Apa itu rekayasa fitur? Bagaimana mengekstrak sinyal trading yang lebih bernilai dari harga, volume, dan volatilitas?
Dalam trading kuantitatif mata uang kripto, kinerja model machine learning tidak hanya bergantung pada algoritma, tetapi juga pada kualitas data masukan. Catatan harga dan volume mentah merekam perubahan pasar, tetapi belum tentu secara langsung menggambarkan tren, momentum, dan risiko. Rekayasa fitur (Feature Engineering) adalah proses mengubah data mentah menjadi informasi yang lebih sesuai untuk dipelajari model.
Pertama, bagaimana fitur harga dibangun?
Kita dapat menghitung imbal hasil untuk berbagai periode, tingkat penyimpangan dari rata-rata bergerak, dan momentum harga untuk membantu model mengenali perubahan jangka pendek serta tren jangka menengah. Sebagai contoh, imbal hasil dari 5 candlestick terakhir dapat menggambarkan kinerja harga terkini, tetapi tidak dengan sendirinya membuktikan bahwa arah yang sama akan berlanjut pada periode berikutnya.
Kedua, apa fungsi fitur volume?
Kita dapat membandingkan volume saat ini dengan volume rata-rata selama periode sebelumnya untuk melihat apakah aktivitas perdagangan meningkat secara tidak biasa. Kita juga dapat menggabungkannya dengan perubahan harga untuk menganalisis tingkat aktivitas perdagangan saat harga naik atau turun. Namun, lonjakan volume dapat menyertai kelanjutan tren maupun terjadi pada fase pembalikan pasar.
Ketiga, mengapa fitur volatilitas diperlukan?
Volatilitas menggambarkan besarnya perubahan harga. Dengan menghitung simpangan baku bergulir dari imbal hasil historis, kita dapat membantu model membedakan periode yang relatif stabil dari periode dengan gejolak tajam, sekaligus mendukung penyesuaian penilaian risiko. Namun, volatilitas historis tidak dapat memprediksi volatilitas masa depan secara akurat.
Keempat, bagaimana menghindari fitur yang tidak efektif?
Semua fitur harus hanya menggunakan data yang sudah tersedia pada waktu prediksi, dan efektivitasnya harus diuji melalui validasi deret waktu. Jangan menganggap suatu indikator memiliki kemampuan prediksi yang stabil hanya karena korelasinya dengan harga tinggi dalam sampel historis. Biaya transaksi, redundansi fitur, dan kinerja dalam kondisi pasar yang berbeda juga perlu dipertimbangkan.
Rekayasa fitur yang benar-benar efektif bukanlah menumpuk semakin banyak indikator, melainkan menemukan informasi yang memiliki makna jelas dan dapat divalidasi melalui pengujian independen.
Artikel berikutnya: Apa itu standardisasi indikator teknikal? Mengapa data dengan skala yang berbeda tidak bisa langsung diberikan kepada model machine learning?
Dalam trading kuantitatif mata uang kripto, kinerja model machine learning tidak hanya bergantung pada algoritma, tetapi juga pada kualitas data masukan. Catatan harga dan volume mentah merekam perubahan pasar, tetapi belum tentu secara langsung menggambarkan tren, momentum, dan risiko. Rekayasa fitur (Feature Engineering) adalah proses mengubah data mentah menjadi informasi yang lebih sesuai untuk dipelajari model.
Pertama, bagaimana fitur harga dibangun?
Kita dapat menghitung imbal hasil untuk berbagai periode, tingkat penyimpangan dari rata-rata bergerak, dan momentum harga untuk membantu model mengenali perubahan jangka pendek serta tren jangka menengah. Sebagai contoh, imbal hasil dari 5 candlestick terakhir dapat menggambarkan kinerja harga terkini, tetapi tidak dengan sendirinya membuktikan bahwa arah yang sama akan berlanjut pada periode berikutnya.
Kedua, apa fungsi fitur volume?
Kita dapat membandingkan volume saat ini dengan volume rata-rata selama periode sebelumnya untuk melihat apakah aktivitas perdagangan meningkat secara tidak biasa. Kita juga dapat menggabungkannya dengan perubahan harga untuk menganalisis tingkat aktivitas perdagangan saat harga naik atau turun. Namun, lonjakan volume dapat menyertai kelanjutan tren maupun terjadi pada fase pembalikan pasar.
Ketiga, mengapa fitur volatilitas diperlukan?
Volatilitas menggambarkan besarnya perubahan harga. Dengan menghitung simpangan baku bergulir dari imbal hasil historis, kita dapat membantu model membedakan periode yang relatif stabil dari periode dengan gejolak tajam, sekaligus mendukung penyesuaian penilaian risiko. Namun, volatilitas historis tidak dapat memprediksi volatilitas masa depan secara akurat.
Keempat, bagaimana menghindari fitur yang tidak efektif?
Semua fitur harus hanya menggunakan data yang sudah tersedia pada waktu prediksi, dan efektivitasnya harus diuji melalui validasi deret waktu. Jangan menganggap suatu indikator memiliki kemampuan prediksi yang stabil hanya karena korelasinya dengan harga tinggi dalam sampel historis. Biaya transaksi, redundansi fitur, dan kinerja dalam kondisi pasar yang berbeda juga perlu dipertimbangkan.
Rekayasa fitur yang benar-benar efektif bukanlah menumpuk semakin banyak indikator, melainkan menemukan informasi yang memiliki makna jelas dan dapat divalidasi melalui pengujian independen.
Artikel berikutnya: Apa itu standardisasi indikator teknikal? Mengapa data dengan skala yang berbeda tidak bisa langsung diberikan kepada model machine learning?