Mengapa orang yang pandai menjelaskan masa lalu selalu salah dalam meramalkan masa depan?

Tanya AI · Mengapa Overfitting dalam Investasi Kuantitatif Mengubah Pemenang Sejarah Menjadi Kalah di Masa Depan?

“Overfitting” dalam Kehidupan

#01

Sebuah “Kebohongan” yang Dirancang dengan Teliti

Jika Anda menunjukkan sebuah kurva nilai bersih yang hampir sempurna kepada manajer dana kuantitatif—dengan drawdown yang sangat kecil, keuntungan yang sangat tinggi, dan pola volatilitas yang seperti detak jantung. Kemungkinan besar dia tidak akan merasa terkesan, melainkan akan bertanya dingin: “Apakah Anda yakin strategi ini tidak overfit?”

Penelitian kuantitatif, seperti semua penelitian lain, berusaha mencari pola dari data harga historis yang sangat banyak, tetapi pola ini bukan untuk menjelaskan masa lalu, melainkan untuk meramalkan masa depan.

Yang disebut “overfitting”, secara sederhana adalah, model Anda tampil sangat baik sehingga selain mampu menjelaskan masa lalu, ia sama sekali tidak tahu apa-apa tentang masa depan.

Mengapa dalam dunia investasi, menjelaskan masa lalu dan meramalkan masa depan bisa bertentangan?

Berikut tiga gambar yang menunjukkan penyebab “overfitting” terjadi:

Gambar kiri adalah “underfitting”, yang hanya menemukan bahwa titik biru sebagian besar di kiri, titik oranye di kanan, tetapi garis batasnya terlalu sederhana;

Gambar tengah adalah “model sempurna”, yang menggunakan kurva sederhana untuk menggambarkan garis batas antara titik biru dan oranye, hanya beberapa titik yang tidak sesuai model, bisa dianggap sebagai “noise”, model seperti ini memiliki kemampuan generalisasi, yaitu kemampuan untuk menerapkan pengalaman tertentu ke lebih banyak situasi.

Gambar kanan adalah “overfitting”, yang tidak hanya mencoba menggambarkan garis batas titik biru dan oranye, bahkan memasukkan beberapa titik yang jelas sebagai “noise” ke dalam model, sehingga tampak sangat kompleks.

Bayangkan, meskipun model ini tampil sangat baik di data pelatihan, begitu masuk ke lingkungan nyata, menghadapi data masa depan yang acak dan belum pernah dilihat, model ini akan dengan cepat gagal.

“Overfitting” terjadi karena Anda terlalu ingin menemukan strategi yang sempurna, misalnya rasio Sharpe lebih dari 2, drawdown maksimal kurang dari 5%, dan seterusnya. Padahal pasar keuangan adalah lingkungan dengan rasio sinyal terhadap noise yang sangat rendah, sebagian besar fluktuasi harga sebenarnya adalah noise acak yang tidak bermakna. Jika Anda mengejar indikator performa yang ekstrem, algoritma Anda akan secara otomatis menyesuaikan diri untuk memenuhi noise tersebut, menganggap noise sebagai sinyal, dan saat membangun strategi, hasilnya hanyalah produk yang secara kebetulan cocok dengan sampel historis tertentu.

Seperti gambar kanan, strategi “overfit” seringkali terus menambah berbagai filter, misalnya “hanya beli pada hari Selasa”, “MACD golden cross dan hari itu hujan di Beijing”, dan lain-lain, sementara strategi dengan 20 parameter jauh lebih mudah “menyusun” kurva nilai bersih yang menarik di data historis dibandingkan strategi dengan 2 parameter, dan lebih rentan terhadap overfitting.

Contohnya, jika menggunakan komputer untuk menganalisis hasil lotere sebelumnya, selama parameter cukup banyak, pasti bisa menemukan rumus yang menjelaskan pola nomor pemenang sebelumnya secara sempurna, tetapi setelah pengundian berikutnya, strategi itu akan gagal, dan Anda harus menambah parameter lagi.

Inti dari overfitting adalah, menggunakan model yang terlalu kompleks untuk menjelaskan dunia yang penuh ketidakpastian dan acak.

Menariknya, “jebakan komputasi” ini sebenarnya sering terjadi di otak kita sendiri setiap hari. Dalam tingkat tertentu, banyak pandangan hidup kita yang mendalam sebenarnya adalah bentuk overfitting terhadap pengalaman hidup tertentu.

#02

Empirisme adalah Overfitting

Otak manusia memiliki sekitar 86 miliar neuron, cukup “kapasitas” untuk mengingat setiap luka, keberhasilan, dan momen emosional yang kuat, lalu mengkodekannya sebagai bobot keputusan di masa depan. Ini adalah keunggulan evolusi untuk bertahan hidup, tetapi juga membawa risiko “overfitting”.

Hanya saja, overfitting dalam strategi kuantitatif adalah kebetulan yang sangat tepat, sedangkan overfitting di otak manusia seringkali berupa bias kasar.

Bayangkan seseorang yang dua kali berturut-turut bertemu mitra kerja yang tampak sangat antusias tetapi kemudian mengecewakannya, mungkin akan membentuk dua model kognitif:

Model yang benar: Saya perlu melakukan riset latar belakang lebih matang sebelum bekerja sama dan bertahap dalam menginvestasikan sumber daya.

Model overfit: Semua orang yang antusias tidak layak dipercaya. Jika mereka menunjukkan antusiasme, saya otomatis menjauh.

Yang kedua ini adalah model keputusan yang terlalu spesifik dan kehilangan kemampuan generalisasi, sehingga di masa depan bisa membantu menghindari “penipu yang antusias”, tetapi juga bisa membuatnya melewatkan mitra yang tulus dan bersemangat.

Seumur hidup seseorang, mungkin hanya beberapa puluh kejadian besar yang benar-benar mengubah jalur takdirnya:

Memilih universitas, memilih pekerjaan;

Memilih pasangan, menetap di kota tertentu;

Investasi besar di tahun tertentu, atau melakukan perubahan besar saat krisis.

Menggunakan hanya puluhan sampel untuk memodelkan dunia nyata yang sangat kompleks dan tak terbatas secara dimensi, secara matematis, overfitting hampir pasti terjadi.

Seperti tiga gambar sebelumnya, kebanyakan orang tidak puas dengan model tengah, melainkan mencoba menggunakan model kanan yang overfit untuk menjelaskan masa lalu dan memandu masa depan.

Selain itu, dalam strategi kuantitatif, kita sering menggunakan return sebagai feedback untuk memperkuat model; sedangkan dalam kognisi manusia, rasa sakit dan kebahagiaan adalah sinyal feedback yang paling kuat. Sebuah pengalaman menyakitkan yang ekstrem bisa memperbarui bobot secara jauh lebih besar daripada pengalaman yang lembut, seperti bobot yang diberikan pada satu kejadian ekstrem dalam backtest.

Ketika seseorang meraih keberhasilan melalui “usaha + keberuntungan”, otaknya akan dengan cepat menyusun rangkaian logika yang sangat kompleks. Ia akan mengaitkan suhu hari itu, perilaku, bahkan kutipan yang dipegang saat itu, sebagai faktor utama keberhasilan. Ia yakin telah memecahkan kode dunia, padahal mungkin itu hanya sekadar cahaya acak dari takdir di tengah noise.

Fenomena “overfitting” ini sering disebut sebagai “empirisme”, yaitu menggunakan sampel terbatas untuk membangun model keputusan yang terlalu rumit, sehingga mengorbankan kemampuan generalisasi di situasi yang tidak diketahui.

Lebih buruk lagi, meskipun otak manusia juga mengalami overfitting, tidak ada mekanisme ilmiah yang secara otomatis memperbaikinya seperti dalam strategi kuantitatif.

#03

Tidak Ada Data Uji dalam Kehidupan

Untuk mencegah overfitting, dalam kuantitatif ada berbagai metode ilmiah, seperti membagi data menjadi data pelatihan dan data pengujian, membangun logika di data pelatihan, lalu menguji di data pengujian, atau melatih di data lama dan memvalidasi di data baru.

Tapi kehidupan tidak pernah punya data uji, tidak ada pelatihan kedua, dan tidak bisa mengulang kembali ke sungai yang sama. Kehidupan tidak bisa menyalin diri sendiri untuk menguji apakah pengalaman tetap berlaku di dunia paralel.

Lebih penting lagi, manusia memiliki mekanisme pertahanan psikologis yang membuat kita sulit menyadari bahwa pengalaman hidup yang kita banggakan mungkin hanyalah overfitting terhadap periode tertentu.

Misalnya, bias konfirmasi, ketika seseorang sudah memegang sebuah kepercayaan, otaknya akan aktif mencari bukti yang mendukungnya dan mengabaikan bukti yang bertentangan. Ini seperti menambahkan parameter ke model overfit agar bisa menyesuaikan data baru, tetapi semakin jauh dari kebenaran.

Contoh lain, bias atribusi: saat keberhasilan, kita cenderung mengaitkannya dengan kemampuan sendiri; saat gagal, kita menyalahkan keberuntungan atau faktor eksternal. Mekanisme feedback yang tidak seimbang ini membuat kita sulit menilai strategi secara objektif seperti seorang trader kuantitatif.

Namun, dengan menyadari hal ini, manusia bisa membangun mekanisme koreksi sendiri.

#04

Isolasi Pengalaman

Trader kuantitatif untuk menghindari overfitting, biasanya menyisihkan “data blind test” di mana mereka tidak boleh melihatnya sebelum strategi final dan parameter terkunci. Setelah semuanya selesai, baru data ini digunakan untuk pengujian akhir.

Manusia juga bisa meniru pendekatan ini.

Ketika Anda membentuk sebuah keyakinan (model) yang kuat, jangan buru-buru menganggapnya sebagai kebenaran mutlak. Ciptakan “zona isolasi” di dalam pikiran, sebelum membuat keputusan besar dalam hidup, Anda bisa membuka “zona isolasi” ini, misalnya:

Mencari bidang baru yang benar-benar berbeda dari pengalaman sebelumnya

Mencari bukti yang bertentangan dengan kepercayaan Anda

Mencari sudut pandang yang belum pernah Anda pertimbangkan

Membaca buku dari sudut pandang yang berlawanan

Bertanya kepada orang dengan latar belakang berbeda

……

Lalu tanyakan pada diri sendiri, apakah pengalaman yang saya pelajari ini didasarkan pada logika yang dapat diulang, atau hanya kebetulan saat itu? Jika berganti orang dan waktu, apakah logika yang sama masih berlaku?

Untuk setiap pelajaran yang sangat berkesan, ingatkan diri: “Ini mungkin hanya satu contoh, jangan ambil kesimpulan terlalu kuat.”

Selain itu, bangunlah pola pikir probabilitas, anggap pandangan Anda sebagai distribusi probabilitas, bukan nilai tetap. Ketika ada informasi baru, perbarui probabilitas posterior, bukan menolak semua atau mempertahankan semuanya.

#05

Jalan Terbaik adalah Sederhana

Zhuangzi berkata: “Hidupku terbatas, pengetahuan tak terbatas. Dengan yang terbatas mengikuti yang tak terbatas, sudah cukup.”

Bagaimana manusia menggunakan pengalaman terbatas (data uji) untuk menghadapi kemungkinan tak terbatas (masa depan)?

Dalam investasi kuantitatif, ada konsep terkenal “bencana dimensi”, di mana setiap penambahan parameter tampaknya meningkatkan kemampuan penjelasan, tetapi justru menurunkan stabilitas dan daya hidup model secara eksponensial. Sebagian besar strategi kuantitatif yang sukses memiliki kurang dari lima faktor inti yang tidak terkait.

Trader berpengalaman lebih suka menggunakan strategi yang sederhana, berdasarkan logika ekonomi dasar atau struktur pasar mikro. Misalnya, “mean reversion” didasarkan pada psikologi ketakutan dan keserakahan manusia, yang tidak hanya berlaku 100 tahun lalu, tetapi juga kemungkinan besar akan tetap berlaku 100 tahun ke depan.

Semakin sederhana logikanya, semakin mampu melampaui berbagai siklus karena lebih mampu menangkap esensi daripada meniru bentuk noise.

Pendekatan investasi Buffett juga sangat sederhana—perusahaan bagus + bunga majemuk, dan hampir tidak berubah, cukup stabil sehingga banyak orang menganggap Buffett biasa saja.

Hidup pun demikian.

Jalur sukses yang sangat kompleks bergantung pada koneksi tertentu, kebijakan tertentu, dan keuntungan industri tertentu, sangat rentan runtuh saat lingkungan berubah secara mendadak. Sebaliknya, strategi “sederhana” yang didasarkan pada akal sehat dan logika dasar (seperti kejujuran, bunga majemuk, belajar seumur hidup, pengelolaan risiko), meskipun hasilnya tidak spektakuler dalam jangka pendek, memiliki ketahanan yang lebih kuat dan mampu menuntun Anda melewati berbagai siklus kehidupan.

Ini adalah penafsiran modern dari “大道至简” yang dirangkum orang zaman dulu, dan juga prinsip “Ockham’s Razor” dalam filsafat Barat.

Jangan berusaha menganalisis semua kegagalan, maupun mencoba menyesuaikan setiap keberhasilan. Terimalah keberadaan acak, selalu skeptis terhadap pengalaman Anda sendiri, dan pertahankan kesederhanaan dalam strategi hidup.