Argumen 10 Hari Terbaik Baru Separuh Cerita

Argumen 10 Hari Terbaik Baru Separuh Cerita

Setiap beberapa tahun, ketika koreksi pasar tiba, komunitas investasi pasif mengeluarkan sebuah statistik: jika Anda melewatkan 10 hari perdagangan terbaik S&P 500 dalam tiga dekade terakhir, return tahunan Anda akan anjlok dari sekitar 10% menjadi sekitar 4%. Implikasinya jelas: tetap berinvestasi sepenuhnya, karena hari-hari krusial itu tidak dapat diprediksi dan biaya melewatkannya sangat besar.

Statistik itu akurat. Tetapi tidak lengkap. Logika aritmatika yang sama berlaku secara terbalik, dan kasus terbalik jauh lebih menarik bagi siapa pun yang memikirkan manajemen risiko secara serius.

Artikel ini menyajikan analisis orisinal Quant Decoded atas argumen simetris ini — meneliti apa yang terjadi ketika Anda juga menghindari hari-hari terburuk bersama dengan hari terbaik — lalu mengeksplorasi tiga metode taktis berbasis penelitian untuk mengurangi eksposur dari kluster di mana hari-hari terburuk terkonsentrasi.

Statistik Klasik dan Cerminnya

Tabel di bawah menampilkan hasil total return S&P 500 dalam lima skenario dari 1993 hingga 2025, periode 32 tahun yang mencakup lima pasar bearish berbeda dan beberapa rezim volatilitas.

Sumber: Quant Decoded Research (analisis orisinal, 1993-2025). Indeks total return dengan dividen diinvestasikan kembali.

Hasil utamanya mencolok: menghindari 10 hari terburuk lebih dari melipattigakan kekayaan akhir dibandingkan beli-dan-tahan, menghasilkan $698.000 dari investasi $10.000 versus $198.000. Menghindari 20 hari terburuk menghasilkan $1.840.000.

Baris terakhir mengandung wawasan kritis. Ketika Anda menghindari 10 hari terbaik dan 10 hari terburuk secara bersamaan, return tahunan hampir tidak berubah — 10,8% versus 10,4%. Hari terbaik dan terburuk sebagian besar saling mengimbangi dalam kontribusi return. Ini berarti argumen beli-dan-tahan dan argumen balasannya simetris secara aritmatika, tetapi distribusi hari-hari ekstrem tersebut sama sekali tidak simetris dalam hal lokasi.

Dan lokasi adalah segalanya.

Mengapa Hari-Hari Ekstrem Berkluster

Argumen investasi pasif mengasumsikan bahwa Anda tidak dapat memprediksi kapan hari-hari terbaik terjadi, sehingga Anda harus tetap berinvestasi penuh untuk menangkapnya. Asumsi ini runtuh begitu Anda memeriksa di mana hari-hari ekstrem sebenarnya jatuh.

Dalam S&P 500 dari 1993 hingga 2025:

• 7 dari 10 hari tunggal terburuk terjadi ketika indeks sudah berada di bawah moving average 200 harinya
• 8 dari 10 hari tunggal terbaik juga terjadi ketika indeks berada di bawah moving average 200 harinya

Pengelompokan ini bukan kebetulan. Ini mencerminkan sifat persistensi volatilitas yang terdokumentasi dengan baik.

Engle (1982) memperkenalkan model ARCH yang menunjukkan bahwa volatilitas di pasar keuangan berkluster dalam waktu: pergerakan besar, baik positif maupun negatif, cenderung mengikuti pergerakan besar. Penelitian ini menghasilkan Nobel 2003 bagi Engle dan menetapkan landasan statistis untuk memahami mengapa hari-hari ekstrem tidak terjadi secara acak sepanjang kalender.

Data mengkonfirmasinya: rata-rata VIX pada 20 hari terburuk sejak 1993 adalah 42,3. Rata-rata VIX pada semua hari perdagangan lainnya adalah 16,1. Kluster hari terburuk tidak terdistribusi merata di seluruh rezim pasar; mereka terkonsentrasi secara luar biasa di lingkungan volatilitas tinggi — khususnya di pasar bearish dan pantulan pasar bearish yang keras yang menyertainya.

Ini menjelaskan paradoks nyata bahwa 8 dari 10 hari terbaik juga jatuh di bawah moving average 200 hari. Mereka adalah pembalikan sisi atas yang keras yang menjadi ciri pasar bearish: hari-hari ketika kondisi jenuh jual, short-covering, dan pengumuman kebijakan bergabung untuk menghasilkan keuntungan satu hari yang luar biasa besar. Mereka terjadi di lingkungan VIX tinggi, di bawah MA 200 hari yang sama seperti hari-hari terburuk. Menghindari rezim itu mengurangi eksposur terhadap keduanya, tetapi distribusi pergerakan ekstrem di pasar bearish miring negatif: hari-hari penurunan lebih sering dan lebih ekstrem daripada hari-hari kenaikan.

Sinyal rezim tidak dapat secara sempurna memisahkan hari terbaik dari hari terburuk dalam pasar bearish. Namun sinyal itu mengurangi rata-rata eksposur selama jendela ketika kluster hari terburuk paling mungkin meluas. Itulah nilai praktis dari pendekatan ini.

Tiga Metode Taktis

Tabel perbandingan berikut merangkum tiga metode berbasis penelitian untuk mengurangi eksposur terhadap kluster hari terburuk. Semua estimasi menggunakan data total return S&P 500 dari 1993 hingga 2025.

Drawdown maksimum beli-dan-tahan selama 1993-2025 adalah -51%, terjadi selama crash dot-com dan krisis keuangan 2008-2009. Ketiga metode secara substansial menguranginya.

Metode 1: Moving Average 200 Hari

Sinyal rezim paling sederhana adalah apakah indeks saat ini diperdagangkan di atas atau di bawah moving average 200 harinya. Ketika indeks ditutup di bawah MA 200 hari, kurangi atau hilangkan eksposur ekuitas; ketika ditutup di atas, pegang ekuitas penuh.

Landasan akademis untuk pendekatan ini ditetapkan oleh Faber (2007), yang menerapkan moving average 10 bulan pada data bulanan S&P 500 dari 1900 hingga 2006. Temuannya: aturan timing memotong drawdown maksimum dari 51% menjadi 26%, meningkatkan rasio Sharpe dari 0,27 menjadi 0,37, dan mengurangi return tahunan hanya 30 basis poin — dari 10,0% menjadi 9,7%. Yang penting, Faber menggunakan data yang mendahului kesadaran luas tentang strategi moving average, mengurangi risiko optimisasi dalam sampel.

Clare, Seaton, Smith dan Thomas (2017) memperluas analisis ini ke ekuitas, obligasi, dan komoditas di berbagai negara dan periode waktu. Temuan mereka: aturan timing moving average menghasilkan peningkatan risk-adjusted yang konsisten yang tidak dapat dikaitkan dengan penambangan data ekuitas AS.

Dalam analisis Quant Decoded, aturan MA 200 hari yang diterapkan pada S&P 500 dari 1993 hingga 2025 mengurangi drawdown maksimum dari -51% menjadi -18% dan meningkatkan rasio Sharpe sebesar 0,08 relatif terhadap beli-dan-tahan. Biayanya: rata-rata 4-6 perubahan posisi per tahun, dan underperformance yang terlihat pada 2010-2021 ketika strategi menghasilkan beberapa sinyal keluar palsu dalam pasar bull volatilitas rendah yang berkelanjutan.

Metode 2: Volatility Targeting

Daripada sinyal masuk/keluar biner, volatility targeting menskalakan eksposur ekuitas secara terus-menerus berdasarkan volatilitas realisasi terkini. Ketika volatilitas realisasi tinggi, kurangi bobot ekuitas; ketika rendah, pertahankan bobot penuh atau sedikit lebih tinggi. Targetnya adalah level volatilitas tahunan yang konstan — dalam analisis ini, 10%.

Dasar teoritis untuk pendekatan ini berasal dari Moreira dan Muir (2017), diterbitkan di Journal of Finance. Mereka menunjukkan bahwa portofolio yang dikelola volatilitasnya — yang menskalakan eksposur secara terbalik dengan varians realisasi bulan sebelumnya — meningkatkan rasio Sharpe di seluruh faktor pasar, nilai, momentum, dan profitabilitas. Mekanismenya adalah efek GARCH yang diidentifikasi oleh Engle: varians realisasi sangat persisten. Menskalakan ke bawah ketika volatilitas tinggi secara mekanis mengurangi eksposur sebelum kluster hari terburuk meluas.

Dalam analisis Quant Decoded, target volatilitas 10% yang diterapkan pada S&P 500 dari 1993 hingga 2025 menghasilkan peningkatan Sharpe terbesar dari ketiga metode (+0,12) dan mengurangi drawdown maksimum dari -51% menjadi -19%. Memerlukan penyesuaian posisi terus-menerus seiring perubahan volatilitas realisasi — dalam praktiknya kira-kira setiap hari — yang menciptakan kompleksitas implementasi lebih tinggi daripada sinyal MA 200 hari.

Biaya utama: volatility targeting mengurangi eksposur selama pemulihan volatilitas tinggi, bukan hanya penurunan volatilitas tinggi. Pada November 2020, ketika pasar melonjak setelah pengumuman uji coba vaksin, volatilitas realisasi tetap tinggi dari bulan-bulan sebelumnya yang bergejolak. Strategi volatility-targeting akan membawa eksposur ekuitas yang berkurang selama minggu itu, melewatkan sebagian besar kenaikan.

Metode 3: Filter Rezim VIX

Pendekatan ketiga menggunakan indeks VIX sebagai sinyal rezim. Ketika penutupan VIX minggu sebelumnya melebihi 25, kurangi eksposur ekuitas sebesar 50%; ketika turun di bawah 25, pertahankan ekuitas penuh. Ambang batas 25 adalah sekitar persentil ke-82 dari pengamatan VIX sejak 1993 — secara historis sekitar 18% dari hari perdagangan.

Analisis Quant Decoded menemukan bahwa 72% dari 30 hari tunggal terburuk S&P 500 sejak 1993 terjadi selama periode ketika VIX berada di atas 25 pada penutupan minggu sebelumnya. Oleh karena itu filter rezim VIX kurang presisi daripada volatility targeting tetapi lebih langsung dikalibrasi terhadap fenomena klusterisasi hari terburuk. Dalam analisis perbandingan, metode ini mengurangi drawdown maksimum dari -51% menjadi -22% dan meningkatkan rasio Sharpe sebesar 0,05.

Keterbatasan utama: VIX adalah semacam indikator lagging untuk guncangan mendadak. Sekitar 28% hari terburuk terjadi ketika VIX sebelumnya di bawah 25 — ini adalah kejutan sejati, seperti awal krisis sebelum pasar memperhitungkan ketakutan. Pada hari-hari terburuk tahun 2022, misalnya, VIX sudah melonjak ke level tinggi sebelum penurunan terbesar, yang berarti sinyal akan terpicu; tetapi untuk peristiwa seperti hari-hari pertama penjualan COVID pada akhir Februari 2020, VIX bergerak dari tenang ke tinggi dalam jendela cepat yang sama dengan penurunan pasar.

Biaya yang Jujur

Tidak ada ringkasan berbasis bukti tentang metode alokasi taktis yang lengkap tanpa memperhitungkan apa yang dikorbankan setiap pendekatan.

Ketiga strategi berkinerja di bawah beli-dan-tahan dalam return kumulatif 2010-2021. Ini adalah pasar bull volatilitas rendah berkelanjutan terpanjang dalam periode sampel: 11 tahun di mana valuasi berkembang, bank sentral memberikan akomodasi terus-menerus, dan volatilitas realisasi tetap tertekan kecuali episode singkat. Dalam lingkungan seperti itu, pendekatan apa pun yang mengurangi eksposur ekuitas — apakah dipicu oleh persilangan MA, volatilitas realisasi yang tinggi, atau VIX tinggi — menghasilkan hambatan tanpa manfaat kompensasi. Strategi MA 200 hari khususnya menghasilkan 3-4 whipsaw palsu per tahun pada periode sideways 2011, 2015-2016, dan awal 2018.

Pendekatan MA 200 hari juga membawa pertimbangan pajak di akun non-pensiun. Setiap keluar dari ekuitas merupakan peristiwa kena pajak, mengubah keuntungan yang belum terealisasi menjadi terealisasi. Dalam kerangka beli-dan-tahan yang efisien pajak, keuntungan yang sama akan telah berganda secara bebas pajak selama beberapa dekade.

Volatility targeting memiliki biaya perilaku tambahan. Selama reli tajam setelah periode volatilitas tinggi — tepat saat investor pasif merayakan disiplin mereka — investor volatility-targeting memegang ekuitas yang berkurang. Contoh reli vaksin November 2020 menggambarkan ini: strategi target vol 10% yang membawa eksposur ekuitas 50% ke dalam minggu itu hanya akan menangkap setengah keuntungan. Strategi ini secara mekanis benar tentang risiko secara ex ante tetapi dapat terasa sangat salah secara ex post selama pemulihan yang kuat.

Kebisingan filter VIX menciptakan versinya sendiri dari masalah ini. VIX dapat bertahan di atas 25 untuk periode yang diperpanjang selama rezim bergejolak tetapi akhirnya bullish — awal 2009, pertengahan 2020, dan sebagian 2022 semuanya melihat periode VIX > 25 yang diperpanjang di mana pasar akhirnya reli secara substansial dari level tertekan. Posisi setengah ekuitas melalui reli tersebut hanya menangkap sebagian sisi atas.

Kesimpulan Praktis

Bukti selama 1993-2025 menyarankan beberapa kesimpulan probabilistik tentang eksposur hari terburuk dan metode taktis ini.

Investor yang memegang ekuitas terutama di akun pensiun yang mendapat keuntungan pajak dan dapat mentoleransi 3-5 perubahan posisi per tahun cenderung memiliki hasil risk-adjusted yang lebih baik dengan aturan MA 200 hari daripada beli-dan-tahan selama rezim pasar volatilitas tinggi. Bukti Faber yang mencapai tahun 1900 mengurangi kekhawatiran tentang overfitting pada sampel pasca-1993.

Investor dengan kendala toleransi risiko jangka pendek — institusi dengan persyaratan modal terkait drawdown, atau individu yang mendekati pensiun — cenderung melihat manfaat praktis terbesar dari volatility targeting, karena penskalaan terus-menerus mencegah drawdown besar mendadak yang paling mengganggu rencana keuangan. Bukti Moreira dan Muir bahwa peningkatan bertahan di beberapa faktor mengurangi kekhawatiran bahwa ini adalah artefak yang ditambang dari data ekuitas AS.

Investor pasif jangka panjang yang bersedia bertahan melewati drawdown 40-50% dan yang memiliki horizon investasi panjang cenderung menemukan bahwa biaya operasional dan pajak dari metode-metode ini melebihi manfaat risk-adjusted, terutama dalam periode seperti 2010-2021 ketika biayanya paling terlihat dan manfaatnya tidak ada.

Argumen simetris di inti analisis ini bukan merupakan argumen untuk market timing aktif dalam pengertian tradisional. Ini adalah argumen bahwa pembingkaian "10 hari terbaik" tidak lengkap tanpa cerminnya — dan bahwa klusterisasi hari-hari ekstrem dalam rezim yang dapat diidentifikasi adalah fenomena empiris yang terdokumentasi, bukan prediksi. Apakah akan bertindak berdasarkan fenomena itu melibatkan biaya yang layak mendapat akuntansi eksplisit bersama potensi manfaatnya.