Kevin Rasyaka Dananjaya Kembangkan Model Migration Audit untuk Menguji Model Kuantitatif Global di Indonesia

SamuderaPikiran.Com –  Membawa sebuah model investasi kuantitatif dari pasar maju ke Indonesia tidak cukup hanya dengan menyalin formula dan menjalankan kembali sistem yang sama.

Menurut Kevin Rasyaka Dananjaya, tantangan terbesar justru dapat muncul ketika asumsi yang menjadi fondasi sebuah model bertemu dengan karakteristik pasar yang berbeda.

Perbedaan kualitas data, mekanisme pelaporan perusahaan, tingkat likuiditas, komposisi investor, regulasi perdagangan, hingga biaya transaksi dapat memengaruhi apakah sebuah model masih menghasilkan informasi yang relevan ketika diterapkan di lingkungan baru.

Atas dasar pemikiran tersebut, Kevin memperkenalkan konsep “Model Migration Audit” melalui arah riset kuantitatif Qyventra AI. Pendekatan ini dirancang untuk menguji kembali berbagai asumsi sebuah model global sebelum model tersebut digunakan untuk menganalisis pasar Indonesia atau pasar lain yang memiliki karakteristik berbeda.

Model Migration Audit tidak diarahkan untuk menghasilkan rekomendasi saham, sinyal transaksi, ataupun prediksi harga aset tertentu. Fokusnya adalah melakukan pemeriksaan terhadap kondisi yang dapat menyebabkan sebuah model kehilangan validitas setelah keluar dari lingkungan tempat model tersebut pertama kali dibangun dan diuji.

“Memindahkan sebuah model bukan sekadar memindahkan formula dari satu pasar ke pasar lain,” ujar Kevin. “Yang harus diperiksa adalah apakah kondisi yang membuat formula tersebut bekerja masih tersedia di pasar tujuan.”

Ketika Model yang Sama Tidak Lagi Menghasilkan Makna yang Sama

Sebuah model kuantitatif biasanya dibangun menggunakan kombinasi data historis, variabel tertentu, asumsi ekonomi, serta hasil pengujian sebelumnya.

Namun, performa model tidak berdiri sendiri. Hubungan antara variabel dan hasil investasi sangat mungkin dipengaruhi oleh karakteristik pasar tempat model tersebut dikembangkan.

Misalnya, faktor investasi yang menggunakan data laporan keuangan dengan standar pelaporan sangat konsisten dapat menghasilkan karakteristik berbeda ketika diterapkan pada pasar dengan tingkat kelengkapan data atau jadwal publikasi yang berbeda.

Hal serupa berlaku pada strategi yang bergantung pada likuiditas tinggi. Volume perdagangan yang terlihat besar belum tentu berarti seluruh transaksi dapat dilakukan pada harga yang digunakan dalam simulasi.

Selain itu, hasil backtest berdasarkan harga historis dapat mengalami perubahan ketika kondisi dunia nyata seperti spread bid-ask, slippage, keterlambatan eksekusi, dan market impact dimasukkan ke dalam perhitungan.

Karena alasan tersebut, Kevin memandang migrasi model sebagai proses validasi tersendiri.

Pertanyaan utamanya bukan hanya apakah model dapat dibuat ulang untuk pasar Indonesia, tetapi apakah hubungan ekonomi, perilaku pasar, dan asumsi statistik yang mendasarinya masih memiliki relevansi.

Melalui Qyventra AI, proses tersebut dikembangkan sebagai pemeriksaan menyeluruh yang mengikuti perjalanan model sejak memperoleh data hingga menghasilkan keputusan yang berhubungan dengan eksekusi.

Enam Komponen Utama dalam Model Migration Audit

Menurut kerangka yang dikembangkan Kevin, terdapat sedikitnya enam area yang perlu diperiksa sebelum sebuah model kuantitatif diterapkan di pasar yang berbeda.

1. Keandalan Data dan Kronologi Informasi

Data keuangan dengan istilah atau indikator yang sama belum tentu memiliki definisi dan metode penghitungan yang identik di setiap negara.

Perbedaan dapat muncul pada standar pelaporan, frekuensi publikasi, proses revisi, maupun kelengkapan arsip historis.

Persoalan yang lebih serius dapat muncul apabila sistem backtest menggunakan data berdasarkan versi terbaru, padahal informasi tersebut belum tersedia bagi investor pada waktu keputusan seharusnya dibuat.

Hal tersebut dapat menciptakan bias dan menghasilkan gambaran kinerja historis yang terlalu optimistis.

Karena itu, audit perlu memastikan kapan informasi sebenarnya dipublikasikan, apakah data tersebut kemudian mengalami perubahan, serta bagaimana data yang tidak lengkap atau tidak konsisten memengaruhi hasil penelitian.

2. Likuiditas Nyata dan Kemampuan Strategi Menyerap Transaksi

Likuiditas tidak dapat diukur hanya dengan melihat angka volume transaksi.

Instrumen yang memiliki volume harian tinggi belum tentu menyediakan kedalaman pasar yang cukup untuk menjalankan transaksi dalam ukuran tertentu tanpa memengaruhi harga.

Spread, kondisi antrean order, ukuran posisi, konsentrasi transaksi, turnover, serta waktu yang dibutuhkan untuk membuka atau menutup posisi merupakan faktor yang dapat menentukan kelayakan sebuah strategi.

Dalam kerangka Model Migration Audit, kemampuan untuk benar-benar memperdagangkan peluang menjadi bagian dari pengujian terhadap sinyal itu sendiri.

Dengan demikian, sebuah peluang yang terlihat menarik secara statistik tetapi tidak realistis untuk dieksekusi tidak seharusnya diperlakukan sama dengan peluang yang benar-benar dapat diperdagangkan.

3. Struktur dan Perilaku Pelaku Pasar

Pasar keuangan terdiri dari berbagai kelompok investor dengan karakteristik berbeda.

Investor institusional, investor individu, maupun investor asing dapat memiliki cara yang berbeda dalam merespons laporan keuangan, sentimen, perubahan kondisi ekonomi, nilai tukar, dan likuiditas.

Sebuah sinyal yang di pasar tertentu mencerminkan aktivitas investor institusional dapat memiliki interpretasi berbeda ketika struktur investor di pasar tujuan tidak sama.

Kepemilikan asing, tingkat partisipasi investor ritel, serta konsentrasi kepemilikan juga dapat memengaruhi bagaimana informasi diserap oleh pasar.

Oleh karena itu, migrasi model perlu menilai kembali apakah asumsi mengenai perilaku investor masih sesuai dengan struktur pasar lokal.

4. Regulasi, Mekanisme Perdagangan, dan Infrastruktur

Sebuah model juga tidak beroperasi dalam ruang kosong.

Jam perdagangan, batas pergerakan harga, mekanisme settlement, penghentian perdagangan, aksi korporasi, serta ketentuan mengenai partisipasi investor dapat memberikan dampak langsung terhadap pelaksanaan strategi.

Aturan tersebut dapat menentukan kapan transaksi dapat dilakukan, seberapa cepat posisi dapat disesuaikan, dan apakah sistem dapat menjalankan keputusan sesuai dengan rancangan awal ketika pasar mengalami volatilitas tinggi.

Kevin menilai bahwa aspek-aspek tersebut harus dimasukkan ke dalam penelitian sejak awal, bukan baru diperiksa setelah model selesai dikembangkan.

5. Biaya Eksekusi dan Dampak Transaksi

Keunggulan statistik yang terlihat dalam simulasi belum tentu bertahan ketika strategi diterapkan pada kondisi pasar sebenarnya.

Biaya komisi, pajak, spread, slippage, serta market impact dapat mengurangi hasil strategi secara signifikan.

Dampaknya dapat semakin besar pada model yang melakukan transaksi secara lebih sering atau menggunakan instrumen dengan kapasitas pasar yang terbatas.

Karena itu, biaya transaksi sebaiknya menjadi bagian dari proses pengujian sejak tahap awal pengembangan model.

Dengan pendekatan tersebut, peneliti tidak hanya bertanya apakah sebuah strategi menghasilkan sinyal yang baik, tetapi juga apakah sinyal tersebut masih memiliki nilai setelah seluruh biaya pelaksanaan diperhitungkan.

6. Perubahan Korelasi Saat Pasar Mengalami Tekanan

Diversifikasi yang terlihat efektif pada kondisi normal tidak selalu bertahan ketika pasar berada dalam situasi ekstrem.

Ketika volatilitas meningkat atau likuiditas menyusut, aset yang sebelumnya bergerak relatif independen dapat mengalami peningkatan korelasi.

Kondisi tersebut dapat membuat beberapa strategi yang semula berfungsi sebagai penyeimbang justru menghadapi sumber risiko yang sama.

Oleh sebab itu, model perlu memiliki parameter yang jelas mengenai kondisi yang mengharuskan pengurangan eksposur, penurunan tingkat kepercayaan terhadap hasil, atau penghentian sementara penggunaan model.

Aturan tersebut idealnya ditentukan sebelum terjadi penurunan performa sehingga keputusan tidak dibuat berdasarkan penjelasan retrospektif.

Kegagalan Model Bukan Selalu Berarti Kegagalan Penelitian

Dalam penelitian kuantitatif, keberhasilan backtest dan kemampuan prediksi sering menjadi indikator utama.

Namun, Kevin menilai bahwa penelitian yang baik juga harus mampu menjawab pertanyaan sebaliknya: dalam kondisi apa model tersebut tidak lagi dapat dipercaya?

Tanpa mekanisme tersebut, peneliti dapat kesulitan membedakan hubungan ekonomi yang benar-benar berkelanjutan dari hasil overfitting, kualitas data yang buruk, kebocoran informasi, atau fenomena pasar yang hanya bersifat sementara.

Karena itu, Qyventra AI mengembangkan pendekatan yang mendorong setiap model untuk memiliki dokumentasi mengenai sumber data, batas likuiditas, kapasitas strategi, ambang anomali, serta indikator yang menunjukkan penurunan kualitas model.

Hasil akhir audit tidak harus berupa keputusan untuk menggunakan model.

Dalam kondisi tertentu, penelitian dapat menyimpulkan bahwa model perlu disesuaikan lebih lanjut. Dalam kasus lain, model dapat dinilai belum tepat untuk digunakan di pasar tujuan.

Bagi Kevin, keputusan untuk tidak menerapkan sebuah model dapat menjadi hasil penelitian yang valid apabila keputusan tersebut diperoleh melalui proses evaluasi yang sistematis.

“Tujuan sistem yang matang bukan membuat model selalu benar,” kata Kevin. “Tujuannya adalah mengetahui kapan kesalahan mulai muncul dan memiliki dasar yang jelas untuk menghentikan kepercayaan terhadap kesimpulan model.”

AI Harus Disertai Proses Validasi yang Lebih Ketat

Perkembangan artificial intelligence memungkinkan peneliti mengolah informasi dalam skala yang jauh lebih besar.

Machine learning dapat digunakan untuk mencari pola statistik yang kompleks, sementara natural language processing dapat membantu mengolah laporan keuangan, pengumuman perusahaan, dokumen pasar, serta berbagai informasi berbasis teks.

Namun, semakin besar kemampuan analisis yang dimiliki sistem, semakin penting pula proses validasinya.

Model yang kompleks dapat memiliki lebih banyak ketergantungan terhadap data dan lebih sulit dijelaskan dibandingkan pendekatan yang sederhana.

Persoalan tersebut menjadi semakin penting ketika model AI diterapkan pada pasar yang memiliki sistem pelaporan, karakter investor, likuiditas, dan mekanisme perdagangan yang berbeda dari pasar asal.

Dalam riset Qyventra AI, AI diposisikan sebagai sarana untuk meningkatkan kemampuan analisis, bukan sebagai pengganti keputusan manusia.

Model Migration Audit menempatkan sejumlah pertanyaan penting dalam proses validasi, seperti informasi apa yang digunakan sistem, asumsi pasar apa yang mendasari output, bagian data mana yang berpotensi tidak lengkap, serta kondisi apa yang harus memicu pemeriksaan manusia.

Dengan pendekatan tersebut, AI tidak diposisikan sebagai sumber kepastian otomatis.

Sebaliknya, hasil yang dihasilkan sistem harus tetap dapat diperiksa, dipertanyakan, diuji ulang, dan dihentikan apabila kondisi pasar sudah tidak mendukung asumsi yang digunakan.

Indonesia Bukan Sekadar Pasar Tujuan

Salah satu aspek penting dari pendekatan Kevin adalah melihat proses migrasi sebagai pengujian dua arah.

Model global memang dapat dibawa ke Indonesia untuk diuji. Namun, karakteristik pasar Indonesia juga dapat digunakan untuk menguji kelemahan model tersebut.

Ketersediaan data lokal, struktur likuiditas, karakteristik investor, sistem pengungkapan perusahaan, dan regulasi perdagangan dapat memperlihatkan asumsi yang sebelumnya tidak terlihat ketika model dikembangkan di pasar asal.

Hasil pengujian tersebut dapat menghasilkan berbagai kemungkinan.

Model mungkin perlu dilokalkan, cakupan penggunaannya dapat dipersempit, tingkat kepercayaan terhadap output dapat dikurangi, atau penerapan model di Indonesia dapat ditolak.

Dengan demikian, Indonesia tidak diposisikan sebagai sekadar tempat untuk menjalankan model global.

Pasar Indonesia dapat menjadi lingkungan penelitian yang memberikan tantangan baru sekaligus membantu mengungkap batas-batas metodologi yang sebelumnya dianggap berlaku secara umum.

Keberhasilan migrasi model pun tidak semestinya hanya diukur berdasarkan apakah model akhirnya digunakan.

Ukuran yang lebih penting adalah apakah peneliti mampu menjelaskan perubahan kondisi pasar, asumsi yang tetap valid, asumsi yang tidak lagi berlaku, serta alasan di balik keputusan akhir.

Ke depan, Kevin dan Qyventra AI berencana memperluas pengembangan kerangka penelitian tersebut untuk pasar Indonesia dengan sejumlah fokus, termasuk lokalisasi model, penyesuaian likuiditas, biaya eksekusi, struktur investor, pengawasan AI, dan indikator degradasi model.

Materi yang dihasilkan dari penelitian ini akan tetap bersifat metodologis dan edukatif. Tidak terdapat rekomendasi terhadap saham tertentu, target harga, jaminan imbal hasil, maupun instruksi untuk melakukan pembelian atau penjualan aset keuangan.

Mengenal Kevin Rasyaka Dananjaya dan Qyventra AI

Kevin Rasyaka Dananjaya berfokus pada bidang global equities, quantitative investing, systematic trading, portfolio management, risk control, serta riset kuantitatif yang memanfaatkan artificial intelligence.

Melalui Qyventra AI, Kevin mengembangkan kajian yang berhubungan dengan validasi model, analisis kuantitatif, serta pengawasan manusia terhadap sistem berbasis AI.

Perhatian utama riset tersebut mencakup bagaimana metode investasi yang dikembangkan secara global dapat diuji kembali dan disesuaikan dengan karakteristik data, aturan perdagangan, tingkat likuiditas, dan struktur investor yang terdapat di pasar Asia serta negara berkembang.

Pendekatan yang dikembangkan menekankan pentingnya penggunaan teknologi AI secara bertanggung jawab, dengan memastikan setiap model memiliki asumsi yang jelas, keterbatasan yang dapat diidentifikasi, serta kriteria yang menentukan kapan manusia perlu melakukan pemeriksaan atau model harus dihentikan.

Kontak Media

Kontak: Kevin Rasyaka Dananjaya
Email: info@kevinryasakadananjaya.com
Website: https://www.kevinryasakadananjaya.com/

Disclaimer: Informasi dalam materi ini disampaikan untuk kepentingan edukasi dan informasi umum. Materi ini bukan merupakan nasihat investasi, rekomendasi atas sekuritas tertentu, jaminan keuntungan, maupun panduan perdagangan. Pembahasan mengenai model kuantitatif, artificial intelligence, dan metodologi penelitian merupakan gambaran mengenai konsep serta arah penelitian dan tidak dapat dianggap sebagai klaim mengenai kinerja di masa mendatang. Pandangan yang disampaikan tidak mewakili posisi institusi mana pun, baik yang saat ini maupun sebelumnya terkait dengan pihak yang disebutkan.

***