Garuda Alpha v2 — Tesis Komprehensif & Peta Jalan Implementasi

Glosarium

Glosarium Istilah

Rujukan cepat istilah teknis yang dipakai di sepanjang tesis ini. Pembaca yang lupa makna sebuah jargon dapat menemukan penjelasan singkatnya di sini.

Bagian 1 · Asal-usul

Pertanyaan yang memulai segalanya — dan pivot yang jujur

Trader IDX secara visual menggambar kotak pada titik balik "lembah–puncak" (valley–peak) di grafik harga lalu menransaksikan pembalikannya. Pertanyaannya: temukan korelasi pola itu secara numerik — apakah penilaian mata bisa direduksi menjadi matematika?

Jawabannya ternyata kebalikan dari premis awal.

1.1 Edge pewaktuan lembah-puncak adalah artefak look-ahead

Membaca rumus SML persis dari SML_Oscillator.afl: Stochastic(15,3,3), LPM, DTE, regime, pivot (jendela 11), divergensi (≤60 bar), ekstrem (≤20 / ≥80). Diuji dengan event-study pada 159 saham 2016–2026.

Sayatan awal yang dikondisikan regime tampak luar biasa: swing-low + Stoch<30 + regime STRONG → hit 64%, median imbal-hasil ke depan +1.60%. Itu adalah artefak look-ahead (mengintip masa depan). Sebuah pivot yang terpusat (centered) mengintip w bar ke masa depan; pengukuran ulang dari bar konfirmasi (i+w, bar pertama saat pola benar-benar bisa diketahui) meluruhkan edge itu menjadi ≈ 0.

1.2 Yang membayar di IDX adalah penampang-lintang (cross-section), bukan pewaktuan

Beralih ke studi decile (scripts/cross_sectional_study.py). Temuan:

• Spread decile momentum (20/60/120 hari) bersifat monoton dan positif.
• Mean-reversion ("beli yang oversold / beli yang aman") rugi secara sistematis; Stochastic dan DTE berperingkat terbalik; LPM marginal.

BATASAN Strategi mengikuti mekanisme pasar IDX — tanpa short selling. Setiap konfigurasi berikutnya menghormati batasan itu.

Bagian 2 · Perombakan

Perombakan momentum-tilt tiga-tuas — yang membawa kita dari −1.1% ke +19.1% CAGR

Spesifikasi v1 awal berjalan long/short mingguan dengan ambang composite mutlak. Backtest net, aman-survivorship, parameter tetap: buy-only bulanan −1.1%, L/S bulanan −37%, L/S mingguan (default spec) −71%. Mesinnya benar; strateginya yang salah.

Tiga tuas berbasis bukti, ditumpuk satu per satu:

Perubahan mesin bersifat aditif belaka: top_n, hold_mult, exit_params, weights, rebal_freq="Q" diekspos sebagai kwargs dengan default nilai spec, sehingga rangkaian uji yang sudah ada tetap hijau di setiap langkah.

Bagian 3 · Disiplin

Pustaka temuan negatif — apa yang dicoba, apa yang gagal, dan mengapa kami percaya kegagalannya

Headline momentum-tilt adalah yang tersisa setelah beberapa tuas yang tampak menjanjikan diukur secara jujur lalu ditolak. Setiap temuan negatif didokumentasikan agar kami tidak mencoba ulang tuas yang sama:

3.1 Overlay vol-target (target volatilitas) — ditolak

overlay/vol_target.py dapat me-leverage gross NAIK menuju target volatilitas-trailing JCI. JCI berada di bawah target 18% sebagian besar waktu → overlay me-leverage ~1.4× pada 83% hari, memperbesar imbal-hasil dan volatilitas ~1:1 (13.3% → 13.9%). Sharpe tergelincir 1.00 → 0.96, maxDD melebar. Kapabilitas dipertahankan di balik flag default-mati.

3.2 Penjaga momentum-crash — ditolak

Detektor (RS bergulir luas-vs-bigcap) tidak punya daya prediksi yang kokoh: ekses 63-hari ke depan vs JCI adalah +3.5% pada hari broad-leading vs +4.3% pada hari bigcap-leading. Spread −0.86%. Penjaga deep-V menyeluruh menurunkan Sharpe 1.00 → 0.80. n=1 episode (COVID 2020) di mana crash terjadi — penjaga apa pun yang dibangun di atasnya bersifat curve-fit (terlalu pas pada data masa lalu).

3.3 Faktor foreign-flow Sectors.app — sinyal nol

Diuji institutional_transaction_flow dari Sectors.app v2 (net bulanan, ~20 bulan) sebagai faktor lintas-penampang. Tiga varian penskalaan × dua lag (M→M+1, M→M+2). Rata-rata Spearman IC ≈ 0 (−0.009 hingga +0.003); t-stat IC ≤ 0.32; hit rate ~50%. Sampel mungil, tapi titik-estimasinya datar, bukan menjanjikan-tapi-bising. Aliran bulanan Sectors BUKAN sinyal aliran-asing-harian yang diinginkan §2.3b perilaku pada spec.

3.4 PBTS Call HPQuant sebagai sinyal portofolio — informatif, bukan penambah nilai

Rincian di §4 di bawah. Versi singkat: sinyal HP berbagi beta pasar dengan native (korelasi imbal-harian 0.56, Jaccard transaksi 60%), tetapi sebagai alpha portofolio jauh lebih lemah — sepanjang 2021–2026, imbal-hasil HP-Call-via-mesin-Garuda +7.3% CAGR vs native +21.6% vs JCI +19.3%. Pakai sinyal HP sebagai rujukan sanity; jangan tukar composite dengannya.

3.5 Haircut HPQuant sebagai penyizingan portofolio — TERGANTUNG SUMBU METRIK

Pada metrik-%, Haircut tampak seperti hambatan: mode TIER memakan 6.7pp CAGR / 0.32 Sharpe vs native. Tetapi diukur pada sumbu yang benar untuk alat penyizingan (kerugian rupiah absolut di regime bearish), ia bekerja sesuai desain: memangkas worst-bear-DD dari Rp 35.4 Bn ke Rp 21.6 Bn (−39%) pada modal Rp 50 Bn, dengan volatilitas hari-bear turun 13.2% → 10.9% (de-grossing yang terlihat). Rincian di §4.

3.6 Boost daftar-kandidat MSCI (integrasi tanpa-dilusi) — nol setelah perbaikan PIT-safe

Rincian di §5 di bawah. Versi singkat: boost naif (filter hanya pada effective_date) menunjukkan +3.7pp CAGR — itu artefak look-ahead (mengintip pengumuman MSCI yang belum dipublikasikan). Dengan filter PIT-benar (announce_date <= t DAN effective_date >= t): kontribusi = tepat 0.00pp. Tanggal rebalance kuartalan (tanggal 1 tiap bulan) meleset dari jendela MSCI announce→effective (~12 Feb → 28 Feb).

Bagian 4 · HPQuant

Integrasi HPQuant.com — tiga modul, dua diadopsi ke operasi

HPQuant (erwinsupandi/HPQuant.com) adalah platform analitik web milik HP Sekuritas — tiga penawaran berbentuk modul yang layak diintegrasikan dengan Garuda Alpha sebagai rujukan validasi-silang + augmentasi fungsional:

1. Pipeline sinyal PBTS (Wilder ATR per-saham + Guard Line + Phase 0–7 + Call)
2. Crash Radar v3 (Stress Map 2D 5-domain 11-indikator)
3. Haircut Margin Engine (penetapan harga risiko per-saham dinamis 6-lapis)

Ketiganya terintegrasi ke mesin lewat flag aditif-saja dengan default-mati. Spesifiknya:

engine/backtest.run(
    external_signal=None,             # hook PBTS L3
    overlay_source="garuda",          # "crash_radar" tersedia
    haircut=False, haircut_mode="tier",
    msci_boost=False, msci_lookahead_days=30,
)

4.1 Modul 1 — pipeline sinyal PBTS (rujukan audit)

Port verbatim dari matematika Wilder ATR + Guard Line chandelier + Phase + Call milik HP di integrations/hpquant/signal.py (24/24 unit test termasuk invariansi-trunkasi PIT). Hasil validasi-silang (Run 1, irisan 134-tiker):

4.2 Modul 2 — Overlay makro v2: diperluas ke 7 indikator (diterapkan)

Versi asli overlay/macro_regime.py berjalan atas 4 indikator (kekuatan IDR vs MA 200-hari, arah kebijakan BI, US 10Y vs MA 50-hari, Brent > $85) dan hanya mencakup klaster domestik / suku-bunga. Prototipe Crash Radar v3 yang lebih kaya menambah VIX, DXY, emas dan pembacaan risk-off global lainnya — tetapi cuplikan tercache crash-radar.json hanya membawa 90 hari, menghambat validasi-silang ekuitas L3.

Modul 2 akhirnya diterapkan dengan memperluas data/macro.parquet dengan histori makro bulanan multi-tahun (2017-12 .. 2026-05, cuplikan akhir-bulan VIX / DXY / emas yang di-forward-fill ke grid harian) dan menambahkan tiga sinyal-tanda ke overlay:

• Level VIX: > 25 = -1 (stres), < 15 = +1 (tenang), selain itu 0
• Momentum DXY: % perubahan 60 hari-bursa, > +3% = -1 (lonjakan USD, hambatan EM), < -3% = +1
• Momentum emas: % perubahan 60 hari-bursa, > +8% = -1 (penawaran flight-to-safety), < -3% = +1

Rentang skor diperluas dari -3..+4 menjadi -6..+7, dengan ambang stance yang dikalibrasi ulang: ≥+3 → LONG_BIAS (1.50×), 0..+2 → NEUTRAL (1.00×), -3..-1 → DEFENSIVE (0.70×), ≤-4 → RISK_OFF (0.40× + hedge). Taksonomi 4-keadaan dan pemetaan gross-exposure dipertahankan ujung-ke-ujung sehingga konsumen mesin tidak berubah.

Lintasan headline kanonik melintasi tiga tonggak: (1) pasca-pembaruan-universe, overlay 4-indikator, data hingga 2026-04 → CAGR +24.4% / Sharpe 1.30 / maxDD −15.9% / PF 2.21. (2) pasca-Opsi-B, overlay 7-indikator, data hingga 2026-04 → CAGR +23.9% / Sharpe 1.26 / maxDD −15.9% / PF 2.21 — overlay 7-indikator menandai dengan benar minggu-minggu risk-off global Sep-2022 dan Apr-2024 sebagai DEFENSIVE (yang terlewat oleh sinyal klaster-suku-bunga saja), dengan biaya 0.5pp CAGR. (3) terkini, data hingga 2026-06-02 (overlay Bayesian Regime Filter) → CAGR +18.4% / Sharpe 0.97 / maxDD −15.3% / PF 1.91 — melalui gelombang risk-off Mei–Juni 2026 (JCI −41% dari puncak 52-minggunya) de-grossing tertimbang-keyakinan overlay BRF menahan drawdown buku ke −15.3%, versus −18.4% di bawah overlay lama skor→keadaan keras. Karenanya baik gate maxDD (≤18%) maupun worst-12M (≥−8%) tetap lolos di bawah BRF: 5/7. Walk-forward tak berubah: kanonik menang 7/7 jendela IS, rata-rata Sharpe OOS +1.065.

4.3 Modul 3 — Haircut Margin Engine (alat risiko, adopsi opsional)

Port verbatim mesin JS 6-lapis HPQuant ke Python: integrations/hpquant/haircut.py + haircut_tables.py. Tabel (TM, IA, HT, CM, STR, MR_BASE, MR_TIER) + fungsi skor (sA/sF/sH/sT/sI) + secAdj + driver calc(stock, regime, cpi_info, adapt). 45/45 unit test lulus dengan nilai golden BBCA-Bearish yang dihitung tangan cocok bit-demi-bit.

Tiga mode integrasi (default MATI):

Metrik yang benar untuk alat risiko bukanlah %-CAGR; melainkan pelestarian modal absolut dalam tekanan. Analisis terdekomposisi-regime (scripts/haircut_risk_analysis.py, basis modal Rp 50 Bn per spec §1):

Bagian 5 · Backfill MSCI

Edge perilaku MSCI Indonesia — di-backfill, diukur, terbatasi-integrasi

Modul edge perilaku pada spec telah ter-gate-data sejak v1 (histori rebalance MSCI kosong). Dalam siklus kerja ini kami mem-backfill-nya dari PDF sumber-primer MSCI (app2.msci.com/eqb/gimi/stdindex/MSCI_{Mmm}{YY}_STPublicList.pdf) lewat scripts/fetch_msci_history.py — unduhan PDF otomatis + parser bagian-Indonesia yang sadar-posisi-kolom.

5.1 Data

• 59 peristiwa otoritatif 2018-05-31 hingga 2026-05-29, MSCI Standard Indonesia Index
• 39 tiker unik, 38 DELETE + 21 ADD (asimetris — mencerminkan pembekuan MSCI 2024-2026 atas Indonesia)
• Tersimpan di seeds/msci_seed.csv + data/msci_rebalance_history.parquet; modul behavioral.msci_flow kini LIVE

5.2 Temuan event-study (net biaya)

Sapuan-jendela menegaskan: exit di T (penutupan effective_date) konsisten positif (dana pasif membeli pada penutupan efektif → reli menjelangnya); exit SETELAH T berbalik tajam negatif (T+1: −1.5%, T+3: −0.95%, T+5: −2.0%).

5.3 Upaya integrasi & vonis jujurnya

Dua pendekatan integrasi diukur:

Pendekatan A — Sub-portofolio mandiri ber-alokasi-NAV (scripts/msci_event_trader.py):

• Sub-portofolio MSCI mandiri (NAV penuh selama jendela peristiwa, kas di antaranya): +5.0% CAGR, Sharpe ~0.01
• Membaurkan dengan momentum pada alokasi NAV berapa pun (5%/10%/15%/20%/30%) selalu dilutif — delta net berkisar −0.5pp hingga −3.0pp CAGR vs native
• Alasan: CAGR +19% momentum yang terdeploy terus-menerus berbasis per-NAV-waktu lebih baik daripada +5% MSCI yang digerakkan-peristiwa

Pendekatan B — Boost daftar-kandidat (tanpa dilusi NAV) (engine/backtest.run(msci_boost=True)):

• Boost naif (filter hanya pada effective_date <= t + lookahead): tampak seperti +3.7pp CAGR / +0.21 Sharpe pada LA=365 hari
• Audit look-ahead menangkap kebocoran: filter kehilangan announce_date <= t. Pada rebal 1-Jan, pengumuman 12-Feb diperlakukan seakan sudah diketahui.
• Filter PIT-benar: kontribusi = tepat 0.00pp di setiap lookahead (30–365 hari)
• Alasan struktural: rebal kuartalan (tanggal 1 tiap bulan) meleset dari jendela ~16-hari MSCI announce→effective (~12 Feb → 28 Feb). Saat announce sudah lewat, effective pun sudah lewat.

GATE SPEC §3.7 "edge perilaku ≥ 10% dari alpha" secara struktural tak tercapai dari sub-strategi MSCI saja (hasil-kali frekuensi-peristiwa × durasi-tahan × magnitudo-sinyal terlalu kecil). Desain spec mengandalkan ketiga sub-strategi perilaku berkontribusi bersama; kami telah mengaktifkan MSCI, sedangkan foreign-local + margin-cascade tetap TERBLOKIR karena data.

Bagian 6 · Validasi walk-forward

Walk-forward expanding-IS 7-jendela — menegaskan kanonik kokoh, bukan curve-fit

Desain spec §3.2: 7 fase walk-forward, masing-masing dengan expanding-IS (dari 2016-01) dan OOS 1-tahun. Refit bobot faktor per WF; parameter risiko/stop/fee tetap DITETAPKAN. Implementasi: scripts/walk_forward_refit.py, 7 WF × 7 konfigurasi bobot = 49 backtest IS + 14 OOS, ~15 menit total komputasi.

Hasil terbaru (Jun 2026, universe 173-tiker yang diperbarui): kanonik kini menang setiap jendela IS, dan rasio OOS/IS bertahan di 1.22. Hasil pra-pembaruan disimpan di bawah demi transparansi.

6.1 Walk-forward pada universe 173-tiker yang diperbarui (Jun 2026)

Kanonik 60/5/5/30 menang 7/7 jendela-IS pada universe yang diperbarui — refit tak menghasilkan perbaikan apa pun, karena kanonik ADALAH pemenang IS di mana-mana. Pemilih tak lagi mengejar kecocokan-regime; optimum struktural tak ambigu.

6.2 Walk-forward pra-pembaruan (universe 159-tiker, disimpan demi transparansi)

Pra-pembaruan: refit memilih momentum_heavy 4/7 kali tapi konsisten gagal OOS di pergeseran regime. Varians pemenang-IS antar-jendela adalah gejala ketidaklengkapan-universe — dengan 14 saham mapan IDX hilang, optimasi IS meraih-raih tilt spesifik-regime. Setelah pembaruan, kanonik menang di mana-mana.

Ini adalah gate ketiga yang terbuka (sebelumnya tak dapat dievaluasi tanpa walk-forward). Skorkar §3.7 yang diperbarui ada di §7.

Bagian 6b · Pembaruan universe

Menyelaraskan universe harga Garuda ke HP 150 — perbaikan data berdaya-ungkit tinggi

Di akhir siklus riset, inspeksi dasbor (POSA muncul pada lowvol=100 akibat kuotasi zombi berharga-datar) memicu audit universe. Temuannya material:

6b.1 Apa yang salah

• prices.parquet Garuda memiliki 159 tiker — seed warisan dari pengembangan awal.
• tickers_seed.json HPQuant memiliki 150 nama IDX yang saat ini dapat ditransaksikan — rujukan operasional yang bersih.
• Irisan: 136 tiker. Hanya-HP: 14 nama IDX aktif yang hilang dari Garuda, termasuk:

6b.2 Perbaikannya

scripts/refresh_universe_to_hp150.py menghitung universe terkoreksi sebagai HP 150 ∪ histori likuid Garuda = 173 tiker: 150 nama yang saat ini aktif (otoritatif HP) ditambah 20 nama historis Garuda yang likuid pada satu titik di 2018–2026 (SRIL, MYRX, KAEF, ...) ditambah 3 nama delisting yang dipulihkan (NIPS, TRIO, HERO). Mengambil histori yfinance 10 thn untuk 14 nama yang hilang; menambahkannya ke prices.parquet; membangun ulang universe_liquidity.parquet; menjalankan seluruh rangkaian uji.

6b.3 Dampak — kenaikan ini nyata, bukan survivorship bias

Hasil walk-forward (§6.1) adalah validasi paling ketat: kanonik 60/5/5/30 kini adalah pemenang-IS di setiap jendela WF (7/7), di mana pra-pembaruan ia hanya menang 2/7. Strategi tidak sedang beruntung pada satu regime — ia adalah jawaban struktural atas "apa yang bekerja dalam momentum lintas-penampang IDX."

Bagian 7 · Status akhir

Konfigurasi kanonik dan posisinya terhadap gate robustness §3.7

weights      = {momentum: 60, quality: 5, lowvol: 5, trend: 30}   # tilt 'momentum + trend'
exit_params  = {atr_mult: 5.0, hard_stop: -0.20, time_stop_bars: ∞} # longgar, biarkan pemenang berlari
rebal_freq   = "Q"                  # kuartalan, turnover rendah
top_n        = 12                   # top-12 lintas-penampang
short_mode   = "off"                # wajib — mengikuti mekanisme pasar IDX
use_overlay  = True                 # pengali gross macro-regime AKTIF
haircut      = False                # default; ubah ke True untuk mandat pelestarian-modal
behavioral   = msci_flow LIVE       # 0 sinyal di sebagian besar tanggal rebalance (struktural; lihat §5)

7.1 Angka utama (2018–2026, net biaya IDX, aman-survivorship, parameter tetap, universe 173-tiker)

Angka pra-pembaruan (universe 159-tiker): CAGR +19.1%, Sharpe 1.00, maxDD −15.3%, PF 1.90, worst-12M −10.0%, 4/7 gate. Kenaikan datang dari memasukkan 14 nama mapan IDX (BBRI, SMGR, MDKA, BREN, dll.) yang hilang dari seed orisinal (§6b).

7.2 Skorkar gate robustness §3.7 — 5/7 lolos (overlay BRF, 16 Jun 2026)

5 dari 7 LOLOS pada metrik kanonik + OOS/IS sebagai yang ke-8 (yang juga LOLOS). Dua GAGAL yang tersisa: Sharpe ≥1.4 kini dalam jangkauan (hanya kurang 0.10) alih-alih terbatasi struktural; transaksi/thn ≥80 masih bertukar-tawar dengan disiplin maxDD kuartalan (lihat §8).

Bagian 8 · Vonis

Mengapa 2 gate yang masih meleset bersifat struktural — dan mengapa ini hasil yang siap-terapkan

Pada tape live (16 Jun 2026, overlay Bayesian Regime Filter) dua gate berstatus GAGAL — keduanya struktural untuk buku momentum IDX ber-turnover-rendah:

1. Sharpe OOS ≥ 1.4 — GAGAL (teramati 0.97, kurang 0.43)
   Ini ambang tinggi untuk mekanika IDX tanpa short-selling — JCI sendiri mencatat Sharpe negatif sepanjang jendela, dan plafon gross-edge biaya-nol adalah 1.11. Celah yang tersisa bersifat struktural; tuas terbuka di §13: (a) overlay MSCI terpicu-peristiwa yang menangkap edge MSCI mandiri +5%, (b) peningkatan overlay makro berikutnya (Crash Radar v3 dengan backfill 5 thn penuh), atau (c) sub-strategi perilaku yang masih terblokir (aliran-asing harian, margin-cascade) ketika sumber datanya tersedia. Status: terbuka, bukan struktural.
2. Transaksi / thn ≥ 80 — GAGAL (teramati 39)
   Konsekuensi langsung dari irama kuartalan. Irama bulanan akan menaikkan jumlah transaksi menuju gate tetapi memperburuk Sharpe dan maxDD. Kedua gate ("transaksi/thn ≥ 80" dan "maxDD ≤ 18%") tarik-menarik berlawanan untuk buku momentum IDX mana pun pada skala ini. Memilih maxDD-lolos tetap keputusan yang bisa dipertahankan. Status: trade-off struktural — memilih kuartalan adalah keputusan yang tepat.

Ditahan oleh overlay Bayesian Regime Filter melalui risk-off Juni 2026: Max DD ≤ 18% (−15.3%) dan Worst 12M ≥ −8% (−7.2%) — de-grossing tertimbang-keyakinan menahan drawdown buku jauh di dalam kedua gate, versus −18.4% di bawah overlay keras lama.

Yang juga lolos:

• Sharpe OOS/IS ≥ 0.7 — LOLOS (teramati 1.22) — tervalidasi oleh walk-forward §6.1 pada universe yang diperbarui, dengan kanonik menang 7/7 jendela-IS.

Bagian 9 · Arsitektur

Arsitektur operasional — apa berjalan di mana, pada jadwal apa

Repo sengaja dibuat mandiri — venv Python tunggal, data parquet, tanpa layanan eksternal untuk reproduksi backtest. Untuk operasi live, tiga loop pada irama berbeda:

9.1 Tata letak file (status terkini, setelah semua sesi)

garuda_alpha/
├── data/                      parquet hasil-generasi + cache sectors/HP (gitignored)
│   ├── prices.parquet · macro.parquet · benchmark.parquet
│   ├── fundamentals_history.parquet · universe_liquidity.parquet
│   ├── msci_rebalance_history.parquet         (BARU: 59 peristiwa dari PDF MSCI)
│   ├── hpquant_cache/                          (JSON sinyal HP + Crash Radar)
│   └── msci_pdf_cache/                         (36 PDF sumber MSCI)
├── seeds/
│   ├── msci_seed.csv                           (BARU: di-backfill, 59 peristiwa)
│   ├── bi_rate.csv · delisted_seed.csv
│   └── universe_seed.txt
├── factors/                   momentum, quality, lowvol, trend, composite (dengan override bobot)
├── overlay/
│   ├── macro_regime.py        (kanonik 7-indikator, v2: domestik + risk-off global)
│   ├── crash_radar.py         (BARU: konsumen CR HPQuant)
│   ├── vol_target.py
│   └── behavioral.py          (msci_flow LIVE; foreign_local + margin_cascade masih TERBLOKIR)
├── engine/
│   ├── backtest.py            (diperluas: flag external_signal, overlay_source, haircut, msci_boost)
│   ├── portfolio.py           (diperluas: kwargs haircut_table, haircut_mode; TIER_CAP_FRAC)
│   ├── execution.py           (fee IDX + slippage + stop ATR/keras/waktu)
│   └── metrics.py
├── integrations/
│   └── hpquant/               (BARU: adapter, port sinyal, port haircut, CLI cross-validate)
├── scripts/
│   ├── run_all.py · build_*.py            (pipeline data)
│   ├── fetch_msci_history.py              (BARU: scraper PDF MSCI)
│   ├── build_msci_seed.py · msci_event_study.py · msci_event_trader.py  (BARU: tooling MSCI)
│   ├── haircut_risk_analysis.py           (BARU: analisis Rp terdekomposisi-regime)
│   ├── walk_forward_refit.py              (BARU: harness refit 7-WF)
│   └── experiment.py                       (ablasi faktor / irama / mode)
├── tests/                     74/74 unit test + 5/5 validasi data
│   ├── test_factors.py (13) · test_engine.py (21) · test_overlay.py (5)
│   └── test_hpquant_{signal,integration,haircut}.py (24 + 6 + 45)
├── reports/                   artefak hasil-generasi (backtest, CV, grafik)
├── docs/
│   ├── PANDUAN.md             (panduan operasional Bahasa Indonesia)
│   ├── HPQUANT_INTEGRATION.md (desain integrasi 3-modul + vonis)
│   └── Garuda_Alpha_Thesis_v2.html   (dokumen ini)
├── run_backtest.py            (reproduksi headline satu-perintah)
└── GarudaAlpha_v1.0_Spec.md   (spec orisinal)

Bagian 10 · Penyizingan modal

Penyizingan modal & penerapan — skala Rp, matematika posisi, dan menu trade-off

10.1 Asumsi skala modal (spec §1)

• Modal dasar: Rp 50 Bn (dapat diskalakan; semuanya berbasis fraksi-NAV)
• Cap per-nama: 8% NAV (Rp 4 Bn per nama pada modal dasar)
• Cap sektor: 25% NAV (Rp 12.5 Bn per sektor)
• Posisi maksimum: 12 nama
• Risiko per transaksi: 1.5% NAV (target risiko Rp 750 Jt pada modal dasar)
• Gross efektif pada regime netral terdeploy-penuh: ~96% NAV (12 nama × 8%)

10.2 Matematika penyizingan posisi (spec §2.5, engine/portfolio.py)

raw_weight     = RISK_PER_TRADE / (ATR_MULT × atr_pct)        # 1.5% / (2.5 × atr%)
weight_capped  = min(raw_weight, name_cap)                    # name_cap = 8% default
                                                              #            8% × TIER_CAP_FRAC[tier] jika haircut
gross_target   = macro_regime.gross_mult × vol_mult           # 1.5 / 1.0 / 0.7 / 0.4 menurut stance
final_weight   = weight_capped × min(1, gross_target / sum(weights_capped)) × side
sector_cap     = 25% NAV per sektor, diskalakan-turun jika terlampaui

10.3 Menu penerapan — tujuan investor menggerakkan pilihan mode

Ketiga mode berbagi sinyal faktor yang sama dan logika exit yang sama — mereka hanya berbeda dalam seberapa agresif modulasi-cap merespons tier Haircut HPQuant di regime tertekan. Keputusan adalah pilihan tujuan-investor, bukan pertanyaan "mana yang benar".

10.4 Kapasitas

Pada Rp 50 Bn, dengan filter universe ADTV20 ≥ Rp 10 Bn dan cap nama 8% (≤ Rp 4 Bn per posisi), setiap posisi ≤ 40% dari ADTV satu hari — masih nyaman dalam likuiditas. Kapasitas strategi (di atasnya asumsi slippage rusak) kira-kira Rp 250 Bn pada cap 8% yang sama sebelum ada satu posisi pun mendekati 100% ADTV harian. Di atas itu, naikkan lantai ADTV universe (Rp 25 Bn / 50 Bn) dan validasi ulang.

Bagian 11 · Alur kerja rebalance

Alur kerja rebalance kuartalan — protokol operasional langkah-demi-langkah

Pemicu: Senin bursa pertama di Januari, April, Juli, Oktober.

1. Tutup T−3 (Jumat pekan sebelumnya): Verifikasi pipeline data segar — scripts/run_all.py pada Sabtu menghasilkan parquet bersih untuk kuartal baru. Cek reports/coverage_*.json untuk celah provenans apa pun. Peringatan-email jika ada dataset yang >5 hari basi.
2. EOD T−1 (Minggu): Hitung snapshot faktor — factors/composite.py → reports/factor_snapshot.csv. Hitung regime makro — overlay/macro_regime.py → stance terkini + gross_mult.
3. Pagi T, pra-buka: Jalankan python run_backtest.py sekali-jalan pada data hingga T−1. Memastikan headline kanonik masih bereproduksi ±0.1pp (penjaga regresi). Keluaran: 12 pilihan long teratas untuk kuartal baru + bobot targetnya.
4. Buka T: Eksekusi transaksi pada harga pembukaan. Rebalance dari buku kuartal sebelumnya ke top-12 baru. Biaya round-trip dibebankan pada tiap posisi baru (0.46% fee IDX + 0.30% slippage gabungan).
5. Tutup T: Rekonsiliasi fill, hitung P&L terealisasi vs target, catat ke reports/live_journal.csv.
6. Antara rebalance (harian): MTM portofolio terhadap penutupan; cek trailing stop ATR×5, hard stop −20%. Setiap posisi yang memicu stop ditutup pada pembukaan berikutnya.

11.1 Daftar-periksa validasi pra-transaksi

• Semua 7 rangkaian unit-test hijau: tests/test_*.py dan scripts/validate_data.py
• Headline kanonik bereproduksi dalam ±0.1pp pada data kuartal sebelumnya — sanity bahwa tak ada yang melenceng di mesin
• Likuiditas universe wajar: ≥ 50 nama memenuhi syarat per ambang ADTV spec
• Regime makro tidak basi: stance dihitung memakai data ≤ T−1
• Tak ada nama HALT dalam pilihan (flag Haircut Engine jika menjalankannya)
• Pastikan pilihan BERBEDA dari kuartal sebelumnya (jika tidak, Anda hanya membayar biaya transaksi — selidiki mengapa composite tak bergerak)

Bagian 12 · Pemantauan

Pemantauan live & atribusi kinerja — apa yang dipantau harian, mingguan, kuartalan

12.1 Dasbor (sudah ada di repo via scripts/build_dashboard.py)

Dasbor HTML yang ada (reports/dashboard.html) merender: KPI, cakupan dataset, status validasi, regime makro + cakupan perilaku, kandidat long/short, tabel faktor. Disegarkan tiap malam.

12.2 Pemeriksaan harian

• Kurva ekuitas vs JCI: apakah kita melacak beta pasar yang diharapkan?
• Posisi aktif: ada yang mendekati level stop? Apakah stop PIT-konsisten dengan entry?
• Stance regime: apakah macro_regime bergerak? Apakah Crash Radar (jika tersambung) setuju?
• Penyimpangan universe: ada nama yang keluar dari likuiditas ADTV (potensi rebalance terpaksa)?

12.3 Atribusi mingguan

Jalankan integrations/hpquant/cross_validate.py mingguan — memastikan logika exit/Phase/Call kita masih setuju dengan implementasi independen HPQuant dalam ambang yang ditetapkan (tumpang-tindih PBTS L2 ≥ 25%, kecocokan stance CR L1). Penyimpangan apa pun > ambang → selidiki sebelum rebal kuartal berikutnya.

12.4 Tinjauan kuartalan (pasca-rebalance, sebelum menerapkan kuartal berikutnya)

1. Hitung ulang metrik headline pada seluruh jendela — harus cocok dengan run mesin kanonik terbaru (lihat hero Live State; 16 Jun 2026, overlay BRF: CAGR +18.4%, Sharpe 0.97)
2. Atribusi imbal-hasil per-kuartal: faktor mana yang menggerakkan posisi kuartal ini? Apakah rebal selaras dengan tesis itu?
3. Bandingkan fill terealisasi vs entry/exit tersimulasi — apakah slippage sesuai asumsi 0.30%?
4. Jika sebuah posisi terkena hard-stop atau time-stop: post-mortem, apakah itu drawdown yang diharapkan atau kegagalan model?
5. Perbarui reports/quarterly_review_{Q}{YYYY}.md untuk memori institusional

Bagian 13 · Risiko & kill-switch

Manajemen risiko, jaring pengaman level-posisi, dan kondisi untuk menghentikan strategi

13.1 Batas keras (DITETAPKAN — jangan pernah disetel, jangan pernah ditimpa)

• Risiko per transaksi: 1.5% NAV. Ditegakkan di engine/portfolio.py:RISK_PER_TRADE. Jarak stop-loss adalah exit berbasis-ATR; penyizingan memecahkan untuk risiko.
• Cap per-nama: 8% NAV (dimodulasi oleh tier Haircut jika diaktifkan). Cap keras; bobot diskalakan TURUN saat melebihi, tak pernah NAIK.
• Cap sektor: 25% NAV. Skalakan-turun dalam sektor jika dilanggar.
• Posisi maksimum: 12. Sinyal terkuat lebih dulu.
• Stop: trailing ATR×5, hard stop −20%. "Exit longgar" adalah BAGIAN dari strategi — mereka dikalibrasi untuk membiarkan pemenang momentum berlari. Memperketat = mundur ke v1 yang berkinerja-bawah.

13.2 Pemicu kill level-posisi

• HALT per-nama (per flag HALT Haircut Engine HPQuant jika diaktifkan) → keluarkan dari seleksi
• Stop-loss terkena (trailing ATR ATAU hard −20%) → tutup pada pembukaan berikutnya pada harga exit_fill (slippage 0.30%)
• Time-stop dinonaktifkan dalam mode exit-longgar (sebelumnya 25-bar di spec; momentum butuh tahan lebih lama)

13.3 Kill-switch level-portofolio (manual)

Kondisi untuk menghentikan strategi sepenuhnya (dan kembali ke JCI buy & hold atau kas) tanpa analisis lebih lanjut:

1. Tiga kuartal rugi berturut-turut DAN drawdown melebihi maks historis (−20%)
2. Kegagalan unit test (salah satu dari 7 rangkaian) — selidiki dan validasi ulang sebelum rebal berikutnya
3. Celah pipeline data > 10 hari pada prices atau fundamentals_history
4. Penyimpangan CV HPQuant: tumpang-tindih PBTS L2 turun di bawah 15% (vs baseline 27% saat ini) selama 2 minggu berturut-turut — implementasi independen tak setuju secara material
5. Kegagalan model regime: stance macro_regime dan Crash Radar (jika tersambung) tak setuju sebesar 2 keadaan selama > 30 hari berturut-turut
6. Guncangan regulasi IDX: shorting diizinkan (akan mengubah cap-stack batasan), atau perubahan tick-size > 50% di band mana pun

13.4 Apa yang BUKAN kondisi kill

• Satu kuartal underperformance vs JCI — diharapkan ~25% dari waktu secara historis
• Drawdown −15% — dalam maxDD historis strategi; pemulihan diharapkan
• Rasio Sharpe IS-OOS yang turun (mis. ke 0.9 di suatu jendela) — refit satu-jendela bising; percayai agregat 7-WF gate ≥ 0.7

Bagian 14 · Riset terbuka

Apa yang masih layak diselidiki, dan apa yang sengaja dikesampingkan

14.1 Benar-benar terbuka (potensi ROI tinggi) — celah 0.10 Sharpe ke gate ≥1.4 kini realistis

Dengan Sharpe di 1.22 pasca-pembaruan (sebelumnya 1.00 sebelum perbaikan universe), gate §3.7 ≥1.4 tak lagi "terbatasi struktural" — ia dalam jangkauan. Tiga tuas, semua dengan langkah lanjutan konkret:

1. Overlay rebalance MSCI terpicu-peristiwa — modifikasi mesin untuk menembakkan rebalance di-luar-siklus pada announce_date + 1 hari bursa dari setiap ADD MSCI, dengan exit paksa pada penutupan effective_date. Sinyalnya MEMANG nyata (hit 71%, +2.23%/peristiwa); hanya ketidakcocokan rebal-timing yang mencegah penangkapan pada mesin periodik saat ini. Diperkirakan kontribusi +1–2pp CAGR / +0.05–0.10 Sharpe. Satu tuas ini mungkin menutup celah 1.22 → 1.40.
2. Sumber data aliran-asing harian (ketika Erwin menyumbernya) — ringkasan broker KSEI/IDX, RTI, atau Stockbit. Membuka sub-strategi perilaku kedua (divergensi asing-lokal). Spec §2.3b mengharapkan rentetan jual-bersih-asing 5-hari + sinyal akumulasi-lokal. Jika edge bertahan pada data nyata, kontribusi bisa material.
3. Backfill 5-tahun Crash Radar v3 — jalankan ulang compute_crash_radar_v3.py milik HPQuant atas potongan berjendela dari macro-history-5y.json. Membuka CV ekuitas Modul-2 L3; overlay regime yang lebih kaya mungkin mengetatkan DD tanpa melukai imbal-hasil.

14.2 Diuji dan ditolak (jangan coba ulang tanpa bukti baru)

• Overlay vol-target (§3.1)
• Penjaga crash-timing (§3.2)
• Aliran institusional bulanan Sectors.app sebagai faktor (§3.3)
• HP Call sebagai pengganti sinyal portofolio (§3.4)
• Refit walk-forward (§6) — terkonfirmasi lebih buruk daripada tetap
• Tilt faktor defensif (quality/lowvol berat) — terukur lebih buruk daripada tilt momentum
• Rebalance mingguan — terukur: hambatan biaya memakan edge (Sharpe −0.97 vs +1.00 kuartalan)

14.3 Tindak lanjut operasional

• Koneksi broker live untuk eksekusi IDX (manual via Mirae/Stockbit/Henan Putihrai awalnya)
• Jurnal P&L level-posisi dengan pelacakan slippage terealisasi-vs-tersimulasi
• Templat laporan investor kuartalan (DOCX atau HTML) yang dibangkitkan-otomatis dari artefak reports/
• Rencana ramp kapasitas: pada AUM berapa kita menaikkan lantai ADTV dari Rp 10 Bn → Rp 25 Bn / 50 Bn?

Bagian 15 · Reproduksibilitas

Setiap klaim dalam tesis ini memetakan ke sebuah skrip — reproduksi satu-perintah

# 1. Setup (sekali-saja)
python -m venv .venv
.venv/Scripts/python.exe -m pip install -r requirements.txt
# file .env dengan: SECTORS_API_KEY=xxxx   (untuk penyegaran fundamentals)
# gh CLI terotentikasi  (untuk cache HPQuant + MSCI via gh api)

# 2. Bangun ulang pipeline data (run pertama lambat; pakai parquet tercache selanjutnya)
.venv/Scripts/python.exe scripts/run_all.py

# 3. Backtest kanonik — mereproduksi headline CAGR +18.4% / Sharpe 0.97 (16 Jun 2026, overlay BRF)
.venv/Scripts/python.exe run_backtest.py

# 4. Unit test + validasi data (semua harus lolos)
.venv/Scripts/python.exe tests/test_factors.py             # 13/13
.venv/Scripts/python.exe tests/test_engine.py              # 21/21
.venv/Scripts/python.exe tests/test_overlay.py             # 5/5
.venv/Scripts/python.exe tests/test_hpquant_signal.py      # 24/24
.venv/Scripts/python.exe tests/test_hpquant_integration.py # 6/6
.venv/Scripts/python.exe tests/test_hpquant_haircut.py     # 45/45
.venv/Scripts/python.exe scripts/validate_data.py          # 5/5

# 5. Reproduksi tiap bagian tesis
.venv/Scripts/python.exe scripts/valley_peak_study.py             # §1.1
.venv/Scripts/python.exe scripts/cross_sectional_study.py          # §1.2
.venv/Scripts/python.exe scripts/momentum_tilt_experiment.py       # §2
.venv/Scripts/python.exe scripts/exit_sensitivity_experiment.py    # §2 (exit)
.venv/Scripts/python.exe scripts/vol_target_experiment.py          # §3.1
.venv/Scripts/python.exe scripts/momentum_crash_guard.py           # §3.2
.venv/Scripts/python.exe scripts/flow_factor_probe.py              # §3.3 Sectors nol
.venv/Scripts/python.exe scripts/haircut_risk_analysis.py          # §3.5 haircut sumbu-Rp
.venv/Scripts/python.exe integrations/hpquant/cross_validate.py    # §4 CV 3-modul HPQuant
.venv/Scripts/python.exe scripts/fetch_msci_history.py             # §5 PDF MSCI → peristiwa
.venv/Scripts/python.exe scripts/build_msci_seed.py                # §5 peristiwa → seed
.venv/Scripts/python.exe scripts/msci_event_study.py               # §5 edge sinyal mentah
.venv/Scripts/python.exe scripts/msci_event_trader.py              # §5 analisis baur-NAV
.venv/Scripts/python.exe scripts/walk_forward_refit.py             # §6 harness refit 7-WF

Semua skrip mengasumsikan Python 3.14, venv di .venv, direktori kerja saat ini di akar repo. Keluaran masuk ke reports/; log mencakup jendela data yang dipakai dan parameter yang dikonsumsi. Pengacakan acak memakai seed deterministik bila berlaku.