Kerangka Penelitian
Catatan ini mengkaji DCAUT (DCA adaptif volatilitas) di berbagai cakrawala dan aset, dibandingkan dengan buy-and-hold dan DCA jumlah yang sama.

Data Sampel & Kunci
Empat backtest dari produk kuantitatif yang sama:

• BTC (≈5 bulan): pengembalian yang direalisasikan +16.59%, penurunan maksimum 21.12%, Sharpe 1.17, tahunan +42.55%, tingkat kemenangan 100%, 2,581 perdagangan.

• BTC (≈6 bulan): +29.43% / 10.52% / 2.38 / +76.95% / 99.04% / 2,630.

• BTC (≈18 bulan): +111.86% / 74.40% / 1.08 / +62.28% / 100% / 8,431.

• ETH (≈8 bulan): +28.67% / 9.70% / 1.43 / +44.06% / 99.09% / 3,364.
  Penampang: rata-rata pengembalian tahunan 56.46% (median 53.17%), median Sharpe 1.30, penurunan maksimum median 15.82%. Total perdagangan 17,006. Tingkat kemenangan yang hampir 100% harus diinterpretasikan dengan konvensi penghitungan masuk/keluar.

Bukti & Observasi Visual
Kurva “pengembalian terealisasi” berwarna hijau umumnya berada di atas—dan lebih mulus daripada—PnL beli-dan-tahan berwarna biru muda. Setelah penurunan satu arah, kurva ekuitas DCAUT kembali melintasi di atas nol lebih cepat dan terus naik, mencerminkan pengurangan biaya dari “pembobotan berjenjang penurunan + adaptasi volatilitas.” Pada horizon terpanjang, strategi ini menunjukkan penurunan maksimum sebesar −74.40% namun berakhir dengan pengembalian terealisasi sebesar +111.86%, menunjukkan keuntungan yang tertunda dari “rata-rata ke bawah,” sambil membutuhkan toleransi modal yang lebih kuat.

Mekanisme (Mengapa Berhasil)

• Penskalaan volatilitas: ukur setiap pembelian dengan ATR/median-ATR; volatilitas yang lebih besar → lebih banyak unit per dolar, dan sebaliknya, membentuk kurva biaya yang reflektif.
• Tingkat penurunan: ketika penurunan harga dibandingkan dengan titik tertinggi lokal semakin dalam, picu penskalaan 1.2×/1.6× untuk memperluas eksposur di zona “keunggulan biaya”.
• Realisasi & penghalusan: banyak entri yang tersebar menstabilkan PnL yang terealisasi; kurva kurang sensitif terhadap noise satu titik; Sharpe >1 di sebagian besar jendela.

Risiko & Batasan

• Mikrostruktur: jumlah perdagangan yang tinggi berarti sensitivitas terhadap biaya/slippage; tingkat kemenangan yang tinggi ≠ keuntungan tanpa mempertimbangkan rasio pembayaran dan waktu penahanan.
• Toleransi modal: penurunan siklus yang dalam menyiratkan bahwa penskalaan awal-bear dapat memperkuat volatilitas kertas jika anggaran risiko ketat.
• Heterogenitas aset: tetapkan ambang batas tingkat dan faktor vol berdasarkan aset (BTC vs. ETH) daripada aturan satu ukuran untuk semua.

Implementasi Platform
Kami menyediakan templat multi-gaya—Konservatif (tingkat lebih rendah, pengganda lebih kecil), Seimbang (dasar), Agresif (pengganda lebih besar, respons lebih cepat)—dan mengungkapkan: tingkat kemenangan jendela, distribusi penurunan, efisiensi ekuitas-terhadap-modal, dan uji stres sensitivitas biaya, ditambah log dan skrip backtest yang dapat direproduksi.

KesimpulanKeunggulan DCAUT bukanlah prediksi harga tetapi memanen volatilitas: alokasikan lebih banyak di mana volatilitas harus ditanggung, selaraskan kurva biaya dengan volatilitas, dan ubah keacakan menjadi keuntungan efisiensi modal rata-rata. Bagi pengguna yang mencari penggabungan jangka panjang dengan angka transparan, ini adalah kurva “serangan stabil” yang layak ditambahkan ke dalam campuran.