Kevin Rasyaka Dananjaya Dorong Audit Model Kuantitatif Sebelum Diterapkan di Pasar Indonesia

WisataRakyat.Com –  Penerapan model investasi kuantitatif yang sebelumnya dikembangkan di pasar global ke Indonesia dinilai membutuhkan proses pengujian yang lebih mendalam. Perbedaan karakteristik pasar dapat membuat asumsi yang berhasil di satu negara tidak selalu memberikan hasil yang sama ketika diterapkan di negara lain.

Hal tersebut menjadi perhatian Kevin Rasyaka Dananjaya dalam pengembangan riset kuantitatif melalui Qyventra AI. Ia memperkenalkan konsep “Model Migration Audit”, sebuah pendekatan yang dirancang untuk mengevaluasi kembali kesiapan sebuah model sebelum digunakan pada pasar dengan karakteristik berbeda.

Menurut Kevin, proses migrasi model tidak cukup dilakukan dengan mengganti sumber data atau melakukan penyesuaian parameter. Peneliti juga perlu memastikan bahwa kondisi ekonomi, struktur pasar, perilaku investor, likuiditas, aturan perdagangan, dan biaya transaksi yang menjadi dasar model masih relevan.

“Ketika sebuah model berpindah pasar, bukan hanya datanya yang berubah. Lingkungan tempat model itu bekerja juga ikut berubah,” ujar Kevin.

Model Migration Audit diarahkan untuk menemukan bagian dari sebuah model yang mungkin mengalami penurunan validitas ketika diterapkan di lingkungan baru.

Kerangka tersebut tidak ditujukan untuk menghasilkan rekomendasi investasi maupun sinyal transaksi. Fokusnya adalah membantu proses penelitian dalam menentukan apakah suatu model masih dapat digunakan, perlu dimodifikasi, atau sebaiknya tidak diterapkan pada pasar tertentu.

Memindahkan Model Tidak Sama dengan Menyalin Formula

Model kuantitatif pada dasarnya dibangun dari sejumlah asumsi mengenai hubungan antara data, kondisi ekonomi, perilaku pelaku pasar, dan pergerakan harga.

Ketika model tersebut dikembangkan di pasar negara maju, terdapat kemungkinan bahwa lingkungan penelitian memiliki karakteristik tertentu yang mendukung performanya.

Ketersediaan data yang konsisten, likuiditas yang tinggi, kedalaman pasar, karakter investor institusional, serta mekanisme perdagangan yang relatif berbeda dapat menjadi bagian dari kondisi tersebut.

Ketika model dipindahkan ke Indonesia, sejumlah asumsi tersebut perlu diperiksa kembali.

Sebuah indikator keuangan, misalnya, dapat memiliki definisi yang berbeda atau tersedia dengan waktu publikasi yang tidak sama. Begitu pula dengan volume perdagangan yang secara nominal terlihat besar, tetapi belum tentu memberikan kapasitas eksekusi yang sama bagi sebuah strategi.

Perbedaan kecil pada aspek-aspek tersebut dapat memengaruhi hasil model secara keseluruhan.

Karena itu, menurut Kevin, pertanyaan utama dalam migrasi model bukan sekadar apakah formula dapat digunakan kembali, tetapi apakah alasan ekonomi dan hubungan statistik yang mendasari formula tersebut masih berlaku.

Enam Titik Pemeriksaan dalam Proses Audit

Dalam kerangka Model Migration Audit, Kevin mengidentifikasi sejumlah komponen yang perlu mendapatkan perhatian sebelum model digunakan pada pasar baru.

Kualitas dan Riwayat Data

Data menjadi fondasi utama penelitian kuantitatif. Namun, data yang terlihat serupa belum tentu memiliki karakteristik yang sama di setiap pasar.

Perbedaan standar pelaporan, metode perhitungan, waktu publikasi, frekuensi pembaruan, dan proses revisi dapat memengaruhi hasil penelitian.

Salah satu risiko yang perlu diperhatikan adalah penggunaan informasi historis yang pada kenyataannya belum tersedia ketika keputusan investasi seharusnya dilakukan.

Jika kondisi tersebut terjadi, hasil backtest dapat menjadi terlalu optimistis.

Karena itu, audit perlu memperhatikan timestamp informasi, riwayat perubahan data, serta potensi bias akibat data yang tidak lengkap.

Kedalaman Likuiditas

Volume perdagangan bukan satu-satunya indikator yang menunjukkan kemampuan sebuah strategi untuk melakukan transaksi.

Model juga harus mempertimbangkan spread, kedalaman order book, ukuran posisi, konsentrasi transaksi, turnover, serta waktu yang dibutuhkan untuk membuka dan menutup posisi.

Sebuah peluang yang terlihat menarik berdasarkan data historis belum tentu dapat direalisasikan apabila transaksi dalam jumlah tertentu menyebabkan harga bergerak secara signifikan.

Dalam pendekatan Model Migration Audit, persoalan tersebut dianggap sebagai bagian dari validitas strategi, bukan sekadar persoalan teknis pada tahap eksekusi.

Karakteristik Investor

Struktur investor dapat memberikan pengaruh besar terhadap cara sebuah informasi diterjemahkan menjadi pergerakan harga.

Investor institusional, investor ritel, dan investor asing dapat memiliki horizon investasi, toleransi risiko, serta respons yang berbeda terhadap informasi ekonomi maupun perusahaan.

Perbedaan struktur tersebut dapat menyebabkan sinyal yang sama memiliki arti yang berbeda di pasar yang berbeda.

Karena itu, audit juga perlu mengevaluasi apakah asumsi mengenai perilaku investor masih relevan dengan kondisi pasar Indonesia.

Sistem dan Regulasi Perdagangan

Model investasi juga harus berhadapan dengan aturan dan infrastruktur pasar.

Jam perdagangan, batas pergerakan harga, mekanisme penyelesaian transaksi, penghentian perdagangan, aksi korporasi, dan ketentuan partisipasi investor dapat memengaruhi implementasi strategi.

Sebuah model yang dirancang untuk melakukan penyesuaian posisi dengan cepat dapat menghadapi kondisi berbeda apabila pasar tujuan memiliki mekanisme perdagangan atau pembatasan yang berbeda.

Aturan pasar, dengan demikian, perlu menjadi bagian dari proses validasi sejak awal.

Biaya dan Kualitas Eksekusi

Hasil simulasi tidak selalu mencerminkan hasil yang dapat diperoleh ketika strategi benar-benar digunakan.

Biaya transaksi, spread, pajak, slippage, serta market impact dapat mengurangi keuntungan statistik yang sebelumnya terlihat dalam backtest.

Risiko tersebut menjadi semakin penting bagi strategi yang memiliki frekuensi transaksi tinggi.

Karena itu, Model Migration Audit mendorong pengujian biaya eksekusi sebagai bagian dari desain penelitian, bukan sekadar tambahan setelah model dianggap berhasil.

Ketahanan Model Ketika Pasar Tertekan

Kondisi pasar yang ekstrem dapat mengubah hubungan antar-aset.

Aset yang terlihat memiliki korelasi rendah dalam kondisi normal dapat bergerak secara bersamaan ketika terjadi peningkatan volatilitas atau penurunan likuiditas.

Situasi tersebut dapat menyebabkan diversifikasi yang sebelumnya terlihat efektif menjadi kurang mampu mengurangi risiko.

Model karena itu perlu memiliki indikator yang jelas mengenai kapan tingkat eksposur harus dikurangi, tingkat keyakinan terhadap output harus diturunkan, atau penggunaan model perlu dihentikan.

Penolakan Model Juga Bisa Menjadi Temuan Penting

Dalam dunia riset kuantitatif, model yang menghasilkan backtest positif sering kali menjadi perhatian utama.

Namun, menurut Kevin, kemampuan untuk mengetahui kapan model tidak lagi dapat dipercaya memiliki nilai yang sama pentingnya.

Sebuah model dapat menunjukkan hasil yang menarik karena overfitting, kebocoran informasi, keterbatasan data, atau kondisi pasar tertentu yang hanya berlangsung sementara.

Tanpa mekanisme untuk mendeteksi kelemahan tersebut, peneliti berisiko menganggap hubungan yang bersifat sementara sebagai pola yang permanen.

Qyventra AI karena itu menempatkan dokumentasi mengenai batas model sebagai bagian dari proses penelitian.

Dokumentasi tersebut dapat mencakup ketergantungan terhadap data tertentu, batas kapasitas transaksi, tingkat likuiditas minimum, indikator anomali, serta kondisi yang menunjukkan penurunan kualitas model.

Hasil audit tidak harus berakhir dengan keputusan untuk menggunakan model.

Dalam kondisi tertentu, model dapat dinilai membutuhkan penelitian lanjutan. Pada kondisi lain, model mungkin harus disesuaikan atau bahkan tidak direkomendasikan untuk diterapkan.

“Menemukan bahwa sebuah model tidak cocok untuk suatu pasar bukan berarti penelitian tersebut gagal,” kata Kevin. “Justru hasil itu dapat menunjukkan bahwa proses validasi mampu menemukan batas penggunaan model sebelum risiko yang lebih besar muncul.”

Peran AI Tetap Membutuhkan Pengawasan Manusia

Perkembangan artificial intelligence membuka peluang baru dalam penelitian investasi.

Teknologi machine learning dapat membantu menganalisis hubungan yang kompleks dalam data, sementara natural language processing dapat digunakan untuk memproses laporan perusahaan, dokumen keuangan, pengumuman, dan berbagai informasi berbasis teks.

Namun, meningkatnya kemampuan AI juga membawa kebutuhan akan pengawasan yang lebih kuat.

Semakin kompleks sebuah model, semakin penting pula pemahaman mengenai sumber data, asumsi, keterbatasan, serta kondisi yang dapat menyebabkan hasilnya menjadi tidak relevan.

Qyventra AI menempatkan AI sebagai alat bantu penelitian, bukan sebagai pengganti pengambilan keputusan manusia.

Melalui Model Migration Audit, peneliti didorong untuk memahami informasi yang digunakan sistem, kondisi pasar yang diasumsikan, potensi kekurangan data, serta situasi yang harus menyebabkan output AI diperiksa kembali oleh manusia.

Dengan pendekatan tersebut, hasil AI tidak diperlakukan sebagai sebuah kepastian otomatis.

Output model harus tetap dapat diuji, dipertanyakan, dikoreksi, dan dihentikan apabila bukti yang tersedia menunjukkan bahwa asumsi awal sudah tidak berlaku.

Pasar Indonesia Sebagai Laboratorium Pengujian Model Global

Konsep yang dikembangkan Kevin juga menempatkan Indonesia bukan hanya sebagai penerima model investasi dari pasar global.

Karakteristik Indonesia justru dapat digunakan untuk menguji seberapa kuat sebuah model ketika berhadapan dengan kondisi pasar yang berbeda.

Ketersediaan data, struktur likuiditas, komposisi investor, praktik keterbukaan informasi perusahaan, dan sistem perdagangan dapat memperlihatkan kelemahan yang sebelumnya tidak terlihat dalam pasar asal model.

Dari proses tersebut, sebuah model dapat mengalami berbagai kemungkinan.

Model mungkin membutuhkan penyesuaian lokal, penggunaannya dapat dibatasi, tingkat keyakinannya dapat diturunkan, atau penerapannya dapat dihentikan.

Dalam kerangka tersebut, keberhasilan migrasi tidak semata-mata ditentukan oleh apakah model akhirnya digunakan.

Penelitian dianggap berhasil apabila mampu menjelaskan secara transparan perubahan kondisi yang ditemukan, asumsi yang tetap bertahan, asumsi yang gagal, serta alasan yang mendasari keputusan akhir.

Kevin bersama Qyventra AI selanjutnya akan mengembangkan kajian mengenai lokalisasi model, pengaruh likuiditas terhadap strategi, biaya eksekusi, karakter investor, pengawasan AI, serta indikator yang dapat menunjukkan terjadinya degradasi model.

Seluruh materi penelitian tersebut akan diarahkan untuk tujuan metodologis dan edukasi. Tidak ada rekomendasi mengenai sekuritas tertentu, target harga, janji imbal hasil, maupun instruksi transaksi dalam materi tersebut.

Tentang Kevin Rasyaka Dananjaya dan Qyventra AI

Kevin Rasyaka Dananjaya menaruh perhatian pada global equities, quantitative investing, systematic trading, portfolio management, risk control, dan pengembangan riset kuantitatif dengan dukungan artificial intelligence.

Melalui Qyventra AI, ia mengembangkan penelitian mengenai validasi model, analisis kuantitatif, serta penerapan pengawasan manusia dalam sistem berbasis AI.

Fokus tersebut mencakup bagaimana metode investasi global dapat diuji kembali sebelum diterapkan pada pasar Asia dan negara berkembang dengan karakteristik data, regulasi, likuiditas, dan struktur investor yang berbeda.

Pendekatan Qyventra AI menekankan pentingnya transparansi asumsi, pemahaman terhadap keterbatasan model, serta adanya kriteria yang jelas untuk melakukan pemeriksaan manusia maupun menghentikan penggunaan sebuah model.

Kontak Media

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

Disclaimer: Informasi dalam siaran pers ini hanya ditujukan untuk kepentingan informasi umum dan edukasi. Materi ini bukan merupakan nasihat investasi, rekomendasi sekuritas, jaminan keuntungan, atau panduan untuk melakukan transaksi keuangan. Pembahasan mengenai model kuantitatif, artificial intelligence, dan metodologi penelitian merupakan bagian dari konsep dan arah riset, bukan pernyataan mengenai kinerja investasi pada masa mendatang. Pandangan yang disampaikan tidak mewakili posisi institusi mana pun, baik saat ini maupun sebelumnya.

***