Risiko & Pengukuran

Sebuah strategi yang menghasilkan return 15% per tahun dalam backtesting hanya memberikan 2,3% setelah diluncurkan secara live — dan studi tahun 2014 oleh Bailey dan Lopez de Prado menunjukkan bahwa kesenjangan semacam ini bukan pengecualian, melainkan hal yang lazim. Penyebabnya bukan nasib buruk. Penyebabnya adalah pengukuran yang keliru.

Metrik yang kita percaya sering kali menyesatkan

Sharpe ratio, angka yang paling sering dikutip dalam keuangan kuantitatif, mengasumsikan bahwa return mengikuti kurva distribusi normal yang rapi. Dalam praktiknya, hal ini jarang terjadi. Strategi dengan payoff mirip opsi, eksposur tail risk, atau leverage dapat menghasilkan Sharpe ratio yang terlihat luar biasa — tepat sampai drawdown yang dahsyat mengungkap apa yang selama ini disembunyikan oleh metrik tersebut. Strategi yang mengumpulkan keuntungan kecil secara konsisten sambil menyerap kerugian besar yang jarang terjadi bisa tampak jauh lebih aman daripada kenyataannya.

Bahkan ketika Sharpe ratio diukur dengan benar, bias seleksi akan menggelembungkannya. Jika Anda menguji seratus variasi strategi dan melaporkan yang terbaik, Sharpe ratio pemenang hampir pasti terlalu tinggi. Deflated Sharpe Ratio, yang diperkenalkan oleh Bailey dan Lopez de Prado, mengoreksi hal ini dengan memperhitungkan jumlah percobaan yang dilakukan — koreksi yang mengubah banyak hasil "mengesankan" menjadi noise statistik.

Backtesting bukan bukti

Kesenjangan antara kinerja backtested dan live adalah salah satu fenomena yang paling terdokumentasi dengan baik dalam keuangan kuantitatif. Overfitting terhadap data historis, mengabaikan biaya transaksi, dan gagal memodelkan dampak pasar — semuanya bersekongkol untuk membuat return di atas kertas terlihat lebih baik dari kenyataan. Harvey, Liu, dan Zhu berargumen bahwa ambang batas t-statistik tradisional sebesar 2,0 terlalu rendah mengingat banyaknya hipotesis yang telah diuji di bidang ini. Ambang batas 3,0 yang mereka usulkan menyaring sebagian besar penemuan palsu.

Pengukuran sebagai fondasi

Pengukuran risiko yang jujur bukan urusan pinggiran — ia adalah fondasi tempat setiap keputusan lain dalam investasi kuantitatif bertumpu. Position sizing bergantung pada estimasi volatilitas. Pemilihan strategi bergantung pada analisis drawdown. Konstruksi portofolio bergantung pada pengukuran korelasi. Ketika salah satu input ini keliru, keputusan-keputusan selanjutnya akan memperbesar kesalahan tersebut.

Artikel-artikel di bagian ini membedah alat dan jebakan pengukuran risiko: apa yang sebenarnya disampaikan Sharpe ratio (dan apa yang tidak), bagaimana maximum drawdown mengungkap risiko yang terlewatkan oleh metrik berbasis varians, mengapa volatility targeting dapat menstabilkan return, dan bagaimana biaya transaksi secara diam-diam menggerus alpha hasil backtest. Tujuannya bukan untuk mengecilkan analisis kuantitatif, melainkan untuk menjadikannya lebih ketat — karena di bidang ini, kualitas pengukuran Anda menentukan kualitas hasil Anda.