 |
| Ilustrasi: Kevin Rasyaka Dananjaya Perkenalkan Konsep Model Migration Audit melalui Qyventra AI. |
BanyuwangiTerkini.ID - Apa yang kemungkinan besar mengalami perubahan ketika sebuah model kuantitatif yang telah teruji di pasar negara maju mulai diterapkan di Indonesia?
Menurut Kevin Rasyaka Dananjaya, persoalannya belum tentu berasal dari kode atau formula yang digunakan dalam model tersebut. Tantangan justru dapat muncul dari asumsi mengenai kondisi pasar yang menjadi dasar model, mulai dari kualitas dan cara pelaporan data keuangan, distribusi likuiditas, karakteristik pelaku pasar, aturan perdagangan, hingga biaya dan kondisi eksekusi.
Berangkat dari persoalan tersebut, Kevin memperkenalkan konsep “Model Migration Audit” dalam arah riset kuantitatif Qyventra AI. Metodologi ini dirancang untuk mengevaluasi kembali asumsi-asumsi penting yang melekat pada sebuah model investasi global sebelum digunakan di Indonesia maupun pasar lain yang memiliki karakteristik data, likuiditas, dan mekanisme perdagangan berbeda.
Riset tersebut tidak ditujukan untuk menghasilkan sinyal perdagangan atau memberikan prediksi terhadap kinerja saham tertentu. Fokus utamanya adalah mengidentifikasi bagian-bagian model yang berpotensi mengalami distorsi, kehilangan efektivitas, atau menjadi kurang dapat diandalkan ketika dipindahkan dari lingkungan pasar tempat model tersebut awalnya dikembangkan.
“Model dapat disalin, tetapi lingkungan yang membuat model tersebut bekerja tidak serta-merta ikut berpindah,” ujar Kevin. “Ketika kualitas data, kondisi perdagangan, dan perilaku pelaku pasar berbeda, penggunaan formula yang sama belum tentu menghasilkan penerapan logika investasi yang sama.”
Formula Dapat Tetap Sama, tetapi Logika Investasinya Bisa Berubah
Model investasi kuantitatif umumnya dinilai berdasarkan sinyal, variabel, serta hasil pengujian historisnya. Namun, di balik setiap model terdapat kondisi pasar tertentu yang turut memengaruhi bagaimana model tersebut bekerja.
Sebagai contoh, sebuah faktor investasi yang dikembangkan berdasarkan laporan perusahaan dengan standar pengungkapan yang sangat terstruktur dapat menghasilkan karakteristik berbeda di pasar yang memiliki kedalaman informasi dan jadwal publikasi yang tidak sama.
Demikian pula, portofolio yang dirancang berdasarkan asumsi likuiditas tinggi dan berkesinambungan dapat menghadapi tantangan ketika aktivitas transaksi hanya terkonsentrasi pada sejumlah instrumen tertentu.
Sinyal yang terlihat efektif ketika menggunakan harga penutupan historis juga belum tentu memberikan hasil serupa setelah memperhitungkan spread bid-ask, keterlambatan eksekusi, slippage, serta dampak transaksi terhadap harga pasar.
Karena itu, menurut Kevin, pemindahan model ke pasar baru harus dipandang sebagai persoalan riset tersendiri, bukan sekadar proses penyesuaian teknis.
Pertanyaan yang perlu dijawab bukan hanya apakah sebuah model dapat dikalibrasi ulang, tetapi juga apakah hubungan ekonomi yang menjadi dasar model tersebut masih berlaku dalam kondisi pasar lokal.
Melalui Qyventra AI, konsep Model Migration Audit mengorganisasi proses tersebut sebagai rangkaian validasi yang mencakup seluruh tahapan, mulai dari sumber data awal hingga keputusan eksekusi di pasar.
Enam Aspek yang Perlu Divalidasi Ulang
Kevin mengusulkan setidaknya enam aspek utama yang perlu diperiksa sebelum sebuah model kuantitatif dinilai layak diterapkan di pasar baru.
1. Definisi Data dan Waktu Publikasi
Indikator keuangan yang memiliki nama serupa belum tentu dihitung menggunakan metode, standar pengungkapan, maupun prosedur revisi yang sama di setiap negara.
Perbedaan juga dapat ditemukan pada konsistensi data historis, frekuensi pelaporan, serta cakupan informasi yang tersedia.
Salah satu risiko penting muncul apabila sistem riset tidak mencatat kapan suatu informasi pertama kali tersedia dan versi historis dari data tersebut. Dalam kondisi tertentu, backtest dapat secara tidak sengaja menggunakan informasi yang pada saat itu sebenarnya belum tersedia bagi investor.
Situasi tersebut berpotensi membuat performa historis sebuah model terlihat lebih baik daripada hasil yang secara realistis dapat dicapai.
Karena itu, audit migrasi perlu memeriksa kapan informasi tersedia, apakah data tersebut mengalami revisi, serta bagaimana data yang hilang atau tidak konsisten dapat menimbulkan bias sistematis.
2. Likuiditas dan Kapasitas Perdagangan
Volume transaksi yang tercatat tidak selalu menggambarkan jumlah likuiditas yang benar-benar dapat dimanfaatkan oleh sebuah strategi.
Sebuah saham dapat terlihat aktif berdasarkan volume harian, tetapi belum tentu memiliki kedalaman pasar yang memadai pada harga yang diasumsikan oleh model.
Spread bid-ask, kondisi order book, ukuran posisi, konsentrasi turnover, serta waktu yang diperlukan untuk masuk atau keluar dari posisi dapat menentukan apakah peluang yang ditemukan secara teoritis benar-benar dapat dieksekusi.
Dalam Model Migration Audit, likuiditas diperlakukan sebagai bagian dari validitas sinyal investasi, bukan sekadar faktor tambahan yang diperiksa setelah proses penelitian selesai.
3. Komposisi Investor
Karakteristik investor institusional, investor ritel, dan investor asing dapat berbeda dalam merespons informasi laba, sentimen pasar, perubahan nilai tukar, maupun kondisi likuiditas.
Sinyal yang pada satu pasar mencerminkan aktivitas rebalancing investor institusional mungkin memiliki arti berbeda ketika diterapkan di Indonesia.
Struktur kepemilikan asing serta dominasi investor domestik juga dapat memengaruhi kecepatan dan cara informasi tercermin dalam harga aset.
Oleh sebab itu, proses audit perlu mengevaluasi apakah asumsi perilaku yang tertanam dalam model masih sesuai dengan struktur investor di pasar tujuan.
4. Aturan Perdagangan dan Infrastruktur Pasar
Jam perdagangan, batas perubahan harga, mekanisme penyelesaian transaksi, prosedur penghentian perdagangan, perlakuan terhadap aksi korporasi, serta ketentuan partisipasi investor asing merupakan sejumlah faktor yang dapat memengaruhi perjalanan sebuah sinyal hingga menjadi transaksi.
Peraturan tersebut dapat menentukan kapan transaksi dapat dilakukan, seberapa cepat portofolio dapat disesuaikan, serta apakah model mampu merespons kondisi pasar sesuai dengan rancangan awalnya.
Menurut Kevin, infrastruktur pasar seharusnya menjadi bagian dari proses validasi model dan bukan diperlakukan sebagai persoalan administratif yang berada di luar penelitian kuantitatif.
5. Biaya Transaksi, Slippage, dan Dampak Pasar
Sebuah strategi dapat menunjukkan keunggulan statistik selama tahap penelitian, tetapi kehilangan keunggulan tersebut setelah biaya eksekusi diperhitungkan.
Komisi, pajak, spread bid-ask, slippage, dan market impact dapat berbeda secara signifikan berdasarkan negara, bursa, kapitalisasi pasar, maupun kondisi perdagangan.
Model dengan tingkat turnover tinggi biasanya memiliki sensitivitas lebih besar terhadap perubahan biaya tersebut.
Karena itu, Model Migration Audit menempatkan pengujian biaya eksekusi sebagai bagian dari pengembangan model, bukan sekadar perhitungan tambahan setelah strategi dipilih.
6. Korelasi Saat Kondisi Pasar Mengalami Tekanan
Sejumlah aset yang terlihat memiliki diversifikasi baik dalam kondisi pasar normal dapat bergerak ke arah yang sama ketika volatilitas meningkat atau likuiditas mengalami penurunan.
Korelasi historis tidak bersifat permanen. Dalam kondisi tekanan pasar, beberapa sinyal yang sebelumnya berfungsi sebagai penyeimbang dapat menghadapi sumber risiko yang sama.
Karena itu, model perlu memiliki kriteria yang telah ditentukan sebelumnya mengenai kapan tingkat keyakinan harus dikurangi, eksposur risiko diturunkan, atau penggunaan model dihentikan sementara.
Keputusan tersebut sebaiknya didasarkan pada aturan yang telah terdokumentasi sebelum terjadi penurunan kinerja, bukan berdasarkan penjelasan yang baru dibuat setelah model mengalami kegagalan.
Keenam aspek tersebut membentuk jalur audit yang menghubungkan kualitas data, konstruksi model, desain portofolio, hingga eksekusi di pasar nyata.
Tujuannya bukan membuktikan bahwa sebuah model akan selalu berhasil, melainkan menentukan kondisi yang dapat menjadi alasan untuk tidak lagi mempercayai model tersebut.
Model yang Ditolak Tetap Dapat Menjadi Hasil Riset yang Bernilai
Penelitian kuantitatif sering kali memberikan perhatian besar pada kemampuan prediksi, efisiensi komputasi, dan keberhasilan backtest.
Namun, Kevin menilai bahwa kondisi yang dapat menyebabkan sebuah model gagal juga perlu mendapatkan perhatian yang sama.
Sistem yang hanya menjelaskan alasan mengapa sebuah model mungkin berhasil tetapi tidak mampu menunjukkan bukti yang dapat membatalkan kesimpulannya akan menghadapi kesulitan dalam membedakan hubungan yang benar-benar bertahan dari overfitting, kontaminasi data, maupun perubahan rezim pasar sementara.
Melalui metodologi yang dikembangkan di Qyventra AI, setiap model diharapkan memiliki dokumentasi mengenai ketergantungan terhadap data, batas likuiditas, asumsi kapasitas, ambang anomali, serta aturan ketika kinerja model mulai mengalami degradasi sebelum memasuki tahap penerapan praktis.
Hasil audit dapat menunjukkan bahwa sebuah model masih membutuhkan proses lokalisasi. Audit juga dapat menyimpulkan bahwa metode tersebut belum sesuai untuk pasar tujuan.
Dalam pendekatan ini, keputusan untuk menolak atau menunda penggunaan sebuah model tidak otomatis dianggap sebagai kegagalan penelitian. Sebaliknya, keputusan tersebut dapat menjadi indikator bahwa mekanisme validasi telah bekerja sebagaimana mestinya.
“Suatu sistem yang matang tidak mengharuskan model selalu benar,” kata Kevin. “Yang dibutuhkan adalah pemahaman mengenai kapan sebuah kesalahan mulai muncul dan bukti seperti apa yang seharusnya membuat pengguna berhenti mempercayai kesimpulan awal.”
Qyventra AI Menghubungkan Kecerdasan Buatan dengan Disiplin Validasi
Perkembangan kecerdasan buatan memungkinkan penelitian investasi memproses informasi dalam jumlah dan jenis yang semakin besar.
Machine learning dapat digunakan untuk membantu menemukan hubungan statistik yang kompleks. Sementara itu, natural language processing dapat mendukung analisis laporan keuangan, keterbukaan informasi perusahaan, pengumuman, dokumen pasar, serta berbagai sumber informasi berbasis teks.
Namun, peningkatan kemampuan analisis juga diikuti dengan kebutuhan validasi yang lebih kuat.
Model yang semakin kompleks dapat menjadi lebih sulit untuk dijelaskan dan semakin bergantung pada kualitas data yang digunakan. Ketika sebuah model dipindahkan ke pasar dengan praktik pengungkapan, perilaku investor, tingkat likuiditas, dan mekanisme perdagangan yang berbeda, jumlah asumsi tersembunyi juga dapat bertambah.
Dalam arah riset Qyventra AI, kecerdasan buatan ditempatkan sebagai alat untuk memperluas kemampuan analisis, bukan sebagai pengganti penilaian manusia, pengendalian risiko, maupun disiplin investasi.
Model Migration Audit karena itu mendorong peneliti untuk menjelaskan informasi apa yang digunakan oleh model berbasis AI, kondisi pasar apa yang diasumsikan, bagian mana dari data yang berpotensi tidak lengkap, serta kondisi apa yang seharusnya memicu pemeriksaan manusia atau penolakan terhadap hasil model.
Pendekatan ini berbeda dari narasi yang menempatkan kecerdasan buatan sebagai sumber kepastian yang berdiri sendiri.
Qyventra AI justru menitikberatkan pada kemampuan sebuah kesimpulan berbasis AI untuk diperiksa, diuji kembali, dipertanyakan, dan dihentikan ketika kondisi pasar tidak lagi mendukung kesimpulan tersebut.
Indonesia sebagai Lingkungan untuk Menguji Metode Global
Arah penelitian yang diusulkan Kevin tidak menempatkan Indonesia hanya sebagai pasar tujuan bagi model global yang sudah selesai dikembangkan.
Sebaliknya, kondisi pasar Indonesia juga dapat digunakan untuk menguji kembali ketahanan model tersebut.
Ketersediaan data lokal, distribusi likuiditas, karakteristik investor, praktik pengungkapan perusahaan, serta aturan perdagangan dapat mengungkap asumsi-asumsi yang sebelumnya tidak terlihat dalam lingkungan pasar asal model.
Temuan tersebut dapat mendorong peneliti untuk melakukan penyesuaian, mempersempit cakupan penggunaan, mengurangi tingkat keyakinan terhadap hasil model, atau bahkan menolak penerapannya di pasar Indonesia.
Dengan perspektif tersebut, Indonesia bukan sekadar dataset baru yang menerima metode kuantitatif yang telah ada. Pasar Indonesia dapat menjadi lingkungan penelitian yang membantu mengidentifikasi keterbatasan model global sekaligus mendorong pengembangan metodologi yang lebih sesuai.
Pendekatan ini juga mengubah cara keberhasilan migrasi model dinilai.
Keberhasilan tidak semata-mata ditentukan oleh apakah model akhirnya digunakan. Yang lebih penting adalah kemampuan tim riset untuk menjelaskan kondisi apa yang berubah, asumsi mana yang tetap berlaku, asumsi mana yang tidak lagi valid, serta bagaimana temuan tersebut memengaruhi keputusan akhir.
Kevin dan Qyventra AI berencana melanjutkan pengembangan serangkaian pertanyaan riset yang terstruktur untuk pasar Indonesia, dengan fokus pada lokalisasi model, penyesuaian terhadap likuiditas, biaya eksekusi, komposisi investor, pengawasan terhadap kecerdasan buatan, serta kondisi yang menunjukkan terjadinya degradasi model.
Seluruh materi terkait akan tetap diarahkan pada aspek metodologis dan edukatif. Materi tersebut tidak akan memberikan rekomendasi terhadap sekuritas tertentu, target harga, jaminan keuntungan, maupun instruksi untuk membeli atau menjual aset keuangan.
Tentang Kevin Rasyaka Dananjaya dan Qyventra AI
Kevin Rasyaka Dananjaya memiliki fokus penelitian pada global equities, investasi kuantitatif, systematic trading, manajemen portofolio, pengendalian risiko, serta riset kuantitatif berbasis kecerdasan buatan.
Melalui Qyventra AI, ia mengembangkan penelitian yang berkaitan dengan validasi model, pengawasan manusia, dan analisis kuantitatif, khususnya mengenai bagaimana metode investasi global dapat divalidasi kembali dan disesuaikan dengan karakteristik data, aturan perdagangan, kondisi likuiditas, serta struktur investor di pasar Asia dan negara berkembang.
Riset tersebut menekankan penggunaan kecerdasan buatan dan teknologi analitis secara bertanggung jawab, termasuk melalui penjelasan asumsi model, identifikasi keterbatasan, serta penetapan kondisi yang mengharuskan dilakukannya pemeriksaan manusia atau penghentian penggunaan model.
Kontak Media
Kontak: Kevin Rasyaka Dananjaya
Email: info@kevinrasyakadananjaya.com
Website: https://www.kevinryasakadananjaya.com/
Disclaimer: Materi ini disediakan semata-mata untuk tujuan informasi umum dan edukasi. Materi ini bukan merupakan nasihat investasi, rekomendasi sekuritas, jaminan keuntungan, maupun panduan untuk melakukan transaksi. Pembahasan mengenai model, kecerdasan buatan, dan metodologi penelitian menggambarkan arah riset konseptual dan bukan merupakan klaim mengenai kinerja di masa mendatang. Pandangan yang disampaikan tidak mewakili posisi institusi mana pun, baik saat ini maupun sebelumnya.
***