Saya menguji 6 strategi, dan tak satu pun mengalahkan HODL. Backtest dengan imbal hasil tahunan 300% yang beredar di internet, 90%-nya jatuh ke tiga perangkap ini
Pertama, patokan dasar saya: BTC/USDT 1 jam, dari 2024-01-16 hingga 2026-08-22, 22.786 candle, modal $10.000. MACD, RSI, Turtle, grid, ICT/SMC, dan trend following—keenam strategi yang umum ini semuanya kalah dari «beli lalu diamkan»—HODL menghasilkan imbal hasil tahunan +25,71%, tak satu pun dari 6 strategi mengunggulinya.
Ada yang akan bilang, «Strategimu terlalu sederhana.» Tapi yang lebih berbahaya daripada strategi buruk adalah overfitting: mengutak-atik parameter agar pas dengan data masa lalu. Hasil backtest-nya terlihat sangat mengesankan, tetapi saat trading langsung berantakan. Saya pernah terjebak dalam ketiga perangkap ini:
1️⃣ Menyesuaikan kurva dengan noise. Semakin banyak parameter, semakin mudah noise historis ikut «dihafal». Grafik candle hanya satu, dan kalau kamu mengutak-atik sepuluh parameter agar pas dengannya, itu sama saja menghafal jawaban, bukan menyelesaikan soal.
2️⃣ Salah hitung tanpa sadar. Kerangka versi pertama saya jatuh di sini: PnL terus diakumulasikan, tetapi pada akhirnya tidak cocok dengan perubahan saldo kas. Bug backtest hampir selalu membuat hasil tampak «lebih bagus»—misalnya biaya transaksi tak dihitung atau memakai data masa depan. Begitu diuji dengan persamaan akuntansi, kesalahannya langsung ketahuan.
3️⃣ Tidak ada validasi di luar sampel. Mengutak-atik parameter menggunakan seluruh data historis, lalu melaporkan hasil dari rentang yang sama, sama saja melihat jawaban lebih dulu sebelum ujian. Cara yang benar: bagi data menjadi 70% pertama untuk fitting dan 30% terakhir untuk validasi. Parameter hanya dipilih pada bagian training, sementara hasil hanya dilaporkan dari bagian validasi.
Saat menemukan backtest yang tampak mengesankan, ajukan tiga pertanyaan: Apakah pembukuannya cocok? Berapa banyak parameternya? Sudah diuji di luar sampel? Kalau ketiganya tak bisa dijawab, hasil +300% itu kemungkinan besar cuma noise historis.
AI bisa menulis kode backtest dengan cepat, tetapi AI tidak akan membantu mencocokkan pembukuanmu ataupun mencegahmu dari overfitting.
Backtest mengesankan mana yang pernah menipumu? Ceritakan di kolom komentar. Artikel berikutnya merangkum «TOP 3 perangkap yang dialami pembaca».
$BTC #Kripto
Pertama, patokan dasar saya: BTC/USDT 1 jam, dari 2024-01-16 hingga 2026-08-22, 22.786 candle, modal $10.000. MACD, RSI, Turtle, grid, ICT/SMC, dan trend following—keenam strategi yang umum ini semuanya kalah dari «beli lalu diamkan»—HODL menghasilkan imbal hasil tahunan +25,71%, tak satu pun dari 6 strategi mengunggulinya.
Ada yang akan bilang, «Strategimu terlalu sederhana.» Tapi yang lebih berbahaya daripada strategi buruk adalah overfitting: mengutak-atik parameter agar pas dengan data masa lalu. Hasil backtest-nya terlihat sangat mengesankan, tetapi saat trading langsung berantakan. Saya pernah terjebak dalam ketiga perangkap ini:
1️⃣ Menyesuaikan kurva dengan noise. Semakin banyak parameter, semakin mudah noise historis ikut «dihafal». Grafik candle hanya satu, dan kalau kamu mengutak-atik sepuluh parameter agar pas dengannya, itu sama saja menghafal jawaban, bukan menyelesaikan soal.
2️⃣ Salah hitung tanpa sadar. Kerangka versi pertama saya jatuh di sini: PnL terus diakumulasikan, tetapi pada akhirnya tidak cocok dengan perubahan saldo kas. Bug backtest hampir selalu membuat hasil tampak «lebih bagus»—misalnya biaya transaksi tak dihitung atau memakai data masa depan. Begitu diuji dengan persamaan akuntansi, kesalahannya langsung ketahuan.
3️⃣ Tidak ada validasi di luar sampel. Mengutak-atik parameter menggunakan seluruh data historis, lalu melaporkan hasil dari rentang yang sama, sama saja melihat jawaban lebih dulu sebelum ujian. Cara yang benar: bagi data menjadi 70% pertama untuk fitting dan 30% terakhir untuk validasi. Parameter hanya dipilih pada bagian training, sementara hasil hanya dilaporkan dari bagian validasi.
Saat menemukan backtest yang tampak mengesankan, ajukan tiga pertanyaan: Apakah pembukuannya cocok? Berapa banyak parameternya? Sudah diuji di luar sampel? Kalau ketiganya tak bisa dijawab, hasil +300% itu kemungkinan besar cuma noise historis.
AI bisa menulis kode backtest dengan cepat, tetapi AI tidak akan membantu mencocokkan pembukuanmu ataupun mencegahmu dari overfitting.
Backtest mengesankan mana yang pernah menipumu? Ceritakan di kolom komentar. Artikel berikutnya merangkum «TOP 3 perangkap yang dialami pembaca».
$BTC #Kripto