Cara menghitung peluang touch-target

Bukan “harga besok berapa?” (mustahil dijawab dengan akurat), tapi:

“Dari harga sekarang, dalam N hari ke depan, berapa peluang harga menyentuh level X (≥ atau ≤) setidaknya sekali?”

Ini disebut first-passage probability — peluang harga menyentuh sebuah barrier dalam horizon tertentu. Lebih realistis karena yang penting buat trader bukan close exact, tapi apakah level target ke-touch (entry, TP, SL semua kerja di touch).

Cara paling jujur: lihat aja masa lalu. Ambil N rolling-window dari data harga harian coin tersebut, hitung berapa persen window di mana harga touch target dalam horizon yang sama.

Untuk setiap hari t dalam history:
  start = close[t]
  target_up = start * (1 + move_up_pct)
  target_dn = start * (1 + move_dn_pct)
  for h in [1, 2, 3, 5, 7, 10, 14]:
    window = high/low di [t+1 .. t+h]
    if max(window.high) >= target_up:  hit_up[h] += 1
    if min(window.low)  <= target_dn:  hit_dn[h] += 1

P_empirical(up,  h) = hit_up[h] / total_windows
P_empirical(dn,  h) = hit_dn[h] / total_windows

Kelebihan: tidak ada asumsi distribusi. Kalau coin punya fat-tail history, ke-capture langsung.

Batasan: sample size terbatas (HYPE 300 hari, NEAR 400 hari). Kalau regime sekarang beda dari rata-rata, base-rate bias. Untuk move >20% di coin volatile, sample efektif tipis di horizon pendek (1-3d).

Model klasik: asumsi return harian log-normal i.i.d. dengan drift μ dan volatilitas σ. Untuk barrier touch, dipakai pendekatan reflection principle via simulasi 10K paths atau closed-form approximation.

Estimate dari N hari terakhir:
  μ = mean(log_return_daily)        // drift
  σ = stdev(log_return_daily)       // vol

Simulasi Monte Carlo per horizon h:
  for i in 1..10_000:
    path = [S0]
    for d in 1..h:
      z = N(0, 1)
      next = path[-1] * exp((μ − σ²/2) + σ * z)
      path.append(next)
    hit_up[h] += (max(path) >= target_up)
    hit_dn[h] += (min(path) <= target_dn)

P_gbm(up, h) = hit_up[h] / 10_000

Kelebihan: smooth curve, bisa extrapolate ke horizon yang tidak punya sample empiris. Mathematically clean.

Batasan: mengasumsi independen — gagal saat ada momentum (return autocorrelated) atau mean-reversion. Crypto fat-tail bikin GBM understate peluang touch target jauh.

Empirical + GBM bukan dirata-rata sembarangan. Yang dilihat: apakah dua-duanya setuju?

• Sepakat (selisih <5pp): bisa lebih percaya. Asumsi log-normal tidak terlalu salah, dan history konsisten.
• Beda 5-10pp: ada regime atau fat-tail effect. Biasanya empirical lebih tinggi di down-target karena crash lebih sering dari yang GBM expect.
• Beda >10pp: salah satu model bias berat. Curiga sample kecil atau regime shift.

Kalau current = $100, target up $122 vs target down $92, jarak ke down lebih dekat (8% vs 22%). Touch-probability sangat sensitif terhadap jarak — naik 2× jarak biasanya turunin probabilitas 3-4× karena hubungannya non-linear (∝ exp(-distance²/2σ²t) untuk GBM).

Jadi kalau pertanyaannya “mana lebih dulu kena, up atau down?”, hampir selalu yang jaraknya lebih dekat menang — kecuali momentum sangat kuat ke arah jauh.

Model statistik tidak tahu kalau hari ini coin baru +13% dua hari berturut. Konteks ini ditambahkan manual sebagai verdict prose — bukan diadjust ke angka.

Contoh konteks yang biasa ditangkap manual:
  - "Pump May 21-25 +63% dalam 5 hari" → setup momentum berulang
  - "Sudah retrace -5% kemarin" → distribusi sudah dimulai
  - "Vol 24h drop 4.8%" → euforia hilang
  - "Hari ini close near high +12%" → momentum lanjut
  - "Body merah besar dengan vol spike" → distribution event

Angka empirical+GBM = base rate. Konteks ini = adjustment subjektif untuk pertimbangan trader, bukan formula resmi.

• Touch = intra-day high/low di Binance Futures (BUSD/USDT perp), bukan close. Wick yang touch lalu pulih tetap dihitung touch.
• Tanggal touch dicatat sebagai tanggal candle harian (UTC) di mana high/low pertama kali melewati target.
• Konflik: kalau dua target ke-touch di candle yang sama, keduanya dicatat (whipsaw).
• Expiry: kalau lewat 14 hari tidak ada touch, prediksi dicatat “tidak realized” — penting untuk track kalibrasi probabilitas rendah.

• News/macro shock — Fed, listing/delisting, exploit. Bisa double-vol dalam jam.
• Regime change — kalau pasar dari bull ke bear, σ historis 90 hari sudah basi.
• Liquidation cascade — kalau OI menumpuk di satu arah, touch-probability ke arah cascade jauh lebih tinggi dari model. (Cek Cascade Atlas untuk pattern.)
• Manipulasi/whale orchestration — Type-A pattern (lihat Cascade Atlas) ada konstruksi sengaja; model statistik random-walk tidak detect ini.

• Conditional base-rate — split sample by regime (low-vol vs high-vol last 30d) sebelum base-rate dihitung.
• Funding-rate prior — kalau funding extreme, adjust drift μ.
• Cross-coin correlation — kalau BTC volatile, semua altcoin σ naik.
• Auto-track akurasi — semua prediction lock disimpan, lalu di-grade vs realisasi (Brier score per horizon).