Mengapa Sebagian Besar Strategi Trading Crypto Berhenti Bekerja

Kamu beli sebuah strategi dalam 90 detik. Equity curve-nya bersih, Sharpe ratio-nya meyakinkan, dan track record-nya naik mulus ke kanan atas. Lalu kamu hubungkan dana nyata — dan mulai bocor. Bukan sekaligus. Hanya perlahan, konsisten salah. Kamu pikir sialnya sedang kurang. Kamu pikir market yang rusak. Penjelasan sebenarnya jauh lebih tidak nyaman: itu bukan edge. Itu tiket lotere, dan kamu cuma ditunjukkan sisi yang menang.

Ini adalah uraian empat mekanisme statistik yang sudah lama dipahami dan yang menenggelamkan sebagian besar strategi trading ritel — mekanisme yang jarang diungkap oleh marketplace, leaderboard copy-trading, maupun penjual grid bot yang sudah pre-tuned. Memahaminya tidak akan langsung membuatmu menjadi trader yang lebih baik, tapi akan membantumu membedakan edge yang bisa diaudit dari coin flip berpenampilan rapi — sebelum uang nyata dipertaruhkan.

Ini adalah analisis edukatif, bukan saran keuangan atau prediksi — tidak ada di sini yang memprediksi harga masa depan, dan trading crypto membawa risiko kerugian nyata (pengungkapan lengkap di akhir artikel).

Backtest Adalah Lotere, dan Kamu Ditunjukkan Tiket yang Menang

Setiap marketplace strategi berjalan di atas mesin tersembunyi yang sama: seseorang (atau suatu algoritma) menguji lusinan, ratusan, kadang ribuan kombinasi parameter — kondisi entry, kondisi exit, periode indikator, ukuran posisi — lalu menampilkan konfigurasi yang menghasilkan return historis terbaik.

Kedengarannya seperti riset. Ini sebenarnya adalah seleksi.

Dalam paper mereka tahun 2014 di Notices of the American Mathematical Society, Bailey, Borwein, Lopez de Prado, dan Zhu memformalisasi masalah ini dengan nama Pseudo-Mathematics and Financial Charlatanism. Hasil inti mereka: ketika kamu menelusuri banyak varian strategi dan melaporkan backtest terbaik, kamu sedang mengekstrak nilai maksimum dari sekumpulan besar hasil yang penuh noise — dan maksimum dari hasil yang penuh noise secara sistematis dan mekanis condong ke atas. Bahkan strategi dengan nol edge nyata pun akan menghasilkan backtest ber-Sharpe tinggi jika cukup banyak varian dicoba.

> "Backtest yang mencoba seribu set parameter dan melaporkan yang terbaik bukanlah sebuah strategi. Itu adalah pemenang lotere."

Bailey dan Lopez de Prado juga memperkenalkan Probability of Backtest Overfitting — ukuran formal tentang seberapa besar kemungkinan konfigurasi yang dipilih mengungguli data in-sample semata-mata karena kebetulan. Temuan yang tidak nyaman: dengan jumlah percobaan yang moderat, probabilitas ini naik dengan cepat. Kamu tidak perlu ceroboh untuk overfit. Kamu hanya perlu melakukan pencarian.

Sharpe Ratio yang Tidak Bisa Diaudit Bukanlah Sebuah Angka

Standar signifikansi yang digunakan dalam keuangan akademik (t-statistic di atas 2,0) dikalibrasi untuk hipotesis tunggal yang telah ditentukan sebelumnya — bukan untuk lingkungan pengujian kolektif dalam riset strategi.

Harvey, Liu, dan Zhu (2016) menghadapi masalah multiple-testing ini untuk penampang melintang return. Poin inti mereka bukan angka ajaib yang baru, melainkan koreksi logika: t-statistic sebesar 2 adalah batas yang dapat dipertahankan untuk hipotesis tunggal yang telah ditentukan sebelumnya, tetapi begitu suatu hasil adalah yang terbaik dari banyak strategi yang diuji terhadap data yang sama, t-stat yang sama tidak lagi berarti apa yang tampak. Batas signifikansi harus dinaikkan untuk memperhitungkan pencarian — dan semakin banyak strategi yang dicoba, semakin tinggi batasnya. Dalam lingkungan multi-strategi manapun, t-stat yang tidak disesuaikan sebesar 2 terlalu longgar.

Deflated Sharpe Ratio dari Bailey dan Lopez de Prado (2014) memperluas ini: secara matematis mendiskon Sharpe ratio yang dilaporkan berdasarkan jumlah percobaan yang dicoba, panjang periode pengujian, dan distribusi return berekor tebal yang secara khusus dihasilkan oleh crypto.

Inilah masalah struktural bagi setiap listing marketplace: untuk menghitung Deflated Sharpe, kamu membutuhkan jumlah varian yang dicoba. Penjual hampir tidak pernah mengungkapkan ini. Track record 6 bulan yang dibangun di atas ratusan parameter sweep adalah, dalam kerangka Bailey-Lopez de Prado, kosong secara statistik.

Konsep Minimum Backtest Length mengikuti logika yang sama: semakin banyak varian yang diuji, semakin banyak tahun riwayat out-of-sample yang bersih dibutuhkan sebelum Sharpe yang tinggi memiliki bobot apapun. Enam bulan jarang memenuhi batas ini bahkan dengan asumsi yang murah hati.

Market Bergerak. Strategi yang Beku Tidak.

Overfitting menjelaskan mengapa backtest berbohong. Tapi bahkan strategi dengan edge nyata dari satu periode bisa berhenti bekerja ketika rezim market yang mendasarinya bergeser — dan crypto adalah market yang didefinisikan oleh pergantian rezim.

Aset ini terombang-ambing antara bull run yang trending, bear yang menggiling perlahan, saluran konsolidasi volatilitas rendah, dan kejutan deleveraging yang brutal. Ini adalah structural break — periode di mana struktur autokorelasi, rezim volatilitas, dan perilaku korelasi harga benar-benar berbeda satu sama lain. Strategi yang disesuaikan untuk satu rezim biasanya akan salah di rezim lain.

Kasus yang paling jelas adalah grid bot. Dalam kisaran yang terbatas, grid bot secara mekanis memanen volatilitas — mereka benar-benar efektif di sana. Dalam tren arah yang kuat atau crash deleveraging, mekanik yang sama bekerja melawan mereka: sisi grid yang merugi terus terisi saat harga berlari, dan kerugian bisa bertumpuk dengan cepat. Bot itu sendiri tidak tahu lingkungan mana yang sedang dihadapinya.

Ini bukan kegagalan logika grid bot. Ini adalah ketiadaan regime filter — kondisi eksplisit yang mendefinisikan kapan strategi harus bertindak dan kapan harus mundur.

> "Strategi tanpa regime filter diam-diam bertaruh bahwa market besok akan terlihat persis seperti irisan sejarah yang menjadi dasarnya. Dalam crypto, itu tidak pernah terjadi."

Indikator yang lebih baik tetap hanyalah lebih banyak parameter untuk di-overfit. Solusinya adalah sinyal yang eksplisit dan divalidasi secara terpisah yang memberitahu strategi: ini adalah lingkungan yang kamu dirancang untuknya — atau ini bukan.

Leaderboard Berbohong dengan Cara Menghilangkan Informasi

Leaderboard copy-trading menambahkan dua mode kegagalan yang saling memperparah di atas overfitting dan kebutaan terhadap rezim.

Yang pertama adalah survivorship bias. Akun yang kamu lihat di leaderboard adalah akun yang bertahan hingga terdaftar. Akun yang blown up dihapus dari daftar, ditinggalkan, atau diam-diam dimulai ulang. Kamu sedang melihat ekor kanan dari distribusi, disajikan seolah-olah itu adalah nilai mediannya.

Yang kedua adalah peluruhan alpha melalui crowding dan data mining. Bukti paling ketat di sini berasal dari pasar ekuitas: McLean dan Pontiff, menulis di Journal of Finance pada 2016, menemukan bahwa sebagian besar return anomali yang dipublikasikan — sekitar separuhnya — menghilang setelah publikasi, penurunan yang mereka kaitkan sebagian dengan bias statistik dalam penemuan aslinya (data mining) dan sebagian dengan arbitrase nyata saat modal masuk secara massal. Mekanismenya tidak spesifik untuk crypto, tetapi justru lebih tajam di crypto: sinyal strategi yang bisa disalin adalah perdagangan paling ramai yang tersedia, dan keramaian itu mempercepat kompresi edge residual yang mungkin nyata.

Tiga hambatan bertumpuk: edge asli mengandung risiko overfitting; rezim market yang menjadi dasarnya kemungkinan sudah berakhir; dan menyalinnya dalam skala besar mempercepat peluruhan sinyal residual yang ada. Tidak ada satu pun dari ini yang diungkapkan di leaderboard.

Seperti Apa Standar yang Kredibel Itu

Standar yang sah tidak menjanjikan return. Ia menyediakan bukti yang bisa kamu pertanyakan.

Bukti itu memiliki tiga komponen.

Walk-forward validation (Pardo, 2008): optimalkan strategi pada satu jendela historis, lalu uji pada jendela berikutnya yang belum pernah dilihat, kemudian gulir maju dan ulangi. Hasil walk-forward yang bertahan di beberapa periode yang belum pernah dilihat lebih kredibel — bukan pasti, tapi lebih kredibel.

Pengungkapan penuh: return, maximum drawdown, win rate, jumlah trade, dan bagaimana perilakunya berubah di berbagai rezim market. Listing yang menampilkan equity curve tapi menyembunyikan kedalaman drawdown dan perilaku saat bear market sedang menunjukkan highlight reel, bukan jejak audit.

Regime filter eksplisit: sinyal yang dibangun secara terpisah yang mendefinisikan kapan strategi beroperasi di lingkungan yang dimaksudkan. Tanpa ini, bahkan strategi yang telah divalidasi walk-forward tidak memiliki pertahanan otomatis terhadap rezim yang tidak pernah dirancang untuknya.

Menerapkan Standar: Cara Labs Gratis Anny Bekerja

Inilah standar yang dibangun untuk labs strategi Anny. Setiap ide strategi muncul dengan backtest lengkapnya: return, Sharpe, win rate, max drawdown, dan jumlah trade. Validasi out-of-sample dijalankan pada holdout yang tidak pernah disentuh optimizer — sebagai baseline, bukan sebagai tambahan opsional.

Yang terpenting, setiap strategi diuraikan berdasarkan rezim CFO Anny Line — sinyal yang digunakan Anny untuk mengklasifikasikan kondisi market ke dalam tiga keadaan: Accumulate, Wait, dan Distribute. Inilah regime filter yang tidak dimiliki marketplace pada umumnya: satu pembacaan tentang jenis market apa yang sedang kamu hadapi, sehingga strategi dapat dinilai dalam lingkungan yang dirancang untuknya, bukan dirata-ratakan di semua kondisi. Setiap perubahan rezim yang pernah dipanggil oleh line ini sepanjang bertahun-tahun riwayat Bitcoin ada dalam catatan publik — kamu bisa menggulir riwayatnya dan memeriksa transisinya sendiri, dan bagaimana sinyal dikonstruksi serta divalidasi out-of-sample terdokumentasi dalam metodologi.

Saat kamu menjelajahi perpustakaan strategi yang telah di-backtest, kamu tidak hanya bisa melihat apakah sesuatu berhasil secara historis — kamu bisa melihat kapan itu berhasil, dalam kondisi rezim mana, dan seperti apa tampilannya ketika kondisi berbalik melawannya. Kerugiannya ada dalam data. Itulah intinya.

Membandingkan Anny dengan alat tertentu? Perbandingan berdampingan menempatkan standar ini di sebelah Cryptohopper, 3Commas, Coinrule, dan platform bot lainnya.

Jalankan pemindaian portofolio gratis untuk melihat bagaimana holdings kamu saat ini dipetakan terhadap keadaan rezim CFO Anny Line.

Untuk lebih jelas: validasi out-of-sample dan regime filter mengurangi risiko overfitting dan meningkatkan kredibilitas analisis historis. Keduanya tidak menghilangkan drawdown. Keduanya tidak mengalahkan peluruhan alpha. Keduanya bukan janji kinerja masa depan. Yang mereka berikan adalah transparansi — kamu bisa melihat buktinya, termasuk mode kegagalannya, dan membuat penilaianmu sendiri.

Lihat metodologinya — termasuk bagaimana CFO Anny Line divalidasi dan bagaimana hasil out-of-sample dilaporkan.

Hanya Tiga Pertanyaan yang Penting Sebelum Kamu Mempertaruhkan Uang Nyata

Setiap strategi yang ditunjukkan kepadamu ditemukan oleh seseorang yang sedang mencarinya. Pertanyaannya adalah apakah pencariannya jujur, hasilnya diuji pada data yang belum pernah dilihat, dan apakah strategi itu tahu apa yang harus dilakukan ketika market berubah.

Tanyakan ini sebelum kamu menghubungkan API key:

1. Berapa banyak varian yang diuji untuk menemukannya? Jika kamu tidak bisa mendapatkan angkanya, asumsikan cukup banyak untuk overfit.
2. Apakah divalidasi pada data yang tidak pernah dilihat optimizer? Backtest pada data yang sama yang digunakan untuk seleksi bukanlah bukti.
3. Apakah memiliki regime filter eksplisit — kondisi "kapan harus mundur" yang terdefinisi? Tanpanya, strategi itu berjalan buta menuju structural break berikutnya.

Jika penjual tidak bisa menjawab ketiganya, kamu sudah mendapat jawabanmu.

Strategi yang tidak bisa kamu audit adalah taruhan pada tiket lotere orang lain. Kamu tidak tahu berapa banyak tiket yang dicetak, dan kamu membeli setelah nomor pemenangnya sudah diumumkan.

---

Referensi

• Bailey, D.H., Borwein, J., Lopez de Prado, M., & Zhu, Q. (2014). "Pseudo-Mathematics and Financial Charlatanism: The Effects of Backtest Overfitting on Out-of-Sample Performance." Notices of the American Mathematical Society, 61(5).
• Bailey, D.H., & Lopez de Prado, M. (2014). "The Deflated Sharpe Ratio: Correcting for Selection Bias, Backtest Overfitting, and Non-Normality." Journal of Portfolio Management, 40(5).
• Bailey, D.H., & Lopez de Prado, M. "The Probability of Backtest Overfitting." Journal of Computational Finance (diterbitkan 2016).
• Harvey, C.R., & Liu, Y. (2015). "Backtesting." Working paper.
• Harvey, C.R., Liu, Y., & Zhu, H. (2016). "… and the Cross-Section of Expected Returns." Review of Financial Studies, 29(1).
• McLean, R.D., & Pontiff, J. (2016). "Does Academic Research Destroy Stock Return Predictability?" Journal of Finance, 71(1).
• Pardo, R. (2008). The Evaluation and Optimization of Trading Strategies (edisi ke-2). Wiley.

---

Analisis ini hanya untuk tujuan edukatif — bukan saran keuangan. Kinerja masa lalu tidak mengindikasikan hasil masa depan. Statistik yang dikutip diambil dari penelitian akademis yang direferensikan tentang ekuitas dan pasar keuangan umum; mekanisme dibahas untuk relevansi konseptualnya terhadap crypto dan mungkin tidak dapat ditransfer secara kuantitatif. Anny adalah platform analitik bertenaga AI, bukan penasihat investasi terdaftar. Artikel ini diproduksi dengan bantuan AI dan ditinjau untuk akurasi. Aset crypto bersifat volatil dan kamu bisa kehilangan seluruh investasimu.