alpha50: Matematika di Balik Kawanan

Copy-trading menjual mimpi: cari satu orang jenius, salin wallet-nya, lalu kaya. Masalahnya, satu wallet cuma satu sampel. Dari satu jalur, kamu mustahil memisahkan skill dari keberuntungan, dan saat si jenius meledak, kamu ikut meledak bersamanya. Semua ikut kamu warisi: bias-nya, edge yang cuma jalan di satu venue, revenge trade jam 3 pagi — semuanya, dengan ukuran penuh.

alpha50 berangkat dari premis sebaliknya. Ada satu temuan dalam teori portofolio, usianya sudah lebih dari setengah abad, yang mengubah banyak sinyal cacat menjadi satu sinyal bagus. Bridgewater milik Ray Dalio menjulukinya Cawan Suci investasi. Nyaris tak ada yang menerapkannya ke copy-trading, sederhana karena nyaris tak ada yang punya sumber data trader jempolan yang bersih, real-time, dan bisa diverifikasi. Perps on-chain mengubah keadaan itu.

Tulisan ini membedah matematikanya sampai tuntas: kenapa diversifikasi adalah satu-satunya makan siang gratis di pasar, kenapa sekumpulan trader pilihan adalah tempat paling pas untuk menikmatinya, dan bagaimana lima puluh sinyal keyakinan langsung diolah menjadi satu posisi yang risikonya terkendali.

Tesisnya satu kalimat: edge alpha50 bersifat statistik, bukan prediktif. Ia tidak meramal harga. Ia memanen pengurangan varians dari sekumpulan sinyal yang punya skill tapi berisik — dan seluruh permainannya berputar pada korelasi antar mereka.

1. Cawan Suci Investasi

Ide Dalio kelihatannya sepele, padahal dalam. Ambil sejumlah sumber return yang masing-masing punya ekspektasi return positif dan risikonya kurang lebih sebanding. Setiap kali kamu menambah sumber yang tidak berkorelasi dengan yang lain, return portofolio tetap, tapi risikonya turun — turun kencang. Susun lima belas sumber yang benar-benar lepas dari korelasi, dan volatilitas bisa dipangkas sekitar 80% tanpa mengorbankan seincipun ekspektasi return.

Mekanismenya sekadar soal cara varians dijumlahkan. Untuk $N$ sumber berbobot sama, masing-masing dengan volatilitas $\sigma$ dan rata-rata korelasi berpasangan $\rho$, risiko portofolionya adalah:

Ada dua hal yang muncul dari akar kuadrat itu, dan keduanya adalah inti seluruh cerita.

Tambah sumber, risiko turun — tapi tiap kurva mendatar di lantai σ·√ρ. Pada ρ = 0,25 kamu tak akan pernah tembus di bawah ~50% risiko satu sumber, sebanyak apa pun sumber yang kamu tambahkan.

Pertama: saat ρ mendekati nol, risiko meluruh mengikuti 1/√N — kurva diversifikasi klasik yang menukik ke nol. Kedua, dan ini yang lebih penting: seiring N membesar, risiko portofolio tidak menuju nol. Ia mentok di sebuah lantai sebesar σ·√ρ. Korelasi, bukan jumlah, yang menetapkan lantai itu. Lima puluh sumber pada ρ = 0,25 sama sekali tidak lebih aman dari sepuluh sumber pada ρ = 0,25. Korelasi membatasi diversifikasi, titik. Camkan kalimat itu; ia menentukan segalanya soal cara kohortnya dibangun.

2. Trader Adalah Sumber Return — dan Lebih Unggul dari Kelas Aset

Dalio berdiversifikasi lintas kelas aset. Itu sulit, karena kelas aset jumlahnya terbatas dan justru cenderung bergerak seirama saat keadaan genting. Trader yang jago adalah bahan baku yang jauh lebih baik. Tiap orang adalah sebuah strategi — sumber return yang hidup dan adaptif dengan kecondongan positif, yang sudah lolos serangkaian ujian nyata di luar sampel: fill sungguhan, drawdown sungguhan, funding yang benar-benar dibayar.

Dan di on-chain, semestanya raksasa. Dari sekitar 13.000 wallet yang kami indeks di Hyperliquid, cuma beberapa ratus yang lolos gerbang skill yang ketat. Kelimpahan itulah kemewahan yang membuat Cawan Suci ini jalan: kami tidak terpaksa memungut siapa saja yang kebetulan ada, seperti nasib seorang pengalokasi aset. Kami bisa menyeleksi demi dekorelasi. Scalper momentum di koin-koin besar, desk mean-reversion di mid-cap, swing trader indeks saham di HIP-3, spesialis funding-carry — ini semua taruhan yang berbeda, bukan sekadar rasa lain dari beta yang sama. Itulah bahan mentah yang dicari matematikanya.

Kami mendiversifikasi alpha, bukan menumpuk beta. Beda itulah pangkal kenapa pendekatan ini bisa berhasil.

3. Dari Pengurangan Risiko ke Penguatan Sharpe

Balik persamaan yang sama. Kalau tiap anggota punya skill — Sharpe per-trade sebesar S — maka menggabungkan N anggota dengan rata-rata korelasi ρ menghasilkan Sharpe portofolio sebesar:

$A(N,\rho )$ memadatkan seluruh nilai jualnya ke dalam satu angka: berapa kali lipat return-terhadap-risiko kawanan melampaui anggota rata-ratanya. Inilah grafik yang benar-benar penting.

Pada ρ = 0 faktornya √N — sekitar 7× untuk lima puluh wallet. Pada korelasi yang realistis nilainya jauh lebih rendah, tapi tetap jelas di atas 1.

Hitung dengan jujur. Independensi sempurna (ρ = 0) memberi √50 ≈ 7,1×, tapi itu khayalan — trader jago pasti berbagi sebagian eksposur ke pasar yang sama. Pada rata-rata korelasi yang realistis, ρ ≈ 0,2, faktornya masih sekitar 2,1×. Sekumpulan trader yang secara sendiri-sendiri biasa saja, masing-masing di Sharpe 1,0, berubah jadi buku ber-Sharpe 2. Itulah bedanya antara strategi yang tak dilirik siapa pun dan strategi yang direbutkan tiap desk untuk masuk.

4. Membangun Kawanan Adalah Soal Dekorelasi, Bukan Papan Peringkat

Di sinilah kebanyakan produk "salin trader teratas" diam-diam ambruk, dan di sinilah matematikanya memaksa sebuah desain yang tak terduga.

Langkah polos adalah mengurutkan tiap wallet yang memenuhi syarat berdasarkan Sharpe, lalu comot lima puluh teratas. Itu salah. Kalau lima puluh teratasmu semuanya trader momentum yang menunggangi koin-koin besar yang sama, ρ mereka 0,7 dan penguatanmu cuma ~1,2× — kamu baru saja membangun versi mahal dan ber-leverage dari satu trader tunggal. Pengurutan memaksimalkan kualitas per orang dan mengabaikan satu-satunya variabel yang sungguh menentukan hasilnya.

Sasaran yang benar adalah jumlah efektif taruhan yang independen:

Lima puluh wallet pada ρ = 0,25 setara kurang dari empat taruhan independen. Seleksi harus mati-matian mengejar dekorelasi, bukan menambah jumlah kepala.

Lima puluh wallet pada ρ = 0,25 memberimu kurang dari empat taruhan efektif. Jadi menyusun kohort adalah masalah optimasi portofolio: maksimalkan N_eff dengan syarat lolos ambang skill, bukan maksimalkan rata-rata skill. Dalam praktik, artinya mengelompokkan kandidat ke dalam arketipe strategi berdasarkan korelasi sumber return dan eksposur instrumen mereka, lalu merekrut penyintas terbaik dari tiap kelompok — sengaja menukar sedikit Sharpe individu demi banyak independensi. Wallet yang cuma trader momentum peringkat delapan tapi satu-satunya spesialis funding-carry lebih berharga bagi kawanan ketimbang trader momentum peringkat tiga.

Ada dua disiplin quant lagi yang wajib hadir di sini, sebab seleksi mentah gampang overfit:

• Shrinkage. Sharpe terukur dari sebuah wallet hanya sebuah estimasi, dan estimasi Sharpe tertinggi justru yang paling digelembungkan keberuntungan (kutukan pemenang). Tarik Sharpe tiap anggota mendekati rata-rata kohort — tarikan ala James–Stein / empirical-Bayes yang kekuatannya menyesuaikan seberapa sedikit trade yang menopang estimasi itu. Kamu berhenti membayar penuh cuma karena seseorang lagi hoki beruntun.
• Korelasi pun sebuah estimasi, dan sifatnya tidak stasioner. Pakai estimator kovarians yang di-shrink (Ledoit–Wolf) supaya seleksinya tidak mengejar dekorelasi semu yang menguap minggu depan.

Kohort itu lalu dievaluasi ulang terus-menerus, dengan histeresis: sebuah wallet harus melorot cukup jauh di bawah ambang batas dulu sebelum dicoret, supaya buku ini tidak bolak-balik diaduk hanya karena riak peringkat di sekitar garis batas.

5. Mengubah Konsensus Menjadi Posisi

Agregasi baru berbuah kalau kamu menerjemahkannya menjadi eksposur tanpa memasukkan kembali risiko satu-wallet yang baru saja kamu singkirkan lewat diversifikasi. Sinyal untuk tiap instrumen adalah konsensus yang bertanda, dibobot keyakinan, dan dinormalisasi risiko:

Dengan, untuk tiap wallet kohort $i$ yang memegang instrumen $c$:

• $s_i=\pm 1$ — arah posisi mereka (long atau short).
• ${\kappa }_i=|{\text{notional}}_i|/{\text{equity}}_i$ — keyakinan: ukuran posisi relatif terhadap buku mereka sendiri.
• $w(S_i)$ — bobot Sharpe yang sudah di-shrink: $0$ di bawah $S=1$, naik bertahap sampai $1$ di sekitar $S\approx 5$.
• ${\pi }_i={\sigma }_{\text{target}}/{\sigma }_{\text{realized}}(c)$ — skalar risk-parity: samakan risikonya, bukan dolarnya.
• $c_{\max }$ — batas kontribusi per-wallet, supaya tak ada satu whale pun yang memanggul seluruh buku.

Tiap suku mengemban peran yang tak tergantikan. Keyakinan membaca ukuran posisi relatif terhadap ekuitas trader itu sendiri, jadi whale yang menaruh 40% bukunya di satu koin jelas lebih berbobot ketimbang yang cuma coba-coba mencelupkan ujung jari. Bobot Sharpe menyusutkan peran mereka yang sekadar hoki. Risk parity adalah bagian yang dilewati para peniru polos: kamu menskalakan berdasarkan risiko, bukan dolar, supaya posisi memecoin bervolatilitas 120 tidak diam-diam menenggelamkan posisi BTC bernotional sama. Batas kontribusi itulah yang menegakkan tesisnya — tak ada satu wallet pun yang bisa menggeser sinyal jauh sendirian, jadi butuh kesepakatan lintas-wallet yang tulen untuk membangun ukuran. Kesepakatan itu, konfluensi, adalah proksi praktis untuk "ini alpha sungguhan, bukan keanehan satu trader."

Dua penyempurnaan yang wajib diberikan sebuah implementasi serius kepada modelnya:

• Edge yang disesuaikan funding. Di perps, carry adalah uang sungguhan. Posisi long yang ramai dan membayar funding 60% setahun punya ekspektasi return bersih yang lebih rendah daripada yang disiratkan sinyal harga mentah; potong dulu sebelum menentukan ukuran.
• Pencocokan cost-basis. Kamu selalu masuk setelah kohort — inilah beban keterlambatan pengikut, pajak dari seluruh usaha ini. Masuklah pada pembukaan yang masih segar, dekat titik pembukaan kohort sesungguhnya, alih-alih mengejar gerakan yang sudah basi 5%. Cara ini menjaga risikomu identik dengan trader yang sinyalnya kamu ambil, dan inilah pembeda antara menangkap edge dan menyumbangkannya ke spread.

6. Menentukan Ukuran: Volatility Targeting dan Fractional Kelly

Sinyal memberitahumu arah dan tingkat keyakinan. Ia tidak memberitahu seberapa besar. Salah menakar ukuran itulah persis alasan kenapa strategi dengan edge nyata pun tetap bisa mati.

Ada dua lapis. Pertama, volatility targeting di level portofolio: tetapkan target risiko — katakanlah 15% setahun — lalu skalakan eksposur bruto berbanding terbalik dengan volatilitas terealisasi.

Ketika pasar mengamuk, vol terealisasi naik dan buku otomatis menyusut ($L_t$ turun). Pengalaman risikomu tetap kurang lebih konstan, bukannya justru menggelembung tepat saat kondisi paling buruk.

Kedua, fractional Kelly pada intensitas sinyal. Kelly bilang taruhan yang optimal untuk pertumbuhan menskala dengan edge dibagi varians, $f^{\ast }=\mu /{\sigma }^2$. Kelly penuh terkenal terlalu agresif — ia mengandaikan kamu tahu $\mu$ dengan pasti, padahal tak akan pernah. Galat estimasi paling ganas di puncak, jadi tentukan ukuran pada sebagian kecilnya saja (setengah-Kelly atau kurang): bertaruh lebih besar saat konsensus kuat dan meluas, lebih kecil saat tipis, dan jangan pernah pertaruhkan seluruh tumpukan pada satu pembacaan. Sinyal kuat, banyak suara tak berkorelasi yang sepakat, funding rendah — di situlah saatnya menekan gas. Satu whale sendirian pada sinyal tipis nyaris tak terasa.

7. Ketika Sang Cawan Retak: Risiko Korelasi

Sekarang bagian jujurnya, bagian yang tak pernah dimuat presentasi pemasaran. Cawan Suci punya satu titik gagal, dan sifatnya struktural: ρ tidak konstan. Dalam krisis, semuanya jadi berkorelasi. Si trader momentum yang jago, desk mean-reversion, penunggang indeks saham — dalam kaskade likuidasi yang brutal mereka semua sekadar long risiko, dan semuanya berdarah bersamaan. ρ melesat menuju 1, dan justru saat kamu paling butuh diversifikasi, A(N, ρ) ambruk ke arah 1×.

Kurva lima puluh wallet yang sama. Keunggulan 2,1× di rezim tenang bisa jatuh ke ~1,1× saat korelasi melonjak. Diversifikasinya bukan "gagal" — ia justru bekerja persis seperti kata matematikanya, dan itulah kenapa lapisan risiko tak boleh sekadar tempelan.

Ini bukan cacat yang perlu ditutup-tutupi; justru inilah alasan manajemen risiko diperlakukan sebagai warga kelas satu, bukan pelengkap. Pertahanannya harus dinamis dan peka-korelasi:

• Pantau korelasi terealisasi di dalam kohort secara real-time. Saat ρ melonjak — itu pertanda pergeseran rezim — pangkas eksposur bruto, perketat target vol, dan anggap konsensus sebagai sinyal ber-informasi lebih rendah sampai keadaan normal lagi.
• Pengaman keras di bawah pengaman lunak: stop-loss per-posisi, dan pemutus arus drawdown di level portofolio yang menutup semua posisi dan menjeda risiko baru begitu ambang kerugian harian tersentuh. Semua ini membatasi ekor risiko; mereka tidak berlagak meramalnya.

Strateginya tidak dirancang untuk menghindari kerusakan ekor. Ia dirancang untuk membatasinya, melewatinya dengan selamat, dan tetap berdiri untuk memajemukkan keunggulan 2× di 95% waktu sisanya.

8. Model pada Data Langsung: 30 Hari Terakhir

Teori itu murah. Maka inilah 30 hari terakhir kohort di Hyperliquid, diperlakukan persis seperti cara model memperlakukannya: P&L harian terealisasi tiap wallet, dinormalisasi dengan nilai akunnya, menjadi sebuah sumber return; sumber-sumber itu digabung jadi satu buku berbobot sama — sang kawanan. Tiga puluh dari lima puluh wallet cukup aktif dalam jendela ini untuk tercatat sebagai sumber.

Tiap garis samar adalah satu anggota kohort; garis tebal adalah buku berbobot sama. Para anggota berpencar — sebagian melesat, sebagian bergerak menyamping. Sang kawanan adalah jalur mulus yang menyelinap di antara mereka: sebagian besar kenaikannya, hanya secuil guncangannya.

Yang jadi sorotan bukan returnnya — melainkan bentuknya. Sang kawanan menghasilkan lebih banyak daripada anggota tipikal sambil menanggung kira-kira sepertiga drawdown-nya, dan itulah Cawan Suci bekerja persis seperti janji aljabarnya: kecondongan yang sama, kebisingan yang jauh lebih sedikit. Penguatan terealisasi ~3,4× berada di bawah plafon teoretis ~4,9× yang disiratkan korelasi terukur — realita sampel terbatas, bukan khayalan makan siang gratis.

Bacalah dengan segala catatan yang layak menyertainya. Ini adalah P&L penutupan terealisasi: ia mengabaikan mark-to-market dari posisi yang masih terbuka, jadi volatilitas absolutnya — dan karenanya Sharpe absolutnya — tercatat lebih rendah dari sebenarnya dan bukan angka yang bisa langsung diperdagangkan. Yang kokoh adalah rasionya, karena pembilang dan penyebutnya dihitung dengan cara yang sama. Dan ρ ≈ 0,01 yang terukur nyaris pasti meremehkan korelasi ekonomi yang sesungguhnya — peristiwa penutupan itu jarang dan hampir tak pernah sejajar dari hari ke hari — dan itulah persis kenapa ekor di §7, tempat korelasi mendadak melompat ke satu, tetap menjadi risiko yang benar-benar penting. Satu bulan tenang adalah ilustrasi, bukan uji ketahanan.

9. Dua Sisi dari Transaksi Ini

Bagi si penyetor. Kamu mendapat sesuatu yang dulunya butuh sebuah desk quant: buku alpha on-chain terverifikasi yang terdiversifikasi, ditarget risikonya, dan terus-menerus di-rebalance — tanpa perlu memilih wallet, memelototi grafik, atau paham apa itu estimator Ledoit–Wolf. Eksposur tetap non-kustodial; mesinnya menandatangani transaksi, tak pernah penarikan. Tawarannya bukan "salin seorang jenius." Tapi "miliki seluruh ansambelnya, dengan risikonya sudah direkayasa."

Bagi protokolnya. Model ini tidak menambah emisi token dan tidak membuat ramalan harga apa pun. Ia adalah alokasi risiko yang lebih cerdas di antara sinyal-sinyal yang memang sudah ada, dijalankan transparan dan otomatis, dengan fee yang selaras dengan aktivitas dan kinerja alih-alih sewa datar. Aliran order yang berinformasi dan teragregasi juga, diam-diam, baik untuk penemuan harga di venue-venue tempat ia bertransaksi.

10. Keterbatasan dan Kapasitas

Tak ada tulisan quant yang jujur berakhir tanpa catatan pengingat:

• Beban keterlambatan pengikut adalah pajak yang permanen. Penguatan harus mengalahkannya setelah dipotong fee dan slippage; khususnya di buku HIP-3 yang tipis, kualitas eksekusi — bukan kualitas sinyal — yang menentukan P&L-nya.
• Kapasitas dan refleksivitas. Edge meluruh seiring ukuran. Salin terlalu banyak modal dan kamu justru menggerakkan pasar yang sedang kamu baca, lalu sinyalnya jadi berdesakan. Strateginya punya plafon AUM yang terbatas dan penentuan ukuran harus menghormatinya.
• Galat estimasi dan bias sintasan. Setiap Sharpe, setiap korelasi, setiap garis batas kelompok diestimasi dari riwayat yang terbatas, berisik, dan sebagian overfit. Shrinkage membantu; ia tidak menyembuhkan.
• Ekor lonjakan-ρ, yang dibahas di atas, adalah risiko paling dominan dan satu-satunya alasan seluruh lapisan risiko itu ada — untuk membatasinya.

Penutup

alpha50 bukan upaya mengungguli pasar dalam meramal. Ia adalah upaya merekayasa makan siang gratis tertua di dunia keuangan — diversifikasi lintas sumber return yang tak berkorelasi dan ber-edge positif — ke atas satu sumber return yang belum pernah dikemas dunia: keyakinan langsung dan bisa diverifikasi dari para trader on-chain terbaik.

Edge-nya hidup di dalam struktur korelasi. Bangun kohortnya untuk menekan korelasi seminimal mungkin, bobot dengan risiko dan skill yang di-shrink, tentukan ukuran dengan volatilitas dan fractional Kelly, lalu berjaga menghadapi rezim tempat korelasi mengkhianatimu. Lakukan itu, dan lima puluh trader yang berisik, bisa keliru, dan secara sendiri-sendiri bisa dikalahkan berubah menjadi satu sinyal yang sulit dikalahkan.

Itulah Cawan Suci. Kami cuma menemukan tempat baru untuk menikmatinya.

Lihat langsung. Dashboard hive alpha50 menampilkan keyakinan kelompok, posisi terbuka, dan kurva ekuitas yang terkelola risikonya secara real-time. Saat kamu ingin kekuatan gabungan ini bekerja untukmu, salin strateginya dalam satu klik — non-kustodial, dengan mesin yang menandatangani transaksi tapi tak pernah bisa menarik dana.