CObservasi: VWAP Asymmetry & Smart Money
Status: Observasi & Pengembangan
Halaman ini mendokumentasikan sistem deteksi Smart Money berbasis VWAP Asymmetry sebagai observasi untuk pengembangan lanjutan. Sistem ini sedang dalam tahap backtesting dan validasi empiris sebelum diintegrasikan sebagai cabang strategi entry atau insentif alokasi dalam CIVM.
A. Pendahuluan: Smart Money Detection
Smart Money mengacu pada aktivitas transaksi oleh pelaku pasar institusional atau profesional yang dianggap memiliki keunggulan informasi. Sistem VWAP Asymmetry memanfaatkan perbedaan harga rata-rata tertimbang volume (VWAP) antara transaksi reguler dan non-reguler untuk mendeteksi potensi aktivitas smart money.
Mengapa Diobservasi?
- Potensi deteksi akumulasi/distribusi institusional
- Dapat menjadi filter tambahan atau insentif alokasi untuk saham dengan aktivitas smart money positif
- Membutuhkan validasi empiris lebih lanjut di pasar Indonesia
- Integrasi Machine Learning untuk probabilitas keberhasilan sinyal
B. Konsep: VWAP Asymmetry
B.1. Definisi VWAP
VWAP = Σ(Pricei × Volumei) / Σ(Volumei)
Volume Weighted Average Price: rata-rata harga tertimbang oleh volume transaksi
B.2. Pemisahan Transaksi Reguler vs Non-Reguler
- Transaksi Reguler: Transaksi melalui mekanisme pasar normal (order book matching)
- Transaksi Non-Reguler: Transaksi negosiasi, crossing, block trade — umumnya dilakukan oleh institusi besar
B.3. Hipotesis Asymmetry
Ketika institusi melakukan akumulasi dengan informasi superior:
- VWAP Non-Reguler > VWAP Reguler: Institusi bersedia membayar premium untuk mengakumulasi saham
- Volume Spike: Lonjakan volume non-reguler di atas rata-rata historis
- Price Momentum: Harga cenderung naik setelah akumulasi smart money
C. Kriteria Sinyal VWAP Asymmetry
Sinyal valid dihasilkan ketika seluruh kriteria berikut terpenuhi:
| Kriteria | Threshold Default | Deskripsi |
|---|---|---|
| VWAP Premium | ≥ 1% | VWAP non-reguler harian > VWAP reguler harian minimal 1% |
| Volume Spike | ≥ 2× | Volume non-reguler ≥ 2× rata-rata 90 hari |
| Cumulative VWAP | Konfirmasi | VWAP kumulatif gabungan > VWAP kumulatif reguler |
| Z-Score Status | Safe | Saham harus dalam status zStatus = 'Safe' |
| isPotential | = 1 | Saham memiliki potensi (screening fundamental lolos) |
VWAP_Premium(%) = ((VWAPnon-reguler - VWAPreguler) / VWAPreguler) × 100
Volume_Spike = Volumenon-reguler / Avg_Volume90hari
D. Analisis Performa Pasca-Sinyal
Setiap sinyal dievaluasi performanya dalam periode 60 hari setelah sinyal:
Max Return
Return maksimum yang tercapai relatif terhadap harga sinyal
Target: Max Return ≥ 10%
Max Drawdown
Penurunan maksimum dari puncak selama periode observasi
Target: Drawdown < 15%
Days to Peak
Jumlah hari untuk mencapai return maksimum
Baseline: 5-20 hari
Exit Return
Return pada kondisi exit (target/stop/waktu)
Target: Positif ≥ 5%
D.1. Kondisi Exit
- Target Hit: Return mencapai +10% (take profit)
- VWAP Reversal: VWAP non-reguler < VWAP reguler (sinyal distribusi)
- Time Expiry: Maksimum 60 hari holding tanpa target tercapai
- Stop Loss: Drawdown melebihi threshold (opsional)
E. Integrasi Machine Learning
Sistem menggunakan Random Forest Classifier untuk memprediksi probabilitas keberhasilan setiap sinyal:
E.1. Fitur Input
| Fitur | Deskripsi |
|---|---|
| Premium VWAP Harian | Selisih VWAP non-reguler vs reguler (%) |
| Premium VWAP Kumulatif | Selisih VWAP kumulatif (%) |
| Spike Ratio | Rasio volume non-reguler terhadap rata-rata |
| Z-Score Volume | Standard score volume transaksi |
| Rasio Volume/Nilai | Indikator ukuran lot transaksi |
| Harga Penutupan | Close price normalized |
| Momentum 5 Hari | Return 5 hari terakhir sebelum sinyal |
E.2. Model Architecture
- Algorithm: Random Forest (Rubix ML)
- Trees: 200 estimators
- Max Depth: 20 nodes
- Train/Test Split: 80/20 stratified
- Preprocessing: Z-Score Standardization
E.3. Output: AI Success Probability
AI_Score = P(Positive | Features) × 100%
Probabilitas keberhasilan sinyal berdasarkan model Random Forest
Interpretasi AI Score:
- > 70%: High confidence — prioritaskan untuk review
- 50-70%: Moderate — konfirmasi dengan analisis teknikal/fundamental
- < 50%: Low confidence — pertimbangkan untuk skip
F. Rencana Integrasi dengan CIVM
Status Validasi
- Backtesting: Selesai untuk data 2 tahun — avg return ~8%
- Live Testing: Dalam monitoring aktif
- CIVM Integration: Pending validation results
F.1. Potensi Integrasi
- Filter Tambahan Beli: Saham dengan sinyal VWAP Asymmetry aktif dan AI Score > 70% mendapat prioritas
- Insentif Alokasi: Bobot tambahan untuk saham dengan aktivitas smart money positif
- Early Warning Jual: VWAP Reversal sebagai sinyal distribusi/take profit
F.2. Metrik Keberhasilan Target
| Metrik | Target |
|---|---|
| Success Rate (Exit Positive) | > 55% |
| Average Max Return | > 10% |
| Average Exit Return | > 5% |
| Average Max Drawdown | < 10% |
| ML Accuracy | > 60% |
G. Strategi Penggunaan yang Direkomendasikan
1. Screening Awal
Gunakan sinyal dengan AI Score > 70% sebagai prioritas untuk review fundamental dan teknikal lebih lanjut.
2. Timing Entry
Entry H+1 setelah sinyal. Manfaatkan metrik days_to_peak untuk estimasi holding period.
3. Exit Bertahap
Take profit bertahap: 5% (partial), 10% (partial), trailing stop setelahnya.
4. Diversifikasi Sektor
Hindari akumulasi berlebih di satu sektor. Monitor distribusi sinyal per sektor.
Catatan Penting: Dokumentasi ini bersifat observasi dan edukasi. Sistem VWAP Asymmetry belum terintegrasi penuh ke dalam CIVM dan sistem sedang dalam pengembangan aktif. Semua keputusan investasi tetap mengacu pada metodologi CIVM utama yang sudah tervalidasi.