Cara Mendekati Prediksi Harga Kripto dengan Machine Learning (Tanpa Menipu Diri Sendiri soal Risiko)

Kripto menarik para data scientist—karena selalu ada indikator baru untuk dicoba, data tambahan untuk dikorek, dan model yang menjanjikan “sinyal yang lebih baik”. Tapi ada satu masalah: pasar kripto bisa cepat mengganti karakternya. Saat itu terjadi, prediksi yang tampak masuk akal di backtest bisa berantakan di trading live.

Tujuannya di sini bukan menolak machine learning. Yang ingin dilakukan adalah memakainya dengan cara yang lebih sulit untuk menipu diri sendiri—dengan menyelaraskan prediksi dengan hal yang memang bisa Anda eksekusi, serta menambatkan risiko ke R (unit risiko Anda), bukan sekadar nominal dolar.

Kenapa “price forecasting” kripto sering mengecewakan

Ada beberapa alasan yang cukup konsisten bikin forecast meleset.

• Model kesulitan memisahkan noise dari sinyal di pasar yang cepat berubah rezim.
• Prediksi bukan rencana trading. Sekalipun model bisa menaksir arah, Anda tetap butuh entry, stop, dan risk control.
• Banyak pendekatan ML menghasilkan arah atau probabilitas, tapi eksekusi tetap bergantung pada market structure (level, fair value, positioning) dan pada model risiko Anda.

Bingkai yang lebih bersih begini: forecasting bisa membantu Anda mengestimasi kemungkinan. Trading butuh keputusan apa yang akan Anda lakukan saat pasar bergerak, serta seberapa besar yang sanggup Anda rugikan kalau ternyata salah.

Apa yang sebaiknya diprediksi model dalam kripto?

Kalau ingin output ML yang benar-benar nyambung ke trading, fokus pada target yang bisa diukur dan dieksekusi.

Prediksi yang bisa ditradingkan, bukan khayalan

Pilih fitur/target yang bisa langsung dipakai:

• Regime yang mungkin terjadi: trend, range, atau chop
• Peluang kelanjutan (atau peluang skenario berbalik arah)
• Kondisi di sekitar fair value (apakah trader membayar lebih mahal, atau justru terisi lebih murah dibanding rata-rata?)

Buat target jadi terukur

Jangan pakai target “harga berikutnya”. Ganti dengan sesuatu yang terukur dan realistis dieksekusi, misalnya:

• probabilitas harga bergerak menguntungkan sebesar angka yang didefinisikan sebelum stop Anda tersentuh

Kalimat seperti ini memaksa model belajar perilaku yang nyambung ke eksekusi.

Tag regime saat entry

Di praktik, perbedaan regime sering lebih “bernilai” daripada sekadar mengutak-atik setelan indikator. Itu sebabnya model sebaiknya membantu Anda memilih playbook yang pas untuk kondisi sekarang.

Input model yang cenderung lebih transfer lintas simbol dan timeframe

Kesalahan yang umum adalah membangun fitur yang hanya work untuk satu simbol, satu timeframe, atau satu kondisi volatilitas. Input yang menggambarkan perilaku pasar biasanya lebih mudah dipindahkan.

Tambatkan “fairness” dengan VWAP

Masukkan:

• session VWAP (ditambatkan ke UTC 00:00)
• rolling VWAP untuk N bar terakhir

VWAP (Volume-Weighted Average Price) adalah harga rata-rata yang tertimbang volume perdagangan. Di futures kripto, VWAP bisa jadi jangkar fairness yang berguna:

• harga di atas session VWAP → pembeli rata-rata “membayar lebih mahal”
• harga di bawah session VWAP → penjual rata-rata terisi di harga yang lebih tinggi dari rata-rata harga yang dibayar

Baca funding sebagai sinyal biaya/positioning

Perpetual futures memakai funding rate untuk menjaga harga perp tetap dekat ke spot.

• Funding positif berarti long membayar short
• Funding negatif berarti short membayar long

Jangan perlakukan levelnya sebagai “sentimen”. Anggap itu sebagai sinyal biaya. Bagian yang paling actionable biasanya justru perubahan funding:

• persistently negatif → short yang ramai sedang membayar
• persistently positif → long yang ramai sedang membayar
• di sekitar nol dan cenderung mean-reverting → kondisi lebih seimbang

Gunakan order book untuk konteks entry—dengan hati-hati

Imbalance di order book (volume bid vs ask di dekat area sentuh) dan weighted depth bisa membantu timing entry di level-level tertentu.

Tapi tetap perlu cross-check dengan transaksi yang benar-benar terjadi. Spoofing memang ada: dinding palsu bisa hilang dalam sekejap. Kalau imbalance menunjukkan bid kuat, tapi transaksi terbaru terus saja sell, bisa jadi bid itu tidak benar-benar “niat”.

Tambahkan volatilitas dan kesadaran struktur

Fitur berbasis ATR membantu model memahami seberapa lebar pasar siap bergerak. Ini penting karena pola yang sama bisa punya perilaku berbeda di rezim volatilitas yang berbeda.

Mengubah sinyal kripto yang umum jadi aturan yang cocok untuk model

Banyak trader sudah memakai VWAP, funding, dan ide dari order book. Kuncinya adalah mengubahnya menjadi aturan yang bisa dipelajari model, bukan tafsir yang menggantung.

VWAP sebagai jangkar, bukan trigger tunggal

Perlakukan VWAP sebagai titik rujukan:

• harga di atas session VWAP berarti pembeli rata-rata membayar lebih mahal

Kalau Anda cenderung long, VWAP membantu Anda bertanya: apakah saya membeli di atas sesuatu yang pasar anggap fair? Kalau iya, alasan apa yang mendukung?

Retest VWAP di rezim trend

Struktur kelanjutan yang umum:

• setelah pergerakan session yang bersih, perhatikan retest pertama VWAP
• bisa jadi spot kelanjutan bernilai probabilitas tinggi kalau rezim masih mendukung perilaku trend

Kata kuncinya adalah kalau. Retest VWAP akan “bercerita” berbeda pada range vs trend.

Funding: perhatikan perubahan, bukan cuma tanda

Aturan praktis yang mudah diterjemahkan ke model:

• persistently negatif berkorelasi dengan short yang ramai membayar
• persistently positif berkorelasi dengan long yang ramai membayar
• nilai trading lebih banyak datang dari menemukan pergeseran daripada menatap level

Order book: timing di dekat level

Pakai imbalance untuk menentukan timing entry:

• level direbut kembali dengan dukungan bid → cenderung menguntungkan long
• ask resting yang tebal di atas harga saat ini menjadi hambatan upaya breakout

Sekali lagi: jadikan order book sebagai konteks. Jangan biarkan order book berdiri sendiri menjadi tesis.

Klasifikasi rezim sebagai fondasi desain ML Anda

Rezim adalah filter paling berguna untuk memilih playbook yang tepat.

Pakai tiga rezim praktis: trend, range, chop.

Trend

Trend adalah struktur yang mengarah:

• ADX yang meningkat
• higher-highs / higher-lows (atau kebalikannya untuk posisi short)

Trend paling cocok untuk momentum entry dan trailing exit.

Range

Range adalah osilasi di sekitar support/resistance yang bisa dikenali:

• ATR yang menyusut (ATR contracting)

Range paling cocok untuk entry fade/mean-reversion dengan stop yang lebih rapat dan exit yang sudah ditetapkan.

Chop

Chop itu berantakan:

• struktur tidak bersih
• sering terjadi stop-run

Aksi default: kurangi ukuran atau memilih tidak trading. Kalau memang harus entry, fokus hanya pada setup dengan keyakinan tertinggi dan terima stop yang lebih lebar.

Tag tiap trade dengan rezim saat entry. Dari waktu ke waktu, performa yang dipisahkan per rezim sering terlihat lebih jelas dibanding sekadar membandingkan “indikator A vs indikator B”.

Di mana machine learning dan deep learning benar-benar masuk

Agar tetap jujur secara tujuan, cara yang membantu adalah menyelaraskan ML dengan keputusan yang ingin Anda buat.

Prediksi probabilitas dan klasifikasi rezim

Gunakan ML/deep learning untuk mengestimasi:

• probabilitas kelanjutan vs reversal
• probabilitas kelas rezim saat ini

Bukan jalur harga berikutnya yang deterministik. Pasar tidak “berhutang” garis lurus kepada Anda.

Sequence models untuk event timing

Pendekatan sequence (deep learning) bisa berguna kalau Anda ingin mempelajari pola temporal di sekitar:

• retest VWAP
• perubahan funding
• pergeseran order-book

Petakan output ke eksekusi

Model harus menghasilkan output yang langsung nyambung ke eksekusi dan risk.

Kalau model hanya memberi sinyal “up” atau “down”, tapi Anda tidak bisa menerjemahkannya jadi timing entry dan logika stop, lama-lama Anda akan kembali bergantung pada penilaian yang subjektif.

Manajemen risiko: kualitas forecast tidak berarti apa-apa tanpa kontrol berbasis R

Model yang bagus pun bisa tetap rugi kalau logika risikonya tidak konsisten.

Tambatkan semuanya ke R

R adalah unit risiko Anda: selisih antara harga entry dan harga stop.

Semua performa sebaiknya dinyatakan dalam R:

• expectancy
• MFE (maximum favorable excursion)
• MAE (maximum adverse excursion)

Ini penting karena PnL dolar berubah sangat liar mengikuti volatilitas. Strategi yang menghasilkan +0.35R per trade menghasilkan +0.35R baik saat pasar tenang maupun liar; hasil dolar kemudian mengikuti sizing dan volatilitas.

Expectancy lebih mudah digeneralisasi kalau R konsisten

Saat mengevaluasi performa model, fokus ke expectancy dalam R. Konversi ke dolar cukup di akhir kalau Anda perlu untuk budgeting.

“Prediksi” tidak menggantikan stop

Forecast tidak mengubah cara stop Anda bekerja. Jarak stop, position sizing, dan aturan exit yang menentukan distribusi trade.

Sizing posisi dari ATR supaya jarak stop tetap masuk akal

Kalau ukuran tetap dan volatilitas bergerak, jarak stop yang “tersirat” akan ikut bergeser. Di situlah trader sering kaget.

Atur sizing agar 1-ATR adverse move sesuai risk budget

Position sizing sebaiknya ditambatkan ke ATR:

• set jarak stop = k * ATR
• tentukan k berdasarkan rezim

Rentang k yang umum:

• 1.0–1.5 di trend
• 1.5–2.0 di chop

Lalu sizing posisi dibuat supaya 1-ATR adverse move setara dengan risk budget Anda.

Kesalahan umum: fix position size dan membiarkan implied stop ikut “drift” saat volatilitas memuncak. Sistem bekerja sesuai rencana hanya kalau logika stop dan sizing sama-sama diskalakan.

Cara menghubungkan output model ke playbook eksekusi

Setelah Anda punya probabilitas rezim dan peluang kelanjutan, gunakan keduanya untuk menggerakkan playbook.

Bias trend + keyakinan model: scale into VWAP (jangan ngejar)

Daripada membeli candle breakout, pertimbangkan bertahap (laddering) di sekitar VWAP sebelumnya.

Struktur yang umum:

• 30% pada reclaim VWAP pertama
• 30% pada retest yang terkonfirmasi dengan sell-side depth yang lebih tipis
• 40% setelah higher-low terbentuk menyusul retest

Batalkan tranches yang tersisa kalau harga close kembali di bawah VWAP pada working timeframe.

Bias range: mean-reversion dengan exit yang ketat

Untuk kondisi range, lebih baik:

• stop yang ketat
• exit mendekati sisi seberang dari range

Jangan gunakan logika trend di sini. VWAP reclaim bisa berarti hal yang benar-benar berbeda saat harga berperilaku mean-reverting.

Chop: ukuran lebih kecil atau skip

Di chop:

• kecilkan ukuran atau lewati trading
• kalau tetap trading, pilih hanya setup dengan keyakinan tertinggi
• terima stop yang lebih lebar kalau memang struktur menuntut

Backtesting model: ukur yang benar

Backtest seharusnya menjawab pertanyaan tentang edge dan risiko, bukan cuma akurasi.

Evaluasi expectancy dalam R

Ini cara untuk menggeneralisasi lintas simbol dan rezim volatilitas. Metrik berbasis R membuat evaluasi tetap konsisten.

Lacak distribusi outcome

Jangan hanya cek win rate.

Lacak juga hal seperti:

• MAE/MFE dalam R untuk melihat sinyal datang cukup cepat atau tidak untuk logika stop Anda

Kalau MAE terus lebih besar dari stop yang Anda siapkan, edge Anda mungkin hanya ilusi karena timing eksekusi.

Stress-test per rezim

Tag setiap trade saat entry (trend/range/chop), lalu uji apakah performanya benar-benar berubah mengikuti rezim. Kalau model Anda “bagus di mana-mana”, itu sering berarti model sebenarnya tidak belajar struktur rezim sama sekali.

Checklist implementasi (dan apa yang dipantau saat live)

Kerja model selesai ketika eksekusi dimulai. Agar alignment lebih bersih, buat analisis dan eksekusi berada di venue yang sama.

XT Exchange adalah tempat feed market live kami memberi power snapshots dan sinyal.

Checklist praktis:

• Jika Anda trading perp tertentu, cek session VWAP pasangan tersebut, perilaku rolling VWAP, tren funding, dan order-book imbalance di XT.
• Gunakan chart live untuk memverifikasi regime tags Anda dan apakah skenario VWAP retest berjalan seperti yang diharapkan pada session saat ini.

Kripto bisa cepat berganti karakter. Pemantauan live adalah bagian dari riset.

Langkah berikutnya: cek input Anda di XT lalu bangun dengan risk berbasis R

Kalau Anda ingin menerapkan kerangka ini, mulai dari sederhana.

• Buka akun XT Anda dan trading pasangan BTC (atau perp favorit Anda) untuk mengamati session VWAP, rolling VWAP, perubahan funding, dan respons order-book secara real time.
• Setelah itu, terjemahkan output model ke logika entry/stop berbasis R dengan sizing yang digerakkan ATR supaya perilaku backtest dan perilaku live tetap konsisten.

Mulai dari satu simbol, tag trade berdasarkan rezim, baru kemudian tingkatkan kompleksitas.