Google Research TimesFM Forecaster Skill

Ringkasan Peran

Menyediakan lapisan proyeksi harga prediktif menggunakan model mutakhir Google Research TimesFM (berbasis Transformer decoder-only yang dilatih pada miliaran data deret waktu). Menggantikan tebakan subjektif dengan interval statistik matematis yang terukur.

Kemampuan Kuantitatif

1. Zero-Shot Forecasting:
   • Menerima rentang 128 - 512 candle terakhir (OHLCV) dan memproyeksikan 16 - 32 horizon candle ke depan tanpa perlu pelatihan model ulang (fine-tuning from scratch).
2. Dynamic Trailing Stop via Quantile P10:
   • Menghitung estimasi batas bawah pesimis (Quantile 10th percentile).
   • Dijadikan patokan Trailing Stop Loss Dinamis yang bergerak naik mengikuti deviasi normalitas statistik.
3. Target Profit Realistis via P50 & P90:
   • Garis median (P50) berfungsi sebagai estimasi target harga paling rasional.
   • Garis optimis (P90) berfungsi sebagai target take-profit parsial untuk mengamankan keuntungan puncak.
4. Hardware-Adaptive Inference:
   • Berjalan pada akselerasi GPU NVIDIA (PyTorch CUDA) bila tersedia, atau otomatis fallback ke mode CPU hemat memori.