Menunggu Data Ekonomi 2Q20 Untuk Antisipasi Bottom

The Primary Trader sempat melihat potensi S&P500 untuk Breakout 2,950 dan memasuki potensi Uptrend. Namun melihat pergerakan kemarin dimana yang kedua kalinya S&P500 tertahan di 2,950 maka The Primary Trader kembali meyakini bahwa Downtrend masih akan terjadi.

Sampai kapan?

Timing Analysis tidak pernah mudah dan cabang Analisis Teknikal yang fokus pada Timing Analysis (seperti Astrology Trading, Gann atau Elliot Wave tidak mudah dipercaya Investor dan The Primary Trader tidak mendalaminya). Namun The Primary Trader mencoba mengemukakan potensi Bottoming Global Market termasuk IHSG di tahun 2020 ini dengan melihat Seasonality dan data ekonomi.

The Worst Has Yet To Come

Di pertengahan April dan Mei ini, Investor terkejut dengan data pertumbuhan ekonomi di 1Q20 yang mana terlihat dampak awal dari Pandemi COVID-19. Ekonomi China di 1Q20 turun -6.8% YoY, lebih dalam dari estimasi sebesar -6.5% YoY. Hal ini wajar karena China mulai Lockdown di akhir Januari 2020 atau bertepatan dengan Chinese New Year dimana terjadi mudik masal terbesar di dunia. Selain tidak ada konsumsi di berbagai kota, praktis aktifitas bisnis pun ditutup sehingga cukup wajar ada pukulan yang telak bagi ekonomi China di 1Q20.

Amerika Serikat yang sebenarnya baru mulai Lockdown di akhir Maret 2020 namun pada akhir Januari 2020 sudah mulai ada pembatasan terutama dari sisi imigrasi. Di akhir April 2020, data awal pertumbuhan ekonomi AS di 1Q20 turun sebesar -4.8% QoQ (di-annualized), jauh dari estimasi sebesar -4% QoQ. Ekonomi AS di 1Q20 hanya tumbuh 0.3% YoY, sangat jauh dari rentang 2.1% – 3.2% dari 2Q18 – 4Q19.

AS tampaknya adalah bukti bahwa apabila ekonomi China kurang baik maka negara lain pun demikian. China sebagai Supply-Side memegang peranan penting di era globalisasi ekonomi ini karena Impor China akan bahan mentah berperan sebagai pendapatan signifikan bagi ekonomi seperti Indonesia dan bahkan negara AS sendiri.

Indonesia sendiri pun mengalami pukulan karena di awal Mei 2020, BPS melaporkan ekonomi Indonesia hanya naik sebesar 2.97% YoY di 1Q20, terendah sejak 1Q01. Tentu hal ini jauh di bawah estimasi sebesar 4.04% YoY dan hal inilah yang pertama kali membuat ekonom (termasuk pemerintah) melihat potensi ekonomi Indonesia bisa negatif di akhir tahun. Artinya adalah nilai GDP Indonesia tahun 2020 bisa lebih rendah dari tahun 2019 (sebesar USD1,12 miliar). Indonesia sendiri pernah setidaknya 2 kali mengalami Resesi (penurunan pertumbuhan ekonomi dalam 2 kuartal berturut – turut) yaitu di antara tahun 2020 dan 2013.

Ekonom pun mulai melihat bahwa ini masih dampak awal Pandemi COVID-19 sehingga masih ada dampak lanjutan pada ekonomi di 2Q20. Oleh karena itu, pada awal Mei 2020, ekonom dan Investor mulai bersiap untuk kehilangan kesempatan adanya V-Shape Recovery pada ekonomi global.

Data GDP di 2Q20 : Potensi Bottom

Karena Investor mulai kehilangan harapan akan V-Shape Recovery, tentu Investor akan menunggu pengumuman GDP berikutnya di 2Q20 yaitu sekitar bulan Juli 2020 (China dan AS) dan Agustus 2020 (Indonesia). Data GDP 2Q20 akan menjadi pemicu apakah justifikasi Forward Looking Investor sudah benar.

Apabila ternyata GDP di 2Q20 lebih baik dari perkiraan, tentu hal ini akan menjadi Timing untuk mengakhiri Downtrend dan mengawali Uptrend. Apabila GDP di 2Q20 jauh lebih buruk dari perkiraan, The Primary Trader melihat pada akhirnya valuasi sudah akan murah sekali sehingga ancaman penurunan sudah relatif kecil. Pada saat itulah menurut The Primary Trader akan terjadi Bottom pada Global Market. Dua kondisi yang terjadi adalah “Better Than Estimate” bila GDP lebih baik dari estimasi atau “Underowned dan Very Undemanding Valuation” bila GDP lebih buruk dari estimasi.

The Primary Trader perkirakan masih akan ada penurunan karena shock terhadap GDP 2Q20 di US, China dan Indonesia (karena The Primary Trader ingin membahas aset investasi di Indonesia). Oleh karena itu, pergerakan di 2Q20 sampai 3Q20 (menjelang pengumuman GDP 2Q20 di bulan Juli dan Agustus 2020) akan sangat volatile. Namun menjelang atau pada 3Q20 tersebutlah seharusnya mulai ada indikasi Bottoming setelah semuanya ter-Priced In baik keburukan di 2Q20 maupun harapan di 2H20.

Seasonality

The Primary Trader ingin melihat pergerakan S&P500, Shanghai Composite dan IHSG secara kuartalan untuk melihat Seasonality dan fakta Bottoming ketiga indeks tersebut.

Bila dilihat pada Seasonal Plot S&P500, ada kecenderungan Bottoming di 3Q meskipun di beberapa tahun terakhir ini, kenaikan dari 3Q ke 4Q tidak setinggi di awal – awal tahun 2010an. Namun mengacu pada SubSeries Seasonal Plot, ada kecenderungan S&P500 naik (dari Bottom) pada 3Q untuk kemudian relatif Sideways pada 4Q.

Pada Shanghai Composite, Seasonal Plot menunjukkan kecenderungan terjadinya Bottoming (dengan peluang lebih besar) di 3Q untuk kemudian naik sampai 4Q. SubSeries Seasonal Plot pun menunjukkan kecenderungan untuk naik dari 3Q ke 4Q.

Untuk IHSG, Seasonal Plot menunjukkan peluang yang sama besar antara Bottoming di 2Q untuk naik ke 3Q dan Bottoming di 3Q untuk naik ke 4Q. Melihat SubSeries Seasonal Plot, IHSG cenderung bergerak dengan volatilitas rendah di 3Q dan hal ini menunjukkan kecenderungan terbentuknya Bottom (yaitu di 3Q). Berdasarkan garis rata – rata (garis biru), selisih antara rata – rata 2Q dengan 3Q tidak berbeda jauh. Dapat disimpulkan jalan tengah bahwa IHSG cenderung Bottoming di 2Q – 3Q (dua kuartal).

Kesimpulan

Bahayanya percaya prediksi berakhir Pandemi adalah membuat kita lengah dan terjebak untuk melonggarkan Lockdown atau PSBB lebih cepat dari kondisi aman. Hal tersebut dapat mengancam peningkatan kasus baru lagi. Dengan demikian, hal yang paling penting adalah menunggu relaksasi Lockdown atau PSBB setelah ada bukti bahwa kasus baru mulai melandai dan cukup jauh dari puncak.

Oleh karenanya, The Primary Trader lebih percaya untuk tidak melihat Peak dari New Case sebagai Timing To Entry karena pada akhirnya hal tersebut menjebak. Resesi dan Market Crash kali ini terjadi karena wabah penyakit dan selama wabahnya belum terkendali, tampaknya akan sulit untuk memprediksi Bottoming atau awal Uptrend.

Namun demikian, berdasarkan data (GDP 2Q20) dan Seasonality di atas, setidaknya perkiraan The Primary Trader bahwa Bottom akan terjadi di akhir 2Q20 atau 3Q20 juga merupakan harapan. Semoga.

IHSG : Bottom – Up Approach Mengindikasikan (Masih Ada) Ancaman Downtrend

IHSG terlihat Breakout dari Sideways sejak April 2020 yang menandakan potensi kenaikan menuju 5,700. Bila IHSG berhasil naik di atas Fibonacci Retracement 61.8% di 5,400 maka ancaman Downtrend berkurang dan IHSG berpotensi berada dalam Uptrend menuju (minimal) 5,700. Bahkan sangat terbuka kemungkinan IHSG kembali ke level 6,400 – 6,700. Hal ini berpotensi terjadi bila IHSG berhasil naik melewati 5,400 yang mana hal tersebut terjadi setelah IHSG Breakout 4,650 (Breakout Sideways sejak April 2020).

Breakout 4,650 tampaknya telah terjadi sejak akhir April 2020 namun sepanjang Mei 2020, IHSG terlihat kembali Sideways di level 4,500-an. Hal ini yang membuat The Primary Trader masih meyakini Downtrend belum selesai dan masih ada potensi penurunan sebagai One Last Drop untuk IHSG membentuk Bottoming atau Bullish Reversal Pattern.

Menggunakan pendekatan Bottom – Up Analysis, The Primary Trader ingin melihat saham – saham konstituen IHSG yang berpengaruh (Big Caps). Dapat disimpulkan bahwa saham – saham Big Caps tersebut relatif membentuk Bearish Continuation Pattern yang menunjukkan saham tersebut masih berpotensi Downtrend. Bila demikian maka seharusnya IHSG pun sedang bersiap kembali Downtrend.

Berikut adalah saham – saham dengan masing – masing kategori yang semuanya mengindikasikan kelanjutan dari Downtrend :

Descending Triangle (atau menyerupai) : BBRI dan BMRI

Symmetrical Triangle (atau menyerupai) : ASII, INTP, PGAS dan SMGR

Strong Down Trendline : HMSP, ICBP, GGRM dan UNTR

Saham – saham Big Caps di atas menunjukkan ancaman Downtrend atau segera kembali turun dalam Downtrend. Dengan demikian, IHSG tentu akan turun mengikuti saham – saham tersebut. The Primary Trader masih berhati – hati dan waspada.

UNPUB : Ekonomi Indonesia 1Q20 Turun Dalam Namun Dapat Menjadi Awal Suatu Dekade Baru.

Ekonomi Indonesia di 1Q20 turun -2.41% QoQ namun masih naik sebesar 2.97% YoY. Meski demikian, pertumbuhan ekonomi ternyata lebih rendah dari estimasi para ekonom. Hal ini tentu mengkhawatirkan karena dampak wabah COVID-19 sebenarnya baru terasa pada bulan Maret 2020, bulan terakhir di 1Q20. Oleh karena itu, ekonom tampaknya mengkhawatirkan masih ada ancaman penurunan yang lebih dalam lagi pada 2Q20 dimana terjadi PSBB di beberapa kota besar di Indonesia (di bulan April 2020, awal 2Q20). Selain itu, pada 2Q20 juga bertepatan dengan bulan Ramadhan yang menjadi puncak konsumsi masyarakat (karena tertolong dengan THR). Namun sekalipun dari Demand Side ada tapi bila Supply Side tidak ada, tampaknya Consumption akan relatif tidak naik sehingga ekonomi pun sulit tumbuh.

Aktifitas pabrik di Indonesia yang tercatat oleh PMI Manufacturing Index di bulan April 2020 jatuh ke level 27.5 (Maret 2020 : 45.3). Mulai terlihat tekanan di bulan Maret 2020 karena di bawah 50 namun bila melihat beberapa tahun terakhir, sejak tahun 2016, PMI Manufacturing Indonesia relatif hovering di level antara 47 – 53. Ada kestabilan dalam 4 tahun terakhir namun The Primary Trader melihat level ini menunjukkan industri manufaktur yang relatif jalan di tempat.

Ekonomi Indonesia di 1Q20 (awal dekade 2020 – 2030) mungkin mengulang level di tahun 2001 dimana pada saat itu ekonomi Indonesia hanya tumbuh sebesar 1.6% YoY di 4Q01. Setelah itu, ekonomi Indonesia tumbuh sampai 8 tahun ke depan.

The Primary Trader ingin optimis bahwa reformasi infrastruktur dan Omnibus Law dapat memperlancar pertumbuhan ekonomi terutama untuk mendorong Konsumsi Domestik (lewat UMKM). Memang banyak yang mengatakan Omnibus Law adalah UU yang tidak tepat namun The Primary Trader termasuk golongan yang percaya UU Sapu Jagad ini akan menjadi pemicu utama pertumbuhan ekonomi Indonesia ke depan terutama apabila aturan – aturan bisnis dapat disederhanakan. Tentu apabila ada kemudahan dari sisi ketenagakerjaan, The Primary Trader percaya UU ini akan semakin mendorong pertumbuhan ekonomi.

Apapun itu, semoga Indonesia semakin maju.

UNPUB : Decompose IHSG

The Primary Trader ingin melakukan Decompose IHSG dengan menggunakan beberapa metode Decompose yaitu :

  1. Classical Decompose
  2. X11 Decompose
  3. SEATS Decompose
  4. STL Decompose

The Primary Trader ingin mempraktikan metode Decomposition terhadap IHSG sehingga dapat ditemukan karakteristik dan seasonality-nya. Penjelasan detil ada di sumber buku “Forecasting: Principles and Practice” dari Rob J Hyndman.

File

The Primary Trader menggunakan data IHSG bulanan dari tahun 2000 sampai Maret 2020 (ihsg.ts) dan dari tahun 2015 sampai Maret 2020 (ihsg.ts.2015).

Classical Decompose

Classical Decomposition mengasumsikan komponen Seasonal berulang setiap tahun.

Multiplicative Classical Decompose

ihsg.mult <- decompose(ihsg.ts, type = "multiplicative")
autoplot(ihsg.mult)+ 
  xlab("Year")+
  ggtitle("Classical Multiplicative Decompose IHSG")

plot of chunk unnamed-chunk-3

Additive Classical Decompose

ihsg.add <- decompose(ihsg.ts, type = "additive")
autoplot(ihsg.add)+ 
  xlab("Year")+
  ggtitle("Classical Additive Decompose IHSG")

plot of chunk unnamed-chunk-4

Ada setidaknya 3 metode lagi untuk Decompose yaitu X11, SEATS dan STL dimana ketiganya cukup rumit. Untuk artikel ini, The Primary Trader hanya mempraktikan menggunakan Classical Decomposition. Namun beberapa poin dibawah ini menunjukkan plot Decomposition dari ketiga metode tersebut.

X11 Decompose

X11 menggunakan dasar Classical Decomposition namun untuk Trend dan Cycle-nya, X11 memperhatikan seluruh observasi dari titik awal sampai akhir (tidak hanya tahun ke tahun seperti Classical Decomposition). X11 juga langsung menyesuaikan metode Additive dan Multiplicative yang mana pada Classical Decompose, pemilihan metode tersebut harus dilakukan secara manual.

ihsg.x11 <- seas(ihsg.ts, x11="")
autoplot(ihsg.x11)+ 
  xlab("Year")+
  ggtitle("X11 Decompose IHSG")

plot of chunk unnamed-chunk-5

SEATS Decompose

SEATS atau SEasonal Extraction in ARIMA Time Series adalah Decomposition yang hanya berlaku pada Quarterly maupun Monthly data.

ihsg.seats <- seas(ihsg.ts)
autoplot(ihsg.seats)+
  ggtitle("SEATS decomposition of electrical equipment index")

plot of chunk unnamed-chunk-6

STL Decompose

STL atau Seasonal and Trend Decomposition using Loess dimana Loess adalah metode untuk mengestimasi hubungan nonlinear dari data. Beberapa keunggulan STL dibanding metode Decompose yang lain adalah STL dapat menghitung data seasonality lain (tidak hanya bulanan maupun kuartalan seperti SEATS). Komponen Seasonal-nya serta Rate of Change-nya dapat diganti serta dirubah manual begitupun dengan Smoothness dari Trend-Cycle nya.

ihsg.stl <- stl(ihsg.mo, t.window = 13, s.window = "periodic", robust = TRUE)
autoplot(ihsg.stl)+
  ggtitle("STL decomposition of electrical equipment index")

plot of chunk unnamed-chunk-7

Peak and Trough

The Primary Trader menyukai salah satu penggunaan metode Decompose adalah untuk mengetahui Peak and Trough dari suatu data – menggunakan unsur Seasonal yang dihitung dalam metode Decompose.

Berikut adalah contoh Peak and Trough menggunakan unsur Seasonal pada Classical Decompose dan X11 Decompose :

ihsg.mult.2015 <- decompose(window(ihsg.ts.2015, start = c(2015,1)), type = "multiplicative")
ihsg.add.2015 <- decompose(window(ihsg.ts.2015, start = c(2015,1)), type = "additive")
ihsg.x11.2015 <- seas(window(ihsg.ts.2015, start = c(2015,1)), x11="")

autoplot(ihsg.mult$seasonal)+
  ggtitle("Seasonality of Multiplicative Classical Decomposition")

plot of chunk unnamed-chunk-8
autoplot(ihsg.add$seasonal)+
  ggtitle("Seasonality of Additive Classical Decomposition")

plot of chunk unnamed-chunk-8
autoplot(seasonal(ihsg.x11))+
  ggtitle("Seasonality of X11 Decomposition")

plot of chunk unnamed-chunk-8
autoplot(ihsg.mult.2015$seasonal)+
  ggtitle("Seasonality of Multiplicative Classical Decomposition since 2015")

plot of chunk unnamed-chunk-8
autoplot(ihsg.add.2015$seasonal)+
  ggtitle("Seasonality of Additive Classical Decomposition since 2015")

plot of chunk unnamed-chunk-8
autoplot(seasonal(ihsg.x11.2015))+
  ggtitle("Seasonality of X11 Decomposition since 2015")

plot of chunk unnamed-chunk-8

Bila melihat kedua metode (Classical dan X11), terlihat X11 lebih rumit karena Seasonality X11 sepanjang periode tidak stabil. Hal ini karena metode X11 benar – benar melihat data secara detil, tidak terpaku dengan data tahun ke tahun seperti Classical Decomposition.

Grafik di atas juga menunjukkan bahwa angka siklus Peak and Trough IHSG berbeda – beda setiap metode. Hal ini cukup wajar namun pada satu metode, ada perbedaan apabila total periodenya berbeda.

Untuk melihat Peak and Trough, berikut adalah angka Seasonal dari Classical Decomposition metode (Multiplicative dan Additive) dengan periode yang berbeda. Angka Seasonal tertinggi adalah Peak sementara angka Seasonal terendah adalah Trough.

### Classical Decompose Multiplicative : July and Oct 
range(ihsg.mult$seasonal)

## [1] 0.9681424 1.0253185
head(ihsg.mult$seasonal, 12)

##            Jan       Feb       Mar       Apr       May       Jun       Jul
## 2000 1.0012314 1.0039945 1.0057929 1.0223423 1.0182244 1.0125698 1.0253185
##            Aug       Sep       Oct       Nov       Dec
## 2000 0.9930703 0.9860049 0.9681424 0.9683132 0.9949955
### Classical Decompose Multiplicative 2015 : Feb and Nov
range(ihsg.mult.2015$seasonal)

## [1] 0.9727762 1.0266903
head(ihsg.mult.2015$seasonal, 12)

##            Jan       Feb       Mar       Apr       May       Jun       Jul
## 2015 1.0247965 1.0266903 1.0154625 1.0044016 0.9878793 0.9949372 1.0036845
##            Aug       Sep       Oct       Nov       Dec
## 2015 0.9986347 0.9818674 0.9834012 0.9727762 1.0054689
### Classical Decompose Additive : Apr and Nov
range(ihsg.add$seasonal)

## [1] -83.57064  55.17163
head(ihsg.add$seasonal, 12)

##             Jan        Feb        Mar        Apr        May        Jun
## 2000   7.160684  32.889453  50.837431  55.171632  22.153855   2.141557
##             Jul        Aug        Sep        Oct        Nov        Dec
## 2000  49.218353 -30.365464 -43.315344 -49.307086 -83.570639 -13.014433
### Classical Decompose Additive 2015 : Feb and Nov
range(ihsg.add.2015$seasonal)

## [1] -149.884  156.214
head(ihsg.add.2015$seasonal, 12)

##              Jan         Feb         Mar         Apr         May
## 2015  154.118949  156.213976   85.252963   22.170138  -74.133527
##              Jun         Jul         Aug         Sep         Oct
## 2015  -39.096942   12.300302   -9.089981  -94.200776  -97.398817
##              Nov         Dec
## 2015 -149.884031   33.747744

Menggunakan metode Classical Decomposition Multiplicative dari tahun 2000, terdeteksi bahwa Peak and Trough IHSG ada di bulan Juli dan Oktober. Sementara dengan metode yang sama namun pada periode 2015, Peak and Trough IHSG terdeteksi di bulan Februari dan November.

Hal ini tentu karena adanya perubahan yang terjadi dari IHSG itu sendiri. Perubahan Seasonality serta Cycle pada pasar modal dapat terjadi karena perubahan rezim pemerintahan dan teknologi. Periode dari tahun 2000 sampai 2020 adalah periode yang cukup panjang.

The Primary Trader lebih percaya pada metode yang menggunakan data pendek terbaru (yaitu untuk periode dari 2015). Berikut adalah IHSG dengan Peak and Trough pada bulan April dan November (menggunakan Classical Decompose Additive) :

IHSG <- getSymbols("^JKSE", from = "2000-01-01", to = "2020-04-30", auto.assign = FALSE)
IHSG.mo <- na.omit(to.monthly(IHSG))
ihsg.mo <- IHSG.mo$IHSG.Adjusted
ihsg.ts <- ts(ihsg.mo, frequency = 12, start = c(2000,1))

ihsg.df <- data.frame(ihsg.mo, date = index(ihsg.mo))
ihsg.df <- ihsg.df %>%
  mutate(dates = as.Date(date), month = month(date))

plot(ihsg.df$date, ihsg.df$IHSG.Adjusted, type = "l")
points(x = ihsg.df[ihsg.df$month ==4, "date"],
       y = ihsg.df[ihsg.df$month ==4, "IHSG.Adjusted"], col = "blue", pch = 19)
points(x = ihsg.df[ihsg.df$month ==11, "date"],
       y = ihsg.df[ihsg.df$month ==11, "IHSG.Adjusted"], col = "red", pch = 19)

plot of chunk unnamed-chunk-10

Seasonality Line

Setiap metode Decompose menghasilkan dua komponen penting yaitu Seasonally Adjusted serta Trend. Keduanya pun dapat di-plot bersama dengan data IHSG.

Seasonally Adjusted dan Trend dari X11 Decompose

autoplot(ihsg.ts, series="Data") +
  autolayer(trendcycle(ihsg.x11), series="Trend") +
  autolayer(seasadj(ihsg.x11), series="Seasonally Adjusted") +
  xlab("Year") +
  ggtitle("X11 Decompose IHSG") +
  scale_colour_manual(values=c("green","blue","red"),
             breaks=c("Data","Seasonally Adjusted","Trend"))

plot of chunk unnamed-chunk-11

Agar terlihat jelas garis Seasonally Adjusted dan Trend – nya maka The Primary Trader melakukan zoom in dengan melihat data IHSG dari tahun 2015 :

ihsg.ts.2015 <- window(ihsg.ts, start = 2015)

autoplot(ihsg.ts.2015, series="Data") +
  autolayer(trendcycle(seas(ihsg.ts.2015, x11="")), series="Trend") +
  autolayer(seasadj(seas(ihsg.ts.2015, x11="")), series="Seasonally Adjusted") +
  xlab("Year") +
  ggtitle("X11 Decompose IHSG") +
  scale_colour_manual(values=c("green","blue","red"),
             breaks=c("Data","Seasonally Adjusted","Trend"))

plot of chunk unnamed-chunk-12

Seasonally Adjusted dan Trend dari Classical Decompose

Berikut adalah Seasonality dan Trend line dari Classical Decomposition secara Additive dan Multiplicative dari tahun 2015 :

autoplot(ihsg.ts.2015, series="Data") +
  autolayer(trendcycle(decompose(ihsg.ts.2015, type = "additive")), series="Trend") +
  autolayer(seasadj(decompose(ihsg.ts.2015, type = "additive")), series="Seasonally Adjusted") +
  xlab("Year") +
  ggtitle("Additive Classical Decompose IHSG") +
  scale_colour_manual(values=c("green","blue","red"),
             breaks=c("Data","Seasonally Adjusted","Trend"))

plot of chunk unnamed-chunk-13
autoplot(ihsg.ts.2015, series="Data") +
  autolayer(trendcycle(decompose(ihsg.ts.2015, type = "multiplicative")), series="Trend") +
  autolayer(seasadj(decompose(ihsg.ts.2015, type = "multiplicative")), series="Seasonally Adjusted") +
  xlab("Year") +
  ggtitle("Multiplicative Classical Decompose IHSG") +
  scale_colour_manual(values=c("green","blue","red"),
             breaks=c("Data","Seasonally Adjusted","Trend"))

plot of chunk unnamed-chunk-14

Seasonal Sub-Series dari Seasonal X11 IHSG

Beberapa metode memberikan coding untuk lebih menspesifikan Seasonal atau Sub-Series Seaonal yang ada seperti metode X11 Decomposition berikut :

ihsg.x11 %>% seasonal() %>% ggsubseriesplot() + ylab("Seasonal X11")

plot of chunk unnamed-chunk-15

Berdasarkan metode Decompose menggunakan X11, The Primary Trader melihat kecenderungan IHSG Sideways cenderung Uptrend di 1Q. Terlihat jelas bahwa IHSG lebih sering jatuh (Crash) di 2Q dan Bottoming di 3Q. Ada tendensi naik di 4Q.

Bila disimpulkan, Market cenderung naik mulai dari 4Q sampai 1Q dimana 2Q adalah puncak kenaikan dan awal kejatuhan sampai 3Q.

Kesimpulan

Menemukan titik Peak and Trough adalah suatu hal. Namun tentu pembuktian mana Peak and Trough yang terbaik menggunakan Backtesting adalah hal penting lainnya. The Primary Trader akan menuliskan Backtesting di artikel selanjutnya.