Tim Cheng Tang dan timnya masuk ke dunia kuantitatif! Apakah YAND dapat memicu "revolusi paradigma" di dunia investasi?

Menulis Artikel: Catatan Pengalaman dan Refleksi

Apakah senjata matematika pemenang Fields Medal dapat mengubah algoritma inti pasar aset manajemen bernilai triliunan?

1 Pendahuluan

Musim semi 2026, sebuah berita secara diam-diam meledak di kalangan investasi kuantitatif—tokoh terkemuka di dunia matematika, pemenang Fields Medal, Qiu Cheng-Tung, secara resmi masuk ke bidang kuantitatif. Metode optimisasi baru yang dikembangkan bersama rekan-rekannya, YAND (Yau’s Affine-Normal Descent, Penurunan Normal Affine Yau), disebut oleh sebagian kalangan sebagai “serangan reduksi dimensi”, bahkan dianggap berpotensi memecahkan paradigma teknologi selama hampir 70 tahun di bidang investasi kuantitatif.

Mengapa seorang matematikawan kelas dunia yang selama ini berkutat di dunia geometri diferensial, teorema Calabi-Yau, dan teori matematika murni lainnya, tiba-tiba berinteraksi dengan investasi saham? Apa yang dilakukan YAND sehingga memicu reaksi sebesar ini? Hari ini, kita akan bahas secara mendalam melalui sebuah artikel panjang.

2 Latar Belakang Peristiwa: Bencana Dimensi Tinggi dalam Penyusunan Portofolio Investasi

Mari kita kembali ke titik awal segala sesuatu. Dalam dunia investasi kuantitatif, sebagian besar model strategi didasarkan pada kerangka “rata-rata-varians”. Teori portofolio modern yang dikembangkan oleh Harry Markowitz pada tahun 1952 ini telah menjadi arus utama. Secara sederhana, teori ini memandang imbal hasil aset sebagai “rata-rata”, dan risiko (volatilitas) sebagai “varian”, dengan tujuan utama memaksimalkan imbal hasil di bawah risiko tetap, atau meminimalkan risiko di tingkat imbal hasil tertentu.

Teori ini memang menjadi fondasi industri selama lama waktu, tetapi memiliki kelemahan fatal—hanya fokus pada imbal hasil dan fluktuasi harga (moments pertama dan kedua), sementara mengabaikan fenomena “puncak tajam dan ekor tebal” yang meluas di pasar keuangan. Secara umum, pergerakan harga saham di dunia nyata sering kali mengandung risiko ekstrem dan peristiwa black swan (moments ketiga dan keempat, skewness dan kurtosis), namun model rata-rata-varians cenderung lambat merespons saat terjadi penurunan tajam atau kenaikan ekstrem, seperti yang terjadi pada krisis keuangan 2008 dan crash pasar A-share 2015, di mana banyak strategi investasi gagal total.

Ini juga menjadi masalah jangka panjang di industri kuantitatif: secara teori, untuk menangkap risiko ekstrem secara lebih akurat, perlu diperkenalkan “moments tingkat tinggi” (skewness dan kurtosis), tetapi dalam praktik, menghadapi ribuan saham dalam skala besar, perhitungan tradisional akan mengalami “bencana dimensi”. Perhitungan membutuhkan tensor tingkat tinggi yang sangat besar (skewness dan kurtosis bersama), dengan kebutuhan daya komputasi yang meningkat secara eksponensial, sehingga perangkat keras biasa bahkan komputer besar pun tidak mampu menyelesaikan secara efisien dalam waktu singkat. Kehadiran YAND adalah jawaban untuk mengatasi masalah yang sudah berlangsung selama 70 tahun ini.

3 Asal Usul Makalah

Penelitian akademik terbaru dari tim Qiu Cheng-Tung menunjukkan fokus pada optimisasi portofolio kuantitatif.

Pada 28 April 2026, tim Qiu Cheng-Tung menerbitkan makalah berjudul “Yau’s Affine-Normal Descent for Large-Scale Unrestricted Higher-Moment Portfolio Optimization”, dengan nomor arXiv:2604.25378, diklasifikasikan di kategori keuangan kuantitatif (q-fin). Penulisnya ada empat: Ya-Juan Wang, Yi-Shuai Niu, Artan Sheshmani, dan tokoh utama, Shing-Tung Yau (Qiu Cheng-Tung). Ini adalah fondasi utama dari penelitian ini. Selain itu, mereka juga menerbitkan makalah teoritis terkait berjudul “Yau’s Affine Normal Descent: Algorithmic Framework and Convergence Analysis”, nomor arXiv:2603.28448. Makalah ini tidak terbatas pada konteks investasi, melainkan dari sudut pandang matematika murni dan optimisasi algoritma, membahas berbagai sifat YAND. Di platform indeksasi akademik seperti Semantic Scholar, juga terindeks makalah terkait lain berjudul “Affine Normal Directions via Log-Determinant Geometry: Scalable Computation under Sparse Polynomial Structure”, dengan Corpus ID: 287023415.

Lalu, apa sebenarnya rahasia di balik YAND?

4 Inti Teknologi YAND: Kekuatan Geometri

Untuk memahami YAND secara mendalam, kita perlu sementara waktu meninggalkan istilah saham dan masuk ke konsep matematika murni—arah normal affine (affine-normal direction). Saya akan berusaha menjelaskan konsep ini secara sederhana. Bayangkan sebuah analogi yang hidup:

Kamu sedang mendaki di hutan, kabut tebal menutupi puncak gunung, dan kamu ingin menapaki jalur tercepat. Metode tradisional (seperti metode gradien tercepat) hanya mengikuti “arah kemiringan terbesar di depan mata”. Tapi pendekatan ini sering kali berbelok jauh dan tidak efisien saat menghadapi bentuk gunung yang tidak beraturan atau kondisi ruang yang terdistorsi (dikenal sebagai “kondisi numerik buruk” dalam matematika). YAND, sebaliknya, memungkinkanmu bergerak langsung ke arah “normal affine” yang mempertahankan volume, dalam kerangka geometri yang benar, sehingga mendaki tidak lagi terhambat oleh medan yang tidak beraturan.

Ini adalah keunggulan utama YAND secara matematis: arah normal affine memiliki sifat geometris penting—ia tetap invariant di bawah transformasi affine yang mempertahankan volume. Dengan kata lain, tidak peduli seberapa banyak kita meregangkan atau menekan sistem koordinat, algoritma YAND tidak akan kehilangan arah, selalu mampu mendekati solusi optimal secara stabil. Karena sifat geometri global ini, YAND secara ajaib mampu menghindari hambatan utama perhitungan moments tingkat tinggi yang sangat kompleks. Makalah menyatakan: “Algoritma ini mengikuti arah normal affine dari level set saat ini, sekaligus langsung memproses matriks imbal hasil. Metode ini menghindari tensor tingkat tinggi secara eksplisit, dan memanfaatkan struktur kuartik untuk prediksi sampel, evaluasi turunan, dan pencarian garis yang presisi.” Dengan demikian, perhitungan tensor tiga dimensi yang besar dan rumit dapat disederhanakan menjadi solusi matriks berukuran kecil dan efisien.

5 Pengujian Empiris: Angka Tidak Berbohong

Bagi para investor dan praktisi kuantitatif, teori yang indah harus dibuktikan dengan nilai ekonomi nyata. Tim YAND menyediakan data backtest yang sangat konkret. Dalam makalahnya, mereka menggunakan lingkungan eksperimen yang sangat kuat:

Data mencakup 5.440 saham A-share, dengan data high-frequency 5 menit berupa panel candlestick.

Jumlah ini sangat mengesankan. Dalam pandangan industri, total saham di pasar A-share sekitar 5.000-an, sehingga makalah YAND secara efektif melakukan optimisasi portofolio seluruh pasar A-share—sesuatu yang selama ini jarang dilakukan oleh algoritma lain. Hasil backtest menunjukkan:

Metode ini dapat langsung dibandingkan dengan portofolio optimal rata-rata-varians lengkap pasar, dan dalam periode pengujian utama, nilai tambah dari moments tingkat tinggi paling terlihat pada target imbal hasil yang moderat.

Dalam bahasa investasi, ini berarti YAND tidak hanya mampu menghasilkan solusi optimal pasar secara keseluruhan, tetapi juga, dalam aset konservatif seperti saham indeks besar, model tradisional sering kali tidak mampu memanfaatkan keunggulan moments tingkat tinggi. Sebaliknya, YAND mampu mengeksploitasi potensi kelebihan imbal hasil dari skewness dan kurtosis dalam target imbal hasil yang moderat.

6 Gegeran Industri: Revolusi Paradigma atau Hype Media?

Dalam 24 jam setelah makalah diunggah ke arXiv, banyak praktisi dan penggemar kuantitatif mulai membahas makna sebenarnya dari YAND. Ada yang bahkan menyebut “tim Qiu Cheng-Tung membalikkan model lama selama 70 tahun”. Tapi, di balik sorak sorai itu, ada juga kritik dan skeptisisme. Artikel populer di Zhihu berjudul “YAND-MVSK tanpa moments tingkat tinggi, seperti Engram tanpa memori” mengajukan tiga keraguan utama:

Stabilitas moments tingkat tinggi: “Optimisasi rata-rata-varians sudah dijuluki sebagai ‘penghancur kesalahan’, dan makalah ini malah mencoba memodelkan moments ketiga dan keempat?… Kurtosis yang dihitung dari data historis 90% adalah noise acak.”

Ketidaksesuaian sinyal dan durasi posisi: “Makalah ini menggunakan data high-frequency 5 menit untuk menangkap skewness harga, tapi dalam backtest, posisi tidak diubah selama satu setengah tahun—seperti menggunakan radar untuk mendeteksi lubang di depan, lalu menekan pedal gas 100 km/jam tanpa pengendalian.”

Masalah benchmark empiris: “YAND mengalahkan hanya benchmark ‘rata-rata-varians tepat’, yang sendiri bukan standar industri utama. Saat ini, model seperti Risk Parity dari Bridgewater lebih dianggap sebagai standar keras.”

Setidaknya untuk saat ini, semua ini masih jauh dari penerapan nyata secara besar-besaran. Makalah YAND baru diunggah ke arXiv pada April 2026, dan meskipun hasil akademiknya menjanjikan, penerapan langsung dalam trading kuantitatif skala besar masih harus menyelesaikan tantangan biaya transaksi, dampak likuiditas, dan ketahanan terhadap kondisi pasar ekstrem. Banyak tim trading profesional cenderung berhati-hati dan menunggu bukti lebih lanjut sebelum mengganti sistem utama mereka.

7 Persimpangan Matematika dan Manajemen Aset

Tanpa mengabaikan kontroversi, peristiwa ini memiliki makna yang lebih dalam—matematikawan top dunia secara resmi masuk ke inti algoritma pengelolaan aset keuangan. Identitas akademik Qiu Cheng-Tung memberi makna khusus pada peristiwa ini. Lahir di Shantou, Guangdong, pada 1949, dan saat ini profesor di Harvard University, Qiu Cheng-Tung adalah anggota National Academy of Sciences AS dan pemenang Fields Medal tahun 1982. Ia telah membuat kontribusi inovatif dalam geometri diferensial, termasuk membuktikan teorema Calabi-Yau dan teorema massa positif.

Seorang ilmuwan besar seperti dia secara teori bisa saja menghabiskan seluruh hidupnya di dunia matematika murni. Tapi selama beberapa dekade terakhir, ia semakin menekankan aplikasi matematika di bidang lain. Ia pernah menyatakan secara terbuka: “Salah satu keajaiban matematika adalah kemampuannya menerapkan teori matematika murni seperti analisis geometri ke inti perdagangan kuantitatif modern.” Dengan kata lain, keikutsertaan Qiu Cheng-Tung bukan sekadar “pindah bidang secara mendadak”, melainkan sebuah eksplorasi dari ilmuwan top untuk menerapkan alat matematika baru ke dunia nyata.

Hal penting lain yang saya lihat adalah, penulis kedua dan ketiga dari makalah YAND juga mewakili kekuatan baru dalam matematika terapan di China. Misalnya, Artan Sheshmani adalah profesor di Harvard CMSA dan juga di Beijing Yanshi Lake Applied Mathematics Research Institute, dengan fokus riset di bidang geometri aljabar, teori string, dan enumerative geometry. Yi-Shuai Niu adalah associate professor di Beijing Yanshi Lake Applied Mathematics Research Institute (BIMSA), yang mengkhususkan diri dalam optimisasi, komputasi berkinerja tinggi, dan machine learning. Partisipasi mereka menunjukkan bahwa matematika terapan sudah mampu menyatu secara mulus dengan kebutuhan investasi dan pengelolaan risiko.

8 Ramalan Masa Depan

Lalu, apa dampak YAND terhadap industri investasi kuantitatif di masa depan? Saya cenderung menjawab dengan kerangka analisis yang hati-hati: dari segi jangka pendek, YAND belum akan langsung menggantikan seluruh tim hedge fund atau manajer kuantitatif publik. Bukan hanya karena “ambang teori yang tinggi”. Keberhasilan strategi kuantitatif bergantung pada tiga hal: kemampuan akses data, ketepatan perhitungan, dan pengendalian biaya/risk. YAND hanyalah salah satu dari aspek tersebut. Selain itu, makalah dan media teknologi mengakui bahwa optimisasi komputasi YAND lebih menonjol dalam perhitungan moments tingkat tinggi secara besar-besaran, tetapi dalam praktik nyata, di mana strategi harus dijalankan dalam hitungan menit setelah pasar tutup, apakah YAND mampu secara konsisten mengalahkan basis data industri yang sudah mapan, masih perlu dibuktikan oleh pihak ketiga.

Namun, dari perspektif jangka panjang, YAND membuka pintu bagi paradigma optimisasi baru. Karena arah normal affine memiliki ketahanan terhadap titik stasioner lokal yang tidak meminimalkan global dan terhadap transformasi yang buruk secara numerik, ini adalah teknologi inti yang selama ini belum pernah dieksplorasi secara sistematis dan diadaptasi ke dunia investasi. Beberapa lembaga riset sudah melihat potensi aplikasi YAND—misalnya, pengendalian risiko high-frequency trading dan tail hedging, peningkatan stabilitas dalam alokasi indeks besar saat melakukan rotasi industri, serta pengaturan portofolio makro multi-asset di bawah distribusi non-Gaussian.

Selain itu, saya berpendapat bahwa makna YAND mungkin tidak terbatas pada dunia kuantitatif saja. Pendekatan “mengaplikasikan geometri diferensial murni ke masalah kontrol optimal” yang ditunjukkan dalam makalah ini dapat diperluas ke bidang lain seperti machine learning, sistem pengambilan keputusan otomatis, dan bioinformatika, memicu inovasi lintas disiplin yang lebih luas.

9 Pandangan Rasional terhadap Upaya Mengatasi Masalah Dimensi Tinggi dengan “Serangan Reduksi Dimensi”

Mungkin kita tidak perlu memandang hasil tim Qiu Cheng-Tung secara “sepenuhnya dewa” atau “sepenuhnya skeptis”. Pendekatan yang lebih rasional adalah: YAND adalah tombak elegan dari dunia matematika yang diberikan kepada keuangan kuantitatif, tetapi perdagangan kuantitatif tetaplah sebuah perang multidimensi. Bukti empiris yang mengesankan memang ada, tetapi pasar nyata menghadapi banyak gangguan seperti biaya transaksi, dampak pasar, slippage, struktur mikro pasar, dan likuiditas di dark pool. Selain itu, hasil backtest tidak otomatis mencerminkan hasil investasi nyata. Oleh karena itu, banyak profesional sudah menyatakan bahwa—“YAND baru diunggah ke arXiv pada April 2026, dan meskipun hasilnya menjanjikan, verifikasi skala besar dan pengujian ketahanan jangka panjang masih diperlukan. Pada akhirnya, inti dari industri kuantitatif adalah kemampuan implementasi di dunia nyata.”

Satu hal lagi yang patut diperhatikan adalah contoh dari dunia matematika dan keuangan di Amerika Serikat, yaitu James Simons. Ia adalah matematikawan hebat yang beralih ke dunia keuangan dan mendirikan Renaissance Technologies, yang mampu meraih keuntungan konsisten selama 30 tahun melalui strategi kuantitatif—sering disebut sebagai “wujud matematika yang dimonetisasi”. Jadi, kehadiran Qiu Cheng-Tung di dunia kuantitatif mungkin masih akan menjadi kisah epik atau hanya eksperimen, baru bisa dipastikan dalam lima atau sepuluh tahun ke depan. Tapi satu hal yang pasti: setiap langkah lintas disiplin dari ilmuwan top selalu secara tidak langsung mendorong batas pengetahuan manusia ke depan sedikit demi sedikit.

10 Ringkasan Referensi

Berikut daftar sumber utama dan referensi yang dapat dieksplorasi lebih jauh:

Referensi 1 (Bidang investasi kuantitatif):

Judul: Yau’s Affine-Normal Descent for Large-Scale Unrestricted Higher-Moment Portfolio Optimization

Penulis: Ya-Juan Wang, Yi-Shuai Niu, Artan Sheshmani, Shing-Tung Yau

Nomor: arXiv:2604.25378 (q-fin, dirilis 28 April 2026)

DOI/EPRINT: https://arxiv.org/abs/2604.25378

Referensi 2 (Bidang kerangka optimisasi geometris):

Judul: Yau’s Affine Normal Descent: Algorithmic Framework and Convergence Analysis

Penulis: Yi-Shuai Niu, Artan Sheshmani, Shing-Tung Yau

Nomor: arXiv:2603.28448

Sumber: arxiv.org/abs/2603.28448

Makalah terkait lainnya:

Semantic Scholar mengindeks makalah “Affine Normal Directions via Log-Determinant Geometry: Scalable Computation under Sparse Polynomial Structure”, penulis Yi-Shuai Niu, Artan Sheshmani, S.-T Yau, Corpus ID: 287023415, 2026

Latar Belakang dan Interpretasi dalam Bahasa Mandarin:

Zhihu kolom “Qiu Cheng-Tung masuk ke dunia kuantitatif, akankah paradigma lama tereduksi?” 30 April 2026

Zhihu kolom “YAND-MVSK tanpa moments tingkat tinggi, seperti Engram tanpa memori” 1 Mei 2026

Catatan: Pasar keuangan memiliki risiko, investasi harus dilakukan dengan sangat hati-hati. Artikel ini dan metode YAND masih berada dalam tahap empirisme akademik dan tidak merupakan saran investasi apa pun.