Bagaimana volatilitas USD CNH dapat diukur?

Definisikan volatilitas sebelum mengukurnya

Volatilitas berarti seberapa besar nilai tukar mata uang cenderung bervariasi dari waktu ke waktu. Secara praktis, hal ini biasanya dinyatakan dari perubahan harga daripada tingkat harga itu sendiri. Untuk kuotasi USD/CNH, Anda mengukur volatilitas dengan mengonversi nilai tukar yang diamati menjadi return (misalnya, seberapa besar perubahan nilai tukar dari satu timestamp ke timestamp berikutnya), lalu merangkum seberapa bervariasi return tersebut.

Poin kuncinya adalah memisahkan mekanisme yang stabil dari kondisi yang bervariasi:

• Mekanisme: matematika yang mengubah deret waktu menjadi statistik volatilitas.
• Kondisi: data apa yang Anda gunakan, seberapa sering Anda mengambil sampel, dan bagaimana biaya transaksi atau kendala eksekusi dapat memengaruhi apa yang Anda alami.

Pilih metode pengukuran (dan buat asumsi menjadi eksplisit)

Pengukuran volatilitas yang umum berbagi gagasan menggunakan return, tetapi mereka berbeda dalam cara mendefinisikan return dan menggabungkannya.

1) Deviasi standar (sampel) historis dari return

• Asumsi: Anda memiliki urutan nilai tukar yang diambil sampelnya pada interval tetap (misalnya, setiap jam).
• Contoh definisi return: return sederhana r_t = (P_t − P_{t−1}) / P_{t−1}, atau return log r_t = ln(P_t / P_{t−1}).
• Estimasi volatilitas: deviasi standar dari r_t selama window yang dipilih, seperti N observasi terakhir.

Jika Anda menyajikan sebuah angka, tentukan interval dan panjang window karena volatilitas bukanlah konstanta universal tunggal. Estimasi 1 minggu dan estimasi 1 hari dapat berbeda secara material bahkan jika pasar tidak berubah.

2) Volatilitas bergulir (estimasi yang bervariasi terhadap waktu) Pasar sering berubah rezim. Pendekatan bergulir mengukur volatilitas secara berulang: hitung deviasi standar return di dalam window yang bergerak (misalnya, N jam terakhir) dan geser ke depan.

• Secara mekanis, ini adalah konsep deviasi standar yang sama, tetapi keluarannya menjadi deret waktu volatilitas.

3) Volatilitas terealisasi dari data frekuensi tinggi Dengan observasi yang lebih sering, Anda dapat memperkirakan bagaimana variasi terakumulasi dalam satu hari. Rumus pastinya bergantung pada definisi return dan skema pengambilan sampel.

• Asumsi: Anda dapat mengambil sampel harga secara konsisten.
• Keterbatasan: frekuensi yang lebih tinggi dapat meningkatkan dampak noise mikro-struktur (artefak skala kecil dalam data kuotasi).

4) Estimasi bergerak dengan pembobotan eksponensial (peluruhan) Pilihan lain adalah membobotkan return terbaru lebih berat daripada yang lebih lama. Ini dapat membuat estimasi merespons lebih cepat terhadap kondisi yang berubah.

• Asumsi: “yang terbaru lebih penting” adalah pilihan pemodelan yang disengaja.
• Keterbatasan: hasilnya bisa menjadi sensitif terhadap tingkat peluruhan yang dipilih.

Contoh pengerjaan menggunakan rumus umum (tanpa asumsi harga langsung)

Misalkan Anda memiliki observasi nilai tukar P_0, P_1, …, P_N pada langkah waktu yang sama. Pilih definisi return, seperti return log:

• r_t = ln(P_t / P_{t−1}) untuk t = 1…N

Kemudian estimasi volatilitas sebagai deviasi standar sampel dari {r_1,…,r_N}:

• s = sqrt( (1/(N−1)) * Σ_{t=1..N} (r_t − mean(r))^2 )

Apa yang harus Anda nyatakan di awal:

• Frekuensi pengambilan sampel: apakah P_t per jam, harian, atau lainnya?
• Ukuran window: N apa yang Anda gunakan?
• Jenis return: log vs sederhana.

Dampak material dari pilihan-pilihan ini:

• Jika Anda mengubah frekuensi pengambilan sampel, urutan return berubah dan begitu juga deviasi standarnya.
• Jika Anda beralih dari return sederhana ke return log, nilai numeriknya dapat bergeser (terutama ketika pergerakannya besar).

Dalam skenario yang realistis, Anda dapat membandingkan dua window (misalnya, 30 hari vs 90 hari). Window yang lebih panjang biasanya memperhalus lonjakan jangka pendek, sementara window yang lebih pendek bereaksi lebih cepat.

Keterbatasan, mode kegagalan, dan apa yang bisa salah

Bahkan jika matematikanya benar, pengukuran volatilitas dapat menyesatkan jika asumsi tidak sesuai dengan kenyataan.

1) Masalah data dan pengambilan sampel

• Observasi yang hilang atau timestamp yang tidak teratur merusak asumsi “interval yang sama”.
• Outlier (lonjakan langka karena kesalahan data atau cetakan yang tidak biasa) dapat meningkatkan deviasi standar.

2) Efek non-perdagangan dan struktur pasar Kondisi kuotasi dan likuiditas FX bervariasi sepanjang waktu. Jika pengambilan sampel menangkap periode dengan kedalaman pasar yang berbeda, variasi yang terealisasi dapat mencerminkan kondisi perdagangan daripada pergerakan nilai tukar yang mendasarinya.

3) Efek biaya dan eksekusi tidak disertakan secara otomatis Volatilitas yang dihitung dari kurs tengah pasar tidak secara otomatis menangkap efek spread, slippage, atau eksekusi order. Jika Anda kemudian mencoba menghubungkan volatilitas dengan pengalaman trading, ketidaksesuaiannya bisa signifikan.