VPIN: Rumus, Bucket Volume, dan Debat Flash Crash

VPIN adalah singkatan dari volume-synchronized probability of informed trading. Easley, López de Prado, dan O’Hara memperkenalkannya sebagai ukuran frekuensi tinggi yang terkait dengan toksisitas order flow: kondisi ketika penyedia likuiditas dapat terkena adverse selection karena transaksi yang masuk lebih mungkin berasal dari pihak yang memiliki informasi. Metode mereka menggabungkan ketidakseimbangan volume dengan intensitas transaksi, lalu memperbarui ukuran menggunakan jam volume alih-alih interval jam dinding yang tetap (Easley, López de Prado, dan O’Hara, 2012).

Nama ini perlu ditafsirkan dengan hati-hati. Nilai VPIN terhitung seperti 0.32 tidak berarti ada peluang terkalibrasi sebesar 32% bahwa transaksi berikutnya berasal dari trader berinformasi. Nilai itu merupakan rata-rata ternormalisasi dari ketidakseimbangan yang diestimasi berdasarkan data, klasifikasi, ukuran bucket, dan aturan jendela yang dipilih. VPIN tidak mengidentifikasi trader mana yang memiliki informasi, tidak membedakan informasi dari transaksi yang didorong kebutuhan likuiditas, dan tidak membuktikan bahwa penyedia likuiditas benar-benar mengalami kerugian.

VPIN juga berbeda dari ketidakseimbangan order flow bertanda. Ukuran ini mengambil nilai absolut ketidakseimbangan di setiap bucket sebelum menghitung rata-rata, sehingga bucket dengan dominasi beli maupun jual sama-sama menambah nilai. Skor tersebut merangkum seberapa sepihak order flow dalam interval volume terbaru, tetapi menghapus arah ketidakseimbangan dari hasil akhirnya. Sementara itu, model PIN mencocokkan jumlah kedatangan order beli dan jual per periode waktu dengan model keadaan laten.

Grafik jam dinding mengambil observasi pada interval tetap, misalnya setiap detik atau menit. Jam volume bergerak setiap kali sejumlah volume tertentu telah diperdagangkan. Jika satu bucket ditetapkan sebesar 1.000 kontrak, bucket tersebut selesai setiap kali 1.000 kontrak berpindah tangan, baik dalam 20 detik saat pasar ramai maupun 12 menit ketika aktivitas sepi.

Setiap bucket dirancang agar memuat total volume transaksi yang sama. Durasi waktu jam dinding yang tercakup di setiap bucket bisa berbeda. VPIN kemudian dihitung dari jendela bergulir berisi (n) bucket volume terbaru dan diperbarui saat bucket baru selesai. Akibatnya, pembaruan lebih sering terjadi pada periode ramai dan lebih jarang pada periode sepi.

Waktu-volume adalah konvensi sampling, bukan cara menghilangkan aktivitas pasar dari data. Perdagangan yang lebih cepat dapat mengubah kecepatan pergerakan jendela VPIN, dan jumlah observasi per jam juga akan berubah. Karena itu, hasil bergantung pada instrumen, sesi, volume bucket, perlakuan terhadap transaksi yang melewati batas bucket, dan cara jam volume diinisialisasi. Analisis yang dapat direproduksi perlu menyatakan pilihan-pilihan ini.

VPIN memerlukan volume yang diprakarsai pembeli dan penjual. Jika label arah transaksi tersedia, label tersebut dapat diagregasikan dengan tetap memperhatikan mutu klasifikasinya. Jika label yang andal tidak tersedia, penelitian awal VPIN mengusulkan Bulk Volume Classification (BVC): memperkirakan proporsi volume beli dan jual dalam suatu bar waktu berdasarkan perubahan harga pada bar tersebut.

Salah satu bentuk umum BVC adalah

\[ \widehat V^{B}_t=V_t\Phi\!\left(\frac{\Delta P_t}{\widehat\sigma_{\Delta P}}\right), \qquad \widehat V^{S}_t=V_t-\widehat V^{B}_t, \]

dengan (V_t) sebagai total volume dalam bar, \(\Delta P_t\) sebagai perubahan harganya, \(\widehat\sigma_{\Delta P}\) sebagai estimasi skala perubahan harga yang dinyatakan, dan \(\Phi\) sebagai fungsi distribusi kumulatif normal baku. Perubahan harga terstandar yang positif mengalokasikan lebih banyak volume ke sisi beli; perubahan negatif mengalokasikan lebih banyak ke sisi jual. Jika perubahan terstandar sama dengan nol, rumus ini membagi volume secara merata.

Misalnya, suatu bar waktu hipotetis berisi 1.000 kontrak dan perubahan harga terstandarnya (0.5). Maka \(\Phi(0.5)\approx0.6915\). BVC mengalokasikan sekitar 691.5 kontrak ke volume beli dan 308.5 ke volume jual. Nilai pecahan ini adalah estimasi, bukan pecahan kontrak yang teramati atau niat transaksi yang diketahui. Hasilnya bergantung pada interval bar, ukuran harga, jendela estimasi volatilitas, dan asumsi distribusi.

BVC mengklasifikasikan volume dalam kelompok berdasarkan pergerakan harga; cara ini tidak menetapkan arah setiap transaksi di dalam kelompok. Bar waktu untuk estimasi ini dan bucket bervolume sama yang digunakan kemudian memiliki fungsi berbeda. Dokumentasikan keduanya. Perbandingan Andersen dan Bondarenko pada 2015 melaporkan bahwa, untuk tolok ukur futures E-mini S&P 500 mereka, BVC berkinerja lebih buruk daripada tick rule standar jika dibandingkan dengan klasifikasi transaksi yang dibangun dari kuotasi dan transaksi (Andersen dan Bondarenko, 2015). Panduan metode klasifikasi arah transaksi Lee–Ready membantu menjelaskan keterbatasan label sisi agresor yang hanya diestimasi.

Misalkan (V) adalah target volume per bucket, sementara \(\widehat V^B_i\) dan \(\widehat V^S_i\) adalah estimasi volume beli dan jual dalam bucket (i). Setiap bucket lengkap memenuhi \(\widehat V^B_i+\widehat V^S_i=V\). Salah satu bentuk bergulir yang umum adalah

\[ \mathrm{VPIN}_t= \frac{1}{nV} \sum_{i=t-n+1}^{t} \left|\widehat V^B_i-\widehat V^S_i\right|. \]

Pembilang menjumlahkan selisih absolut antara beli dan jual pada masing-masing dari (n) bucket terbaru. Penyebut (nV) adalah total volumenya. Jika bucket lengkap dan estimasi beli/jual tidak negatif serta berjumlah (V), skor berada di antara 0 dan 1; beberapa tampilan mengalikannya dengan 100 dan menyajikannya sebagai persentase.

Nilai mendekati nol berarti estimasi volume beli dan jual relatif seimbang di dalam bucket tersebut. Nilai yang lebih besar berarti order flow yang diestimasi rata-rata lebih sepihak selama jendela volume bergulir itu. Skor tidak menunjukkan apakah arus sepihak tersebut didorong pembelian atau penjualan karena nilai absolut menghapus tandanya.

Implementasi yang berbeda dapat menggunakan metode penentuan arah transaksi, ukuran bucket, panjang jendela bergulir, interval sampling, dan input harga yang berbeda. Dalam praktiknya, pilihan tersebut merupakan bagian dari definisi statistik. Nilai VPIN dengan pengaturan berbeda tidak otomatis dapat dibandingkan.

Misalkan empat bucket lengkap masing-masing berisi (V=100) kontrak. Setelah satu prosedur klasifikasi transaksi yang dinyatakan diterapkan, estimasi volume beli dan jualnya adalah:

Jumlah empat ketidakseimbangan absolut adalah (40+10+60+20=130) kontrak. Total volumenya (4\times100=400) kontrak, sehingga

\[ \mathrm{VPIN}=\frac{130}{400}=0.325=32.5\%. \]

Dalam jendela yang sama, total estimasi beli adalah 205 dan estimasi jual 195. Ketidakseimbangan neto bertandanya hanya \(205-195=10\) kontrak, atau \(10/400=2.5\%\) dari total volume. Hasil ini berbeda dari VPIN karena ketidakseimbangan bucket yang positif dan negatif saling mengimbangi dalam angka neto bertanda, sedangkan VPIN menjumlahkan nilai absolutnya.

Semua volume bucket dan klasifikasi di sini bersifat hipotetis. Aritmetika ini menjelaskan rumus dan bukan estimasi untuk aset, bursa, probabilitas, atau peristiwa pasar sungguhan. Jika estimasi dihasilkan dengan BVC, bar harga dan skala volatilitasnya juga perlu dijelaskan agar langkah klasifikasi bisa direproduksi.

<!-- learn:illustration --> <!-- Konsep tanpa teks: bucket bervolume sama menampilkan estimasi porsi beli dan jual yang berbeda; ringkasan bergulir mempertahankan besarnya ketidakseimbangan tetapi menghapus arahnya. Bukan data pasar, probabilitas crash, prediksi, atau sinyal trading. -->

Studi Easley–López de Prado–O’Hara pada 2012 menyajikan VPIN sebagai ukuran toksisitas order flow dan melaporkan hubungannya dengan volatilitas jangka pendek (Easley, López de Prado, dan O’Hara, 2012). Analisis mereka sebelumnya juga menguraikan pembacaan VPIN yang meningkat sebelum Flash Crash pada 6 Mei 2010 (Easley, López de Prado, dan O’Hara, 2011). Temuan tersebut menjadi motivasi untuk menilai VPIN sebagai pemantau tekanan pasar potensial, bukan bukti bahwa ukuran ini mampu meramalkan crash secara andal.

Studi Andersen dan Bondarenko pada 2014 mencapai kesimpulan berbeda dalam rekonstruksi mereka. Mereka melaporkan bahwa VPIN merupakan prediktor volatilitas jangka pendek yang lemah, baru mencapai maksimum setelah Flash Crash, dan kandungan prediktifnya sebagian besar terkait dengan intensitas transaksi. Analisis mereka menguji prosedur klasifikasi dan implementasi tertentu; hasilnya tidak membuktikan bahwa setiap versi VPIN di semua pasar berperilaku sama (Andersen dan Bondarenko, 2014).

Easley, López de Prado, dan O’Hara menanggapi pada 2014. Mereka membantah replikasi dan interpretasinya, dengan menyatakan bahwa analisis tersebut tidak menguji metodologi atau kesimpulan yang mereka ajukan dan bahwa mikrostruktur pasar penting untuk perbandingan itu (Easley, López de Prado, dan O’Hara, 2014). Pertukaran ini memperlihatkan perbedaan pendapat mengenai implementasi dan interpretasi empiris, bukan validasi konsensus terhadap VPIN sebagai sinyal peringatan dini.

Dalam penilaian berikutnya, Andersen dan Bondarenko memakai data kuotasi dan transaksi untuk menjadikan klasifikasi transaksi pada futures E-mini S&P 500 sebagai tolok ukur. Mereka melaporkan bahwa tolok ukurnya lebih mendukung tick rule daripada BVC dan berargumen bahwa kesalahan klasifikasi terkait volatilitas dapat menjelaskan prediksi volatilitas VPIN yang tampak pada kondisi yang mereka uji (Andersen dan Bondarenko, 2015). Temuan itu merupakan persoalan pengukuran serius karena VPIN bergantung pada estimasi volume beli dan jual, tetapi tetap merupakan hasil empiris untuk data dan prosedur tertentu.

Makalah Ke dan Lin tahun 2017 mengembangkan rumusan VPIN alternatif menggunakan estimasi maximum likelihood. Mereka berargumen bahwa metrik asli dapat tidak stabil ketika bucket volumenya kecil dan transaksi berinformasi jarang, serta melaporkan estimasi yang lebih konsisten dari metode alternatif mereka (Ke dan Lin, 2017). Kontribusi ini menunjukkan pentingnya konstruksi model, tetapi tidak menyelesaikan apakah varian VPIN dapat diandalkan sebagai peringatan real-time di berbagai aset, venue, atau rezim pasar.

Secara keseluruhan, literatur tidak mendukung klaim sederhana bahwa VPIN “memprediksi” atau “gagal memprediksi” setiap peristiwa yang relevan. Peneliti memperoleh hasil berbeda dengan pilihan klasifikasi, data, implementasi, dan pengujian yang berbeda. Perbedaan ini menjadi alasan untuk menjelaskan konstruksi ukuran dan menguji kinerja tambahannya terhadap tolok ukur aktivitas dan volatilitas yang lebih sederhana.

Volume bucket (V) menentukan banyaknya perdagangan yang diringkas ke dalam setiap observasi. Bucket yang lebih kecil menghasilkan pembaruan lebih sering, tetapi dapat membuat estimasi lebih peka terhadap lonjakan individual dan noise klasifikasi. Bucket lebih besar menghaluskan variasi lokal dan mengurangi frekuensi pembaruan. Skala yang tepat bergantung pada aktivitas pasar yang biasa dan pertanyaan penelitian; nilai yang dipilih setelah melihat crash dapat membuat kinerja peringatannya tampak lebih kuat daripada yang sebenarnya.

Jendela bergulir (n) menentukan seberapa banyak volume terbaru yang diperhitungkan. Jendela yang lebih pendek merespons cepat tetapi dapat lebih berisik; jendela panjang lebih halus dan lambat. Laporkan (V) dan (n), beserta distribusi durasi yang setara dalam waktu jam dinding. Jumlah bucket yang sama tidak berarti durasi waktu yang sama antara periode tenang dan aktif.

BVC menambahkan pilihan tersendiri: panjang bar waktu, input harga transaksi atau kuotasi, jendela estimasi volatilitas, perlakuan terhadap perubahan harga nol, dan asumsi distribusi. Jika tanda di tingkat transaksi digunakan, kesalahan klasifikasi akibat waktu kuotasi, perbandingan dengan midpoint, tick rule, atau konvensi pesan khusus venue juga dapat berpengaruh. Kritik studi 2015 secara khusus mengaitkan perubahan volatilitas dengan kesalahan klasifikasi BVC yang sistematis dalam kondisi yang diuji. Sementara itu, order-flow imbalance berbasis order book mengukur perubahan pasokan dan permintaan yang ditampilkan, bukan volume transaksi yang diklasifikasikan seperti ini.

Inisialisasi juga penting. Jendela VPIN bergulir dimulai dari batas bucket tertentu. Menggeser titik awal dapat mengubah transaksi mana yang dikelompokkan bersama dan karena itu mengubah ketidakseimbangan bucket. Pengujian sebaiknya mengukur sensitivitas ini, bukan memilih penyelarasan yang menunjukkan kenaikan paling kuat sebelum peristiwa. Perubahan struktural pada jam perdagangan, ukuran tick, desain kontrak, atau komposisi venue juga dapat mengurangi keterbandingan dari waktu ke waktu.

Studi VPIN yang cermat sebaiknya menetapkan data dan algoritmenya sebelum memeriksa peristiwa yang menjadi target. Nyatakan pasar dan kontrak, sesi, filter transaksi dan kuotasi, input harga, prosedur penentuan sisi transaksi atau pengaturan BVC, (V), (n), aturan inisialisasi, dan perlakuan bucket parsial atau bucket yang melintasi batas. Tunjukkan durasi waktu jam dinding yang dicakup setiap jendela VPIN pada tingkat aktivitas yang berbeda.

Untuk klaim prediktif, gunakan rancangan kronologis out-of-sample dan bandingkan VPIN dengan tolok ukur yang mudah diamati seperti volume, intensitas transaksi, volatilitas terealisasi, dan ketidakseimbangan order. Periksa apakah VPIN menambahkan informasi setelah ukuran-ukuran tersebut disertakan. Laporkan alarm palsu, peristiwa yang terlewat, lead time, ketidakpastian, dan hasil pada berbagai ambang—bukan hanya grafik retrospektif yang menunjukkan indikator naik sebelum satu crash terpilih. Ambang yang dipilih berdasarkan peristiwanya sendiri tidak membuktikan adanya peringatan sebelumnya.

Untuk klaim mengenai toksisitas order flow, ukur adverse selection atau hasil likuiditas secara independen, seperti dampak harga berikutnya, spread, kedalaman, atau kerugian market maker yang terealisasi; jelaskan pula bagaimana hasil itu diidentifikasi. Korelasi VPIN dengan volatilitas saja tidak memvalidasi interpretasi toksisitas. Nilai lebih tinggi dapat muncul karena volume terklasifikasi lebih sepihak, volatilitas yang memengaruhi BVC, atau jam volume yang bergerak lebih cepat.

VPIN dapat berguna sebagai ringkasan deskriptif ketika peneliti ingin memantau estimasi ketidakseimbangan absolut order flow pada jendela bervolume sama. Ukuran ini juga dapat menjadi fitur dalam analisis yang lebih luas jika konstruksinya transparan dan kontribusinya tetap ada setelah dibandingkan dengan ukuran yang lebih sederhana. Interpretasinya terbatas: VPIN merangkum klasifikasi tertentu atas volume terbaru.

Skor tinggi saja tidak membuktikan bahwa trader berinformasi sedang aktif, krisis likuiditas akan segera terjadi, harga akan bergerak ke arah tertentu, atau mengurangi maupun menambah posisi akan menguntungkan. Skor rendah pun tidak menjamin pasar aman atau likuid. Penggunaan operasional apa pun membutuhkan validasi independen, kontrol yang sesuai, aturan keputusan yang eksplisit, data yang memperhitungkan latensi, dan analisis biaya eksekusi yang realistis.

Sebaliknya, estimator spread Roll memperkirakan proksi spread yang berbeda dari autokovarians return.