Jawaban langsung
Volatilitas dalam “perubahan korelasi” berarti seberapa besar estimasi korelasi antara dua deret imbal hasil (return) berubah dari waktu ke waktu. Anda dapat mengukurnya dengan menghitung estimasi korelasi berulang (misalnya, pada jendela waktu bergulir atau melebar) lalu merangkum bagaimana estimasi tersebut berfluktuasi (misalnya, menggunakan ukuran dispersi atau besarnya perubahan yang bersifat seperti peristiwa). Ini mengukur variasi pada estimasi, bukan pergerakan bersama di masa depan.
Mekanisme dan definisi
-
Pilih deret dan definisi return. Korelasi biasanya dihitung pada return (misalnya, log returns atau simple returns) bukan pada harga mentah. Anda harus menyatakan apa yang dimaksud dengan “return” dalam perhitungan Anda (frekuensi, gaya pengompaunan/compounding).
-
Hitung korelasi berulang menggunakan jendela waktu. Pilih panjang jendela W (jumlah observasi). Untuk setiap jendela yang berakhir pada waktu t, hitung estimasi korelasi, seperti korelasi Pearson, antara deret A dan B di dalam jendela tersebut.
- Rolling window: korelasi pada waktu t menggunakan observasi dari (t−W+1) hingga t.
- Expanding window: korelasi pada waktu t menggunakan semua observasi hingga t.
- Ubah deret waktu estimasi korelasi menjadi ukuran volatilitas. Pilihan umum:
- Berbasis dispersi: hitung simpangan baku dari estimasi korelasi di seluruh jendela.
- Berbasis perubahan: hitung selisih absolut atau kuadrat antara estimasi korelasi yang berurutan, lalu rangkum selisih tersebut.
Pendekatan sederhana adalah mendefinisikan urutan korelasi (\hat\rho_t) (satu per jendela) dan mengukur volatilitas sebagai:
- (\text{SD}(\hat\rho_t)), atau
- (\text{Mean}(|\hat\rho_t - \hat\rho_{t-1}|)).
Pilihan-pilihan ini menjawab pertanyaan yang sedikit berbeda: ukuran dispersi mengukur variasi secara keseluruhan, sedangkan ukuran berbasis perubahan mengukur seberapa tajam estimasi bergerak.
Bukti atau contoh pengerjaan (dengan asumsi)
Asumsikan Anda memiliki dua deret return pada frekuensi harian: (r^A_t) dan (r^B_t). Anda memilih:
- panjang jendela W = 60 hari perdagangan,
- korelasi Pearson per jendela,
- jendela bergulir (rolling windows).
Untuk setiap hari t mulai dari observasi ke-60, hitung (\hat\rho_t). Lalu hitung (\text{SD}(\hat\rho_t)) di seluruh kumpulan jendela yang tersedia, yang menghasilkan satu angka yang mewakili seberapa besar estimasi korelasi berfluktuasi.
Jika sebagai gantinya Anda menghitung (\text{Mean}(|\hat\rho_t - \hat\rho_{t-1}|)), Anda mendapatkan ukuran “perubahan langkah” yang khas. Jika urutan korelasi kadang bergerak dengan halus, dispersi mungkin moderat; jika ia meloncat antar rezim, ukuran berbasis perubahan bisa lebih tinggi.
Keterbatasan dan risiko (mode kegagalan yang material)
-
Noise estimator meningkat ketika korelasi diestimasi dengan buruk. Dengan jendela yang pendek, estimasi korelasi dapat berayun karena variabilitas sampling, bukan karena perubahan hubungan yang nyata.
-
Nonstationarity dan perubahan rezim. Korelasi bisa benar-benar berubah ketika kondisi pasar bergeser. Namun, perubahan yang sama yang teramati juga bisa dipicu oleh volatility clustering, guncangan mendadak, atau perubahan komposisi partisipan.
-
Sensitivitas terhadap panjang jendela. Ukuran volatilitas Anda bergantung pada W. Jendela yang lebih panjang mungkin menghaluskan perubahan yang nyata; jendela yang lebih pendek mungkin menganggap noise sebagai perubahan.
-
Outliers dan heavy tails. Deret return dapat memiliki nilai ekstrem. Korelasi Pearson sensitif terhadap outliers; beberapa hari yang tidak biasa dapat menggeser (\hat\rho_t) secara besar.
-
Masalah data. Observasi yang hilang, jam perdagangan yang berbeda, dan penanganan akhir pekan/libur yang tidak konsisten dapat mendistorsi estimasi korelasi.
Verifikasi dan pertanyaan berikutnya
Untuk memverifikasi secara independen bahwa pengukuran “volatilitas korelasi” Anda bermakna, uji sensitivitas alih-alih mempercayai satu angka saja:
- Bandingkan hasil di bawah panjang jendela yang berbeda (misalnya, W dan 2W).
- Bandingkan metrik berbasis dispersi dan berbasis perubahan; keduanya seharusnya menceritakan kisah yang konsisten tentang variabilitas.
- Periksa ketahanan terhadap outliers (misalnya, dengan menggunakan metode korelasi yang kurang sensitif terhadap ekstrem).
Pertanyaan yang berguna berikutnya adalah: Perubahan yang terukur itu berkorespondensi dengan apa dalam waktu? Memetakan periode ketika (\hat\rho_t) bergerak besar ke karakteristik rezim pasar yang dapat diidentifikasi (tanpa mengasumsikan penyebab yang pasti) membantu membedakan perubahan hubungan yang nyata dari artefak estimasi.