Asimetri Kerugian-Keuntungan: Matematika yang Menghancurkan Deposit Anda

Mengapa kehilangan 50% membutuhkan pertumbuhan 100% untuk pulih, bagaimana volatility drag menghancurkan modal bahkan di pasar sideways, dan rumus apa saja yang wajib diketahui setiap algo trader untuk membangun manajemen risiko.

Teka-Teki yang Melawan Intuisi

Bayangkan: sebuah aset naik 70%, lalu turun 70%. Atau sebaliknya — pertama turun, lalu naik. Skenario mana yang lebih menguntungkan?

Jawabannya: keduanya sama-sama merugikan. Perkalian bersifat komutatif:

$100 \times 1.7 \times 0.3 = 100 \times 0.3 \times 1.7 = 51$

Anda kehilangan 49% modal dengan pergerakan harga "nol". Ini bukan bug — ini adalah sifat fundamental dari sifat multiplikatif imbal hasil.

Mengapa Kerugian Lebih "Berat" Daripada Keuntungan

Imbal hasil persentase adalah operasi dalam ruang multiplikatif. Kehilangan 50% berarti mengalikan dengan 0,5, dan untuk kembali ke titik awal Anda perlu mengalikan dengan 2 — yakni, menghasilkan 100%.

Rumus Pemulihan

Jika Anda kehilangan $x\%$ dari modal Anda, imbal hasil yang diperlukan untuk kembali ke saldo awal:

$R_{recovery} = \frac{x}{100 - x} \times 100\%$

Penurunannya sederhana. Misalkan modal awal adalah $C$. Setelah kerugian $x\%$:

$C_{after} = C \cdot \left(1 - \frac{x}{100}\right)$

Untuk pulih, $C_{after} \cdot (1 + R) = C$, sehingga:

$R = \frac{C}{C_{after}} - 1 = \frac{1}{1 - x/100} - 1 = \frac{x}{100 - x}$

Tabel Asimetri

Koefisien asimetri tumbuh secara non-linear. Setelah kerugian 50% Anda memasuki zona yang secara statistik hampir mustahil untuk keluar tanpa mengubah strategi.

Volatility Drag: Pembunuh Senyap di Pasar Sideways

Bahkan ketika pasar "diam di tempat," volatilitas itu sendiri menghancurkan modal. Fenomena ini disebut volatility drag (atau variance drain).

Definisi Formal

Untuk urutan imbal hasil harian $r_1, r_2, \ldots, r_n$, imbal hasil geometris (nyata) adalah:

$G = \prod_{i=1}^{n}(1 + r_i) - 1$

Imbal hasil aritmetika (rata-rata) adalah:

$\bar{r} = \frac{1}{n}\sum_{i=1}^{n} r_i$

Hubungan antara keduanya secara perkiraan:

$G \approx \bar{r} - \frac{\sigma^2}{2}$

di mana $\sigma^2$ adalah varians imbal hasil. Suku $\frac{\sigma^2}{2}$ adalah volatility drag.

Contoh: Pasar Sideways dengan Volatilitas Harian 5%

Misalkan sebuah aset secara acak naik atau turun 5% setiap hari dengan probabilitas yang sama. Rata-rata aritmetika = 0%. Tetapi imbal hasil geometris:

$G \approx 0 - \frac{0.05^2}{2} = -0.125\%$

Selama 252 hari perdagangan: $(1 - 0.00125)^{252} \approx 0.729$, artinya -27,1% per tahun pada pergerakan rata-rata "nol".

Untuk pasar kripto dengan volatilitas harian tipikal 3–8%, ini berarti bahwa memegang aset yang volatil tanpa tren terarah menjamin kerugian modal.

Aplikasi Praktis: Simulasi Python

import numpy as np

def simulate_volatility_drag(daily_vol: float, days: int = 252, simulations: int = 10_000) -> dict:
    """
    Simulasi Monte Carlo dari volatility drag.

    Args:
        daily_vol: volatilitas harian (0.05 = 5%)
        days: jumlah hari perdagangan
        simulations: jumlah simulasi

    Returns:
        Statistik imbal hasil nyata (geometris)
    """
    daily_returns = np.random.normal(0, daily_vol, (simulations, days))

    cumulative = np.prod(1 + daily_returns, axis=1)
    geo_returns = cumulative - 1

    theoretical_drag = -0.5 * daily_vol**2 * days

    return {
        "mean_geometric_return": np.mean(geo_returns),
        "median_geometric_return": np.median(geo_returns),
        "theoretical_drag": theoretical_drag,
        "prob_loss": np.mean(geo_returns < 0),
        "worst_5pct": np.percentile(geo_returns, 5),
        "best_5pct": np.percentile(geo_returns, 95),
    }

result = simulate_volatility_drag(daily_vol=0.04)
print(f"Mean geometric return:  {result['mean_geometric_return']:.2%}")
print(f"Theoretical drag:       {result['theoretical_drag']:.2%}")
print(f"Probability of loss:    {result['prob_loss']:.2%}")
print(f"Worst 5%:               {result['worst_5pct']:.2%}")

Output tipikal untuk volatilitas seperti BTC:

Mean geometric return:  -17.34%
Theoretical drag:       -20.16%
Probability of loss:     63.28%
Worst 5%:               -72.41%

Implikasi untuk Algo Trading

1. Risk/Reward dan Kriteria Kelly

Dengan mengetahui asimetri kerugian, ukuran posisi optimal dihitung melalui kriteria Kelly:

$f^* = \frac{p \cdot W - (1 - p) \cdot L}{W \cdot L}$

di mana $p$ adalah probabilitas menang, $W$ adalah rata-rata kemenangan, dan $L$ adalah rata-rata kerugian (sebagai pecahan dari taruhan).

Untuk aplikasi perdagangan praktis, fractional Kelly ($f^{*}/2$ atau $f^{*}/3$) digunakan, yang mengurangi volatilitas ekuitas dengan hanya sedikit pengurangan pada imbal hasil jangka panjang.

2. Maximum Drawdown dan Ukuran Posisi

Jika sebuah strategi memungkinkan maximum drawdown sebesar $D_{max}$ dan stop-loss ditetapkan pada $S\%$, jumlah maksimum stop berturut-turut sebelum drawdown kritis adalah:

$n = \frac{\ln(1 - D_{max})}{\ln(1 - S)}$

Contoh: dengan $D_{max} = 20\%$ dan stop-loss $2\%$:

$n = \frac{\ln(0.8)}{\ln(0.98)} = \frac{-0.2231}{-0.0202} \approx 11$

Strategi dapat bertahan 11 stop berturut-turut. Dengan mengetahui win rate, kita dapat memperkirakan probabilitas rangkaian seperti itu:

$P(n\ \text{stops}) = (1 - WR)^n$

Pada win rate 45%: $P = 0.55^{11} \approx 0.14\%$ — risiko yang dapat diterima.

3. Ekspektasi Geometris sebuah Strategi

Imbal hasil jangka panjang nyata dari sebuah strategi bukan rata-rata aritmetika dari perdagangan, melainkan ekspektasi geometris:

$E_{geo} = (1 + W)^p \times (1 - L)^{(1-p)} - 1$

Strategi dengan $W = 3\%$, $L = 1\%$, $WR = 40\%$:

$E_{geo} = 1.03^{0.4} \times 0.99^{0.6} - 1 = 1.01194 \times 0.99401 - 1 = +0.59\%$

Strategi dengan $W = 3\%$, $L = 3\%$, $WR = 50\%$ (tampak "impas"):

$E_{geo} = 1.03^{0.5} \times 0.97^{0.5} - 1 = 1.01489 \times 0.98489 - 1 = -0.045\%$

Strategi R:R simetris dengan win rate 50% tidak menguntungkan akibat volatility drag.

4. Leverage: Ketika Tuas Merusak Strategi

Leverage mengalikan tidak hanya imbal hasil tetapi juga volatility drag. Tanpa leverage, drag sama dengan $\frac{\sigma^2}{2}$; dengan leverage $L$ menjadi $\frac{L^2 \sigma^2}{2}$. Tingkat pertumbuhan geometris modal di bawah leverage:

$g(L) = L \cdot \mu - \frac{L^2 \sigma^2}{2}$

di mana $\mu$ adalah ekspektasi imbal hasil dan $\sigma$ adalah volatilitas aset.

Leverage 3× meningkatkan drag sebanyak 9 kali, bukan 3. Leverage 10× — sebanyak 100 kali. Leverage 100× — sebanyak 10.000 kali.

Leverage Kelly Optimal

Maksimum dari $g(L)$ dicapai pada:

$L^* = \frac{\mu}{\sigma^2}$

Ini adalah optimum teoretis. Dalam praktiknya, fractional Kelly ($L^*/2$ atau $L^*/3$) digunakan dengan alasan yang sama seperti ukuran posisi: estimasi $\mu$ yang tidak tepat, distribusi ekor gemuk, dan volatilitas non-stasioner.

Tabel: Leverage, Likuidasi, dan Volatility Drag

Leverage Maksimum dari Target Drawdown

Jika Anda membatasi maximum drawdown pada $D_{max}$ dan VaR harian aset pada tingkat kepercayaan 99% adalah $V$:

$L_{max} = \frac{D_{max}}{V}$

Kesimpulan dari tabel: untuk pasar kripto dengan volatilitasnya, bahkan 3× sudah merupakan leverage yang agresif. Leverage 50×–125× yang populer di bursa kripto adalah likuidasi yang terjamin secara matematis pada pergerakan pasar normal pertama.

Formula Praktis untuk Memilih Leverage

Pendekatan yang andal adalah mengambil minimum dari beberapa estimasi:

$L_{opt} = \min\left(\frac{L_{Kelly}}{2},\quad \frac{D_{max}}{VaR},\quad \frac{\sigma_{target}}{\sigma_{current}},\quad L_{exchange}\right)$

di mana:

• $\frac{L_{Kelly}}{2}$ — fractional Kelly (setengah dari leverage optimal)
• $\frac{D_{max}}{VaR}$ — batasan maximum drawdown
• $\frac{\sigma_{target}}{\sigma_{current}}$ — vol-targeting (penskalaan ke volatilitas portofolio target)
• $L_{exchange}$ — batas bursa

Minimum memastikan bahwa tidak ada batasan yang dilanggar. Dalam praktiknya, batasan drawdown biasanya yang paling membatasi.

Kalkulator interaktif: coba Kalkulator Leverage Optimal — masukkan parameter strategi Anda dan dapatkan leverage optimal dari keempat metode dengan visualisasi.

Kesimpulan untuk Membangun Sistem Perdagangan

Mengelola kerugian secara matematis lebih penting daripada menemukan entri yang menguntungkan. Ini bukan slogan motivasi — ini adalah konsekuensi dari asimetri imbal hasil multiplikatif.

Aturan konkret:

1. Stop-loss adalah wajib. Setiap persen kerugian secara eksponensial mempersulit pemulihan. Drawdown di atas 25% (memerlukan +33%) adalah zona merah.

2. Minimum R:R = 1:2. Pada R:R simetris bahkan win rate 50% tidak menguntungkan. Hanya R:R asimetris yang mendukung keuntungan yang mengompensasi volatility drag.

3. Fractional Kelly untuk sizing. Full Kelly secara teoritis optimal, tetapi dalam praktiknya $f^{*}/2$ memberikan 75% imbal hasil dengan 50% volatilitas ekuitas.

4. Volatilitas adalah musuh Anda tanpa keunggulan. Di pasar sideways untuk aset yang sangat volatil, sekadar memegang posisi menghasilkan kerugian. Jika Anda tidak memiliki keunggulan statistik — jangan berdagang.

5. Hitung ekspektasi geometris, bukan aritmetika. Backtest yang menunjukkan rata-rata keuntungan per perdagangan berbohong — imbal hasil nyata selalu lebih rendah sebesar $\frac{\sigma^2}{2}$.

6. Leverage dari rumus, bukan dari keserakahan. Gunakan rumus $L_{max} = D_{max} / VaR$ untuk menghitung leverage maksimum. Untuk kripto dengan VaR harian 8% dan target drawdown 20%, ini menghasilkan 2,5× — bukan 50× dan bukan 125×.

Penutup: Hitung dengan Benar — Bertahan Lebih Lama

Memahami sifat multiplikatif imbal hasil bukan merupakan latihan akademik. Ini adalah fondasi tempat setiap sistem perdagangan yang layak dibangun.

Sebagian besar trader kalah dari pasar bukan karena mereka kekurangan "intuisi" atau informasi orang dalam — mereka kalah karena mereka mengambil keputusan dalam ruang aditif (rata-rata aritmetika), sementara pasar beroperasi dalam ruang multiplikatif (rata-rata geometris).

Tiga pertanyaan yang layak diajukan sebelum setiap perdagangan:

1. Jika stop terpicu — dapatkah saya pulih? Rumus $R_{recovery} = \frac{x}{100-x}$ memberikan jawaban seketika. Ketika risiko per perdagangan melebihi 10%, pemulihan mulai membutuhkan upaya yang tidak proporsional.

2. Apakah saya memiliki keunggulan statistik? Jika tidak — jangan berdagang. Volatilitas saja menjamin kerugian melalui volatility drag. Ketiadaan keunggulan di bawah volatilitas adalah penghancuran modal yang lambat namun tak terelakkan.

3. Apa ekspektasi geometris dari strategi saya? Bukan rata-rata keuntungan per perdagangan, bukan persentase win rate — tepatnya $E_{geo}$. Ini adalah satu-satunya metrik yang menunjukkan efektivitas jangka panjang yang nyata.

Algo trading dimulai bukan dengan menulis kode, tetapi dengan matematika. Kode hanyalah alat implementasi untuk strategi yang telah melewati verifikasi matematis. Tanpa verifikasi ini, bahkan algoritma yang ditulis dengan sempurna akan secara sistematis mengurangi deposit Anda.

Pasar tidak menghukum kesalahan — ia hanya mendistribusikan ulang modal dari mereka yang menghitung dengan salah kepada mereka yang menghitung dengan benar.

Topik berikutnya: optimasi portofolio menggunakan metode mean-variance — kapan diversifikasi berhasil dan kapan ia menjadi ilusi keamanan.

Kutipan

@article{soloviov2026lossprofitasymmetry,
  author = {Soloviov, Eugen},
  title = {Loss-Profit Asymmetry: The Math That Kills Your Deposit},
  year = {2026},
  url = {https://marketmaker.cc/id/blog/post/loss-profit-asymmetry},
  version = {0.1.0},
  description = {Why losing 50% requires 100% growth to recover, how volatility drag destroys capital even in sideways markets, and which formulas every algo trader must know for risk management.}
}