Mengapa Sebagian Besar Strategi Trading Crypto Berhenti Bekerja

Kamu membeli sebuah strategi dalam 90 detik. Equity curve-nya bersih, Sharpe ratio-nya meyakinkan, dan track record-nya naik rapi ke kanan atas. Lalu kamu menghubungkan dana nyata — dan ia mulai berdarah. Tidak langsung dramatis. Hanya perlahan, konsisten salah. Kamu mengira nasib buruk. Kamu mengira pasar yang rusak. Penjelasan sebenarnya jauh lebih tidak nyaman: itu tidak pernah menjadi edge. Itu adalah tiket lotre, dan kamu hanya ditunjukkan sisi yang menang.

Ini adalah deskripsi empat mekanisme statistik yang sudah dipahami dengan baik — dan yang menenggelamkan sebagian besar strategi trading ritel — mekanisme yang jarang diungkapkan oleh marketplace, leaderboard copy-trading, atau penjual pre-tuned grid bot. Memahaminya tidak akan membuatmu menjadi trader yang lebih baik dalam semalam, tetapi akan membantumu membedakan edge yang bisa diaudit dari coin flip berbaju rapi sebelum uang nyata dipertaruhkan.

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

Backtest Adalah Lotre, dan Kamu Hanya Ditunjukkan Tiket yang Menang

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

Kedengarannya seperti riset. Sebenarnya itu adalah seleksi.

Dalam makalah 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. Temuan inti mereka: ketika kamu mencari di antara banyak varian strategi dan melaporkan backtest terbaik, kamu sedang mengekstrak nilai maksimum dari sekumpulan besar hasil yang penuh noise — dan nilai maksimum dari hasil yang penuh noise secara sistematis dan mekanis bias ke atas. Bahkan strategi dengan zero real edge akan menghasilkan backtest ber-Sharpe tinggi jika cukup banyak varian yang dicoba.

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

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

Sharpe Ratio yang Tidak Bisa Kamu Audit Bukan Sebuah Angka

Ambang batas signifikansi standar yang digunakan dalam keuangan akademis (t-statistic di atas 2,0) dikalibrasi untuk hipotesis tunggal yang telah ditentukan sebelumnya — tidak pernah untuk lingkungan pengujian kolektif dalam riset strategi.

Harvey, Liu, dan Zhu (2016) menghadapi masalah multiple-testing ini untuk cross-section of returns. Poin inti mereka bukan angka ajaib baru, melainkan koreksi logika: t-statistic sebesar 2 adalah ambang batas yang bisa dipertahankan untuk hipotesis tunggal yang telah ditentukan sebelumnya, tetapi begitu sebuah hasil adalah yang terbaik dari banyak strategi yang diuji terhadap data yang sama, t-stat 2 yang sama tidak lagi berarti seperti yang tampaknya. Ambang batas signifikansi harus dinaikkan untuk memperhitungkan pencarian — dan semakin banyak strategi yang dicoba, semakin tinggi ia harus naik. Dalam lingkungan multi-strategi apa pun, t-stat 2 yang tidak disesuaikan jauh terlalu longgar.

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

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

Konsep Minimum Backtest Length mengikuti logika yang sama: semakin banyak varian yang diuji, semakin banyak tahun history out-of-sample yang bersih dibutuhkan sebelum Sharpe tinggi memiliki bobot apa pun. Enam bulan jarang melewati ambang batas ini bahkan dengan asumsi yang paling murah hati sekalipun.

Pasar Bergerak. Strategi yang Beku Tidak.

Overfitting menjelaskan mengapa backtest berbohong. Tetapi bahkan strategi dengan edge nyata dari satu periode bisa berhenti bekerja ketika regime pasar yang mendasarinya bergeser — dan crypto adalah pasar yang didefinisikan oleh pergeseran regime.

Aset ini melompat antara bull run yang trending, bear yang menggerus, saluran konsolidasi volatilitas rendah, dan guncangan deleveraging yang keras. Ini adalah structural breaks — periode di mana struktur autokorelasi, regime volatilitas, dan perilaku korelasi harga secara genuinly berbeda satu sama lain. Strategi yang disesuaikan untuk satu regime biasanya akan salah di regime lainnya.

Contoh paling klasik adalah grid bot. Dalam rentang yang terbatas, grid bot secara mekanis memanen volatilitas — mereka genuinly efektif di sana. Dalam tren directional yang kuat atau crash deleveraging, mekanisme yang sama bekerja melawan mereka: sisi yang kalah dari grid terus terisi saat harga berlari menjauh, 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 sebuah strategi harus bertindak dan kapan harus mundur.

> "Strategi tanpa regime filter secara diam-diam bertaruh bahwa pasar hari esok terlihat persis seperti irisan sejarah yang digunakannya sebagai acuan. Dalam crypto, itu tidak pernah terjadi."

Indikator yang lebih baik hanyalah lebih banyak parameter untuk dioverfit. Solusinya adalah sinyal yang eksplisit dan divalidasi secara terpisah yang memberi tahu strategi: ini adalah lingkungan yang dirancang untukmu — atau ini bukan.

Leaderboard Berbohong Melalui Kelalaian

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

Yang pertama adalah survivorship bias. Akun yang kamu lihat di leaderboard adalah yang berhasil bertahan untuk terdaftar. Akun yang meledak di-delist, ditinggalkan, atau diam-diam dimulai ulang. Kamu sedang melihat ekor kanan distribusi, yang disajikan seolah-olah itu adalah median.

Yang kedua adalah alpha decay melalui crowding dan data mining. Bukti paling ketat di sini datang dari pasar ekuitas: McLean dan Pontiff, menulis di Journal of Finance pada 2016, menemukan bahwa sebagian besar return dari anomali yang dipublikasikan — sekitar setengahnya — menghilang setelah publikasi, penurunan yang mereka sebagian kaitkan dengan bias statistik dalam penemuan asli (data mining) dan sebagian lagi dengan arbitrase nyata ketika modal membanjiri. Mekanisme ini tidak spesifik untuk crypto, tetapi jika ada, justru lebih tajam di crypto: sinyal strategi yang bisa disalin adalah perdagangan paling ramai yang tersedia, dan keramaian itu mempercepat kompresi dari edge residual apa pun yang nyata.

Tiga hambatan saling memperparah: edge orisinal membawa risiko overfitting; regime pasar yang digunakannya sebagai acuan kemungkinan sudah berakhir; dan menyalinnya dalam skala besar mempercepat pembusukan sinyal residual apa pun yang ada. Tidak ada satupun yang diungkapkan di leaderboard.

Seperti Apa Sebenarnya yang Kredibel

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

Bukti tersebut memiliki tiga komponen.

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

Pengungkapan penuh: return, maximum drawdown, win rate, jumlah trade, dan bagaimana perilakunya berubah di berbagai regime pasar. Listing yang menampilkan equity curve tetapi menyembunyikan kedalaman drawdown dan perilaku bear-market sedang menunjukkan highlight reel, bukan audit trail.

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

Menerapkan Standar: Cara Kerja Free Labs Anny

Inilah standar yang digunakan strategi labs 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 oleh optimizer — ini adalah baseline, bukan tambahan opsional.

Yang krusial, setiap strategi dipecah berdasarkan regime CFO Anny Line — sinyal yang Anny gunakan untuk mengklasifikasikan kondisi pasar menjadi tiga state: Accumulate, Wait, dan Distribute. Inilah regime filter yang tidak dimiliki oleh marketplace tipikal: satu pembacaan tentang jenis pasar apa yang sedang kamu hadapi, sehingga sebuah strategi bisa dinilai dalam lingkungan yang dirancang untuknya, bukan dirata-ratakan di semua kondisi. Setiap perubahan regime yang pernah diidentifikasi oleh garis ini sepanjang sejarah Bitcoin ada dalam catatan publik — kamu bisa menggulir sejarahnya dan memeriksa transisinya sendiri, dan bagaimana sinyal ini dikonstruksi dan divalidasi out-of-sample didokumentasikan dalam metodologi.

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

Jalankan portfolio scan gratis untuk melihat bagaimana kepemilikanmu saat ini dipetakan terhadap state regime CFO Anny Line.

Untuk disampaikan secara eksplisit: validasi out-of-sample dan regime filter mengurangi risiko overfitting dan meningkatkan kredibilitas analisis historis. Mereka tidak menghilangkan drawdown. Mereka tidak mengalahkan alpha decay. Mereka 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 mencarinya. Pertanyaannya adalah apakah pencarian itu jujur, apakah hasilnya diuji pada data yang belum pernah dilihat, dan apakah strategi itu tahu apa yang harus dilakukan ketika pasar berubah.

Tanyakan ini sebelum kamu menghubungkan API key:

1. Berapa banyak varian yang diuji untuk menemukan ini? Jika kamu tidak bisa mendapatkan angkanya, asumsikan itu cukup untuk overfit.
2. Apakah ini divalidasi pada data yang tidak pernah dilihat oleh optimizer? Backtest pada data yang sama yang digunakan untuk seleksi bukan merupakan bukti.
3. Apakah ia memiliki regime filter yang eksplisit — kondisi "kapan harus mundur" yang terdefinisi? Tanpa itu, ia berlari buta menuju structural break berikutnya.

Jika penjualnya tidak bisa menjawab ketiganya, kamu sudah mendapatkan jawabannya.

Strategi yang tidak bisa kamu audit adalah taruhan pada tiket lotre milik orang lain. Kamu tidak tahu berapa banyak tiket yang dicetak, dan kamu membelinya setelah nomor pemenang 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 (dipublikasikan 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 (2nd ed.). Wiley.

---

Analisis ini hanya untuk tujuan edukatif — bukan saran finansial. Kinerja masa lalu tidak mengindikasikan hasil masa depan. Statistik yang dikutip diambil dari penelitian akademis yang direferensikan mengenai pasar ekuitas dan 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.