Analisis Walk-Forward untuk Mencegah Curve Fitting - Prosedur Optimasi EA yang Benar

Saat mengoptimalkan parameter menggunakan Strategy Tester MT5, Anda akan menemukan parameter yang menunjukkan hasil terbaik pada data historis. Namun, "parameter terbaik" tersebut berpotensi terlalu disesuaikan dengan data historis (curve fitting). Analisis walk-forward adalah metode untuk mencegah over-optimasi semacam ini.

Apa itu Curve Fitting (Over-Optimasi)?

Masalah optimasi backtest:
Parameter terbaik untuk data 10 tahun terakhir → tidak berlaku di masa depan

Contoh: saat mengoptimalkan periode EMA dalam rentang 10 hingga 50

Nilai yang telah dioptimalkan (EMA=21) memang terbaik dalam backtest, tetapi seringkali mengecewakan di masa depan. Inilah yang disebut curve fitting.

Cara Kerja Analisis Walk-Forward

Analisis walk-forward membagi data menjadi "periode optimasi (in-sample)" dan "periode validasi (out-of-sample)", lalu mengulangnya secara kronologis untuk mendeteksi over-optimasi.

【Contoh Pembagian Data (10 tahun)】

├─ Periode Optimasi ─┤─ Periode Validasi ─┤
2015–2018             2019     → Turunkan Parameter A, validasi di 2019
     ↓
2016–2019             2020     → Turunkan Parameter B, validasi di 2020
     ↓
2017–2020             2021     → Turunkan Parameter C, validasi di 2021
     ↓
（diulang seterusnya）

Dengan mengumpulkan hasil dari setiap periode validasi, kita dapat menilai apakah "parameter EA ini tetap stabil meskipun kondisi pasar berubah".

Cara Melakukan Analisis Walk-Forward (MT5)

Strategy Tester MT5 saat ini belum mendukung analisis walk-forward secara langsung. Berikut metode alternatif yang dapat digunakan.

Metode ①: Pembagian Manual In-Sample / Out-of-Sample

Langkah-langkah:

1. Atur periode backtest 2015–2020 dan lakukan optimasi
2. Pilih 3–5 parameter teratas dari hasil optimasi
3. Jalankan backtest dengan parameter yang dipilih pada periode 2021–2025 (out-of-sample)
4. Bandingkan PF periode optimasi dengan PF out-of-sample

Kriteria Evaluasi (Efisiensi Walk-Forward):
WFE = PF Out-of-Sample ÷ PF In-Sample × 100%

WFE ≥ 60% → Lulus (tidak ada over-optimasi)
WFE 40–60% → Perlu dipantau
WFE < 40% → Diduga curve fitting (jangan digunakan)

Metode ②: Menggunakan Alat Pihak Ketiga

• Strategy Quant X: Mampu mengotomatisasi analisis walk-forward
• Walk-Forward Optimization MT5 (experimental): Tersedia di beberapa versi tertentu

Hal-hal yang Perlu Diperhatikan Saat Optimasi

Perhatian ①: Batasi Variabel Optimasi Menjadi 1–2 Parameter

Semakin banyak parameter yang dioptimalkan secara bersamaan, semakin tinggi risiko curve fitting.

✅ Baik: Hanya mengoptimalkan periode EMA (10–50, step 5)
❌ Buruk: Mengoptimalkan periode EMA × multiplier ATR × periode RSI secara bersamaan

Menambah variabel optimasi hanya meningkatkan kemungkinan menemukan kombinasi terbaik secara kebetulan akibat "ledakan kombinasi".

Perhatian ②: Jangan Gunakan Parameter Top-1 dari Hasil Optimasi

Parameter dengan PF tertinggi dalam daftar hasil optimasi adalah parameter yang paling mungkin mengalami curve fitting.

Gunakan pendekatan berikut sebagai gantinya:

Pendekatan yang Direkomendasikan:
1. Ekstrak 20% parameter teratas
2. Cari kelompok parameter yang saling berdekatan (cluster)
3. Gunakan parameter di sekitar nilai median dari cluster tersebut

Contoh: Jika hasil optimasi periode EMA berurutan berdasarkan PF tinggi: 21, 23, 19, 35, 22, 20..., terdapat cluster di rentang 20–23. Gunakan nilai median dari cluster tersebut (21–22).

Perhatian ③: Perpanjang Periode Optimasi

Pengaturan yang Direkomendasikan:
- Periode optimasi (in-sample): 5–7 tahun
- Periode validasi (out-of-sample): 2–3 tahun
- Rasio (in-sample : out-of-sample): 70:30 hingga 80:20

Semakin pendek periode optimasi, semakin tinggi risiko over-optimasi.

Cara Membaca Hasil Analisis Walk-Forward

Karakteristik EA yang Baik

• WFE (Efisiensi Walk-Forward) ≥ 60%
• PF out-of-sample berada dalam kisaran 50–90% dari PF in-sample
• PF positif di setiap periode validasi (positif di semua periode)

Karakteristik EA yang Perlu Diwaspadai

• WFE < 40%
• Performa bagus hanya di periode validasi tertentu (periode lain minus)
• PF in-sample ≥ 3.0 (tanda khas over-optimasi)

Tips Merancang Parameter yang Tahan terhadap Over-Optimasi

Tips ①: Periksa Sensitivitas Parameter

Pastikan PF tetap stabil pada parameter di sekitar nilai optimal (±10–20%).

Jika EMA=21 adalah nilai optimal:
EMA=18: PF 1.25
EMA=19: PF 1.31
EMA=20: PF 1.34
EMA=21: PF 1.38  ← nilai optimal
EMA=22: PF 1.33
EMA=23: PF 1.29
EMA=24: PF 1.24

→ PF tetap stabil pada parameter di sekitarnya = strategi yang kokoh

Jika PF berubah drastis di sekitar nilai optimal, kemungkinan terjadi over-optimasi.

Tips ②: Gunakan Logika Sederhana yang Tidak Mudah Overfit

EA dengan lebih sedikit parameter dan logika yang sederhana lebih tahan terhadap curve fitting. Kombinasikan elemen sederhana seperti EMA crossover, pengaturan SL/TP berbasis ATR, dan sejenisnya.

Ringkasan

Ringkasan analisis walk-forward:

1. In-sample (optimasi) : Out-of-sample (validasi) = bagi dengan rasio 70:30
2. WFE (Efisiensi Walk-Forward) = PF Out-of-Sample ÷ PF In-Sample × 100%
3. WFE ≥ 60% adalah batas kelulusan
4. Batasi variabel optimasi menjadi 1–2 parameter
5. Gunakan median cluster, bukan nilai optimal tertinggi

Dengan melakukan analisis walk-forward, Anda dapat mengidentifikasi EA yang beroperasi secara stabil bahkan dalam forward test. Semakin bagus performa backtest sebuah EA, semakin penting validasi ini dilakukan.

FAQ

T: Apakah analisis walk-forward bisa dilakukan dengan fitur bawaan MT5?

Strategy Tester MT5 pada dasarnya tidak mendukung analisis walk-forward, namun pada versi terbaru fitur ini mungkin tersedia sebagai fitur eksperimental. Metode yang paling andal adalah membagi periode secara manual dan menjalankan backtest beberapa kali.

T: Apakah EA masih bisa digunakan jika WFE 50%?

WFE 50% berada di garis batas. Jika PF out-of-sample ≥ 1.2, penggunaan secara nyata masih dimungkinkan, namun disarankan untuk mengumpulkan rekam jejak forward test selama minimal 6 bulan sebelum mengambil keputusan.

T: Apakah berbahaya menggunakan EA tanpa analisis walk-forward?

Tidak bisa dikatakan berbahaya secara mutlak, namun risiko curve fitting akan meningkat. Setidaknya lakukan metode "sisihkan sebagian periode optimasi sebagai out-of-sample" secara minimum.

Halaman Terkait

• Prosedur Pelaksanaan Validasi Walk-Forward
• Cara Mendeteksi Curve Fitting dan Over-Fitting
• GOLD EMA ATR EA — Terverifikasi OOS (PF 1.61)
• Daftar EA & Ranking Stabilitas OOS