UPDATE #1 :
Oke, terima kasih sebelumnya yang sudah reply thread ini. Saya hargai master - master yang telah reply thread ini. Langsung saja saya lanjutkan topik diskusi yang sebelumnya terpotong.

Dari pemikiran bahwa saya harus mengetahui berapa sih selisih point apabila terjadi break pada high/low candle sebelumnya, saya mulai menghitung. Dari data historis harian, saya menghitung selisih point high candle hari ini dengan high candle hari sebelumnya (contoh : high rabu – high selasa = xxx pips) dan saya juga menghitung selisih point low candle kemarin dengan low candle hari ini (contoh : low selasa – low rabu). Setelah saya mengetahui nilai dari masing masing selisih selama 8 tahun, maka saya menggunakan uji distribusi (Pearson 6, Log-Pearson 3, Lognormal 3 parameter, Pearson 6 4 parameter, Weibull 3 parameter, Weibull, Generalized Extreme Value, Lognormal, Exponential, Exponential 2 parameter, Frechet, Pearson 5 3 parameter, Pearson 5, Frechet 3 parameter, Rayleigh 2 parameter, Gaussian, Gumbel Max & Min, dan Rayleigh) mungkin bagi Anda yang berkutat di bidang ekonomi, statistik, dan teknik tidak akan asing dengan mereka. Pada thread ini saya tidak akan membahas rumus – rumus, cara perhitungan atau apapun yang berbau menghitung dengan notasi asing matematika, namun saya akan menguraikan hasil analisis dan kesimpulannya saja. Jika anda tertarik untuk mempelajari mereka silahkan anda bisa browsing sendiri.

Kembali ke permasalahan, saya menguji kecocokan 18 distribusi tersebut dengan metode kolmogorov smirnov test, untuk melihat distribusi probabilitas mana sih yang cocok untuk sebaran data selisih point yang telah dihitung tadi. Intinya, setelah menemukan distribusi yang cocok (dari hasil test distribusi Pearson 6 lah yang cocok dengan sebaran data point hasil selisih) barulah saya bisa mengetahui berapa point yang biasa muncul apabila terjadi break. Hasil dari analisis ini adalah bahwa, jika terjadi break, maka kemungkinan (probabilitas) point yang terbentuk akan :

1. melebihi dari 30 pips adalah 97%

2. melebihi dari 82 pips adalah 90%

3. melebihi dari 397 pips adalah 50%

4. melebihi dari 1200 pips adalah 10%

5. melebihi dari 2698 pips adalah 1%

Dari sini saya menyimpulkan bahwa saya bisa memperoleh minimal 30 pips (dengan tingkat keyakinan profit tercapai adalah 97%, simplenya disebut yakin) atau maksimal 2698 pips (dengan tingkat keyakinan profit tercapai adalah 1%, simplenya disebut tidak yakin tapi bisa saja terjadi) dalam 1 hari trading. Sampai disini saya akan stop dulu, saya ingin melihat apakah masih banyak orang yang tertarik untuk berdiskusi (tanya-jawab, kritik dan saran) di thread ini. Saya menunggu orang – orang yang bisa diajak berdiskusi, berfikir secara logika dan bergerak secara intuisi, adapun bagi Anda yang ingin bertanya maka silahkan bertanya lah. Saya sangat menghargai pendapat orang. Jika semakin banyak orang yang reply thread ini, maka saya akan melanjutkan menulis mengenai probabilitas kemenangan dan kekalahan yang mungkin terjadi. Saya tunggu pendapat – pendapat master –master di sini. Jika thread ini sedikit yang reply (tidak komunikatif) maka saya akan berhenti melanjutkan posting. Terima kasih master – master.

UPDATE #2:
Kembali ke penelitian, dari hasil probabilitas point yang dapat diperoleh. Maka selanjutnya dapat dihitung probabilitas kemenangan dan kekalahan. Tentunya untuk analisis ini berkaitan dengan logika trading, maka dari itu saya harus membuat logika trading dulu, baru dapat menganalisis probabilitas kemenangan dan kekalahan jika saya trading menggunakan cara/logika trading tersebut. Di sini saya menganalisis probabilitas kemenangan dan kekalahan dengan teori distribusi binomial. Untuk anda yang merasa asing dengan teori sederhana distribusi binomial ini, saya sertakan contoh kasus yang simple :

Sebanyak 5 mahasiswa akan mengikuti ujian sarjana dan diperkirakan probabilitas kelulusannya adalah 70%. Hitunglah probabilitas:

1.) Paling banyak 2 orang lulus

2.) Yang akan lulus antara 2 sampai 3 orang

3.) Paling sedikit 4 diantaranya lulus

4.) Semua orang lulus

Jawaban :

Cara perhitungan tidak dilampirkan, karena mungkin Anda yang tidak biasa dengan notasi matematika asing (fungsi faktorial) akan merasa pusing. Jadi saya hanya menyertakan jawabannya saja.

1.) Paling banyak 2 orang yang lulus probabilitasnya 16%

2.) Yang akan lulus antara 2 s/d 3 orang probabilitasnya 44%

3.) Paling sedikit 4 orang lulus probabilitasnya 53%

4.) Semua orang lulus probabilitasnya adalah 17%

Itulah contoh sederhana dari distribusi binomial. Dari contoh sederhana ini, yang ingin saya cari adalah jika saya trading sebulan 20 hari (Sabtu dan Minggu tidak trade). Berapa probabilitas trading saya tereksekusi selama 20 hari? Misal dari hasil perhitungan probabilitas trading saya tereksekusi MINIMAL 14 hari adalah 100%. Maka dari 14 hari itu, dengan suatu strategi trading yang diterapkan, berapa probabilitas saya memenangkan trading seluruh hari (14 hari)? Berapa probabilitas saya menang 13 hari dan kalah 1 hari? Berapa saya menang 7 hari dan kalah 7 hari? Itu adalah maksud saya selanjutnya. Sampai di sini dulu sebelum lanjut, apabila ada feedback saya akan senang. Seluruh pertanyaan, kritik dan saran silahkan langsung post saja di thread ini. Jika oke, maka saya akan lanjut menulis. Terima kasih master – master.

UPDATE#3:
Melanjutkan diskusi thread ini yang terpotong, dengan adanya teori binomial yang ditemukan oleh om Bernoulli, saya bisa menghitung berapa probabilitas hari terjadinya break atau tidak. Diketahui di awal thread bahwa probabilitas terjadinya break adalah 86% dan tidak terjadinya break adalah 14%. Anggaplah 1 bulan ada 20 hari trade (Sabtu dan Minggu market tutup), yang ingin saya ketahui adalah berapa hari sih dari 20 hari trade yang bakalan ada break atau tidak ada break? Dari sini saya mulai menghitung dengan teori binomial dengan data – data yang dibutuhkan sebagai berikut :
1.) Peluang terjadinya break (Data sudah ada, yaitu 86% yang saya hitung di awal tadi)
2.) Peluang tidak terjadinya break (Data sudah ada, yaitu 14% yang saya hitung di awal tadi)
3.) Jumlah trial yang dijadikan objek kajian (Data sudah ada, yaitu 20 hari dalam sebulan)
Dari data – data tersebut, saya input ke dalam fungsi binomial (factorial and power series function). Seperti biasa saya tidak akan menyajikan cara perhitungan dan detail formula yang digunakan. Jadi, apabila ada master – master yang ingin mengetahui benda apa sih si binomial itu? Bentuk formulanya kaya gimana? Silahkan anda search ke mbah google saja. Kembali ke binomial, sehingga hasil perhitungan yang saya peroleh adalah sebagai berikut :
1.) Probabilitas akan terjadinya break candle harian MINIMAL 1 hari dalam 20 hari adalah 100% (pasti terjadi).
2.) Probabilitas akan terjadinya break candle harian MINIMAL 5 hari dalam 20 hari adalah 100% (pasti terjadi).
3.) Probabilitas akan terjadinya break candle harian MINIMAL 13 hari dalam 20 hari adalah 100% (pasti terjadi).
4.) Probabilitas akan terjadinya break candle harian MINIMAL 14 hari dalam 20 hari adalah 98%.
5.) Probabilitas akan terjadinya break candle harian MINIMAL 15 hari dalam 20 hari adalah 95%.
6.) Probabilitas akan terjadinya break candle harian MINIMAL 16 hari dalam 20 hari adalah 86%.
7.) Probabilitas akan terjadinya break candle harian MINIMAL 17 hari dalam 20 hari adalah 69%.
8.) Probabilitas akan terjadinya break candle harian MINIMAL 18 hari dalam 20 hari adalah 45%.
9.) Probabilitas akan terjadinya break candle harian MINIMAL 19 hari dalam 20 hari adalah 21%.
10.) Probabilitas akan terjadinya break candle harian MINIMAL 20 hari dalam 20 hari (seluruh hari terjadi break) adalah 5%.
Jadi, sampai di sini kesimpulannya adalah jika saya menggunakan strategi break high atau break low candle kemarin, kemungkinan besar saya akan trading adalah 13 hari dalam sebulan (bisa untung bisa juga rugi), sedangkan 7 hari trade saya tidak tereksekusi (tidak untung tidak juga rugi). Sampai sini dulu master, takutnya ada sebagian orang yang tidak paham. Kalo oke, dan thread masih idup, saya lanjut lagi ke hasil analisis selanjutnya yaitu dalam 13 hari terjadi trade, berapa % sih kemungkinan saya menang atau kalah dalam perdagangan? Itu kira2 materi yang akan saya usung selanjutnya master – master. Semoga tetep stay tune ya di thread ini.

UPDATE#4:
Lanjutan dari distribusi binomialnya om Bernoulli. Terakhir diperoleh bahwa, dalam 20 hari trading, kemungkinan besar saya akan trading adalah 13 hari (bisa jadi lebih dari 13 hari, dan tidak tahu berapa hari yang loss dan win) dan 7 hari sisanya saya tidak trading alias pending order 7 hari tersebut tidak akan tereksekusi. Tugas saya selanjutnya adalah mecari berapa probabilitas saya memenangkan perdagangan dari 13 hari trade. Caranya masih sama, masih pakai teorema distribusi binomialnya yang ditemukan om Bernoulli. Data – data yang diperlukan adalah :
1.) Probabilitas memenangkan trade (Data belum ada)
2.) Probabilitas kalah dalam trade/loss (Data belum ada)
3.) Jumlah trial yang dijadikan objek kajian (Data sudah ada, yaitu 13 hari dalam satu bulan)
Jadi langkah pertamanya adalah sayaharus melengkapi data yang belum data (yaitu point nomor 1 dan point nomor 2). Untuk mengetahui besarnya probabilitas menang dan kalah trade, harus ada logika trading terlebih dahulu. Saya mencoba test dengan 2 skenario logika trading:

SKENARIO LOGIKA TRADING - 1 :
Saya buka 2 pending order. ASUMSI-kan saya mengambil TP sebesar 30 pips sehari trading (probabilitas TP tersentuh 97%). Setelah salah satu pending order saya terbuka, saya tunggu hingga salah satu dari TP atau SL menyentuh. Jika salah satu sudah tersentuh (menang atau kalah) saya delete pending order yang satunya lagi. Hal ini karena menurut saya, saya tidak boleh melibatkan emosi ketika menang (baca : serakah) atau saya tidak boleh kesal ketika saya kalah sehingga saya memaksakan diri buka trade lagi supaya kekalahan saya tertutup (baca : kesal karena kalah).

SKENARIO LOGIKA TRADING -2 :
Saya buka 2 pending order. ASUMSI-kan saya mengambil TP sebesar 2698 pips sehari trading (probabilitas TP tersentuh 1%). Setelah salah satu pending order saya terbuka, saya tunggu hingga salah satu dari TP atau SL menyentuh. Jika salah satu sudah tersentuh (menang atau kalah) saya delete pending order yang satunya lagi. Hal ini karena menurut saya, saya tidak boleh melibatkan emosi ketika menang (baca : serakah) atau saya tidak boleh kesal ketika saya kalah sehingga saya memaksakan diri buka trade lagi supaya kekalahan saya tertutup (baca : kesal karena kalah).

Dari 2 logika trading ini, saya mencari probabilitas menang dan kalah dalam trade untuk setiap skenario dengan uji logika selama 1763 hari. Hasilnya adalah :

A. Hasil uji logika untuk SKENARIO LOGIKA TRADING -1:
a.) Dari 1763 hari terjadi trade, dengan menggunakan logika 1 saya memenangkan trade sebanyak : 1702 hari.
b.) Dari 1763 hari terjadi trade, dengan menggunakan logika 1 saya akan kalah trade sebanyak : 61 hari.

Maka, dapat disimpulkan jika saya trade dengan menggunakan logika 1, probabilitas saya akan menang trade adalah 97%. Sedangkan probabilitas saya kalah dalam trade adalah 3%.

B. Hasil uji logika untuk SKENARIO LOGIKA TRADING -2:
a.) Dari 1763 hari terjadi trade, dengan menggunakan logika 2 saya akan memenangkan trade sebanyak : 21 hari.
b.) Dari 1763 hari terjadi trade, dengan menggunakan logika 2 saya akan kalah trade sebanyak : 1742 hari.

Maka, dapat disimpulkan jika saya trade dengan menggunakan logika 1, probabilitas saya akan menang trade adalah 1%. Sedangkan probabilitas saya kalah dalam trade adalah 99%.

Dari sini maka data – data saya sudah lengkap, berikut ini adalah rangkuman data yang akan diproses selanjutnya dengan teori binomial :
1.) Probabilitas memenangkan trade (Data yang barusan dihitung, untuk skenario 1 = 97% sedangkan untuk skenario 2 = 1%)
2.) Probabilitas kalah dalam trade/loss (Data yang barusan dihitung, untuk skenario 1 = 3% sedangkan untuk skenario 2 = 99%)
3.) Jumlah trial yang dijadikan objek kajian (Data sudah ada, yaitu 13 hari dalam satu bulan)
Dengan demikian data sudah lengkap, saatnya saya kembali menghitung probabilitas kemenangan dan kekalahan dalam 13 hari terjadi trade.

Hasil analisis untuk skenario -1 :
Dalam 13 hari trade, probabilitas saya menang trade :
1.) 1 hari adalah 100%
2.) 5 hari adalah 100%
3.) 10 hari adalah 100%
4.) 11 hari adalah 99%
5.) 12 hari adalah 94%
6.) 13 hari (menang semua) adalah 67%
Dari sini dapat disimpulkan bahwa jika saya menggunakan skenario 1, maka saya akan menang trading MINIMAL adalah 10 hari (kenyataannya bisa lebih, mengingat probabilitas 13 hari menang masih lebih besar dari 50%). Jadi, probabilitasnya sangat besar untuk menang sampai 13 hari (seluruh trade).

Hasil analisis untuk skenario -2 :
Dalam 13 hari trade, probabilitas saya menang trade :
1.) 1 hari adalah 12 %
2.) 2 hari adalah 1%
3.) 10 hari adalah 0%
4.) 11 hari adalah 0%
5.) 12 hari adalah 0%
6.) 13 hari adalah 0%
Dari sini dapat disimpulkan bahwa jika saya menggunakan skenario 2, maka saya akan kalah terus, karena probabilitas untung menangnya sangat kecil alias kurang dari 50%.
Jadi dari studi kasus ini, saya menyimpulkan bahwa kalo trading set TP besar tapi probabilitas tercapainya kecil maka kemungkinan lossnya akan besar. Jika sebaliknya maka kemungkinan akan profit menjadi lebih besar. Kemudian, dari hasil analisis ini saya berfikir, mana mungkin saya sehari trade hanya mencetak 30 pips terus, sementara market memberikan peluang bisa sampai 2698 pips (walaupun jarang terjadi). Lalu bagaimana caranya supaya saya bisa untung lebih dari 30 pips? Inilah bahan updatean selanjutnya master – master. Kalo masih tertarik silahkan stay tune di sini master – master forex kaskus. Barangkali ada saran, kritik dan pertanyaan bisa langsung di post di thread ini. Tunggu updatean selanjutnya ya master.

UPDATE#5:
UPDATE#5

UPDATE#6:
UPDATE#6

UPDATE#7
UPDATE#7

Bagi master - master yang ingin mengenal lebih dekat dengan probabilitas, ini saya sudah sorting link - link dari wiki.

1. Pearson Distribution
   
2. Lognormal Distribution
   
3. Weibull Distribution
   
4. Generalized Extreme Value Distribution (G.E.V)
   
5. Exponential Distribution
   
6. Frechet Distribution
   
7. Rayleigh Distribution
   
8. Gaussian Distribution
   
9. Gumbel Distribution
   
10. Binomial Distribution
    
11. Kolmogorov Smirnov Test