Perangkap dalam pasar prediksi: Mengapa portofolio yang Anda beli selalu merugi

Penulis: Terry Lee

Judul Asli: Mengapa pasar prediksi salah dalam penetapan harga parlays – blind spot korelasi

Terjemahan dan Penyusunan: BitpushNews

Pendahuluan

Di platform seperti Polymarket, sebagian besar orang (termasuk saya dulu) biasanya memandang cara penetapan harga “parlay” (gabungan beberapa kejadian) dengan cara sederhana: mengalikan probabilitas masing-masing kejadian secara langsung.

Contohnya:

• Probabilitas terjadinya kejadian A P(A) = 80%
• Probabilitas terjadinya kejadian B P(B) = 70%
• Probabilitas terjadinya kejadian C P© = 60%

Maka, total probabilitas parlay = 80% × 70% × 60% = 33,6%

(Catatan, Parlay adalah istilah dalam taruhan dan investasi, dalam bahasa Indonesia biasanya disebut “串关” atau “over-under”. Definisi: Menggabungkan dua atau lebih taruhan kejadian independen. Aturannya: Hanya jika semua prediksi benar, Anda menang. Jika satu saja salah, seluruh taruhan kalah.)

Terdengar cukup sederhana, bukan?

Masalahnya bukan pada perhitungan matematisnya, melainkan pada asumsi tersembunyi di baliknya.

Perkalian ini didasarkan pada asumsi bahwa setiap kejadian bersifat saling independen. Artinya, hasil A tidak mempengaruhi B, dan seterusnya. Tapi kenyataannya, kondisi ini jarang benar.

Contohnya:

1. Keputusan Federal Reserve dalam satu rapat sangat mempengaruhi keputusan di rapat berikutnya.
2. Seorang calon presiden yang memenangkan negara bagian “Rust Belt” menunjukkan peluang menangnya di Pennsylvania, yang kemudian mempengaruhi peluang kemenangan di seluruh pemilihan presiden.

Dalam kenyataannya, sebagian besar kejadian yang layak untuk “parlay” saling terkait. Jika Anda mengabaikan korelasi ini, Anda berisiko membayar harga yang terlalu tinggi, atau melewatkan peluang mendapatkan keuntungan.

Artikel ini akan menunjukkan kerangka sederhana yang mengajarkan Anda bagaimana secara ilmiah menilai harga parlay, sebagaimana industri keuangan tradisional selama puluhan tahun menilai harga “multi-leg options”.

Mengapa terjadi kesalahan penetapan harga?

Menurut saya, sebagian besar alat pasar prediksi lebih fokus pada “eksekusi” daripada “analisis korelasi”. Selain itu, pasar ini relatif masih belum matang. Meski “parlay” umum dalam taruhan olahraga, dalam konteks kejadian sosial/ekonomi tertentu, karena pasar masih dalam tahap awal, mekanisme penetapan harga belum sempurna.

Studi Kasus: Keputusan Suku Bunga Federal Reserve

(Gambar 1: Federal Reserve cenderung mengulangi langkah yang sama, 83% kemungkinan setelah “menahan” suku bunga akan kembali “menahan” lagi)

Menggunakan data dari Federal Reserve Bank of St. Louis (FRED) (dari 1994 hingga awal 2026), saya membangun matriks transisi (Transition Matrix) yang secara khusus mengekstrak perubahan keputusan Fed antara dua rapat berturut-turut.

Hasilnya sangat jelas:

• Menahan -> Menahan: probabilitas 83,1%
• Menurunkan suku bunga -> Menurunkan: probabilitas 69,2%
• Menaikkan suku bunga -> Menaikkan: probabilitas 62,5%

Jelas, operasi Fed menunjukkan “konsistensi”. Sebagai lembaga yang mengandalkan data dan bersifat proaktif, mereka cenderung mengulangi langkah yang sama sampai terjadi “perubahan rezim” (Regime Shift).

Seberapa kuat “konsistensi” ini?

Untuk menguji ini, saya buat model untuk mengenali tren “keputusan berkelanjutan” (misalnya, berapa kali berturut-turut mereka menahan, menurunkan, atau menaikkan suku bunga).

Hasilnya:

• Menahan suku bunga: 32 tren, rata-rata berlangsung 5,4 rapat
• Menurunkan suku bunga: 12 tren, rata-rata 3,3 rapat

Kemudian, saya simulasi 1000 “dunia paralel” dari sejarah Fed. Dalam simulasi ini, setiap rapat dianggap independen (seperti lempar koin). Berdasarkan data historis, saya tetapkan probabilitas: menahan 66%, menurunkan 15%, menaikkan 19%, tanpa korelasi antar keputusan.

(Gambar 2: Konsistensi keputusan Fed nyata 2-3 kali lipat dari probabilitas acak)

Dalam asumsi independen ini, durasi tren menahan suku bunga rata-rata hanya 2,9 rapat, sedangkan tren penurunan dan kenaikan masing-masing hanya 1,2 rapat.

Jika bandingkan data historis dengan simulasi acak:

• Menahan: historis 5,4 vs acak 2,9 (lebih panjang 1,9 kali)
• Menurunkan: historis 3,3 vs acak 1,2 (lebih panjang 2,8 kali)
• Menaikkan: historis 2,6 vs acak 1,2 (lebih panjang 2,1 kali)

Perlu dicatat, konsistensi penurunan suku bunga hampir 3 kali lipat dari probabilitas acak. Penyebabnya adalah saat Fed mulai menurunkan suku bunga, biasanya untuk mengatasi perlambatan ekonomi yang berkelanjutan. Masalah ini tidak bisa diselesaikan dalam satu rapat saja. Mereka menurunkan suku bunga, evaluasi data, jika data tetap buruk, kemungkinan besar mereka akan menurunkan lagi.

Perhitungan “parlay” secara sederhana dengan perkalian mengabaikan korelasi ini. Kenyataannya, konsistensi ini 2-3 kali lebih kuat dari model acak independen.

Apa yang terjadi setelah dua rapat berturut-turut?

Hanya melihat keputusan terakhir tidak cukup. Penetapan harga “tiga kejadian” (parlay tiga) harus memperhitungkan probabilitas bersyarat berdasarkan hasil dua rapat sebelumnya.

Analisisnya terbagi menjadi dua bagian:

Melanjutkan jalur yang sama

Gambar 3: Setelah dua kali keputusan sama, kemungkinan keputusan berikutnya hampir selalu sama

Dari gambar 3, terlihat jelas bahwa ketika Fed mengulangi langkah yang sama dua kali, probabilitas mereka melanjutkan langkah yang sama di rapat ketiga sangat tinggi:

• Dua kali menahan -> Rapat ketiga menahan: 87%
• Dua kali menaikkan -> Rapat ketiga menaikkan: 84%
• Dua kali menurunkan -> Rapat ketiga menurunkan: 68% (lebih rendah)

Perhatikan juga bahwa tidak pernah terjadi: setelah dua kali menaikkan, langsung turun, atau setelah dua kali menurunkan, langsung naik. Mereka selalu melalui fase “pause” (menahan). Hanya dengan menyadari ini, Anda bisa menyingkirkan model-model “kebodohan” yang menganggap kombinasi ini bernilai.

Setelah rezim berubah

(Gambar 4: Setelah perubahan rezim, perbedaan besar dalam arah perubahan)

Ini bagian paling menarik bagi trader. Tidak semua perubahan arah sama nilainya:

• Menahan -> Menurunkan -> Menurunkan: probabilitas 75%. Begitu Fed mulai menurunkan setelah menahan, peluang mengikuti turun sangat tinggi.
• Menurunkan -> Menahan -> Menahan: probabilitas 100%. Dalam sejarah, setelah berhenti menurunkan, Fed tidak langsung kembali menurunkan lagi.
• Menahan -> Menaikkan -> Menahan: probabilitas 79%. Kenaikan pertama setelah menahan biasanya bersifat uji coba, mereka berhenti untuk mengamati dampaknya.
• Menaikkan -> Menahan -> Menaikkan/menahan: 60% dan 40%. Berbeda dengan penurunan, jeda di tengah kenaikan memiliki ketidakpastian nyata.

Ketidakseimbangan ini adalah wawasan utama. Kombinasi “menahan -> menurunkan -> menurunkan” jauh lebih bernilai daripada harga perkalian sederhana. Sebaliknya, “menurunkan -> menahan -> menurunkan” hampir tidak bernilai sama sekali. Hanya urutan berbeda, nilai sebenarnya berbeda jauh. Model independen tidak mampu menangkap ini.

Apa arti penetapan harga secara keseluruhan?

Ini gambaran keseluruhan. Kita tidak boleh menggunakan probabilitas rata-rata buta, melainkan harus memakai probabilitas bersyarat yang didasarkan pada data historis.

Contohnya, “tiga kali berturut-turut menahan” (Hold-Hold-Hold):

• Model awal: pakai probabilitas total (67%), jadi: 67% × 67% × 67% = 30,1%
• Model koreksi: pakai probabilitas bersyarat, jadi: 67% (awal) × 83% (kedua|pertama) × 87% (ketiga|dua sebelumnya) = 48,4%

(Gambar 5: Kombinasi yang searah cenderung undervalued secara sistematis, sedangkan kombinasi yang melibatkan perubahan arah cenderung overvalued)

Deteksi pasar secara real-time

Menggunakan data dari Polymarket sebagai contoh:

(Gambar 6: Perbandingan distribusi odds Polymarket dan probabilitas aktual)

Kombinasi satu: Menahan – Menahan – Menahan (sangat undervalued)

• Model awal: 93% (Maret) × 75% (April) × 38% (Juni) ≈ 26%
• Probabilitas bersyarat: 87% × 87% × 87% ≈ 65,8%
• Kesimpulan: pasar sangat underestimate sekitar 39 poin persentase.

Kombinasi dua: Menahan – Menahan – Menurunkan (sangat overvalued)

• Model awal: 93% × 75% × 49% = 34,2%
• Probabilitas bersyarat: 87% × 87% × 8,5% = 6,4%
• Kesimpulan: pasar menilai sekitar 34%, padahal probabilitas sebenarnya hanya 6,4%. Pasar overestimasi lebih dari 5 kali lipat.

Apakah ini bisa menguntungkan?

Saya lakukan backtest sederhana. Sejak 1994, setiap pasangan dan triplet rapat Fed yang harga koreksi lebih tinggi dari pasar (artinya undervalued), saya taruhan 100 dolar.

(Gambar 7: Contoh akumulasi keuntungan dari taruhan parlay dua kali)

(Gambar 8: Contoh akumulasi keuntungan dari taruhan parlay tiga kali)

Sejak 1994, setiap kali kombinasi undervalued, taruhan 100 dolar akan menghasilkan sekitar 169.000 dolar dari parlay dua kali, dan lebih dari 1 juta dolar dari parlay tiga kali. Lonjakan keuntungan ini terkait dengan periode pelonggaran Fed di tahun 2001, 2008, 2020, dan 2024-2025, di mana aksi berulang terjadi secara berurutan, sementara model awal selalu meremehkan korelasi ini.

Garis kurva yang “bertingkat” menunjukkan bahwa uang diperoleh selama siklus aksi berkelanjutan dari Fed. Tapi keterbatasannya, pasar prediksi di era 90-an dan 2000-an mungkin belum cukup matang untuk menjalankan strategi ini.

Selain Fed, di mana lagi bisa diterapkan?

Kasus Fed sangat khas karena data lengkap dan korelasi kuat. Tapi kerangka yang sama berlaku untuk kejadian terkait lainnya:

1. Pemilihan presiden: Jika seorang kandidat menang di satu negara bagian, peluang menang di negara bagian lain dengan demografi serupa akan berubah.
2. Cryptocurrency dan saham pertumbuhan/makro: Pergerakan Bitcoin terkait dengan risiko makro. Taruhan “Bitcoin di atas X dan Nasdaq di atas Y” memiliki nilai lebih tinggi dari hasil perkalian probabilitas independen karena keduanya berbagi faktor pendorong yang sama.

Intinya, metode ini sama: analisis data historis, ukur korelasi nyata antar kejadian, gunakan data yang lebih baik daripada probabilitas rata-rata, lalu bandingkan dengan harga pasar.

Kesimpulan

Pasar prediksi masih dalam tahap awal. Sebagian besar trader retail dalam menilai “parlay” masih mengandalkan metode “sederhana kali lipat dan pasrah”.

Kerangka ini membutuhkan pengetahuan konteks spesifik, tapi intinya hanya satu: apakah hasil kejadian pertama memberi informasi tentang kejadian berikutnya? Jika ya, maka harga parlay yang naif pasti salah, dan data historis akan menunjukkan seberapa besar kesalahannya.

Studi kasus Fed menunjukkan bahwa keunggulan ini nyata dan dapat diukur. Tapi prinsip ini berlaku umum. Di semua tempat di mana korelasi kejadian diabaikan sebagai independen, peluang tersembunyi mungkin menunggu untuk ditemukan.

Satu-satunya pertanyaan adalah: apakah Anda mampu melihatnya dan bertindak?