Optimasi EA adalah proses menemukan nilai parameter yang meningkatkan kinerja historis suatu strategi. Jika dilakukan dengan benar, ini mempertajam edge yang nyata. Jika dilakukan dengan salah, ini menghasilkan parameter yang terlihat luar biasa pada data historis dan langsung gagal dalam trading live. Perbedaannya adalah disiplin walk-forward analysis.
Masalah inti optimasi
Optimasi adalah pencarian di ruang parameter untuk kombinasi yang memaksimalkan metrik yang dipilih (total return, Sharpe ratio, profit factor) pada dataset historis. Masalahnya: dengan cukup banyak kombinasi parameter, Anda selalu dapat menemukan pengaturan yang terlihat luar biasa pada data historis apa pun — termasuk noise acak.
Ini disebut curve-fitting (juga disebut overfitting). EA yang curve-fitted telah menghafal pergerakan harga spesifik dari periode backtest alih-alih menemukan edge yang nyata. EA ini akan berkinerja buruk atau gagal dalam forward testing.
Solusi walk-forward
Antidot untuk curve-fitting adalah pengujian out-of-sample. Sisihkan sebagian data historis Anda — biasanya 20-30% terbaru — sebagai “validation set” yang tidak pernah Anda masukkan dalam optimasi. Kemudian:
- Optimalkan parameter pada data in-sample yang lebih lama (mis. 2020-2024)
- Uji parameter terbaik pada data out-of-sample (mis. 2025 saja) tanpa penyesuaian lebih lanjut
- Jika kinerja bertahan pada periode out-of-sample, parameter tersebut memiliki nilai prediktif yang nyata
Strategy Tester MT5 memiliki mode “Walk Forward Optimisation” bawaan yang mengotomatisasi proses ini pada jendela bergulir.
Pengujian stabilitas — jalan pintas praktis
Jika walk-forward optimisation terasa kompleks, sinyal sederhana dari over-optimasi adalah sensitivitas parameter. Setelah menemukan parameter terbaik, uji variasinya: jika multiplier ATR bawaan adalah 2,0, uji juga 1,8 dan 2,2.
- Parameter stabil: kinerja pada 1,8 dan 2,2 serupa dengan 2,0. Hasilnya tidak sangat sensitif terhadap parameter ini — edge-nya nyata.
- Parameter curve-fitted: kinerja turun tajam pada 1,9 atau 2,1. Nilai 2,0 dioptimalkan secara spesifik untuk data historis; sedikit perubahan meruntuhkan hasilnya.
Selalu pilih parameter yang berada di lingkungan kinerja datar, meskipun kinerja puncak absolutnya sedikit lebih rendah daripada optimum yang lebih sensitif.
Apa yang dioptimasi (dan apa yang tidak)
Optimalkan:
- Multiplier stop-loss (stop berbasis ATR memiliki rentang parameter alami)
- Ambang filter tren (level ADX, periode EMA)
- Filter sesi (jendela entry berdasarkan waktu hari)
Jangan optimalkan:
- Persentase risiko per transaksi — ini adalah keputusan position sizing, bukan parameter edge
- Target exit yang ditetapkan untuk memaksimalkan keuntungan backtest — pasar ke depan bukan pasar ke belakang
Kapan berhenti mengoptimasi
Aturan praktis untuk berhenti: setelah Sharpe ratio Anda pada periode out-of-sample melebihi 1,5 dan efisiensi walk-forward Anda (keuntungan out-of-sample / keuntungan in-sample) di atas 0,5, berhentilah mengoptimasi. Penyempurnaan lebih lanjut pada titik ini hanya menambah risiko curve-fitting tanpa peningkatan edge yang proporsional.
Pemeriksaan akhir sebelum go live: jalankan EA yang dioptimasi pada akun demo selama satu bulan dan bandingkan hasil transaksi satu per satu terhadap backtest. Jika kinerja demo dalam kisaran 20% dari Sharpe backtest, parameter tersebut layak digunakan. Jika demo jauh di bawah performa, periksa kembali asumsi model eksekusi (spread, slippage) dalam pengaturan backtest.