Quant Strategy Primer

Disclaimer

Strategi kuantitatif yang lulus backtest belum tentu profitabel di live trading; edge yang terdeteksi di data historis dapat menghilang akibat perubahan struktur pasar, biaya transaksi, atau kompetisi. Selalu validasi strategi dengan paper trading dan scaling bertahap sebelum mengalokasikan modal signifikan.

Dengan melanjutkan membaca, Anda menerima bahwa seluruh keputusan trading Anda adalah tanggung jawab pribadi.

Selamat Datang

Panduan ini ditulis untuk pembaca yang ingin beralih dari "trading berdasarkan firasat" ke "trading berdasarkan proses yang dapat diuji." Kuantitatif bukan tentang matematika eksotis — itu tentang disiplin mengubah keputusan Anda menjadi aturan yang bisa dievaluasi.

Ada tiga miskonsepsi yang paling umum tentang kuantitatif di Indonesia. Yang pertama: menganggap kuantitatif berarti Holy Grail — strategi yang selalu menang. Realitas adalah sebaliknya; sebagian besar strategi punya win rate < 50% dan menghasilkan uang dari expectancy positif, bukan frekuensi kemenangan.

Yang kedua: menganggap backtest yang bagus otomatis menjamin live yang bagus. Kenyataannya, setiap strategi yang dioptimisasi berlebihan akan terlihat sangat bagus di data historis — itulah overfit, musuh nomor satu dalam kuantitatif. Memisahkan edge sejati dari fit artifact adalah keahlian sentral.

Yang ketiga: meremehkan biaya transaksi. Di IDX, round-trip cost 0.46% (buy 0.18% + sell 0.28%) mengubah strategi dengan expectancy kotor 1% menjadi strategi marjinal. Banyak "strategi hebat" di spreadsheet adalah kerugian konsisten setelah fee dan slippage.

Sepuluh bab ke depan disusun dalam urutan logis: dari mengapa kuantitatif, ke bagaimana mengukur edge, ke bagaimana membangun dan memvalidasi strategi, ke biaya riil IDX, hingga cara mengelola portofolio multi-strategi. Voice-nya opinionated — saya menulis sebagai praktisi yang sudah lama membangun dan merawat sistem kuantitatif di pasar Indonesia.

Baca perlahan. Kuantitatif tidak dipelajari dengan membaca cepat; banyak konsep yang hanya benar-benar dipahami setelah Anda mencoba membangunnya sendiri. Gunakan panduan ini sebagai peta, bukan sebagai jawaban.

Bab 1 — Mengapa Kuantitatif?

Kuantitatif bukan tentang mengganti penilaian manusia dengan algoritma — melainkan tentang membatasi ruang di mana penilaian dilakukan, agar keputusan bisa diulang dan diuji.

Systematic vs Discretionary

Ada spektrum antara dua ujung: pada satu sisi discretionary trading — setiap keputusan dibuat fresh berdasarkan penilaian trader terhadap situasi saat itu. Pada sisi lain fully systematic — semua keputusan ditentukan oleh aturan yang didefinisikan sebelumnya, tanpa ruang intervensi.

Kebanyakan trader institusional yang sukses beroperasi di tengah spektrum — mereka memakai aturan sistematis untuk signal dan risk management, tapi menyimpan ruang diskresi pada level portfolio atau regime transition. Panduan ini mencondongkan Anda ke sisi systematic, karena di sanalah retail paling banyak kehilangan uang karena ketidak-konsistenan.

Keunggulan Proses

Ada empat alasan mendasar mengapa pendekatan kuantitatif lebih unggul untuk sebagian besar trader retail:

1. Konsistensi. Aturan yang sama diterapkan di trade ke-1, ke-100, dan ke-1000. Tanpa ini, Anda tidak bisa membedakan strategi yang buruk dari eksekusi yang buruk.
2. Evaluasi Empiris. Aturan bisa di-backtest. Anda bisa tahu — secara probabilistik — apakah logika Anda punya edge sebelum mempertaruhkan modal nyata.
3. Pengurangan Emosi. Aturan yang dieksekusi sistem tidak merasakan takut di drawdown maupun euforia di winning streak. Dua emosi ini adalah penyebab terbesar rusaknya edge.
4. Skalabilitas. Logika yang dikodifikasi bisa dieksekusi pada banyak saham sekaligus. Discretionary dibatasi bandwidth perhatian manusia; systematic tidak.
5. Akuntabilitas. Saat kinerja buruk, Anda bisa membedah mana komponen strategi yang gagal — dan memperbaikinya dengan presisi. Discretionary cenderung berubah menjadi story baru setiap kali.

Ekspektasi yang Realistis

Trader yang baru masuk ke kuantitatif sering kaget pada satu hal: strategi yang bagus di IDX biasanya punya Profit Factor 1.3–1.7 dan Win Rate 45–55%. Angka ini tidak terdengar dramatis. Tapi jika dijalankan konsisten selama ratusan trades, kurva ekuitasnya tumbuh steady.

Strategi yang mengklaim PF > 3.0 dengan WR > 70% pada ratusan trade hampir selalu adalah salah satu dari dua hal: (1) overfit yang akan runtuh di live, atau (2) salah hitung yang belum disadari — look-ahead bias, survivorship, atau fee yang tidak diperhitungkan. Skeptisisme adalah default yang sehat.

Bab 2 — Edge & Expectancy

Edge adalah konsep sentral dalam trading kuantitatif. Tanpa edge, aktivitas trading Anda adalah gambling — dan perjudian selalu kalah dalam jangka panjang karena biaya transaksi.

Apa Itu Edge?

Edge adalah keuntungan statistik yang dapat diukur — probabilitas atau magnitude dari payoff yang condong ke arah menguntungkan Anda secara konsisten. Edge tidak berarti setiap trade menang; edge berarti distribusi P&L Anda, setelah dikurangi biaya, punya mean positif.

Sumber edge bisa beragam:

• Statistical edge — mean reversion pada volatilitas tinggi, momentum pada breakout dengan volume.
• Behavioral edge — retail yang sistematis overreact pada berita tertentu, menciptakan mispricing yang dapat diexploitasi.
• Structural edge — kebijakan yang memaksa pemain tertentu menjual/beli di waktu tertentu (rebalancing indeks, window dressing institusional).
• Execution edge — eksekusi lebih cepat, biaya lebih rendah, access ke dark pools (tidak relevan untuk retail IDX).

Expectancy Formula

Edge diukur secara matematis sebagai expectancy — keuntungan rata-rata yang Anda harapkan per trade:

Di mana WR adalah win rate (fraksi trade yang profit), Avg Win adalah rata-rata keuntungan pada trade yang menang, dan Avg Loss adalah rata-rata kerugian pada trade yang kalah (nilai absolut).

Contoh:

• WR = 50%, Avg Win = 3%, Avg Loss = 2%
• Expectancy = (0.5 × 3%) − (0.5 × 2%) = 1.5% − 1% = +0.5% per trade

Setelah biaya IDX 0.46% round-trip, expectancy net menjadi:

Strategi yang tadinya tampak menguntungkan ternyata nyaris break-even. Inilah sebabnya biaya transaksi adalah bab tersendiri di panduan ini — dampaknya sering meremehkan hingga strategi dilive-kan.

Studi Kasus: WCG Quant v3.1 Baseline

Sebagai benchmark realistis, berikut adalah hasil backtest baseline engine produksi WCG Quant v3.1 (disusun pada 21 Maret 2026, dengan asumsi fee 0.46% round-trip yang sama seperti diuraikan di Bab 7):

Perhatikan: WR < 50% tetapi expectancy positif yang substansial. Ini adalah profil khas strategi trend-following dengan exit yang generous — kekalahan sering, tapi kemenangan lebih besar dari kekalahan. Jika Anda hanya mengejar WR tinggi, Anda akan memfilter keluar strategi seperti ini, padahal secara ekonomi sangat baik.

Law of Large Numbers

Ini adalah prinsip matematis yang membuat trading kuantitatif bekerja: pada sample yang cukup besar, outcome rata-rata akan konvergen ke expectancy. Pada sample kecil, hasil bisa sangat menyimpang karena noise.

Implikasinya praktis dan penting:

Trader yang menarik kesimpulan tentang strategi setelah 10 trades adalah trader yang sedang menipu dirinya sendiri. Losing streak 6x berturut-turut pada strategi dengan WR 50% memiliki probabilitas ~1.5% — artinya akan terjadi beberapa kali per tahun jika Anda trade cukup aktif. Itu normal, bukan bukti strategi rusak.

Risk of Ruin

Expectancy positif saja tidak cukup. Jika sizing per trade terlalu agresif, string of losses yang wajar secara statistik bisa menghapus akun Anda sebelum edge sempat bekerja. Ini disebut risk of ruin.

Formula sederhana (assuming WR dan R/R tetap):

Kelly Criterion memberitahu fraksi optimal dari capital untuk di-risk per trade. Pada contoh sebelumnya (WR 50%, R/R 1.5): Kelly = (0.5 × 2.5 − 1) / 1.5 = 16.7%. Ini adalah batas teoritis — dalam praktek, fractional Kelly (misal 0.25× Kelly = 4.2%) lebih aman karena mengurangi volatility dan risk of ruin.

Intinya: expectancy adalah "kecepatan" rata-rata; sizing adalah "steering" yang menentukan apakah Anda sampai di tujuan atau kehabisan bensin dulu. Keduanya harus benar bersama.

Bab 3 — Anatomi Strategi Kuantitatif

Strategi kuantitatif yang baik bukan sekadar "aturan beli." Empat komponen harus bekerja selaras: signal generation, entry execution, position sizing, dan exit logic. Seringkali, kelemahan di satu area menggerogoti edge yang dihasilkan area lain.

Signal Generation

Signal adalah aturan yang menentukan kapan strategi tertarik untuk masuk atau keluar posisi. Signal yang baik memiliki tiga sifat:

1. Well-defined — bisa di-hitung mekanis, tidak membutuhkan interpretasi subjektif.
2. Discriminating — memisahkan kondisi yang menguntungkan dari yang tidak, bukan signal "semua setup terlihat bagus."
3. Computable in real-time — berdasarkan data yang tersedia sebelum keputusan dibuat (bukan data masa depan).

Kategori signal yang umum:

Contoh Taxonomy Signal — WCG Quant Setup Family

Sebagai ilustrasi bagaimana production system mengorganisasi signal ke dalam sub-strategi yang dapat dievaluasi individual, berikut adalah taxonomy dari engine WCG Quant v3.8.1:

Struktur CP (Contrarian Pullback) dan TS (Trend Setup) adalah dua family signal yang secara desain complementary — CP lebih aktif di fase mean-reversion, TS lebih aktif di fase trending. Setiap setup diuji sebagai entitas independen dengan PF dan expectancy sendiri, bukan hanya sebagai kontribusi ke sistem agregat.

Position Sizing

Dua trader dengan signal identik bisa berakhir dengan hasil sangat berbeda karena position sizing. Ini adalah komponen yang paling meremehkan oleh retail.

Tiga pendekatan utama:

Volatility targeting adalah favorit institusional karena menstabilkan portfolio volatility — posisi di saham volatil otomatis lebih kecil, posisi di saham tenang lebih besar. Ini penting terutama di IDX di mana volatilitas antar-sektor sangat berbeda (blue chip vs second liner).

Entry Execution

Signal yang bagus bisa diruntuhkan eksekusi yang buruk. Pilihan utama:

• Market order — eksekusi langsung di best ask/bid. Cepat tapi slippage tinggi untuk saham illiquid.
• Limit order — eksekusi pada harga spesifik atau lebih baik. Risiko: tidak ter-fill jika harga lari.
• VWAP / TWAP — membagi order besar menjadi batch kecil sepanjang waktu, menekan market impact. Relevan untuk size posisi yang signifikan.
• Opening/Closing auction — eksekusi di auction IDX (sesi pre-open/pre-close). Mempengaruhi harga pembentukan.

Backtest tradisional mengasumsikan eksekusi "sempurna" di close harga. Ini adalah asumsi optimistik; di live, slippage akan memakan edge. Pendekatan yang lebih jujur: asumsikan eksekusi di rata-rata bid-ask spread di open kuartal berikutnya, bukan close hari signal.

Exit Logic

Exit sering lebih penting dari entry — dan sering paling buruk diperhatikan trader retail. Tiga kategori exit:

1. Stop Loss — keluar jika harga bergerak melawan posisi sampai threshold. Tujuan: membatasi downside per trade.
2. Profit Target — keluar jika harga mencapai level target. Tujuan: mengunci keuntungan pada R/R yang direncanakan.
3. Trailing / Time / Signal-based — keluar berdasarkan dinamika: trailing stop yang mengikuti harga, time-based exit setelah N bar, atau reversal signal.

Aturan yang sering saya pegang: exit pada strategi trend following harus asymmetric dengan entry. Entry bisa berdasarkan trigger ketat (butuh konfirmasi); exit harus generous (jangan terlalu cepat keluar saat trend masih valid). Ini mempertahankan asymmetry R/R yang menjadi fondasi strategi trend.

Bab 4 — Backtesting yang Jujur

Backtesting adalah proses mengevaluasi strategi pada data historis. Ini adalah langkah paling kritis — dan paling sering dimanipulasi, secara sadar atau tidak.

Walk-Forward & Out-of-Sample

Pendekatan naif adalah: "jalankan strategi pada 5 tahun data historis, lihat hasilnya." Masalahnya: Anda sudah melihat data itu. Setiap tweak parameter yang Anda lakukan secara implisit memakai info dari periode test — menciptakan lookahead bias yang subtle.

Pendekatan institusional memakai walk-forward analysis:

1. Bagi data menjadi window train dan test — misalnya 3 tahun train, 6 bulan test.
2. Optimize strategi hanya pada train window — mencari parameter terbaik berdasarkan data itu saja.
3. Evaluasi pada test window tanpa re-optimisasi. Hasil ini adalah out-of-sample (OOS).
4. Geser window maju — train baru adalah 3 tahun setelah train sebelumnya, test adalah 6 bulan berikutnya.
5. Ulangi dan agregasi hasil OOS dari semua window. Ini adalah proxy terbaik untuk performa live yang diharapkan.

Rasio yang diperhatikan:

Jika efisiensi walk-forward < 50%, strategi Anda overfit — terlihat bagus di train tapi tidak generalize ke OOS. Jika > 70%, strategi Anda menunjukkan stabilitas yang baik. Ini adalah angka kunci untuk seleksi strategi.

Bias yang Menjebak

Lima bias paling umum di backtest yang menyebabkan performa live di bawah ekspektasi:

Bab 5 — Metrik Performa

Satu strategi bisa "bagus" atau "buruk" tergantung metrik apa yang Anda pakai untuk menilainya. Bab ini membahas metrik yang paling diandalkan institusional dan bagaimana cara membacanya secara seimbang.

Profit Factor, Win Rate, dan Expectancy

Tiga metrik dasar untuk menilai strategi trading:

Sekali lagi: tinggi-tinggi bukan otomatis lebih baik. Strategi dengan PF 3.0 pada 50 trades lebih mungkin overfit dibanding strategi dengan PF 1.5 pada 500 trades. Sample size dan WF efficiency memberi konteks yang hilang di angka tunggal.

Sebagai kalibrasi konkret: engine WCG Quant v3.1 baseline mencatat PF 1.59, WR 47.8%, dan expectancy net +2.19% per trade pada sample 6,216 trades. Ini ada di zona "solid" untuk semua tiga metrik — bukan angka yang dramatis, tapi konsisten pada sample yang sangat besar. Inilah profil yang sustainable di IDX.

Sharpe & Sortino Ratio

Dua metrik risk-adjusted return yang paling populer:

Sharpe mengukur return per unit volatilitas total. Sortino hanya menghukum volatilitas downside — karena volatilitas upside biasanya bukan risiko yang investor keluhkan.

Satu caveat penting: Sharpe dihitung dari return period yang dipilih (harian, mingguan, bulanan). Strategi yang sama akan menghasilkan Sharpe yang berbeda di skala yang berbeda karena sifat autocorrelation. Selalu laporkan frekuensi perhitungan.

Drawdown & Calmar Ratio

Drawdown adalah persentase kerugian dari ekuitas tertinggi ke titik terendah berikutnya. Max Drawdown (MDD) adalah ekspektasi worst-case.

Calmar lebih kejam dibanding Sharpe untuk strategi dengan tail risk — karena memakai worst drawdown alih-alih volatilitas rata-rata.

Metrik Tambahan yang Diperhatikan Institusional

• Exposure — % waktu strategi in-position. Strategi dengan exposure rendah (misal 30%) membatasi risiko tapi juga membatasi opportunity. Return yang adjusted untuk exposure disebut return on exposure.
• Trade frequency — jumlah trade per bulan. Frekuensi tinggi menjadi problem jika biaya tinggi; frekuensi rendah membutuhkan kesabaran dan bisa membuat sample terlalu kecil.
• Turnover — total volume trade / ekuitas. Turnover tinggi menyebabkan biaya transaksi menggerogoti return. Dipantau untuk efficiency.
• Correlation ke market — bagaimana strategi berkorelasi dengan IHSG. Strategi dengan correlation rendah lebih berharga untuk portofolio karena memberikan diversifikasi.

Bab 6 — Overfit: Musuh Abadi

Overfit adalah kecenderungan model untuk "menghafal" noise dalam data historis alih-alih menangkap pola yang sesungguhnya. Ini adalah penyebab terbesar kenapa backtest bagus tidak menghasilkan live bagus. Setiap praktisi kuantitatif perlu mengembangkan radar untuk mendeteksinya.

Parameter Sensitivity

Test paling sederhana untuk overfit: geser setiap parameter dalam strategi Anda ± 10–20% dari nilai optimal. Bagaimana performance-nya?

• Robust — performance turun gradually dan tetap positif. Strategi menangkap pola yang nyata.
• Overfit — performance turun drastis, bahkan menjadi negatif, pada sedikit pergeseran parameter.

Rule of thumb yang saya pegang: strategi yang nilainya berubah lebih dari 30% dengan perubahan parameter 10% adalah strategi yang overfit. Di live, parameter "optimal" di data historis tidak akan persis sama di masa depan — Anda butuh margin toleransi.

Gejala Khas Strategi Overfit

1. Equity curve di backtest sangat smooth — terlalu smooth untuk realistic.
2. Performance ambruk di out-of-sample walk-forward.
3. Sharpe ratio > 2.5 pada sample moderate.
4. Banyak parameter spesifik yang "optimal" di angka ganjil (misal "MA period = 23, RSI threshold = 37.5"). Pola-pola yang robust cenderung berada di angka round (20, 50, 200).
5. Performance drop drastis saat data source/vendor diubah — menandakan strategi sensitif pada detail implementasi.

Studi Kasus: Retirement Setup CP1

Contoh konkret disiplin menghadapi decay — dari engine WCG Quant:

Setup CP1 (Contrarian Pullback #1) pada awal operasi memiliki performance yang acceptable — masuk ke family CP bersama CP2 dengan logika serupa tapi parameter berbeda. Seiring waktu dan evolusi struktur pasar IDX, performance CP1 konsisten menurun sampai PF jatuh di bawah 1.0 — berarti kumulatifnya rugi, bukan lagi break-even.

Pada review kuartalan, keputusannya simpel tapi membutuhkan disiplin: CP1 di-disable dari production, dipindahkan ke research pipeline untuk diagnostic. Beberapa pelajaran yang bisa ditarik:

• Tanpa taxonomy eksplisit, CP1 tidak akan kelihatan. Kalau sistem hanya melihat aggregate PF, performance CP1 yang buruk akan "disembunyikan" oleh CP2 dan TS1–3. Taxonomy memungkinkan granular accountability.
• Keputusan retire bukan emosional. Ini pelajaran yang sulit untuk retail — setup dengan "sejarah" sering kita pertahankan karena familiaritas. Production system harus retire berdasarkan data, bukan sentimen.
• Retire bukan delete. CP1 masih diobservasi di research pipeline untuk melihat apakah edge-nya pulih di regime tertentu, atau apakah logikanya bisa di-modifikasi. Retire = keluar dari production, bukan dibuang selamanya.

Paralel untuk retail trader: kalau Anda memiliki beberapa strategi live, review setiap 3–6 bulan dengan mentalitas "mana yang saya akan tetap jalankan jika saya baru tahu tentang strategi ini hari ini?" Kalau jawabannya tidak, retire. Emosi "sudah lama pakai" bukan alasan rasional untuk melanjutkan.

Edge Decay

Fenomena penting yang retail sering abaikan: edge yang nyata pun cenderung decay seiring waktu. Alasannya:

• Kompetisi — semakin banyak pelaku yang mengetahui edge, semakin cepat arbitrage-nya habis.
• Regime change — struktur pasar berubah. Edge yang bekerja di market makro hawkish mungkin tidak di dovish.
• Liquidity shift — saham yang dulu illiquid (di mana edge ada) menjadi liquid, spread menyempit, edge menghilang.

Strategi yang bekerja selama 10 tahun tanpa perubahan sangat langka. Lebih realistis: edge memiliki "half-life" 2–5 tahun di pasar retail seperti IDX. Ini artinya:

Framework Anti-Overfit yang Praktis

Kerangka minimal yang saya terapkan:

1. Minimalkan parameter. Strategi dengan 3 parameter kuat lebih baik dari 8 parameter lemah.
2. Walk-forward wajib. Tidak ada strategi yang dilive-kan tanpa melewati walk-forward dengan efficiency > 50%.
3. Sanity check pada data berbeda. Strategi yang bekerja di IDX harus setidaknya "tidak rusak" di pasar DM yang serupa — atau Anda perlu penjelasan kenapa edge-nya hanya spesifik di IDX.
4. Deploy modestly. Mulai dengan size kecil (misal 20% dari sizing final). Scale up hanya setelah 3–6 bulan live menunjukkan konsistensi dengan backtest.
5. Monitor & retire. Strategi bukan aset permanen — siap untuk mematikannya jika edge decay confirmed.

Bab 7 — Biaya Transaksi IDX

Biaya transaksi adalah silent killer dari strategi kuantitatif. Di IDX, struktur biaya relatif tinggi dibanding pasar maju — dan membedakan strategi yang profitable dari yang tidak sering bergantung pada seberapa jujur Anda memperhitungkannya.

Fee Structure 0.18% + 0.28%

Skema biaya standar IDX untuk nasabah retail umum:

Asumsi baseline yang masuk akal untuk backtest retail: 0.46% round-trip (buy 0.18% + sell 0.18% + PPh 0.10%). Trader yang baru masuk sering menganggap 0.3% sudah cukup — itu optimistik dan menghasilkan backtest yang terlalu bagus.

Slippage & Market Impact

Slippage adalah selisih antara harga yang Anda ekspektasikan di signal vs harga eksekusi aktual. Sumbernya:

• Bid-ask spread — beli di ask, jual di bid. Saham LQ45 biasanya 0.05–0.15% spread; second liner 0.2–0.8%; illiquid > 1%.
• Market impact — order besar Anda sendiri menggerakkan harga. Relevan untuk size > 10% rata-rata volume harian.
• Timing delay — dari signal computed ke order sent ke order filled. Di IDX, volatilitas intrabar bisa material.

Asumsi konservatif untuk retail yang masuk akal:

Round-trip total (fee + slippage) yang realistis untuk strategi di IDX universe IDX80:

Angka ini mengejutkan trader yang mengasumsikan biaya 0.3%. Ini juga menjelaskan mengapa high-frequency scalping hampir mustahil untuk retail — setiap trade harus menghasilkan gross > 1% agar net positif.

Auto-Rejection & Liquidity Constraints

IDX memiliki mekanisme auto-rejection (ARB/ARA) yang membatasi pergerakan harga harian. Ini mempengaruhi strategi dalam dua cara:

1. Exit terhambat — saham yang ARB Tuesday pagi mungkin tidak bisa dijual hari itu sama sekali. Risiko nyata untuk strategi yang membutuhkan exit cepat.
2. Entry terhambat — saham yang ARA naik cepat tidak bisa dibeli di harga signal. Buy di open kuartal berikutnya jadi jauh lebih tinggi.

Untuk strategi yang realistis di IDX, asumsikan:

• Exit di ARB day tidak mungkin — carry over ke hari berikutnya dengan asumsi harga open di -7% berikutnya.
• Entry saat ARA miss ≥ 2% dari harga signal.
• Strategi dengan turnover tinggi pada small-cap lebih rentan terhadap ini.

Selain ARB/ARA, lot size minimum 100 saham membatasi granularitas position sizing — terutama untuk akun kecil di saham dengan harga tinggi.

Bab 8 — Risk Management Sistematis

Strategi tanpa risk management adalah strategi yang menunggu dihancurkan oleh regime change atau string of losses. Risk management bukan tambahan ornamen — ini adalah infrastruktur yang membuat edge bekerja dalam jangka panjang.

Volatility Targeting

Volatility targeting adalah pendekatan sizing di mana ukuran posisi disesuaikan dengan volatilitas saham/pasar. Tujuan: menjaga kontribusi risiko portofolio tetap konstan terlepas kondisi volatilitas.

Kalau ATR meningkat (volatilitas naik), position size turun otomatis. Ini mencegah over-risk saat pasar stres — saat exactly Anda tidak ingin over-exposed. Di IDX, strategi yang tidak volatility-aware cenderung kehilangan banyak di momen stress seperti Rupiah depresiasi mendadak atau COVID.

Layer-layer Risk Management

Institutional risk framework biasanya bertingkat:

1. Per-trade risk — stop loss dan max risk per posisi (biasanya 1–2% equity).
2. Per-position limit — max size per saham (biasanya 5–10% portfolio untuk retail).
3. Per-sector limit — max eksposur per sektor (biasanya 25–30%) untuk mencegah konsentrasi.
4. Portfolio-level VaR — Value-at-Risk harian tidak melebihi threshold (misal 2%).
5. Regime overlay — seluruh exposure diturunkan saat pasar dalam regime tertentu (bear confirmed, VIX tinggi).

Setiap layer bertindak sebagai sekat independen. Kegagalan di satu layer tidak langsung menghancurkan portfolio.

Regime Awareness

Pasar berbeda di regime berbeda. Strategi yang bekerja di bull mungkin kacau di bear; yang bekerja di high-vol mungkin kehilangan edge di low-vol. Regime-aware systems menyesuaikan eksposur berdasarkan kondisi.

Contoh indicator regime yang berguna untuk IDX:

• IHSG vs. MA200 — di atas adalah bull regime, di bawah bear.
• ADX pada IHSG — trend strength (> 25 trending, < 20 sideways).
• Volatility index proxy — rolling 30-day standard deviation IHSG.
• USD/IDR trend — pelemahan Rupiah hampir selalu berbarengan dengan de-risk di emerging market equity.
• US 10-year yield — suku bunga AS tinggi mendorong outflow dari EM, termasuk IDX.

Kerangka sederhana yang dapat diimplementasikan: kalikan target exposure dengan regime score antara 0 dan 1. Dalam regime friendly, exposure = 100%; dalam regime hostile, exposure = 30%. Ini mengurangi drawdown yang terjadi karena pasar melawan strategi secara umum.

Contoh Operasional: WCG CrashRadar

Sebagai contoh konkret bagaimana regime system diterjemahkan ke parameter operasional, berikut adalah struktur WCG CrashRadar yang saya pakai di platform:

Outcome dari komponen ini adalah JSON struktur yang dikonsumsi oleh semua strategi di platform: threat level, max allocation ratio, signal filter aktif/pasif, stop multiplier, dan per-sector macro-beta. Dengan cara ini, setiap strategi tidak perlu mengimplementasi regime detection sendiri — mereka hanya subscribe ke output central.

Prinsip ini — centralize regime intelligence, distribute strategy execution — adalah pola umum di institutional quant shops. Untuk retail, implementasi sederhananya cukup: satu file konfigurasi regime yang di-update weekly, yang dipakai semua strategi Anda.

Risk sebagai Bagian Strategi, Bukan Setelahnya

Kesalahan umum: membangun strategi tanpa risk management, lalu menambahkannya setelah backtest selesai. Ini menghasilkan sistem yang brittle — risk management menjadi afterthought yang menurunkan performance alih-alih memperbaikinya.

Pendekatan yang benar: risk management adalah parameter desain. Backtest strategi selalu include seluruh stack risk management sejak awal. Optimize strategi+risk bersama-sama. Hasil akhirnya lebih seimbang dan biasanya lebih sustainable.

Bab 9 — Dari Backtest ke Live

Transisi dari backtest ke live adalah tahap paling rawan dalam lifecycle strategi. Banyak strategi yang lulus validation ketat tetap underperform di live — bukan karena logika rusak, tapi karena realitas live punya nuances yang tidak muncul di simulasi.

Paper Trading

Sebelum risiko uang nyata, jalankan strategi di paper trading (simulasi real-time tanpa uang). Fungsinya:

• Memvalidasi infrastructure — data feed, signal generation, order routing bekerja benar.
• Mengukur operational slippage — delay antara signal computed dan eksekusi mock.
• Membiasakan pengalaman psikologis melihat strategi Anda eksekusi dalam real-time.

Durasi paper trading yang disarankan: minimum 1 bulan atau 30 trades, whichever lebih lama. Cukup untuk menangkap bugs infrastruktur tanpa terlalu lama menunda validasi dengan uang nyata.

Gradual Scaling

Setelah paper trading, masuk ke live dengan size kecil. Prinsip scaling yang saya pakai:

1. Bulan 1–3: live dengan 20% dari sizing final yang direncanakan. Tujuan: validasi bahwa execution cost riil sesuai asumsi.
2. Bulan 4–6: scale ke 50% jika performance dalam toleransi backtest (minimal 60% efficiency).
3. Bulan 7+: scale ke 100% jika consistent. Siap untuk cutoff jika performance menyimpang signifikan.

Kesalahan klasik: go full size langsung karena backtest bagus. Ini mempercepat kerugian jika ada bug atau asumsi yang salah. Scaling bertahap adalah insurance yang murah.

Degradation Signals

Bagaimana Anda tahu strategi mulai degrade vs. hanya dalam drawdown normal? Ini adalah pertanyaan paling sulit dalam operasi live kuantitatif.

Signal yang membedakan degradation dari variance normal:

Studi Kasus: Pure Engine vs Hybrid Engine

Salah satu pelajaran paling mahal — dan paling penting — yang saya dapatkan dalam mengembangkan WCG Quant adalah dilema pure vs hybrid engine. Ini adalah case yang saya rasa paling instruktif untuk quant practitioner di fase development.

Versi v3.5 adalah pure engine — signal logic murni (CP dan TS family yang sudah dibahas), tanpa gates tambahan. Parameter minimal, logika sederhana, hasilnya yang di-live.

Versi v3.8.1 menambahkan 7 overlay module di atas engine inti — masing-masing adalah lens tambahan yang dirancang untuk memperbaiki entry quality:

• Entry Efficiency — scoring kualitas entry point
• Context Engine — konteks makro dan sektoral
• Reversal Intelligence (RF1/RF2/RF3) — probabilitas reversal
• Market Phase — klasifikasi fase pasar
• Ultra Timing — timing precision layer
• Execution Engine — quality of fills
• InstitutionalScore — proxy aktivitas institutional

Secara intuitif, menambahkan 7 overlay harusnya membuat sistem lebih baik — lebih banyak informasi, lebih banyak filter. Tetapi hasil comprehensive backtest memberikan kejutan: versi hybrid — v3.8.1 dengan overlay sebagai hard filter — perform lebih rendah dari pure engine v3.5.

Mekanismenya: overlay yang dipakai sebagai hard gate menyaring keluar signal yang secara statistik valid, mengurangi trade count tanpa meningkatkan quality secara proporsional. Efek net-nya: lebih sedikit winner tanpa pengurangan loser yang setara. Edge berkurang.

Keputusan: overlay v3.8.1 dipertahankan, tapi fungsinya diubah. Mereka tidak lagi menjadi hard gate pada engine; mereka menjadi visual decision-support layer. Trader masih bisa melihat skor overlay di UI sebagai konteks tambahan, tapi engine inti tetap mengeksekusi berdasarkan logika v3.5 yang proven.

Bagi pembaca: saat Anda membangun strategi, mulai dari engine paling sederhana yang masuk akal. Ukur performanya. Tambahkan kompleksitas hanya jika backtest dengan walk-forward membuktikan kontribusi edge positif — bukan karena intuitif atau karena "rasanya lebih benar". Intuisi kita bias ke arah kompleksitas; data hampir selalu mem-favor simplicity.

Monitoring yang Rutin

Strategi live membutuhkan monitoring rutin, tidak sekali-deploy lalu lupa:

• Harian — cek bahwa signal tergenerate dan order tereksekusi sesuai plan.
• Mingguan — review P&L, drawdown, trade quality.
• Bulanan — compare live vs backtest metrics secara formal.
• Kuartalan — review regime, re-run walk-forward pada data terbaru, deteksi edge decay.

Strategi yang dijalankan tanpa monitoring adalah strategi yang akan discovered sudah kalah jauh saat akhirnya di-review.

Bab 10 — Membangun Portofolio Multi-Strategi

Portofolio multi-strategi adalah evolusi alami dari trader kuantitatif yang matang. Single strategy, betapapun bagusnya, memiliki periode kering — portfolio strategi dengan edge yang terdistribusi di regime berbeda mengurangi volatilitas dan memperpanjang longevity.

Correlation & Diversifikasi Sesungguhnya

Diversifikasi dalam portofolio kuantitatif tidak berarti "banyak strategi". Diversifikasi berarti strategi yang correlation-nya rendah satu sama lain. Dua strategi trend following pada saham yang sama menghasilkan return yang sangat berkorelasi — tidak ada diversifikasi sesungguhnya.

Sumber diversifikasi yang bermakna:

• Gaya yang berbeda — trend following + mean reversion + breakout. Mereka perform di regime yang berbeda.
• Timeframe yang berbeda — daily swing + weekly position. Signal generation dan holding period berbeda.
• Universe yang berbeda — LQ45 + IDX80 + small cap. Dynamic dan liquidity berbeda.
• Asset class yang berbeda — equity + fixed income + commodities (jika accessible). Namun di IDX retail, access lintas asset-class terbatas.

Target correlation antar strategi: < 0.5 ideal, < 0.3 sangat baik. Correlation > 0.7 antara dua strategi berarti salah satunya redundant — bukan diversifikasi.

Capital Allocation

Berapa proporsi dialokasikan ke setiap strategi? Pendekatan yang umum:

Pendekatan yang saya rekomendasikan untuk trader retail: mulai dengan equal weight, setelah 6–12 bulan track record live bergeser ke risk parity. Sharpe-weighting membutuhkan data lebih panjang untuk dipercaya (lebih rentan overfit).

Contoh Ensemble: WCG Quant Setup Portfolio

Sebagai ilustrasi bagaimana multi-strategi diimplementasikan dalam satu engine production, berikut adalah komposisi active setup di WCG Quant v3.8.1:

Universe yang dicakup: 149 ticker (diperluas dari 97 awal), fokus pada LQ45 + IDX80 + beberapa second liner likuid dengan volume memadai.

Beberapa observasi yang relevan untuk pembaca yang ingin membangun ensemble sendiri:

• CP dan TS secara desain complementary. CP2 dominant saat market sideways / mean-reverting; TS1–3 dominant saat market trending. Alternasi ini memberikan smoother aggregate equity curve dibanding single strategy.
• PF range 1.40–1.72 pada setup aktif. Tidak ada setup "Holy Grail" dengan PF > 2. Ensemble kekuatannya ada di jumlah setup solid, bukan satu super setup.
• Research pipeline selalu aktif. CP3 di candidate status adalah contoh: setup yang performanya belum cukup matang untuk full production, tapi trajectory positif. Kalau backtest forward menjaga trajectory, CP3 akan di-promote. Kalau degrade, CP3 di-archive — tanpa memengaruhi setup production.
• Retirement & promotion adalah proses rutin. CP1 yang di-retire (Bab 6) dan CP3 yang sedang di-evaluate adalah bagian dari lifecycle normal. Sistem statis adalah sistem yang mati.

Stress Testing

Sebelum mengkomit modal serius ke portofolio multi-strategi, lakukan stress test pada periode krisis historis:

• 2013 Taper Tantrum — USD strengthening, EM outflow.
• 2015 Rupiah crisis — IDR depresiasi cepat.
• Q4 2018 correction — Fed hawkish, global equity drawdown.
• Maret 2020 COVID — volatility spike ekstrim, drawdown cepat.
• 2022 rate hike cycle — suku bunga naik, multiple derating.

Portofolio yang bertahan di 4 dari 5 periode ini dengan drawdown < 30% adalah portofolio yang realistis untuk dioperasikan. Yang ambruk di 3+ periode — refactor, bukan deploy.

Institutional Practice yang Relevan

Beberapa praktik institusional yang bisa diadaptasi retail:

1. Strategy registry — dokumentasi formal setiap strategi: logic, parameter, backtest metrics, live performance. Memungkinkan review objektif saat memutuskan apa yang scale atau retire.
2. Monthly strategy review — pertemuan formal dengan diri sendiri untuk review setiap strategi. P&L, drawdown, observasi regime.
3. Research pipeline — selalu punya 2–3 strategi dalam riset atau paper trading. Saat strategi live decay, ada replacement siap.
4. Capital efficiency — alokasi kapital yang tidak terpakai ke strategi lebih bertuah, atau ke cash position di high-yield money market. Capital idle tidak menghasilkan apa-apa.

Penutup — The Long Run

Trading kuantitatif adalah praktik yang rewarding untuk orang-orang yang menikmati proses. Rewarding bagi yang mencari thrill, ini adalah jalan yang salah. Rewarding bagi yang mencari kaya cepat, jauh lebih salah lagi.

Tiga kebenaran penutup untuk perjalanan kuantitatif:

Pertama: Proses Lebih Penting dari Hasil Jangka Pendek

Anda bisa profit dari strategi overfit dalam 6 bulan pertama — dan bangkrut di tahun kedua. Anda juga bisa kehilangan 10% dengan strategi yang beredge sejati sebelum akhirnya bertahan dan compounding. Dalam jangka pendek, luck mendominasi skill. Dalam jangka panjang, luck cenderung mengambang; yang tersisa adalah kualitas proses.

Kedua: Humility adalah Aset

Pasar lebih pintar dari trader manapun, terutama retail. Strategi yang kelihatan jenius biasanya sudah ditemukan dan diarbitrase pelaku lain. Investor kuantitatif yang long-term sukses adalah mereka yang tetap skeptis terhadap temuan sendiri — dan menyambut bukti bahwa strategi mereka mungkin salah sebagai informasi, bukan ancaman.

Ketiga: Diversifikasi Antar-Domain

Jangan menempatkan seluruh capital trading dalam satu sistem, dan jangan menempatkan seluruh penghidupan Anda dalam trading. Para quant terbaik yang saya kenal memiliki pekerjaan utama, riset sebagai hobi, dan modal trading yang proporsional dari total wealth. Mereka trade karena ingin, bukan karena harus — dan justru karena itu trade mereka lebih rasional.

Process. Probability. Patience.

Quant Strategy Primer — panduan institusional untuk trader IDX yang mengutamakan proses dan probabilistik.