Diterjemahkan dari bahasa Inggris ke bahasa Indonesia - www.onlinedoctranslator.

com

Edisi terbaru dan arsip teks lengkap jurnal ini tersedia di Emerald Insight di:
www.emeraldinsight.com/1086-7376.htm

Efektivitas
Efektivitas perdagangan filter sebagai perdagangan filter

aturan perdagangan intraday

Ling Xin
Divisi Bisnis dan Manajemen, BNU-HKBU
United International College, Zhuhai, China
Kin Lam Diterima 26 September 2018
Direvisi 2 Maret 2019
Departemen Keuangan dan Ilmu Keputusan, 13 Mei 2019
Universitas Baptis Hong Kong, Hong Kong, dan 11 Juli 2019
Diterima 11 Juli 2019
Philip LH Yu
Departemen Statistik dan Ilmu Aktuaria,
Universitas Hong Kong, Hong Kong

Abstrak
Tujuan - Filter trading adalah aturan trading teknis yang telah digunakan secara luas untuk menguji hipotesis pasar yang efisien
dalam konteks trading jangka panjang. Dalam tulisan ini, penulis mengadopsi aturan untuk menganalisis perdagangan intraday, di
mana posisi terbuka tidak dibiarkan semalaman. Makalah ini bertujuan untuk mengeksplorasi hubungan antara profitabilitas
perdagangan filter intraday dan volatilitas realisasi intraday. Model spline pelat tipis (TPS) bivariat dipilih agar sesuai dengan
permukaan respons prediktor untuk data frekuensi tinggi dari pasar indeks berjangka Hang Seng (HSIF). Hipotesis mengikuti
hipotesis pasar adaptif, dengan alasan bahwa perdagangan filter intraday berbeda dalam profitabilitas di bawah kondisi pasar yang
berbeda yang diukur dengan volatilitas yang direalisasikan, dan lebih jauh lagi, ukuran filter optimal untuk perdagangan setiap hari
terkait dengan volatilitas yang direalisasikan. Hasil empiris memberikan bukti baru bahwa volatilitas realisasi (RaV) berbasis rentang
lebih efisien dalam mengidentifikasi keuntungan perdagangan daripada volatilitas berbasis pengembalian (ReV). Hasil ini
menjelaskan efisiensi perdagangan frekuensi tinggi intraday di pasar HSIF. Beberapa saran perdagangan diberikan berdasarkan
temuan.

Desain/metodologi/pendekatan – Di antara semua faktor yang mempengaruhi keuntungan dari perdagangan filter, volatilitas
realisasi intraday menonjol sebagai prediktor penting. Penulis mengeksplorasi beberapa ukuran volatilitas intraday menggunakan
metode estimasi berbasis rentang atau berbasis pengembalian. Penulis kemudian mempelajari bagaimana keuntungan
perdagangan filter akan bergantung pada volatilitas yang direalisasikan dan bagaimana ukuran filter yang optimal terkait dengan
volatilitas yang direalisasikan. Model TPS bivariat digunakan untuk memodelkan hubungan prediktor-respon.

Temuan – Hasil empiris menunjukkan bahwa volatilitas realisasi berbasis rentang memiliki kekuatan prediksi yang lebih tinggi pada keuntungan
perdagangan aturan filter daripada volatilitas realisasi berbasis pengembalian.

Orisinalitas/nilai – Pertama, penulis berkontribusi pada literatur dengan menyelidiki profitabilitas aturan perdagangan filter pada
data tick-by-tick frekuensi tinggi dari HSIFmarket. Kedua, penulis menguji asumsi bahwa besarnya keuntungan perdagangan
momentum intraday tergantung pada volatilitas yang direalisasikan dan bertujuan untuk mengidentifikasi hubungan di antara
mereka. Selanjutnya, penulis mempertimbangkan beberapa volatilitas realisasi intraday dan menemukan bahwa RaV memiliki
kekuatan prediksi yang lebih tinggi daripada ReV. Akhirnya, penulis menemukan beberapa hubungan antara ukuran filter yang
optimal dan volatilitas yang direalisasikan. Berdasarkan pengamatan, penulis juga memberikan beberapa saran trading kepada para
trader filter intraday.

Kata kunci Pengukuran, Pasar keuangan, Aturan filter, Perdagangan intraday, Realisasi volatilitas,
Perataan Spline, Rentang volatilitas

Jenis kertas makalah penelitian

1. Perkenalan Studi di bidang Ekonomi dan Keuangan

Filter trading adalah aturan trading teknis yang menghasilkan sinyal beli atau jual jika harga aset naik © EmeraldPublishingLimited
1086-7376
dari level terendah lokal atau turun dari level tertinggi lokal dengan persentase tertentu. Aturan ini telah DOI 10.1108/SEF-09-2018-0294
SEF digunakan secara luas untuk menguji hipotesis pasar efisien (EMH) dalam perdagangan jangka panjang. Dalam tulisan ini, kami mengadopsi aturan dalam analisis perdagangan

intraday, yaitu perdagangan di mana posisi terbuka tidak dibiarkan semalaman. Perdagangan intraday dianggap sebagai metode perdagangan tercepat, dan pedagang intraday perlu

menangani perdagangan cepat dengan volatilitas tinggi. Memang, volatilitas telah disebut "teman bagi pedagang intraday." Dengan demikian, kami bertujuan untuk mengeksplorasi

hubungan antara profitabilitas perdagangan filter intraday dan volatilitas realisasi intraday. Menurut hipotesis pasar adaptif (AMH), tingkat efisiensi pasar keuangan tergantung pada

kondisi pasar. Oleh karena itu, kami berhipotesis bahwa perdagangan filter intraday berbeda dalam profitabilitas pada hari-hari dengan rentang volatilitas realisasi yang berbeda, dan

bahwa ukuran filter optimal untuk hari tertentu juga terkait dengan volatilitas hari itu. Kami mengadopsi model bivariat thin plate spline (TPS) agar sesuai dengan permukaan respons

prediktor untuk data frekuensi tinggi dari pasar berjangka Indeks Hang Seng (HSIF). Pengujian kami menunjukkan bahwa volatilitas berbasis rentang (RaV) lebih efisien dalam

mengidentifikasi keuntungan perdagangan daripada volatilitas berbasis pengembalian (ReV), sedangkan ukuran filter optimal untuk perdagangan filter intraday terkait dengan

volatilitas realisasi intraday. Hasil ini bertentangan dengan EMH tetapi konsisten dengan AMH. Mereka juga menjelaskan efisiensi perdagangan frekuensi tinggi intraday di pasar HSIF.

Kami membuat sejumlah saran perdagangan berdasarkan temuan kami. Kami mengadopsi model bivariat thin plate spline (TPS) agar sesuai dengan permukaan respons prediktor

untuk data frekuensi tinggi dari pasar berjangka Indeks Hang Seng (HSIF). Pengujian kami menunjukkan bahwa volatilitas berbasis rentang (RaV) lebih efisien dalam mengidentifikasi

keuntungan perdagangan daripada volatilitas berbasis pengembalian (ReV), sedangkan ukuran filter optimal untuk perdagangan filter intraday terkait dengan volatilitas realisasi

intraday. Hasil ini bertentangan dengan EMH tetapi konsisten dengan AMH. Mereka juga menjelaskan efisiensi perdagangan frekuensi tinggi intraday di pasar HSIF. Kami membuat

sejumlah saran perdagangan berdasarkan temuan kami. Kami mengadopsi model bivariat thin plate spline (TPS) agar sesuai dengan permukaan respons prediktor untuk data

frekuensi tinggi dari pasar berjangka Indeks Hang Seng (HSIF). Pengujian kami menunjukkan bahwa volatilitas berbasis rentang (RaV) lebih efisien dalam mengidentifikasi keuntungan

perdagangan daripada volatilitas berbasis pengembalian (ReV), sedangkan ukuran filter optimal untuk perdagangan filter intraday terkait dengan volatilitas realisasi intraday. Hasil ini

bertentangan dengan EMH tetapi konsisten dengan AMH. Mereka juga menjelaskan efisiensi perdagangan frekuensi tinggi intraday di pasar HSIF. Kami membuat sejumlah saran perdagangan berdasarkan tem

Di antara banyak aturan perdagangan teknis yang digunakan untuk menguji hipotesis random walk
mengenai pasar keuangan, satu menonjol karena sejarahnya yang panjang dan banyak sifat teoretis
yang menarik dan kegunaan praktis: aturan perdagangan filter yang diusulkan oleh Alexander (1961),
1964). Aturan perdagangan mekanis ini menghasilkan urutan sinyal beli/jual sesuai dengan aturan
berikut. Jika harga sekuritas naik setidaknya 100S persen dari dasar yang dipantau, sinyal beli dihasilkan.
Kami kemudian membeli dan menahan saham tersebut sampai harga bergerak turun minimal 100S
persen dari puncak berikutnya, pada saat sinyal jual dihasilkan dan kami secara bersamaan menjual dan
menjual. Kami mengulangi prosesnya sehingga pada sinyal beli berikutnya kami menutupi posisi short
dan buy, dll. Perhatikan bahwa proses ini juga dapat dimulai dengan sell jika drop 100S persen dari
puncak terjadi sebelum kenaikan 100 S persen dari bawah. Di Sini,S disebut ukuran filter aturan. Studi
sebelumnya tentang aturan perdagangan teknis terutama didasarkan pada analisis perdagangan jangka
panjang, di mana harga harian, mingguan atau bulanan dipantau. Dengan munculnya perdagangan
komputer, semakin banyak orang yang terlibat dalam aktivitas perdagangan intraday di pasar
keuangan. Pengamatan ini didukung oleh fakta bahwa untuk banyak kontrak berjangka, volume
perdagangan meningkat jauh lebih besar daripada posisi terbuka. Pedagang harian tidak pernah
meninggalkan posisi mereka dalam semalam, tetapi ancang-ancang setiap opsi terbuka pada penutupan
pasar dan memulai posisi baru pada hari berikutnya. Dengan demikian, mereka menghindari
menimbulkan risiko saat pasar ditutup. Untuk alasan yang sama bahwa aturan perdagangan filter
populer di antara mereka yang berdagang secara teknis dalam jangka waktu yang lebih lama, itu juga
harus menarik bagi pedagang harian. Orang yang tidak percaya pada kelanjutan tren harian mungkin
masih percaya pada kelanjutan tren jangka pendek dalam sehari. Namun, menurut teori efisiensi pasar,
kehadiran day-trader ini akan membantu meningkatkan efisiensi harga frekuensi tinggi intraday.
Dengan demikian, tujuan utama dari makalah ini adalah untuk menyelidiki profitabilitas aturan
perdagangan filter dalam perdagangan intraday.
Studi kami berkontribusi pada literatur sebagai berikut. Pertama, kami menyelidiki profitabilitas aturan perdagangan
teknis intraday dengan data tick-by-tick frekuensi tinggi. Kami telah menemukan sedikit penelitian sebelumnya tentang
perdagangan intraday berdasarkan data tick-by-tick, terutama oleh aturan perdagangan filter. Kedua, kami
mempertimbangkan ukuran filter yang bervariasi terhadap waktu daripada ukuran filter tetap yang digunakan dalam
aturan perdagangan filter tradisional. Melakukannya memungkinkan kita untuk menyelidiki apakah ukuran filter yang
digunakan untuk memberi sinyal efek momentum dapat lebih baik diputuskan oleh volatilitas yang direalisasikan
intraday. Pendekatan ini didasarkan pada AMH dariLo (2004), yang menyatakan bahwa tingkat efisiensi pasar memiliki
variasi temporal. Kami memberikan kontribusi bukti untuk literatur bahwa
bertentangan dengan EMH tetapi mendukung AMH untuk pasar frekuensi tinggi di Hong Kong. Efektivitas
Ketiga, kami mengadopsi beberapa volatilitas realisasi berbasis jangkauan dan pengembalian untuk dipantau perdagangan filter
kondisi pasar intraday dan menyesuaikan ukuran filter. Perbandingan volatilitas memungkinkan kita untuk
pelajari struktur mikro dari data frekuensi tinggi dan tentukan, volatilitas mana yang dapat memberi
sinyal lebih baik tentang efek momentum intraday. Hasil kami menambah bukti bahwa RaV memiliki
kekuatan prediksi yang lebih tinggi daripada ReV. Terakhir, pengujian kami dilakukan di pasar HSIF,
pasar derivatif Asia yang relatif muda di Hong Kong yang memiliki beberapa volume perdagangan
tertinggi di dunia. Oleh karena itu, bukti tentang perilaku intraday dan profitabilitas perdagangan
teknisnya sangat menarik.
Sisa dari makalah ini disusun sebagai berikut. Dalam Bagian 2, kami melakukan tinjauan literatur. Di Bagian
3, kami menjelaskan sampel kami, pengukuran variabel, dan simulasi perdagangan filter. Di Bagian 4, kami
menerapkan penyesuaian TPS pada hasil perdagangan dan mendiskusikan pengamatan. Di Bagian 5, kami
membuat beberapa saran perdagangan, dan Bagian 6 menyimpulkan makalah.

2. Tinjauan Pustaka
Salah satu alasan kami memilih untuk menyelidiki aturan perdagangan filter adalah karena memiliki
hubungan dekat dengan Halaman (1954a, 1954b) Sistem CUSUM, yang digunakan dalam pembuatan
bagan kendali mutu industri. Sistem ini telah diterapkan ke pasar keuangan olehWu dkk.
(2006), Szakmary dkk. (1999) dan Lam dan Yam (1997) menunjukkan kesetaraan matematis antara kedua
sistem: jika aturan perdagangan filter menghasilkan sinyal perdagangan, maka bagan kontrol kualitas
CUSUM yang setara akan menghasilkan sinyal peringatan bahwa proses yang dipantau berada di luar
kendali, dan sebaliknya. Lam dan Li (2004) memberikan dukungan teoritis tambahan yang penting untuk
perdagangan filter. Mereka melakukan analisis ex-post dari harga saham, mencoba mengidentifikasi
urutan sinyal beli/jual bergantian untuk memaksimalkan total keuntungan perdagangan dalam jangka
waktu tertentu. Hasil mereka menunjukkan bahwa jika biaya transaksi diberikan oleh 100 c persen dari
harga perdagangan, maka sinyal beli/jual yang optimal adalah titik-titik ekstrim yang diidentifikasi oleh
aturan perdagangan filter dengan ukuran filter sama dengan c, biaya transaksi. Jelas, ketika harga turun
c persen dari puncak, aturan optimal adalah menjual di puncak karena keuntungan perdagangan dapat
memulihkan biaya transaksi. Jadi, meskipun aturan perdagangan filter ex-ante tertinggal di belakang
mantan pos aturan optimal, ini mewakili upaya ex-ante terbaik untuk melakukan pembelian/penjualan
pada waktu yang sedekat mungkin dengan waktu pembelian/penjualan yang optimal. Sebaliknya,
meskipun banyak aturan perdagangan teknis telah terbukti menguntungkan di pasar yang berbeda,
hanya sedikit dari mereka yang memiliki dukungan dan koneksi teoretis seperti itu. Selain sifat teoritis
yang menarik ini, aturan perdagangan filter juga sangat praktis karena di bawah aturan ini sinyal beli
akan dipicu saat pasar naik dan sinyal jual akan dipicu saat pasar turun. Hal ini sesuai dengan konsep
momentum trading, berdasarkan keyakinan bahwa setelah tren dikonfirmasi, tren akan berlanjut
beberapa saat sebelum berbalik arah. Oleh karena itu, profitabilitas aturan perdagangan filter akan
menjadi bukti terhadap EMH, terutama dengan mendukung anomali short termmomentum dan long
term reverse. Beberapa model keuangan perilaku, seperti underreaction dan overreaction, juga dapat
digunakan untuk menjelaskan anomali ini.

2.1 Hipotesis pasar efisien dan hipotesis pasar adaptif

Banyak aturan perdagangan teknis telah digunakan untuk menguji EMH dari Fama (1970), dan banyak bukti
menunjukkan bahwa keuntungan dapat diperoleh berdasarkan aturan perdagangan tersebut, bahkan dalam
beberapa tahun terakhir [Mitra dkk. (2017), Hsu dkk. (2016); Zarabi dkk. (2017)]. Di antara studi ini, pengujian
aturan perdagangan filter telah mencapai kesimpulan yang berbeda.Alexander (1961) studi empiris melaporkan
bahwa aturan perdagangan filter menghasilkan keuntungan substansial secara signifikan lebih besar daripada
kebijakan beli dan tahan. Hal ini mengarahkan penulis untuk menyimpulkan bahwa pasar adalah
SEF tidak efisien. Namun,Alexander (1964) kemudian mengklarifikasi bahwa diskontinuitas harga, efek
dividen, dan biaya transaksi semuanya menimbulkan bias yang serius. Studi lebih lanjut olehFama dan
Blume (1966), Fama (1970) dan Praetz (1976) juga secara empiris menunjukkan bahwa setelah biaya
transaksi diperhitungkan, aturan perdagangan filter tidak dapat mengungguli strategi beli dan tahan,
mendukung efisiensi pasar bentuk lemah. Nanti,Sweeney (1988) memeriksa kembali periode 1970-1982
dan menemukan bahwa keuntungan perdagangan filter yang signifikan dapat dibuat pada saham Dow
Jones Industrial oleh investor dengan biaya transaksi yang rendah tetapi layak. Studi ini memberikan
kesan yang berbeda tentang efisiensi bentuk lemah, meskipun terbatas pada satu pasar. Baru-baru ini,
Kozyra dan Lento (2011) membahas beberapa aturan filter baru yang menggunakan pendekatan
kontrarian. Mereka menemukan bahwa setelah disesuaikan dengan biaya transaksi, pendekatan
kontrarian secara konsisten mengungguli pendekatan tren dan mampu memperoleh pengembalian
yang melebihi strategi beli dan tahan. Meskipun demikian, semakin banyak penelitian baru-baru ini
meragukan profitabilitas aturan perdagangan teknis.Park dan Irwin (2007) dan Neely dkk. (2009)
mempelajari variasi temporal dalam kinerja aturan perdagangan teknis di pasar valuta asing, dan menemukan
bahwa profitabilitas sebagian besar menghilang setelah tahun 1990. Taylor (2014) lebih lanjut menunjukkan
bahwa meskipun aturan perdagangan teknis yang diterapkan pada saham DJIA selama periode 1928-2012 masih
dapat memberikan keuntungan yang disesuaikan dengan risiko, ini tunduk pada variasi temporal yang tinggi
dan sangat bergantung pada izin untuk short-selling. Bukti lebih lanjut tentang variasi temporal dalam efisiensi
pasar dan profitabilitas aturan perdagangan teknis dapat ditemukan di
ito dkk. (2014, 2016), Ito dan Sugiyama (2009), Kim dkk. (2011), Limand Brooks (2011), Noda
(2016), Neely dkk. (2014) dan Urquhart dan Hudson (2013). BerdasarkanTaylor (2014),
variasi temporal dalam kinerja perdagangan teknis konsisten dengan Lo (2004), 2005,
2012) AMH, yang mengusulkan bahwa strategi investasi berkinerja baik di lingkungan
tertentu dan buruk di lingkungan lain. Suporter sepertiGabaix (2012) telah
menggambarkan motivasi teoretis untuk variasi temporal ini dalam hal hubungan antara
prediktabilitas dan kemungkinan bencana besar yang jarang terjadi, sementara Kim dkk.'s
(2011) studi empiris menunjukkan peningkatan prediktabilitas selama krisis.

2.2 Model perilaku

Filter trading adalah jenis perdagangan momentum, yang didasarkan pada keyakinan bahwa setelah
tren dikonfirmasi, tren akan berlanjut untuk sementara waktu sebelum berbalik arah. Perbedaan antara
momentum jangka pendek dan jangka panjang ini telah menarik banyak diskusi dalam literatur
keuangan perilaku. Para peneliti telah membangun berbagai model perilaku untuk menjelaskan
fenomena ini. Contohnya,Barberis dkk. (1998) berpendapat bahwa investor yang menggunakan heuristik
konservatif dan representatif percaya ada dua rezim di pasar, rezim tren dan rezim pengembalian rata-
rata, yang mengarah pada reaksi jangka pendek dan reaksi berlebihan jangka panjang. Grinblatt dan
Bing (2005) mengemukakan bahwa momentum pasar dibangun untuk pasar yang jatuh karena investor
tidak ingin menjual karena keengganan mereka untuk menyadari kegagalan mereka. lam dkk. (2010,
2012) mendukung gagasan underreaction jangka pendek dan overreaction jangka panjang di pasar, dan
selanjutnya mengamati bahwa semakin konservatif/mewakili heuristik, semakin besar besarnya
autokorelasi pengembalian dan semakin besar keuntungan perdagangan kontrarian/momentum.
Mereka menyebut ini sebagai efek besarnya, dan membuat model untuk itu. Karena efek besarnya
menyiratkan bahwa semakin parah goncangan, semakin besar momentum/keuntungan perdagangan
kontrarian, ini konsisten dengan hipotesis kami bahwa keuntungan perdagangan filter (atau
momentum) yang lebih tinggi dapat diperoleh pada hari-hari dengan volatilitas yang lebih tinggi.

2.3 Perdagangan teknis intraday

Sehubungan dengan meningkatnya keraguan dalam literatur tentang profitabilitas penerapan
aturan perdagangan teknis pada data harian, bukti untuk atau menentang profitabilitas tinggi
data frekuensi jauh lebih langka. Contohnya,Holmberg dkk. (2013) dilakukan a Efektivitas
uji profitabilitas pada strategi breakout rentang terbuka dan menemukan hasilnya secara signifikan perdagangan filter
pengembalian yang lebih tinggi dari nol, dan peningkatan tingkat keberhasilan dalam kaitannya dengan permainan yang adil.
Schulmeister (2009) mempelajari profitabilitas 2.580 model teknis. Ketika model didasarkan pada
data harian, profitabilitasnya terus menurun sejak 1960, dan tidak menguntungkan sejak awal
1990-an. Namun, bila berdasarkan data 30 menit, model yang sama menghasilkan pengembalian
kotor rata-rata 7,2 persen per tahun antara tahun 1983 dan 2007.Kaporale
dkk. (2016) memeriksa apakah efek intraday atau time of the day memunculkan peluang keuntungan
yang dapat dieksploitasi, dan menemukan bahwa strategi perdagangan yang ditujukan untuk
mengeksploitasi pola harian tidak menghasilkan keuntungan ekstra. Selain itu, tidak ada perbedaan
yang signifikan antar subperiode (2005-2006: “normal”; 2007-2009: “krisis”; 2010-2011: “pasca krisis”).
Pedagang harian percaya bahwa dibandingkan dengan keacakan harga harian atau mingguan yang
tinggi, perubahan harga jangka pendek di siang hari memiliki prediktabilitas yang jauh lebih tinggi,
karena mereka bergantung pada kumpulan informasi yang jauh lebih kecil. Selain itu, risiko sistematis
diyakini lebih stabil selama interval pendek. Oleh karena itu, efisiensi data frekuensi tinggi diharapkan
lebih rendah daripada data harian.

3. Data dan simulasi perdagangan

Kami melakukan pengujian aturan perdagangan filter di pasar HSIF. Bursa berjangka Hong Kong mengeluarkan kontrak HSIF pertama pada tahun 1986; pada

tahun 1997, volume perdagangannya adalah yang terbesar keenam di dunia. Setiap kontrak HSIF memiliki nilai sama dengan HK$50 dikalikan dengan harga HSIF.

Salah satu keuntungan menerapkan perdagangan teknis ke HSIF adalah likuiditasnya yang tinggi, karena HSIF yang paling likuid akan kedaluwarsa pada bulan ini

atau bulan depan. Hari pengiriman adalah hari perdagangan terakhir kedua dari bulan kedaluwarsa, sedangkan hari penyelesaian adalah hari perdagangan

terakhir bulan itu. Harga penyelesaian akhir didasarkan pada rata-rata kuotasi HSI yang diambil pada interval 5 menit selama hari pengiriman. Keuntungan lain

dari perdagangan di HSIF adalah memiliki tingkat biaya transaksi yang rendah dibandingkan dengan nilai kontraknya yang besar. Satu kontrak HSIF mungkin

memiliki nilai mulai dari beberapa ratus ribu hingga lebih dari satu juta, sedangkan biaya transaksi untuk satu kontrak berjangka panjang atau pendek biasanya

tidak lebih dari HK$100. Pasar HSIF merupakan pasar yang masih muda dibandingkan dengan pasar derivatif di Amerika Serikat dan Eropa. Namun, ini adalah

salah satu pasar derivatif terkemuka di Asia karena volume perdagangannya yang besar. Posisi khusus membuatnya ideal untuk mempelajari efisiensi dan

profitabilitas aturan perdagangan filter. Sementara banyak penelitian telah menguji efisiensi pasar hariannya, kami melakukan pengujian kami berdasarkan data

frekuensi tinggi intraday. Beberapa penelitian terkait, seperti Pasar HSIF merupakan pasar yang masih muda dibandingkan dengan pasar derivatif di Amerika

Serikat dan Eropa. Namun, ini adalah salah satu pasar derivatif terkemuka di Asia karena volume perdagangannya yang besar. Posisi khusus membuatnya ideal

untuk mempelajari efisiensi dan profitabilitas aturan perdagangan filter. Sementara banyak penelitian telah menguji efisiensi pasar hariannya, kami melakukan

pengujian kami berdasarkan data frekuensi tinggi intraday. Beberapa penelitian terkait, seperti Pasar HSIF merupakan pasar yang masih muda dibandingkan

dengan pasar derivatif di Amerika Serikat dan Eropa. Namun, ini adalah salah satu pasar derivatif terkemuka di Asia karena volume perdagangannya yang besar.

Posisi khusus membuatnya ideal untuk mempelajari efisiensi dan profitabilitas aturan perdagangan filter. Sementara banyak penelitian telah menguji efisiensi

pasar hariannya, kami melakukan pengujian kami berdasarkan data frekuensi tinggi intraday. Beberapa penelitian terkait, sepertiTang dan Lui (2002) telah

menguji pola volatilitas intraday dan intraweek dan hipotesis wait-to-trade di pasar HSI dan HSIF menggunakan data pengembalian 15 menit dan harian.

Penyelidikan perintis lain dari intradaymarket HSIF dilakukan olehjamur dkk. (1997), yang menggunakan hubungan paritas untuk menguji efisiensi penetapan

harga untuk HSIF dan opsi dan untuk mengeksplorasi peluang arbitrase karena mispricing relatif.

Sampel yang kami gunakan untuk simulasi perdagangan kami adalah harga perdagangan
frekuensi tinggi tick-by-tick HSIF dari awal 2005 hingga Agustus 2008, dengan 902 hari
perdagangan dan beberapa ratus harga setiap hari. Data disediakan oleh bursa Hong Kong dan
perusahaan kliring terbatas (catatan CD terdapat di perpustakaan HKU). Periode dari tahun 2005
hingga 2008 sangat khas untuk pasar Hong Kong, karena termasuk periode yang sangat bullish
dan periode yang sangat bearish. HSI meroket dari sekitar 14.000 poin pada Januari 2005 ke
puncak lebih dari 31.000 poin pada November 2007 (meningkat lebih dari 120 persen). Kemudian,
ketika krisis keuangan global mulai terjadi, ia mulai turun pada akhir tahun 2007 dan mencapai
titik terendah hampir 11.000 poin pada bulan Oktober 2008. Oleh karena itu, periode ini memberi
kita contoh hari-hari volatilitas yang besar.
SEF harga HSIF biasanya mengacu pada harga kontrak yang berakhir pada bulan berjalan, kecuali
untuk dua hari perdagangan terakhir, ketika kuotasi berubah menjadi harga kontrak bulan
berikutnya.

3.1 Realisasi volatilitas berbasis pengembalian/rentang

Dalam literatur, dua metode digunakan untuk mengukur volatilitas intraday: return-based dan
berbasis jangkauan. Mari kita membagi hari secara merata menjadiSaya periode. SSaya mewakili harga
sekuritas pada akhir ith periode, dan HSaya dan LSaya adalah harga maksimum dan minimum selama ith
Titik. Kemudian, ReV dan RaV memiliki rumus sebagai berikut:
ff
xSaya
Re V ¼
Saya¼1
½lnDSSayaNS lnDSSaya 1NS 2 (1)

ff
1 xSaya
RaV ¼ ½lnDHSaya
NS lnDL NS 2
Saya 1
(2)
4 ln 2 Saya¼1

Perhatikan bahwa di persamaan (2), Kapan saya =1, volatilitas yang direalisasikan menjadi Parkinson (1980)
penaksir rentang tinggi-rendah berskala. Dalam artikel ini, kami mengukur volatilitas yang direalisasikan dengan
tiga interval panjang yang berbeda: 5 menit, 30 menit, dan satu hari (mis.saya =1). Kami membandingkan RaV
(untuk 5 menit, 30 menit dan satu hari) dan ReV (untuk 5 menit dan 30 menit) sebagai pengukuran volatilitas
intraday untuk mengidentifikasi besarnya profitabilitas perdagangan filter. BerdasarkanAlizadeh
dkk. (2002), Estimasi RaV tidak hanya sangat efisien tetapi juga kuat terhadap noise struktur
mikro, dan merupakan ekstraksi volatilitas laten yang efisien. Kesimpulan serupa dicapai oleh
Garman dan Klass (1980), yang menemukan bahwa harga tinggi dan rendah mengandung lebih banyak
informasi mengenai volatilitas daripada harga pembukaan dan penutupan. Tambahan,Andersen dan Bollerslev
(1998) melaporkan bahwa rentang harian mungkin lebih efisien dan membawa lebih banyak integritas ke dalam
estimasi volatilitas daripada volatilitas realisasi frekuensi tinggi karena noise struktur mikro. Oleh karena itu,
kami menguji di sini apakah volatilitas berbasis rentang lebih efisien mengidentifikasi profitabilitas perdagangan
teknis intraday, dan jika ya, frekuensi pengukuran mana (5 menit, 30 menit atau satu hari) yang paling efisien.
Kami menghitung volatilitas realisasi intraday menggunakanpersamaan
(1) untuk ReV dan persamaan (2) untuk RaV. Kami menjelajahi distribusi sampel dan menunjukkan satu
contoh volatilitas rentang satu hari diGambar 1; empat lainnya memiliki distribusi yang sama karena
pengukuran semuanya sangat berkorelasi. Dari gambar tersebut, kita melihat bahwa sebagian besar
hari memiliki volatilitas berkisar antara 0,3 hingga 1,9 persen, dan ada beberapa outlier yang sangat
besar di ekor kanan yang dapat mendistorsi regresi. Oleh karena itu, kami memangkas 1 persen
(sembilan hari) hari volatilitas terbesar dari sampel kami.

3.2 Keuntungan per hari dan keuntungan per perdagangan

Kita dapat menggunakan dua cara untuk mengukur keuntungan perdagangan filter intraday. Salah satunya adalah total
keuntungan perdagangan sehari, dengan asumsi pedagang harian mencari perdagangan baru mulai dari pembukaan
pasar dan menguangkan posisi terbuka apa pun pada penutupan pasar. Oleh karena itu, dalam satu hari, mungkin tidak
ada perdagangan atau satu atau lebih perjalanan perdagangan. Kami mendefinisikan ukuran ini sebagai laba per hari
(PPD). Ukuran lainnya menggunakan keuntungan rata-rata untuk setiap perjalanan pulang pergi perdagangan dalam
sehari, yang didefinisikan sebagai laba per perdagangan (PPT); itu sama dengan PPD dibagi dengan jumlah perjalanan
pulang pergi perdagangan dalam sehari. PPD sangat bergantung pada jumlah perdagangan dalam sehari, dan oleh
karena itu, biaya transaksinya berfluktuasi secara substansial. Karena PPT berasal dari satu perjalanan pulang pergi, biaya
transaksinya dibatasi pada satu biaya pembelian dan satu penjualan, dan menjadi tidak relevan ketika kita
membandingkan kinerja dari hari yang berbeda.
 Efektivitas
perdagangan filter

Gambar 1.
Histogram harian
kisaran volatilitas
(suatu hari RV)

biaya, kami memilih PPT untuk analisis profitabilitas lebih lanjut. Korelasi antara PPD, PPT,
dan semua pengukuran volatilitas untuk sampel kami disajikan dalam:Tabel I.

3.3 Simulasi perdagangan filter intraday

Untuk mensimulasikan perdagangan filter intraday, kami memilih 40 ukuran filter secara merata mulai dari 0,5
hingga 2,45 persen. Ukuran filter yang kurang dari 0,5 persen tidak dipertimbangkan karena ukuran filter yang
sangat kecil akan menghasilkan banyak perdagangan; ini tidak hanya sulit untuk diterapkan dalam praktik tetapi
juga melibatkan biaya transaksi yang besar, dan karenanya, sangat kecil kemungkinannya untuk menghasilkan
keuntungan. Ukuran filter yang lebih besar dari 2,45 persen juga tidak dipertimbangkan karena ketika ukuran
filter melampaui level tertentu, simulasi perdagangan berakhir tanpa perdagangan hampir sepanjang hari. Di
antara ini, 40 ukuran filter yang dipilih, sebagian besar hari memiliki perdagangan untuk sebagian besar ukuran
filter, sementara beberapa hari memiliki perdagangan untuk semua ukuran filter ini. Keuntungan perdagangan
simulasi diukur dengan PPD dan PPT. Korelasi variabel sebelum pemasangan permukaan respons disajikan
dalamTabel I.
Tabel I menunjukkan bahwa korelasi antara kelima pengukuran volatilitas sangat tinggi
(0,87 0,98). Namun, korelasi linier antara keuntungan perdagangan dan volatilitas

Putaran RaV
Korelasi PPT PPD 5 menit 30 menit 5 menit 30 menit satu hari

PPT 1 0.83 0.17 0,28 0.14 0.17 0,46

PPD 0.83 1 0.2 0.32 0,15 0.2 0,47
Putaran 5 menit 0.17 0.2 1 0,92 0,96 0,95 0,86
Putaran 30 menit 0.2 0,23 0,92 1 0,89 0,92 0,87
RaV 5 menit 0,15 0.16 0,96 0,89 1 0,98 0,84 Tabel I.
RaV 30 menit 0.17 0.2 0,95 0,92 0,98 1 0,86
Matriks korelasi dari
RaV suatu hari nanti 0,46 0,46 0,86 0,87 0,84 0,86 1
PPT, PPD dan lima
Catatan: PPT – keuntungan per perdagangan; PPD – keuntungan per hari; ReV – volatilitas berbasis pengembalian; dan RaV – volatilitas berbasis keriangan
rentang pengukuran
SEF tidak tinggi, berkisar antara 0,14-0,47, sedangkan volatilitas one day range memiliki nilai korelasi
tertinggi 0,46 dengan PPT dan 0,47 dengan PPD. Selanjutnya, PPT dan PPD sangat berkorelasi, dengan
nilai 0,83. Namun, matriks korelasi gagal untuk mengungkapkan hubungan nonlinier atau hubungan
bersyarat. Kami akan mengadopsi model TPS nonparametrik agar sesuai dengan permukaan respons
laba perdagangan sehubungan dengan volatilitas dan ukuran filter di bagian berikutnya. Untuk
mengecualikan pengaruh biaya transaksi, kami menggunakan PPT untuk mengukur keuntungan
perdagangan dalam analisis selanjutnya.

4. Memasang permukaan respons menggunakan model spline pelat tipis

Regresi nonparametrik melemaskan asumsi linieritas yang biasa dan memungkinkan kita untuk
mengeksplorasi data secara lebih fleksibel dan mengungkap struktur data yang mungkin
terlewatkan. Kami memilih model TPS bivariat aditif untuk regresi nonparametrik untuk data
kami. Metode TPS banyak digunakan untuk menyesuaikan permukaan respons, meskipun secara
komputasi berat bila diterapkan pada kumpulan data yang besar dan kompleks. Penerapannya
dapat dilihat di banyak bidang, terutama dalam pemodelan lingkungan dan iklim (Hancock dan
Hutchinson, 2006; Herrera dkk., 2016; Wu dkk., 2017). BerdasarkanSchumaker (1991), model TPS
merupakan model aditif berbasis spline yang memiliki sifat teoritis dan praktis yang baik. Untuk
satu variabel bebas, metode ini melibatkan fungsi basis spline kubik sederhana, yang
didefinisikan sebagai berikut. Tetapkan satu set poin dix sebagai "simpul" dari spline dan tentukan
f(x) sebagai sambungan polinomial kubik pada simpul, sehingga permukaannya kontinu hingga ke
turunan kedua. Representasi matematis dari polinomial kubik adalah:

x
Mth2
F DxÞ ¼ AJBJDxNS; (3)
J¼1

dengan
J B Dxjxx* 3J J untuk j=1,. . ., m danB M th 1 (x) = 1, B M th 2 (x) = x. sp alami garis
kendala dikenakan pada koefisien dan knot sehingga spline memiliki turunan nol detik di luar
kisaran x untuk mengurangi bahaya ekstrapolasi. Spline penghalus pelat tipis sebenarnya
merupakan generalisasi dari spline kubik ini ke dimensi yang lebih tinggi. Untukn
pengamatan (kamuSaya, x1Saya dan x2Saya) dengan dua variabel bebas, model yang dipasang adalah:

kamuSaya ¼ F Dx1Saya; x2SayaÞ þ « Saya; (4)

di mana « Saya adalah istilah kesalahan acak dan F adalah fungsi smoothing berdasarkan TPS.
Ekspresi bentuk tertutup untuk TPS dikembangkan olehWahba dan Wendelberger (1980).
Umumnya, mengontrol parameter pemulusan atau yang setara, mengontrol derajat kebebasan (DF)
dalam estimasi adalah cara untuk mengontrol goyangan dari hasil yang dipasang. Menggunakan
parameter smoothing yang lebih kecil (atau DF yang lebih tinggi) dapat memaksa estimasi cukup dekat
dengan titik data aktual tetapi dapat menyebabkan masalah over-fitting, sedangkan parameter
smoothing yang besar (atau DF kecil) mungkin terlalu membatasi, sehingga akurasi aproksimasi perlu
harus dikorbankan untuk mendapatkan kelancaran. Dalam menerapkan model ini, praktik yang umum
adalah menerapkan fungsi penalti smoothness yang tepat dan kemudian mengoptimalkan parameter
smoothing. Perangkat lunak SAS menyediakan prosedur yang disebut GAM dan TPSpline yang dapat
melakukan estimasi TPS. Prosedur GAM di SAS dibahas dalam SAS Global Forum olehcai
(2008). Untuk menjalankan program ini, faktor kontrol seperti parameter smoothing atau DF dapat dipilih secara
bebas; jika tidak, pengaturan default akan digunakan. Misalnya, GAM menggunakan empat sebagai DF default,
sedangkan TPSpline menggunakan metode validasi silang yang digeneralisasikan (GCV) sebagai default.
 Untuk meningkatkan efisiensi komputasi, kami melakukan reduksi data lebih lanjut pada sampel kami. Efektivitas
Pertama, kami membulatkan volatilitas ke tempat desimal ketiga. Misalnya, hari-hari denganperdagangan filter
volatilitas antara 0,95 persen dan 1,05 persen ditempatkan pada kelompok volatilitas 1 persen.
Kedua, kami menggabungkan hari-hari dalam kelompok volatilitas yang sama dan menghitung PPT rata-rata
untuk setiap ukuran filter. Dengan reduksi data ini, ukuran kumpulan data yang harus kita sesuaikan dengan
permukaan respons sangat berkurang menjadi sekitar 6.000, dan waktu komputasi menjadi terjangkau.
Prosedur reduksi data ini diulang secara terpisah untuk setiap pengukuran volatilitas, dan oleh karena itu,
ukuran sampel bervariasi dalam setiap kasus. Kami kemudian cocok dengan yang dikurangi
data ke model TPS (kamuSaya = f(x1Saya, x2Saya) th « Saya). Di Sini, {x1Saya, saya =1, [. . .],n} menunjukkan volatilitas untuk
NS Saya-pengamatan dan {x2Saya, saya =1, [. . .],n} adalah ukuran filter untuk Saya-pengamatan. Pemasangan
diulang untuk kelima ukuran volatilitas. Kami menemukan DF yang cocok setelah mencoba GCV
metode dan mengeksplorasi beberapa calon nilai DF. Meminimalkan GCV sebagai metode untuk
menemukan model memiliki akurasi pas yang cukup baik, sedangkan penurunan DF adalah cara untuk
meningkatkan kelancaran model dan menunjukkan hubungan lebih jelas. Untuk menghasilkan
keseimbangan antara keduanya, kami mencari DF yang masuk akal dengan memantau goodness of fit
dengan GCV dan deviance of estimasi (DOE), yang merupakan jumlah residual kuadrat dari fitting TPS.
Contoh untuk volatilitas rentang harian disajikan dalamTabel II. Ini menunjukkan bahwa ketika DF
meningkat, baik GCV dan DOE menurun tajam di awal tetapi kemudian dengan cepat mendatar. Ketika
DF lebih besar dari 15, peningkatan lebih lanjut tampaknya tidak memberikan kontribusi yang signifikan
terhadap peningkatan DOE. Kami menyajikan statistik model fit diTabel III, dan

DF GCV KELINCI BETINA

50 0,387 253
45 0,402 267
40 0,419 283
35 0,440 301
30 0,463 321
25 0,490 345
20 0,521 371
15 0,555 401
10 0,597 437
5 0,698 518
Tabel II.
3 0.811 605
Kehalusan dan
Catatan: DF – derajat kebebasan; GCV – validasi silang umum; dan DOE – penyimpangan dari perkiraan akhir. akurasi pelat tipis
Peningkatan kelancaran fit (DF) menyebabkan penurunan kebaikan (GCV dan DOE) model

Penyimpangan model (RSS) Penyimpangan model (Rataan RSS)

n DF = 5 DF = 10 DF = 15 DF = 5 DF = 10 DF = 15

Putaran 5 menit 866 556 521 485 0,64 0,60 0,56

Putaran 30 menit 893 675 632 609 0,76 0,71 0.68
RaV 5 menit 842 542 493 461 0,64 0,59 0,55
RaV 30 menit 913 941 876 830 1.03 0,96 0,91
RaV suatu hari nanti 806 584 497 463 0.72 0,62 0,57

Catatan: Penyimpangan model untuk permukaan TPS dari keuntungan perdagangan sehubungan dengan ukuran filter dan volatilitas
Tabel III.
yang direalisasikan. Lima permukaan pas untuk lima ukuran volatilitas yang berbeda. ReV – volatilitas berbasis pengembalian; dan Statistik cocok untuk
RaV – volatilitas berbasis rentang permukaan yang berbeda
SEF amati bahwa model dengan 10 DF dan 15 DF sudah memiliki kinerja yang serupa. Ini menyiratkan
bahwa DF yang lebih besar dari 15 mungkin tidak diperlukan, dan karenanya, kami menggunakan DF 15
dalam model kami. Permukaan TPS bivariat PPT sehubungan dengan setiap ukuran realisasi volatilitas
dan ukuran filter diplot dalamAngka (2a)-(2e). Kami melakukan beberapa pengamatan. Pertama, kami
menemukan bahwa permukaan 5 menit dan satu hari RaV [Angka (2a)-(2b)] adalah yang paling halus.
Hal ini didukung oleh statistik model fit diTabel III. Kedua, tiga volatilitas berbasis rentang[Angka (2a)-(2c)
] menunjukkan bahwa keuntungan perdagangan filter intraday yang signifikan dapat dihasilkan untuk
kelompok volatilitas menengah hingga besar dengan ukuran filter sedang. Misalnya, pada hari-hari
volatilitas tertinggi, PPT lebih tinggi dari 0,4 persen untuk semua ukuran filter. Selanjutnya, kelima angka
kecualiGambar (2d) menunjukkan bahwa pada hari-hari dengan volatilitas yang lebih tinggi, ada
profitabilitas perdagangan filter yang lebih tinggi. Ini mendukung hipotesis kami bahwa profitabilitas
bervariasi dan berkorelasi dengan volatilitas intraday. Ini juga merupakan bukti untuk AMH dariLo
(2004) dan bukti besarnya pengaruh lam dkk. (2012) bahwa semakin parah guncangannya,
semakin besar momentum profit trading. Akhirnya, kami menemukan permukaan untuk RaV [
Angka (2a)-(2c)] jauh lebih halus daripada ReV [Angka (2d)-(2e)]. Hal ini menunjukkan bahwa RaV
lebih efisien mengidentifikasi profitabilitas perdagangan filter intraday daripada ReV. Hal ini
sesuai denganAlizadeh dkk. (2002), yang menemukan bahwa RaV lebih efisien dan lebih kuat
terhadap noise struktur mikro.
Untuk setiap kelompok volatilitas, ada ukuran filter optimal yang menghasilkan PPT tertinggi. Pertanyaan
yang jelas adalah bagaimana ukuran filter yang optimal terkait dengan volatilitas hari itu. Oleh karena itu, kami
menggunakan permukaan respons dalamGambar 2 untuk mengidentifikasi hubungan. Misalnya, di
Gambar (2a), kami mencari titik PPT maksimum pada setiap nilai volatilitas dan kemudian memplot
ukuran filter yang sesuai terhadap nilai volatilitas. Angka (3a)-(3e) adalah lima plot untuk lima ukuran
volatilitas, dan kurvanya bervariasi. Plot dari 5 menit dan 30 menit ReV [Angka (3d)-(3e)] sangat tidak
lancar. Mereka terlihat seperti garis miring ke atas dengan beberapa lompatan. Plot volatilitas berbasis
rentang satu hariGambar (3a) adalah yang paling halus di antara kelimanya, sementara ukuran filter
optimalnya masih meningkat hampir secara monoton dengan volatilitas. Untuk RaV 5 menit dan 30
menit [Angka (3b)-(3c)], plotnya relatif mulus dan memiliki kurva U terbalik. Meskipun sampel kami
mencakup periode yang sangat fluktuatif di pasar Hong Kong, sampel tersebut masih kekurangan
pengamatan terhadap hari-hari volatilitas yang sangat besar; oleh karena itu, pemasangan di dekat
ujung kanan mungkin kurang akurat.

5. Diskusi
Berdasarkan hasil fitting data, kami dapat memberikan beberapa saran untuk strategi trading filter
intraday:
Pertama, aturan perdagangan filter intraday efektif dan menguntungkan pada volatilitas besar
hari. Oleh karena itu, estimasi yang baik dari volatilitas realisasi intraday dapat membantu mengidentifikasi
profitabilitas dengan lebih baik, terutama untuk RaV.

Untuk hari-hari volatilitas kecil hingga menengah, ukuran filter optimal harus disesuaikan (dan
semakin tinggi volatilitas, semakin besar penyesuaian). Namun, untuk hari-hari volatilitas yang sangat
besar, ukuran filter yang optimal harus disesuaikan sedikit ke bawah.

Filter trading lebih efektif pada hari-hari volatilitas besar, sementara volatilitas kecil dapat
menyebabkan PPT negatif. Oleh karena itu, perdagangan filter intraday harus dihindari di pasar
yang sepi. Dalam sampel kami, PPT negatif sebagian besar waktu ketika volatilitas kisaran harian
kurang dari 0,8 persen.

Poin pertama dapat dijelaskan dengan mengacu pada literatur sebelumnya yang menunjukkan
bahwa RaV lebih efisien dalam mengekstraksi informasi fluktuasi terlepas dari struktur mikro
 Efektivitas
perdagangan filter

Gambar 2.
(2.a 2.e): TPS
menghaluskan permukaan

dengan DF=15 untuk

volatilitas yang berbeda
(Y: PPT; X: realisasi volatilitas

yang berbeda;
dan Z: ukuran filter)
SEF

Gambar 3.
(3.a 3.e): Optimal
ukuran filter vs
volatilitas intraday
kebisingan. Untuk poin kedua karena ukuran filter juga digunakan untuk menyaring tren momentum Efektivitas
kebisingan, masuk akal untuk menggunakan filter yang lebih tinggi pada hari-hari dengan fluktuasi yang lebih tinggi. Ketika jangkauanperdagangan filter
volatilitas sangat besar, mungkin karena perilaku pasar yang dramatis dan
memiliki banyak fluktuasi besar daripada fluktuasi kecil; dalam hal ini, menggunakan ukuran filter yang lebih rendah
dapat menghasilkan lebih banyak keuntungan. Mengenai poin ketiga, ketika pasar sepi dengan volatilitas rendah,
mungkin tidak memiliki tren momentum yang jelas. Sementara ukuran filter yang besar akan menyebabkan tidak ada
perdagangan, ukuran filter yang kecil akan menghasilkan sinyal karena penarikan dan penarikan yang kecil dan
menyebabkan kerugian.

6. Kesimpulan
Pada artikel ini, kami menguji profitabilitas perdagangan filter intraday di pasar HSIF selama 2005-
2008, yang mencakup periode bullish dan bearish yang dalam dan banyak hari volatilitas besar. Tujuan kami
adalah untuk menerapkan aturan perdagangan filter ke data frekuensi tinggi intraday dan menemukan
hubungan antara keuntungan perdagangan intraday, volatilitas yang direalisasikan, dan ukuran filter. Kami
memilih 40 ukuran filter untuk mensimulasikan perdagangan filter intraday dalam periode sampel kami dan
menyusun nilai PPD dan PPT. PPT dipilih untuk analisis lebih lanjut dengan pertimbangan masalah biaya
transaksi. Kami menguji filter dengan tiga RaV dan dua ReV. Model TPS bivariat digunakan untuk menyesuaikan
permukaan respons PPT sehubungan dengan volatilitas dan ukuran filter. Beberapa pengamatan menarik
diperoleh. Pertama, korelasi yang sangat positif antara profitabilitas perdagangan filter intraday dan realisasi
volatilitas diamati untuk kelima ukuran volatilitas. Ini menyoroti efisiensi pasar HSIF intraday, karena
profitabilitas perdagangan teknis yang signifikan adalah bukti terhadap EMH. Pengujian HSIF kami mendukung
AMH bahwa keuntungan perdagangan mengalami variasi temporal tergantung pada kondisi pasar, seperti yang
dipantau di sini oleh volatilitas. Kedua, kami menemukan bahwa RaV memiliki kesesuaian yang lebih baik dalam
model daripada ReV. Kami, dengan demikian, menambah bukti dalam literatur bahwa volatilitas realisasi
berbasis rentang menyiratkan informasi yang lebih efisien daripada volatilitas realisasi berbasis pengembalian.
Selanjutnya, kami menyelidiki ukuran filter optimal untuk menghasilkan PPT tertinggi, dan merencanakan
hubungannya dengan volatilitas. Berdasarkan pengamatan kami, kami membuat beberapa saran perdagangan
untuk mengidentifikasi profitabilitas dan menghindari kerugian. Kami menyarankan bahwa memperkirakan
volatilitas kisaran dapat mengidentifikasi profitabilitas perdagangan filter dengan lebih baik; ukuran filter yang
optimal harus disesuaikan dengan rentang volatilitas; dan perdagangan filter harus dihindari di pasar yang sepi.
Studi kami berkontribusi pada literatur dengan cara berikut. Pertama, kami menguji aturan filter menggunakan
data frekuensi tinggi dengan perdagangan intraday. Kedua, kami mempertimbangkan ukuran filter yang
berubah-ubah waktu daripada ukuran filter tetap tunggal dalam kondisi pasar yang berbeda, dan menemukan
bukti yang mendukung AMH. Ketiga, kami mengadopsi beberapa RaV dan ReV untuk memantau struktur mikro
dari data frekuensi tinggi, dan menemukan bahwa RaV dapat memberikan sinyal yang lebih baik tentang efek
momentum intraday. Terakhir, pengujian kami dilakukan di pasar HSIF, pasar derivatif Asia yang relatif muda di
Hong Kong tetapi dengan salah satu volume perdagangan tertinggi secara global. Salah satu keterbatasan
penelitian ini adalah bahwa kami tidak melakukan uji di luar sampel dengan memperkirakan RaV.

Alizadeh dkk. (2002) untuk model volatilitas stokastik, Brandt dan Jones (2006) untuk model deret waktu
EGARCH, Chou (2005) untuk model rentang autoregresif bersyarat, dll. Keterbatasan lain dari penelitian
ini mungkin karena kami tidak mempertimbangkan efek pembatasan short-selling. Namun, tidak seperti
saham, pasar berjangka biasanya tidak memiliki batasan pendek, dan oleh karena itu, kesimpulan kami
berdasarkan sampel HSIF seharusnya tidak terpengaruh. Namun, masalah ini harus dipertimbangkan
ketika mencoba untuk menggeneralisasi hasil kami ke pasar lain. Pembaca yang tertarik dapat merujuk
ke studi tentangDieter dkk. (2009) dan Taylor (2012, 2014), yang menyimpulkan bahwa pembatasan
short-selling secara signifikan mempengaruhi kinerja aturan perdagangan teknis.
SEF Referensi
Alexander, S. (1961), "Pergerakan harga di pasar spekulatif: tren atau jalan acak", Industri
Ulasan Manajemen, Jil. 2, hlm. 7-26.
Alexander, S. (1964), “Pergerakan harga di pasar spekulatif: tren atau jalan acak, no. 2",
Tinjauan Manajemen Industri, Jil. 5, No.2, hal.25-46.
Alizadeh, S., Brandt, MW dan Diebold, FX (2002), “Estimasi berbasis rentang volatilitas stokastik
model”, Jurnal Keuangan, Jil. 57 No.3, hlm. 1047-1092.
Andersen, T. dan Bollerslev, T. (1998), “Menjawab skeptis: ya, model volatilitas standar tidak
memberikan perkiraan yang akurat”, Tinjauan Ekonomi Internasional, Jil. 39 No. 4, hlm. 885-905.

Barberis, N., Shleifer, A. dan Vishny, R. (1998), "Sebuah model sentimen investor", Jurnal Keuangan
Ekonomi, Jil. 49 No.3, hlm. 307-343.
Brandt, MW dan Jones, CS (2006), "Peramalan volatilitas dengan model EGARCH berbasis rentang",
Jurnal Statistik Bisnis dan Ekonomi, Jil. 24 No. 4, hlm. 470-486.
Cai, W. (2008), "Memasang model aditif umum dengan prosedur GAM di SAS 9.2", SAS Global
Forum, SAS Institute Inc., Cary NC, Kertas 378-2008.
Caporale, GM, Gilalana, LA, Plastun, A. dan Makarenko, I. (2016), “Anomali intraday dan pasar
efisiensi: analisis robot perdagangan”, Ekonomi Komputasi, Jil. 47 No.2, hal.275-295.
Chou, R. (2005), "Peramalan volatilitas keuangan dengan nilai ekstrim: kondisional"
model rentang autoregresif (CARR), Jurnal Kredit Uang dan Perbankan, Jil. 37 No.3,
hal.561-582.
Diether, K., Lee, K. dan Werner, I. (2009), "Strategi penjualan pendek dan prediktabilitas pengembalian", Ulasan tentang
Studi Keuangan, Jil. 22 No.2, hal.575-607.
Fama, E. (1970), "Pasar modal yang efisien: tinjauan teori dan pekerjaan empiris", Jurnal Keuangan,
Jil. 25, hlm. 382-417.
Fama, E. dan Blume, ME (1966), "Menyaring aturan dan perdagangan pasar saham", Jurnal Bisnis,
Jil. 39 No.S1, hal.226-241.
Fung, JKW, Cheng, LT dan Chan, KC (1997), “Efisiensi harga intraday Hong Kong
opsi indeks hang seng dan pasar berjangka”, Jurnal Pasar Berjangka, Jil. 17 Nomor 7,
P. 797.
Gabaix, X. (2012), “Variabel bencana langka: kerangka kerja yang dipecahkan secara tepat untuk sepuluh teka-teki dalam makro-
keuangan", Jurnal Ekonomi Triwulanan, Jil. 127 No.2, hal.645-700.
Garman, MB dan Klass, MJ (1980), “Pada estimasi volatilitas harga sekuritas dari sejarah
data", Jurnal Bisnis, Jil. 53 No. 1, hlm. 67-78.
Grinblatt, M. dan Bing, H. (2005), "Teori prospek, akuntansi mental, dan momentum", Jurnal dari
Ekonomi Keuangan, Jil. 78 No.2, hal.311-339.
Hancock, PA dan Hutchinson, MF (2006), “Interpolasi spasial set data iklim besar menggunakan
splines penghalus pelat tipis bivariat”, Pemodelan dan Perangkat Lunak Lingkungan, Jil. 21, hlm.
1684-1694.
Herrera, S., Fernandez, J. dan Gutierrez, JM (2016), “Pembaruan grid observasi Spanyol02
kumpulan data untuk evaluasi EURO-CORDEX: menilai pengaruh metodologi interpolasi”,
Jurnal Klimatologi internasional, Jil. 36 No.2, hal.900-908.
Holmberg, U., Lonnbark, C. dan Lundstrom, C. (2013), “Menilai profitabilitas pembukaan intraday
berbagai strategi breakout”, Surat Riset Keuangan, Jil. 10 No.1, hal.27-33.
Hsu, P., Taylor, MP dan Wang, W. (2016), “Perdagangan teknis: apakah masih mengalahkan devisa
pasar?", Jurnal Ekonomi Internasional, Jil. 102, hal. 188-208.
Ito, M., Noda, A. dan Wada, T. (2014), “Efisiensi pasar saham internasional: waktu non-Bayesian
pendekatan model yang bervariasi”, Ekonomi Terapan, Jil. 46 No.23, hal.2744-2754.
Ito, M., Noda, A. dan Wada, T. (2016), “Evolusi efisiensi pasar saham di AS: non- Efektivitas
Pendekatan model variasi waktu Bayesian”, Ekonomi Terapan, Jil. 48 No.7, hal.621-635.
perdagangan filter
Ito, M. dan Sugiyama, S. (2009), "Mengukur tingkat inefisiensi pasar yang bervariasi waktu", Ekonomi
Surat, Jil. 103 No. 1, hlm. 62-64.
Kim, JH, Syamsuddin, A. dan Lim, K.-P. (2011), “Prediktabilitas pengembalian saham dan pasar adaptif
hipotesis: bukti dari data AS selama satu abad”, Jurnal Keuangan Empiris, Jil. 18 No.5,
hal.868-879.
Kozyra, J. dan Lento, C. (2011), "Menggunakan data VIX untuk meningkatkan sinyal perdagangan teknis", Terapan
Surat Ekonomi, Jil. 18 No. 14, hlm. 1367-1370.
Lam, K. dan Li, W. (2004), "Apakah strategi waktu 'sempurna' benar-benar sempurna?", Review Kuantitatif
Keuangan dan Akuntansi, Jil. 22 No. 1, hal. 39-51.
Lam, K., Liu, T. dan Wong, W.-K. (2010), “Sebuah model pseudo-Bayesian dalam pengambilan keputusan keuangan dengan
implikasi terhadap volatilitas pasar, reaksi di bawah dan berlebihan”, Jurnal Riset Operasional
Eropa, Jil. 203 No. 1, hal. 166-175.
Lam, K., Liu, T. dan Wong, W.-K. (2012), “Model semu-Bayesian baru dengan implikasi keuangan
anomali dan perilaku investor”, Jurnal Keuangan Perilaku, Jil. 13 No.2, hal.93-107.
Lam, K. dan Yam, HC (1997), "Teknik CUSUM untuk perdagangan teknis di pasar keuangan",
Rekayasa Keuangan dan Pasar Jepang, Jil. 4 No.3, hal.257-274.
Lim, KP dan Brooks, R. (2011), “Evolusi efisiensi pasar saham dari waktu ke waktu: survei
sastra empiris”, Jurnal Survei Ekonomi, Jil. 25 No. 1, hlm. 69-108.
Lo, AW (2004), “Hipotesis pasar adaptif: efisiensi pasar dari evolusioner
perspektif", Jurnal Manajemen Portofolio, Jil. 30 No.5, hal.15-29.
Lo, AW (2005), “Merekonsiliasi pasar yang efisien dengan keuangan perilaku: pasar adaptif
hipotesa", Jurnal Konsultasi Investasi, Jil. 7, hlm. 21-44.
Lo, AW (2012), "Pasar adaptif dan tatanan dunia baru", Jurnal Analis Keuangan, Jil. 68 No.2,
hal.18-29.
Mitra, SK, Bawa, J., Kannadhasan, M., Goyal, V. dan Chattopadhyay, M. (2017), “Dapatkah profitabilitas
melalui strategi momentum ditingkatkan dengan menerapkan rentang ke filter standar deviasi”,
Surat Riset Keuangan, Jil. 20, hlm. 269-273.
Neely, CJ, Rapach, DE, Tu, J. dan Zhou, G. (2014), “Peramalan premi risiko ekuitas: peran
indikator teknis”, Ilmu Manajemen, Jil. 60 No.7, hlm. 1772-1791.
Neely, CJ, Weller, PA dan Ulrich, J. (2009), “Hipotesis pasar adaptif: bukti dari
pasar valuta asing”, Penerbitan Elektronik Ilmu Sosial, Jil. 44 No.2, hal.467-488.
Noda, A. (2016), “Pengujian hipotesis pasar adaptif menggunakan model AR yang bervariasi waktu di Jepang”,
Surat Riset Keuangan, Jil. 17, hal.66-71.
Halaman, ES (1954a), "Skema inspeksi berkelanjutan", biometrik, Jil. 41 No 1/2, hlm. 100-114.
Pages, ES (1954b), "Peningkatan pendekatan wald untuk beberapa properti tes sekuensial",
Jurnal Royal Statistical Society: Seri B (Metodologis), Jil. 16, hlm. 136-139.
Park, C. dan Irwin, S. (2007), "Apa yang kita ketahui tentang profitabilitas analisis teknis?", jurnal
Survei Ekonomi, Jil. 21 No. 4, hal. 786-826.
Parkinson, M. (1980), "Metode nilai ekstrim untuk memperkirakan varians dari tingkat pengembalian", NS
Jurnal Bisnis, Jil. 53 No. 1, hlm. 61-65.
Praetz, PD (1976), "Tingkat pengembalian pada tes filter", Jurnal Keuangan, Jil. 31 No. 1, hlm. 71-75.
Schulmeister, S. (2009), “Profitabilitas perdagangan saham teknis: telah berpindah dari harian ke intraday
data?", Tinjauan Ekonomi Keuangan, Jil. 18 No.4, hlm. 190-201.
Schumaker, LL (1991), "Model Spline untuk data observasional (Grace Wahba)", Ulasan SIAM, Jil. 33
No.3, hal.502-502.
SEF Sweeney, RJ (1988), "Beberapa tes aturan filter baru: metode dan hasil", Jurnal Keuangan dan
Analisis kuantitatif, Jil. 23 No.3, hal.285-300.
Szakmary, AC, Davidson, WN dan Schwarz, TV (1999), "Uji filter di saham Nasdaq", NS
Tinjauan Keuangan, Jil. 34 No.1, hal.45-70.
Tang, G. dan Lui, D. (2002), “Pola volatilitas intraday dan intraweek dari indeks dan indeks Hang Seng
berjangka, dan uji hipotesis tunggu-untuk-perdagangan”, Jurnal Keuangan Cekungan Pasifik, Jil. 10 No. 4, hlm.
475-495.

Taylor, N. (2012), “Signifikansi ekonomi dari informasi pengkondisian pada efisiensi portofolio di
kehadiran short-selling yang mahal”, Jurnal Penelitian Keuangan, Jil. 35 No.1, hal.115-135.
Taylor, N. (2014), "Naik turunnya kesuksesan aturan perdagangan teknis", Jurnal Perbankan dan Keuangan,
Jil. 40, hlm. 286-302.
Urquhart, A. dan Hudson, R. (2013), “Pasar yang efisien atau adaptif? Bukti dari saham utama
pasar menggunakan data historis jangka panjang”, Tinjauan Internasional Analisis Keuangan, Jil. 28, hal.
130-142.
Wahba, G. dan Wendelberger, J. (1980), "Beberapa metode matematika baru untuk tujuan variasional"
analisis menggunakan splines dan validasi silang”, Ulasan Cuaca Bulanan, Jil. 108 No.8, hlm.
1122-1143.
Wu, M., Lin, S. dan Lin, C. (2006), "Aplikasi yang efektif dari pohon keputusan untuk perdagangan saham", Ahli
Sistem dengan Aplikasi, Jil. 31 No.2, hal.270-274.
Wu, X., Wang, Z., Zhou, X., Lai, C. dan Chen, X. (2017), “Tren suhu ekstrem lebih dari sembilan
kawasan pertanian terpadu di Cina, 1961–2011”, Klimatologi Teoritis dan Terapan,
hal. 1-16.

Zarrabi, N., Snaith, S. dan Coakley, J. (2017), "Aturan perdagangan teknis FX terkadang bisa menguntungkan",
Tinjauan Internasional Analisis Keuangan, Jil. 49, hlm. 113-127.

Bacaan lebih lanjut

Acar, E. dan Toffel, R. (1999), “Bab 5: tertinggi dan terendah: waktu dalam sehari dalam mata uang CME
pasar”, Lequeux, P. (Ed.), Pasar Keuangan Centang demi Centang, Wiley, New York, NY.
Praetz, PD (1979), "Uji umum efek filter", Jurnal Analisis Keuangan dan Kuantitatif,
Jil. 14 No.2, hal.385-394.

Penulis yang sesuai

Ling Xin dapat dihubungi di: xl.elaine@gmail.com

Untuk petunjuk tentang cara memesan cetak ulang artikel ini, silakan kunjungi situs web kami:
www.emeraldgrouppublishing.com/licensing/reprints.htm
Atau hubungi kami untuk keterangan lebih lanjut: izin@emeraldinsight.com