Before you start
What this module changes in your trading process.
Understand return distributions, fat tails, and volatility clustering.
Statistik untuk QuantDistributionCorrelationHypothesis testSample size
Quant trading is applied statistics. Build intuition for separating real patterns from randomness.
Module outline
Before you start
Understand return distributions, fat tails, and volatility clustering.
Lesson 1
Memahami sifat distribusi return (fat tails, volatility clustering).
Banyak model awal mengasumsikan return terdistribusi normal (lonceng).
Realitanya return finansial: • Fat tails (leptokurtik): kejadian ekstrem (crash, lonjakan) jauh lebih sering daripada prediksi distribusi normal. "Kejadian 6-sigma" terjadi jauh lebih sering dari yang seharusnya. • Volatility clustering: periode tenang dan bergejolak mengelompok — hari liar diikuti hari liar. • Skew: distribusi sering tidak simetris; banyak aset turun lebih tajam daripada naiknya.
Konsekuensi praktis Mengasumsikan normalitas membuat Anda meremehkan risiko ekor. Banyak ledakan akun terjadi karena model menganggap "ini mustahil" pada kejadian yang sebenarnya cukup mungkin. Selalu hormati tail risk.
Example
Practical example: Return finansial punya fat tails — ekstrem lebih sering dari normal.
Key points
Practice checkpoint
Apply this lesson to one market you actually watch. Write the rule, the data needed, the risk check, and the condition that invalidates the idea.
Before continuing
Lesson 2
Menjelaskan stationarity dan mengapa penting untuk pemodelan.
Stationarity: sebuah deret stasioner bila sifat statistiknya (rata-rata, varians) stabil sepanjang waktu. Harga mentah tidak stasioner (cenderung tren), tetapi return umumnya lebih stasioner. Banyak metode statistik & ML mensyaratkan input yang relatif stasioner — itulah salah satu alasan kita memodelkan return, bukan harga. Korelasi vs kausalitas Korelasi mengukur seberapa dua deret bergerak bersama (−1 sampai +1).
Tetapi korelasi bukan kausalitas: dua hal bisa berkorelasi karena kebetulan, atau karena faktor ketiga. Banyak "pola" yang ditemukan dengan menambang data hanyalah korelasi semu. Kointegrasi Dua aset kointegrasi bila kombinasi liniernya stasioner — selisihnya cenderung kembali ke rata-rata meski masing-masing bergerak acak. Ini fondasi pairs trading & statistical arbitrage (dibahas di Tingkat Lanjut).
Korelasi tinggi sesaat tidak sama dengan kointegrasi yang stabil. Hubungan bisa pecah Kointegrasi historis bisa runtuh saat fundamental berubah. Statistik memberi dugaan, bukan jaminan; selalu pasang manajemen risiko.
Example
Practical example: Return lebih stasioner dari harga; banyak model menuntut stationarity.
Key points
Practice checkpoint
Apply this lesson to one market you actually watch. Write the rule, the data needed, the risk check, and the condition that invalidates the idea.
Before continuing
Lesson 3
Membedakan korelasi dari kausalitas dan memahami kointegrasi.
Bagaimana membedakan edge nyata dari keberuntungan? Dengan berpikir seperti ilmuwan. • Hipotesis nol (H0): "strategi tidak punya edge" (return harapan = 0). Kita cari bukti untuk menolaknya. • p-value: peluang melihat hasil sebaik ini jika H0 benar. p kecil = bukti lebih kuat ada edge — tetapi bukan jaminan. • Ukuran sampel: 20 trade tidak cukup. Semakin banyak observasi independen, semakin andal kesimpulan.
Multiple testing & data mining Jika Anda menguji 1.000 strategi acak, sekitar 50 akan tampak "signifikan" pada ambang 5% murni karena kebetulan . Inilah jebakan terbesar quant: mencoba ribuan kombinasi lalu memamerkan yang terbaik. Pertahanan: kurangi jumlah percobaan, gunakan out-of-sample yang ketat, sesuaikan ambang (mis. koreksi untuk banyak uji), dan utamakan hipotesis yang punya alasan ekonomi.
Prinsip penutup tingkat menengah Edge yang layak dipercaya biasanya: punya alasan ekonomi yang masuk akal, bertahan out-of-sample, kuat terhadap variasi parameter, dan tetap positif setelah biaya. Statistik adalah alat untuk jujur pada diri sendiri — bukan untuk membenarkan harapan.
Example
Practical example: Uji hipotesis menilai apakah edge berbeda dari nol secara meyakinkan.
Key points
Practice checkpoint
Apply this lesson to one market you actually watch. Write the rule, the data needed, the risk check, and the condition that invalidates the idea.
Before continuing
Fieldwork
Build one worksheet for Statistics for Quant Trading: state the market, the rule, the data input, the risk limit, the validation check, and the review note before using it live.
Glossary
Checkpoint quiz
Quiz results can add XP when you are signed in.
Progress action
Marking complete saves the module, updates streak activity, and awards XP only once per module.
Previous module
Costs quietly kill strategies. Model transaction costs realistically and understand capacity, turnover, and market impact.
Next module
Machine learning is a tool, not magic. Frame market prediction as supervised learning and build the right conceptual pipeline.
Risk note: Metavulus learning content is for education and market preparation only. It is not financial advice, investment advice, or a trading recommendation.