 − 4.123,80)/4.300,60 = 176,80/4.300,60 = 4,11%.
Rumus 38
Rasio Sharpe
$$Sharpe = \frac{R_p - R_f}{\sigma_p}$$
Variabel: Lihat notasi pada formula di atas.
Contoh angka nyata: Return tahunan emas R_p = 12%, aset bebas risiko R_f = 4%, σ_p = 16%. Sharpe = (0,12−0,04)/0,16 = 0,50. BTCUSD: (0,25−0,04)/0,55 = 0,38 — emas unggul secara risk-adjusted.
Rumus 39
Rasio Sortino
$$Sortino = \frac{R_p - R_f}{\sigma_{down}}$$
Variabel: Lihat notasi pada formula di atas.
Contoh angka nyata: Emas: R_p = 12%, R_f = 4%, σ_down = 9%. Sortino = 0,08/0,09 = 0,89 — lebih tinggi dari Sharpe karena hanya menghukum volatilitas negatif.
Rumus 40
Beta
$$\beta = \frac{\mathrm{Cov}(R_i, R_m)}{\mathrm{Var}(R_m)}$$
Variabel: Lihat notasi pada formula di atas.
Contoh angka nyata: Emas vs indeks dolar (DXY): Cov = −0,00042, Var(DXY) = 0,00035. β = −0,00042/0,00035 = −1,20 — emas bergerak berlawanan arah dengan dolar, konsisten dengan tekanan dolar kuat saat ini.

25.4Momentum 10 rumus

Rumus 41
Rate of Change (ROC)
$$ROC = \frac{P_t - P_{t-n}}{P_{t-n}}\times 100$$
Variabel: Lihat notasi pada formula di atas.
Contoh angka nyata: XAUUSD: P_t = 4.123,80, P_{t−5} = 4.290,00. ROC = (4.123,80−4.290,00)/4.290,00 × 100 = −3,87% (momentum 5 periode negatif).
Rumus 42
Momentum Absolut
$$M = P_t - P_{t-n}$$
Variabel: Lihat notasi pada formula di atas.
Contoh angka nyata: M = 4.123,80 − 4.290,00 = −$166,20 — emas kehilangan $166 dalam 5 periode.
Rumus 43
Stochastic %K
$$\%K = \frac{C - L_{14}}{H_{14} - L_{14}}\times 100$$
Variabel: Lihat notasi pada formula di atas.
Contoh angka nyata: C = 4.123,80, L₁₄ = 4.111,00, H₁₄ = 4.300,60. %K = (4.123,80−4.111,00)/(4.300,60−4.111,00) × 100 = 12,80/189,60 × 100 = 6,75 — sangat oversold.
Rumus 44
Stochastic %D
$$\%D = \text{SMA}_3(\%K)$$
Variabel: Lihat notasi pada formula di atas.
Contoh angka nyata: Tiga nilai %K terakhir: 6,75; 9,20; 12,40 → %D = (6,75+9,20+12,40)/3 = 9,45 — %K di bawah %D, tekanan jual masih dominan.
Rumus 45
Williams %R
$$\%R = \frac{H_{14} - C}{H_{14} - L_{14}}\times (-100)$$
Variabel: Lihat notasi pada formula di atas.
Contoh angka nyata: %R = (4.300,60−4.123,80)/189,60 × (−100) = −93,25 → −93,25 (di bawah −80 = oversold).
Rumus 46
Commodity Channel Index (CCI)
$$CCI = \frac{M - \text{SMA}(M)}{0,015 \times MD}$$
Variabel: Lihat notasi pada formula di atas.
Contoh angka nyata: Harga tipikal M = 4.128,60, SMA(M) = 4.190,00, deviasi rata-rata MD = 42,00. CCI = (4.128,60−4.190,00)/(0,015×42,00) = −61,40/0,63 = −97,5 (mendekati −100 = oversold).
Rumus 47
True Strength Index (TSI)
$$TSI = 100\times\frac{EMA_{25}(EMA_{13}(\Delta P))}{EMA_{25}(EMA_{13}(|\Delta P|))}$$
Variabel: Lihat notasi pada formula di atas.
Contoh angka nyata: Pembilang = −18,40, penyebut = 46,20. TSI = 100 × (−18,40/46,20) = −39,8 — momentum emas negatif namun belum ekstrem.
Rumus 48
ADX — Average Directional Index
$$ADX = \text{EMA}_{14}\!\left(\frac{|+DI - -DI|}{+DI + -DI}\times 100\right)$$
Variabel: Lihat notasi pada formula di atas.
Contoh angka nyata: +DI = 18,5, −DI = 31,2. DX = |18,5−31,2|/(18,5+31,2)×100 = 12,7/49,7×100 = 25,6 → ADX = 25,6 — tren turun emas cukup kuat (ADX > 25).
Rumus 49
Ultimate Oscillator
$$UO = 100\times\frac{4\times BP_7/TR_7 + 2\times BP_{14}/TR_{14} + BP_{28}/TR_{28}}{7}$$
Variabel: Lihat notasi pada formula di atas.
Contoh angka nyata: BP₇/TR₇ = 0,22; BP₁₄/TR₁₄ = 0,28; BP₂₈/TR₂₈ = 0,35. UO = 100×(4×0,22 + 2×0,28 + 0,35)/7 = 100×1,79/7 = 25,6 (oversold).
Rumus 50
Awesome Oscillator
$$AO = \text{SMA}_5(\text{Median}) - \text{SMA}_{34}(\text{Median})$$
Variabel: Lihat notasi pada formula di atas.
Contoh angka nyata: Median = (H+L)/2. SMA5 = 4.135,00, SMA34 = 4.198,00. AO = 4.135,00 − 4.198,00 = −$63,00 — momentum bearish.

25.5Teknikal 10 rumus

Rumus 51
Simple Moving Average (SMA)
$$SMA_n = \frac{1}{n}\sum_{i=1}^{n} P_i$$
Variabel: Lihat notasi pada formula di atas.
Contoh angka nyata: SMA5 XAUUSD = (4.290,00+4.255,00+4.200,00+4.155,00+4.123,80)/5 = $4.204,76.
Rumus 52
Exponential Moving Average (EMA)
$$EMA_t = \alpha P_t + (1-\alpha)EMA_{t-1},\quad \alpha=\frac{2}{n+1}$$
Variabel: Lihat notasi pada formula di atas.
Contoh angka nyata: EMA20: α = 0,09524, P_t = 4.123,80, EMA_{t−1} = 4.195,00 → EMA = 0,09524×4.123,80 + 0,90476×4.195,00 = $4.188,22.
Rumus 53
Weighted Moving Average (WMA)
$$WMA_n = \frac{\sum_{i=1}^{n} i\,P_i}{\sum_{i=1}^{n} i}$$
Variabel: Lihat notasi pada formula di atas.
Contoh angka nyata: Harga 3 terakhir (bobot 1,2,3): 4.200,00; 4.155,00; 4.123,80. WMA = (1×4.200 + 2×4.155 + 3×4.123,80)/6 = 24.881,40/6 = $4.146,90.
Rumus 54
Bollinger Bands
$$BB_{upper/lower} = SMA_{20} \pm k\,\sigma_{20}$$
Variabel: Lihat notasi pada formula di atas.
Contoh angka nyata: SMA20 = 4.190,00, σ20 = 62,00, k = 2. Upper = 4.190 + 124 = $4.314,00; Lower = 4.190 − 124 = $4.066,00. Harga $4.123,80 berada di paruh bawah pita.
Rumus 55
%B (Bollinger Percent B)
$$\%B = \frac{P - BB_{lower}}{BB_{upper} - BB_{lower}}$$
Variabel: Lihat notasi pada formula di atas.
Contoh angka nyata: %B = (4.123,80 − 4.066,00)/(4.314,00 − 4.066,00) = 57,80/248,00 = 0,233 — harga di 23% bawah pita (mendekati lower band).
Rumus 56
Bollinger Bandwidth
$$BW = \frac{BB_{upper} - BB_{lower}}{SMA_{20}}\times 100$$
Variabel: Lihat notasi pada formula di atas.
Contoh angka nyata: BW = 248,00/4.190,00 × 100 = 5,92% — pita cukup lebar, volatilitas masih tinggi.
Rumus 57
Keltner Channel
$$KC_{upper/lower} = EMA_{20} \pm m\times ATR_{10}$$
Variabel: Lihat notasi pada formula di atas.
Contoh angka nyata: EMA20 = 4.188,22, ATR10 = 18,16, m = 2. Upper = 4.188,22 + 36,32 = $4.224,54; Lower = 4.188,22 − 36,32 = $4.151,90. Harga menembus lower channel — sinyal bearish kuat.
Rumus 58
Donchian Channel
$$DC = \frac{\max(H_n) + \min(L_n)}{2}$$
Variabel: Lihat notasi pada formula di atas.
Contoh angka nyata: n = 20: max H = 4.300,60, min L = 4.111,00. DC = (4.300,60+4.111,00)/2 = $4.205,80; batas bawah $4.111,00 adalah support kunci.
Rumus 59
VWAP
$$VWAP = \frac{\sum P_i V_i}{\sum V_i}$$
Variabel: Lihat notasi pada formula di atas.
Contoh angka nyata: ΣP·V = 4,128×10⁹, ΣV = 1,000×10⁶ → VWAP = $4.128,00. Harga $4.123,80 sedikit di bawah VWAP — pembeli intraday kalah tipis.
Rumus 60
Pivot Point (Klasik)
$$PP = \frac{H + L + C}{3},\quad R_1 = 2PP - L,\quad S_1 = 2PP - H$$
Variabel: Lihat notasi pada formula di atas.
Contoh angka nyata: H = 4.300,60, L = 4.111,00, C = 4.123,80. PP = 12.535,40/3 = $4.178,47; R₁ = 2×4.178,47 − 4.111,00 = $4.245,93; S₁ = 2×4.178,47 − 4.300,60 = $4.056,33.

25.6Ekonometri 11 rumus

Rumus 61
Regresi OLS (Kemiringan)
$$\hat{\beta} = \frac{\sum(x_i-\bar{x})(y_i-\bar{y})}{\sum(x_i-\bar{x})^2}$$
Variabel: Lihat notasi pada formula di atas.
Contoh angka nyata: Emas (y) vs DXY (x): Σ(x−x̄)(y−ȳ) = −0,00042, Σ(x−x̄)² = 0,00035. β̂ = −1,20 — dolar naik 1% → emas turun 1,20%.
Rumus 62
Intersep OLS
$$\hat{\alpha} = \bar{y} - \hat{\beta}\bar{x}$$
Variabel: Lihat notasi pada formula di atas.
Contoh angka nyata: ȳ = −0,988%, x̄ = +0,15%, β̂ = −1,20. α̂ = −0,988% − (−1,20×0,15%) = −0,988% + 0,18% = −0,808%.
Rumus 63
Varians Koefisien OLS
$$\mathrm{Var}(\hat{\beta}) = \frac{\sigma^2}{\sum(x_i-\bar{x})^2}$$
Variabel: Lihat notasi pada formula di atas.
Contoh angka nyata: σ² residual = 2,1×10⁻⁵, Σ(x−x̄)² = 0,00035. Var(β̂) = 2,1×10⁻⁵/0,00035 = 6,0×10⁻⁵ → SE = 0,00245.
Rumus 64
Koefisien Determinasi R²
$$R^2 = 1 - \frac{SS_{res}}{SS_{tot}}$$
Variabel: Lihat notasi pada formula di atas.
Contoh angka nyata: SS_res = 6,3×10⁻⁵, SS_tot = 1,894×10⁻⁵. R² = 1 − 0,333 = 0,667 — 66,7% variasi emas dijelaskan dolar.
Rumus 65
R² Terkoreksi
$$\bar{R}^2 = 1 - \frac{(1-R^2)(n-1)}{n-k-1}$$
Variabel: Lihat notasi pada formula di atas.
Contoh angka nyata: R² = 0,667, n = 4, k = 1. R̄² = 1 − (0,333×3)/2 = 1 − 0,500 = 0,500 — turun karena sampel kecil.
Rumus 66
Statistik t
$$t = \frac{\hat{\beta}}{SE(\hat{\beta})}$$
Variabel: Lihat notasi pada formula di atas.
Contoh angka nyata: β̂ = −1,20, SE = 0,00245 → t = −1,20/0,00245 = −489,8 — sangat signifikan (|t| > 1,96).
Rumus 67
Statistik F
$$F = \frac{R^2/k}{(1-R^2)/(n-k-1)}$$
Variabel: Lihat notasi pada formula di atas.
Contoh angka nyata: F = (0,667/1)/(0,333/2) = 0,667/0,1665 = 4,01 — model signifikan secara keseluruhan.
Rumus 68
Statistik Durbin-Watson
$$DW = \frac{\sum_{t=2}^{n}(e_t - e_{t-1})^2}{\sum_{t=1}^{n} e_t^2}$$
Variabel: Lihat notasi pada formula di atas.
Contoh angka nyata: Σ(e_t−e_{t−1})² = 1,42×10⁻⁵, Σe² = 6,3×10⁻⁵. DW = 2,25 — di sekitar 2, tidak ada autokorelasi residual yang serius.
Rumus 69
Variance Inflation Factor (VIF)
$$VIF_i = \frac{1}{1 - R_i^2}$$
Variabel: Lihat notasi pada formula di atas.
Contoh angka nyata: R² emas terhadap dolar & yield = 0,80. VIF = 1/(1−0,80) = 5,0 — pada ambang batas multikolinearitas (VIF > 5 perlu waspada).
Rumus 70
Kointegrasi Engle-Granger
$$y_t = \alpha + \beta x_t + e_t,\quad e_t \sim I(0)$$
Variabel: Lihat notasi pada formula di atas.
Contoh angka nyata: Regresi emas vs DXY menghasilkan residual e_t; uji ADF residual = −3,42 vs kritis 5% = −2,89 → −3,42 < −2,89 → kointegrasi terkonfirmasi — hubungan jangka panjang emas–dolar stabil.
Rumus 71
Koreksi Newey-West (HAC)
$$SE_{HAC} = \sqrt{\frac{1}{n}\left(\hat{\gamma}_0 + 2\sum_{j=1}^{L}w_j\hat{\gamma}_j\right)}$$
Variabel: Lihat notasi pada formula di atas.
Contoh angka nyata: γ₀ = 6,0×10⁻⁵, γ₁ = 1,2×10⁻⁵, bobot w₁ = 0,67. SE = √((6,0×10⁻⁵ + 2×0,67×1,2×10⁻⁵)/4) = √(2,90×10⁻⁵) = 0,00170 — SE lebih konservatif dari OLS biasa.

25.7Machine Learning 10 rumus

Rumus 72
Mean Squared Error (MSE)
$$MSE = \frac{1}{n}\sum_{i=1}^{n}(y_i - \hat{y}_i)^2$$
Variabel: Lihat notasi pada formula di atas.
Contoh angka nyata: Prediksi vs aktual emas: error = +12, −8, +5, −9 → MSE = (144+64+25+81)/4 = 314/4 = 78,5 (RMSE = $8,86).
Rumus 73
Gradient Descent
$$\theta_{j} := \theta_j - \eta\frac{\partial J}{\partial \theta_j}$$
Variabel: Lihat notasi pada formula di atas.
Contoh angka nyata: η = 0,01, gradien = 2,4, θ = 0,50. θ baru = 0,50 − 0,01×2,4 = 0,476 — parameter bergerak menurunkan error.
Rumus 74
Fungsi Sigmoid
$$\sigma(z) = \frac{1}{1+e^{-z}}$$
Variabel: Lihat notasi pada formula di atas.
Contoh angka nyata: Sinyal beli emas z = −1,2 (RSI rendah + MACD positif). σ(−1,2) = 1/(1+e¹·²) = 1/(1+3,320) = 0,231 — probabilitas beli 23,1%.
Rumus 75
Fungsi Softmax
$$\text{softmax}(z_i) = \frac{e^{z_i}}{\sum_j e^{z_j}}$$
Variabel: Lihat notasi pada formula di atas.
Contoh angka nyata: Skor kelas [beli, tahan, jual] = [1,2; 0,8; 2,1]. e^z = [3,320; 2,226; 8,166], jumlah = 13,712. Probabilitas = [24,2%, 16,2%, 59,6%] — model condong ke jual.
Rumus 76
Cross-Entropy Loss
$$L = -\frac{1}{n}\sum_{i=1}^{n}\sum_{c=1}^{C} y_{i,c}\log(\hat{p}_{i,c})$$
Variabel: Lihat notasi pada formula di atas.
Contoh angka nyata: Kelas aktual = jual, probabilitas prediksi = 0,596. L = −log(0,596) = 0,517 — makin tinggi probabilitas kelas benar, makin kecil loss.
Rumus 77
Regresi Ridge (L2)
$$\hat{\beta}^{ridge} = \arg\min\left\{\sum(y_i - x_i^\top\beta)^2 + \lambda\sum\beta_j^2\right\}$$
Variabel: Lihat notasi pada formula di atas.
Contoh angka nyata: λ = 1,0, Σβ² = 1,44, RSS = 6,3×10⁻⁵. Objektif = 6,3×10⁻⁵ + 1,0×1,44 = 1,440 — penalti mengecilkan koefisien agar tidak overfit.
Rumus 78
Regresi Lasso (L1)
$$\hat{\beta}^{lasso} = \arg\min\left\{\sum(y_i - x_i^\top\beta)^2 + \lambda\sum|\beta_j|\right\}$$
Variabel: Lihat notasi pada formula di atas.
Contoh angka nyata: λ = 0,5, Σ|β| = 2,10, RSS = 6,3×10⁻⁵. Objektif = 6,3×10⁻⁵ + 0,5×2,10 = 1,050 — L1 dapat menolkan koefisien tidak relevan (seleksi fitur).
Rumus 79
Random Forest (Agregasi)
$$\hat{y} = \frac{1}{B}\sum_{b=1}^{B} T_b(x)$$
Variabel: Lihat notasi pada formula di atas.
Contoh angka nyata: B = 100 pohon memprediksi harga emas; rata-rata prediksi = $4.131,40 — ensembel mengurangi varians prediksi satu pohon.
Rumus 80
LSTM (Gerbang)
$$f_t = \sigma(W_f[h_{t-1},x_t]+b_f),\quad i_t=\sigma(W_i[h_{t-1},x_t]+b_i)$$
Variabel: Lihat notasi pada formula di atas.
Contoh angka nyata: Gerbang lupa f_t = 0,72, gerbang input i_t = 0,31, kandidat &Ctilde;_t = −0,45. Sel baru = 0,72×0,60 + 0,31×(−0,45) = 0,432 − 0,140 = 0,292 — memori jangka panjang diperbarui.
Rumus 81
Mekanisme Attention
$$\text{Attention}(Q,K,V) = \text{softmax}\!\left(\frac{QK^\top}{\sqrt{d_k}}\right)V$$
Variabel: Lihat notasi pada formula di atas.
Contoh angka nyata: Skor QKᵀ = [2,0; 1,0; 0,5], d_k = 4 → √d_k = 2. Skor/2 = [1,0; 0,5; 0,25] → softmax = [0,455; 0,276; 0,269]. Output = 0,455×V₁ + 0,276×V₂ + 0,269×V₃ — model memfokuskan perhatian pada candle terpenting.

25.8Optimasi Portofolio 9 rumus

Rumus 82
Return Portofolio
$$R_p = \sum_{i=1}^{n} w_i R_i$$
Variabel: Lihat notasi pada formula di atas.
Contoh angka nyata: w_emas = 60%, R_emas = 12%; w_BTC = 40%, R_BTC = 25%. R_p = 0,60×12% + 0,40×25% = 7,2% + 10,0% = 17,2%.
Rumus 83
Varians Portofolio (2 Aset)
$$\sigma_p^2 = w_1^2\sigma_1^2 + w_2^2\sigma_2^2 + 2w_1w_2\rho\sigma_1\sigma_2$$
Variabel: Lihat notasi pada formula di atas.
Contoh angka nyata: w = 0,6/0,4; σ = 16%/55%; ρ = 0,344. σ²_p = 0,36×0,0256 + 0,16×0,3025 + 2×0,6×0,4×0,344×0,16×0,55 = 0,00922+0,04840+0,01453 = 0,07215 → σ_p = 26,9%.
Rumus 84
Maksimasi Rasio Sharpe
$$\max_w \frac{w^\top\mu - r_f}{\sqrt{w^\top\Sigma w}}$$
Variabel: Lihat notasi pada formula di atas.
Contoh angka nyata: Dengan μ = [12%, 25%], r_f = 4%, Σ di atas, Sharpe portofolio 60/40 = (17,2%−4%)/26,9% = 0,49; optimasi menaikkannya ke 0,58 pada bobot ≈70/30.
Rumus 85
Portofolio Varians Minimum
$$w^{*} = \frac{\Sigma^{-1}\mathbf{1}}{\mathbf{1}^\top\Sigma^{-1}\mathbf{1}}$$
Variabel: Lihat notasi pada formula di atas.
Contoh angka nyata: Dengan σ = 16%/55% dan ρ = 0,344, bobot varians minimum ≈ 78% emas / 22% BTC — menghasilkan σ_p minimum ≈ 24,1%.
Rumus 86
Portofolio Tangency
$$w^{*} = \frac{\Sigma^{-1}(\mu - r_f\mathbf{1})}{\mathbf{1}^\top\Sigma^{-1}(\mu - r_f\mathbf{1})}$$
Variabel: Lihat notasi pada formula di atas.
Contoh angka nyata: μ − r_f = [8%, 21%]. Setelah inversi Σ, bobot tangency ≈ 62% emas / 38% BTC — portofolio dengan Sharpe tertinggi.
Rumus 87
Risk Parity
$$w_i \propto \frac{1}{\sigma_i}$$
Variabel: Lihat notasi pada formula di atas.
Contoh angka nyata: σ_emas = 16%, σ_BTC = 55%. Bobot = (1/16) : (1/55) = 0,0625 : 0,01818 → dinormalisasi = 77,5% emas / 22,5% BTC — kontribusi risiko setara.
Rumus 88
Kontribusi Risiko Marjinal
$$MRC_i = w_i\,\frac{(\Sigma w)_i}{\sqrt{w^\top\Sigma w}}$$
Variabel: Lihat notasi pada formula di atas.
Contoh angka nyata: Untuk w = 60/40: (Σw)_emas = 0,6×0,0256 + 0,4×0,03027 = 0,02747. MRC_emas = 0,6×0,02747/0,269 = 0,0613 — emas menyumbang 6,13% risiko portofolio.
Rumus 89
Kelly Multi-Aset
$$f^{*} = \Sigma^{-1}\left(\mu - r_f\mathbf{1}\right)$$
Variabel: Lihat notasi pada formula di atas.
Contoh angka nyata: Dengan Σ dan μ di atas, f* = [0,62; 0,38] — fraksi modal optimal untuk emas & Bitcoin secara bersamaan (praktiknya dipakai setengahnya).
Rumus 90
Fungsi Utilitas Mean-Variance
$$U = \mu_p - \frac{\lambda}{2}\sigma_p^2$$
Variabel: Lihat notasi pada formula di atas.
Contoh angka nyata: μ_p = 17,2%, σ²_p = 0,07215, λ = 3 (menghindari risiko). U = 0,172 − 1,5×0,07215 = 0,172 − 0,108 = 0,064 — utilitas positif, portofolio layak diambil.

Bab 26Rumus Komposit v17 — Agregasi 90 Rumus

PCA · Walk-Forward · Time-Decay · Kalibrasi
Bagian ini. Empat rumus yang mengubah 90 rumus individual menjadi satu skor prediktif, beserta validasi dan kalibrasinya. Perhitungan lengkap dengan angka live ada di halaman Hasil Komposit Final 90 Rumus →.

26.1Agregasi & Dekorelasi 3 rumus

Rumus K1
Skor Komposit Terdekorelasi (PCA)
$$\text{IPS}^{\text{PCA}}_t = 100 \sum_{j=1}^{k} \omega_j \, \mathrm{sgn}(IC_j)\, \tilde{P}_{j,t},\qquad \omega_j = \frac{|IC_j|}{\sum_{l=1}^{k} |IC_l|}$$
Variabel: P̃j,t = komponen utama ke-j (proyeksi sinyal terstandardisasi ke vektor eigen) · k = jumlah komponen terpilih · ICj = Information Coefficient komponen · ωj = bobot komponen.
Contoh angka nyata (live): XAUUSD k = 16 komponen, varians terjelaskan 90.9% → skor -86.14 (BEARISH). BTCUSD k = 16, 90.3% → skor +8.17 (NETRAL).
Rumus K2
Pemilihan Komponen (Kaiser & Varians Kumulatif)
$$k = \max\Big(\#\{j : \lambda_j > 1\},\; \min\{m : \tfrac{\sum_{j=1}^{m} \lambda_j}{\sum_{j=1}^{90} \lambda_j} \ge 0.90\}\Big)$$
Variabel: λj = nilai eigen matriks korelasi 90×90 (terurut menurun) · k = jumlah komponen yang dipakai.
Contoh angka nyata (live): XAUUSD Kaiser = 15, kumulatif ≥90% = 16 → dipakai 16. BTCUSD Kaiser = 14, kumulatif = 16 → dipakai 16. Rata-rata |korelasi| antar 90 sinyal: 0.2840 (XAUUSD) · 0.2650 (BTCUSD).
Rumus K3
IC Berbobot Waktu (Time-Decay, Weighted Spearman)
$$w_t = 2^{-\Delta_t / H},\qquad IC_j^{\text{decay}} = \rho^{w}_{\text{Spearman}}\big(\tilde P_{j,t},\; \ln\tfrac{P_{t+4}}{P_t}\big)$$
Variabel: Δt = umur observasi (bar) · H = half-life dalam bar · ρw = korelasi peringkat berbobot.
Contoh angka nyata (live): H = 20 hari = 378 bar (XAUUSD) / 478 bar (BTCUSD). Skor XAUUSD -99.04 → -86.14 (+12.90); BTCUSD -1.43 → +8.17 (+9.60).

26.2Validasi & Kalibrasi 3 rumus

Rumus K4
Validasi Walk-Forward Bobot IC
$$\text{Akurasi}^{\text{OOS}}_i = \frac{1}{N_i}\sum_{t \in \text{uji}_i} \mathbb{1}\Big\{\mathrm{sgn}\big(\text{Skor}_t^{(i)}\big) = \mathrm{sgn}\big(r_{t+4}\big)\Big\},\qquad \kappa_j = \frac{1}{12}\sum_{i=1}^{12} \mathbb{1}\Big\{\mathrm{sgn}\big(IC_j^{(i)}\big) = \mathrm{sgn}\big(\overline{IC}_j\big)\Big\}$$
Variabel: i = indeks jendela (1…12) · Ni = jumlah bar uji jendela ke-i · κj = konsistensi tanda bobot komponen ke-j antar jendela.
Contoh angka nyata (live): 12 jendela (latih 1.200 bar → uji 183 bar). Akurasi arah OOS 50.28% (XAUUSD, sd 4.12) & 51.74% (BTCUSD, sd 4.23); konsistensi tanda 66.8% & 63.0%.
Rumus K5
Kalibrasi Isotonic Probabilitas Arah (PAVA)
$$\hat{g} = \arg\min_{g\ \text{monoton naik}} \sum_{m=1}^{M} n_m \big( g(\bar{s}_m) - \hat{p}_m \big)^2,\qquad P_{\text{terkalibrasi}}(\text{naik}) = \hat{g}\big(\text{Skor}\big)$$
Variabel: s̄m = rata-rata skor di bin m · p̂m = frekuensi naik empiris bin m · nm = jumlah observasi bin m.
Contoh angka nyata (live): ECE XAUUSD 30m 0.1478 → 0.0030; BTCUSD 0.1638 → 0.0215. P(naik) mentah 10.5% → terkalibrasi 45.1% (XAUUSD).
Rumus K6
Kalibrasi Isotonic Magnitudo Target Harga
$$\hat{h} = \arg\min_{h\ \text{monoton naik}} \sum_{m=1}^{M} n_m \big( h(\bar\mu_m) - \bar a_m \big)^2,\qquad \text{Target}_h = P_t + \mathrm{sgn}(\text{Skor})\cdot \hat{h}\big(|\text{Skor}|\cdot 0.35\,\sigma_h / 100\big)$$
Variabel: μ̄m = rata-rata prediksi magnitudo di bin m · ām = rata-rata magnitudo aktual bin m · σh = ATR14√(h/30).
Contoh angka nyata (live): XAUUSD 120m MAE 12.02 → 9.59 poin, sMAPE 133.4% → 71.9%. BTCUSD 120m MAE 231.12 → 211.86.
Catatan. Keenam rumus di atas adalah lapisan agregasi — rumus 1–90 di halaman ini tetap menjadi komponen penyusunnya. Detail perhitungan, tabel bobot, scree plot, tabel per jendela walk-forward, kurva kalibrasi, dan panel keputusan ada di Hasil Komposit Final 90 Rumus →.
← Halaman 1 · Laporan UtamaHalaman 2 dari 4Halaman 3 · Backtest 360 Hari & Walk-Forward →⬇️ Pasang Aplikasi