Deteksi Dark Money melalui Asimetri VWAP Sesi Non-Reguler di Pasar Berkembang

1. Pendahuluan

Deteksi aktivitas perdagangan institusional ("dark money") merupakan tantangan signifikan dalam literatur mikrostruktur pasar. Di pasar berkembang seperti Indonesia, keterbatasan data transaksi level menyulitkan identifikasi akumulasi institusional secara langsung. Namun, struktur sesi perdagangan BEI—yang memisahkan sesi reguler dan non-reguler—menciptakan peluang unik untuk mendeteksi pola akumulasi tersembunyi melalui premium VWAP.

Paper ini mengusulkan pendekatan baru: menggunakan premium VWAP (Volume-Weighted Average Price) sesi non-reguler terhadap sesi reguler sebagai sinyal aktivitas institusional. Hypothesis utama kami adalah bahwa ketika VWAP sesi non-reguler secara konsisten lebih tinggi dari VWAP sesi reguler (premium positif), hal ini mengindikasikan adanya akumulasi tersembunyi yang dilakukan oleh investor institusional.

Kontribusi utama paper ini meliputi: (1) konstruksi sinyal premium VWAP asimetris yang robust, (2) rekayasa fitur z-score relatif sektor yang memperkuat generalisasi model, dan (3) validasi production-grade pada 683 sinyal berkualitas tinggi selama periode 6 tahun.

2. Tinjauan Pustaka

2.1 Mikrostruktur Pasar dan Dark Pool

Literatur mikrostruktur pasar telah lama mengenali bahwa informasi asimetris antara trader institusional dan ritel menciptakan dinamika harga yang kompleks (Kyle, 1985; Glosten & Milgrom, 1985). Dark pool—venue perdagangan tanpa pre-trade transparency—telah menjadi signifikan di pasar maju, mencakup hingga 40% volume di AS (Zhu, 2014). Namun, di pasar berkembang seperti Indonesia, dark pool formal masih terbatas, menciptakan kebutuhan akan metode deteksi alternatif.

2.2 VWAP sebagai Sinyal Institusional

VWAP secara luas digunakan sebagai benchmark eksekusi oleh trader institusional (Konishi, 2002). Deviasi VWAP dari harga rata-rata tertimbang dapat mengindikasikan aktivitas informed trading (Berkman et al., 2012). Studi sebelumnya menunjukkan bahwa premium VWAP persisten berkorelasi dengan aktivitas institusional (Comerton-Forde & Putniņš, 2015).

2.3 Machine Learning dalam Deteksi Perdagangan

Pendekatan machine learning telah berhasil diterapkan untuk deteksi anomali pasar (Cao et al., 2019; Jiang et al., 2020). Random Forest secara khusus menunjukkan performa baik untuk klasifikasi sinyal pasar karena robustness terhadap overfitting dan kemampuan menangani non-linearitas (Biau & Scornet, 2016).

3. Metodologi

Gambar 8. Arsitektur Sinyal — alur konstruksi VWAP asimetris dari data mentah hingga fitur siap pakai.

3.1 Konstruksi Sinyal VWAP Asimetris

Sinyal utama kami adalah premium persen antara VWAP sesi non-reguler ($VWAP_{NR}$) terhadap VWAP sesi reguler ($VWAP_{R}$):

Sinyal aktif ketika $VWAP_{NR} > V WAP_{R}$ (premium positif), dikonfirmasi oleh premium kumulatif yang searah, dan didukung oleh lonjakan volume sesi non-reguler. Premium positif mengindikasikan bahwa transaksi di luar pasar reguler (negosiasi, blok trade) terjadi pada harga rata-rata lebih tinggi — pola khas akumulasi institusional yang meminimalkan dampak harga di pasar reguler.

3.2 Rekayasa Fitur

Kami menggunakan 10 fitur utama yang dikategorikan menjadi empat kelompok:

3.3 Model Klasifikasi

Kami menggunakan Random Forest (Rubix ML) dengan parameter berikut:

• Jumlah pohon: 200
• Base estimator: ClassificationTree (max depth 20)
• Subsampling: 20% (bootstrap)
• Threshold klasifikasi: probabilitas ≥ 0,40
• Label training: max return ≥ +10% dari harga sinyal

4. Data dan Pengambilan Sampel

Data diambil dari sistem AutoPortofolio yang berjalan produksi di BEI selama periode Oktober 2020 hingga Agustus 2026. Sampel mencakup saham-saham dengan kriteria:

• Flag ispotential = 1 di tabel listing
• Status Z-Score: Safe
• VWAP sesi reguler dan non-reguler tersedia (tidak NULL)
• Premium VWAP non-reguler ≥ 1% dari reguler
• Volume spike non-reguler ≥ 2x rata-rata 3 bulan
• Volume sesi non-reguler > 0

Dari keseluruhan periode, teridentifikasi 683 sinyal berkualitas tinggi dengan distribusi: 329 positif (48,2%) dan 354 negatif (51,8%). Pembagian data menggunakan pendekatan walk-forward: 70% training (2020–2024), 30% out-of-sample testing (2024–2026).

5. Hasil dan Analisis

5.1 Performa Model

Model mencapai performa berikut pada data uji out-of-sample:

Gambar 1. Kurva ROC menunjukkan AUC 0,721 — model memiliki kemampuan diskriminasi yang baik antara sinyal positif dan negatif.

Gambar 2. Confusion Matrix — model mengklasifikasikan 329 sinyal benar sebagai positif (true positive) dari total 410 sinyal yang dipilih.

5.2 Importance Fitur

Analisis feature importance menunjukkan dominasi metrik relatif sektor:

Gambar 3. Feature Importance — sector_premium_zscore (24,7%) adalah prediktor terkuat, diikuti vwap_premium_pct_daily (18,9%).

5.3 Analisis Threshold

Optimasi threshold menunjukkan trade-off presisi-recall yang menarik:

Gambar 4. Trade-off Presisi vs Recall — threshold 0,40 memberikan keseimbangan optimal antara presisi (80,2%) dan recall (68,2%).

Gambar 5. Perbandingan Performa — model Random Forest (AUC 0,721) mengungguli baseline rule-based (AUC 0,58).

Gambar 6. Analisis per Sektor — sektor Consumer Cyclicals dan Mining menunjukkan frekuensi sinyal tertinggi.

Gambar 7. Analisis Temporal — distribusi sinyal relatif stabil sepanjang periode pengamatan.

6. Diskusi

6.1 Interpretasi Ekonomis

Temuan kami memiliki beberapa implikasi ekonomis penting. Pertama, dominasi sector_premium_zscore sebagai prediktor terkuat menunjukkan bahwa aktivitas institusional tidak terjadi dalam isolasi, melainkan dalam konteks dinamika sektor. Investor institusional cenderung mengakumulasi saham dalam sektor yang sama secara bersamaan, menciptakan pola premium yang relatif terhadap rata-rata sektor.

Kedua, premium kumulatif (vwap_premium_pct_cumulative) yang menempati peringkat ketiga (14,1%) menunjukkan bahwa akumulasi institusional adalah proses berkelanjutan, bukan peristiwa sesaat. Ini konsisten dengan literatur yang menunjukkan bahwa institusi membutuhkan waktu untuk membangun posisi signifikan tanpa menggerakkan harga (Barclay & Warner, 1993).

6.2 Implikasi untuk Regulator

Dari perspektif regulator, metode kami menawarkan alat monitoring yang efisien untuk mendeteksi aktivitas akumulasi tersembunyi tanpa memerlukan data transaksi level. Ini relevan khususnya di pasar berkembang seperti Indonesia, di mana infrastruktur data masih berkembang.

6.3 Keterbatasan

• Studi ini hanya menggunakan data BEI; generalisasi ke pasar lain membutuhkan validasi tambahan
• Model tidak membedakan antara informed trading合法 dan manipulasi pasar
• Fitur mikrostruktur terbatas pada data yang tersedia secara publik
• Periode pengambilan sampel mencakup kondisi pasar yang beragam, termasuk pandemi

7. Kesimpulan

Paper ini mendemonstrasikan bahwa premium VWAP sesi non-reguler terhadap sesi reguler merupakan sinyal yang powerful untuk deteksi aktivitas institusional di BEI. Dengan presisi 80,2% pada threshold 0,40, model ini menawarkan practical utility yang signifikan untuk trader institusional, regulator, dan peneliti.

Penelitian selanjutnya sebaiknya mengeksplorasi: (1) validasi lintas-pasar di negara ASEAN lainnya, (2) integrasi dengan data order book level jika tersedia, (3) pengembangan model real-time untuk sistem perdagangan aktif, dan (4) analisis dampak regulasi terhadap efektivitas sinyal.