Mengukur Volatilitas dalam Perubahan Korelasi (dan Mengapa Itu Sulit)

Jawaban langsung

Volatilitas dalam “perubahan korelasi” berarti seberapa besar estimasi korelasi antara dua rangkaian return bervariasi seiring waktu. Anda dapat mengukurnya dengan menghitung estimasi korelasi secara berulang (misalnya, dalam jendela waktu bergulir atau berkembang) dan kemudian merangkum bagaimana estimasi tersebut berfluktuasi (misalnya, menggunakan ukuran dispersi atau besaran perubahan seperti peristiwa). Ini mengukur variasi dalam estimasi, bukan pergerakan bersama di masa depan.

Mekanisme dan definisi

1. Pilih rangkaian dan definisi return. Korelasi biasanya dihitung pada return (misalnya, log return atau return sederhana) daripada harga mentah. Anda harus menyatakan apa arti “return” dalam perhitungan Anda (frekuensi, gaya pemajemukan).

2. Hitung korelasi secara 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 rangkaian A dan B dalam jendela tersebut.

• Jendela bergulir: korelasi pada waktu t menggunakan observasi dari (t−W+1) hingga t.
• Jendela berkembang: korelasi pada waktu t menggunakan semua observasi hingga t.

3. Ubah rangkaian waktu estimasi korelasi menjadi ukuran volatilitas. Pilihan umum:

• Berbasis dispersi: hitung deviasi standar 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 rangkaian 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: dispersi mengukur variabilitas keseluruhan, sementara berbasis perubahan mengukur seberapa tajam estimasi bergerak.

Bukti atau contoh kerja (dengan asumsi)

Asumsikan Anda memiliki dua rangkaian 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.

Untuk setiap hari t mulai dari observasi ke-60, hitung (\hat\rho_t). Anda kemudian menghitung (\text{SD}(\hat\rho_t)) di seluruh kumpulan jendela yang tersedia, yang menghasilkan satu angka yang mewakili seberapa banyak estimasi korelasi berfluktuasi.

Jika Anda malah menghitung (\text{Mean}(|\hat\rho_t - \hat\rho_{t-1}|)), Anda mendapatkan ukuran “perubahan langkah tipikal”. Jika rangkaian korelasi terkadang bergerak mulus, dispersi mungkin moderat; jika melompat antar rezim, ukuran berbasis perubahan bisa lebih tinggi.

Keterbatasan dan risiko (mode kegagalan material)

1. Noise estimator meningkat ketika korelasi diperkirakan dengan buruk. Dengan jendela pendek, estimasi korelasi dapat berayun karena variabilitas pengambilan sampel daripada perubahan hubungan yang nyata.

2. Nonstasioneritas dan perubahan rezim. Korelasi dapat berubah secara nyata ketika kondisi pasar bergeser. Namun, perubahan yang diamati sama juga dapat didorong oleh pengelompokan volatilitas, guncangan mendadak, atau perubahan campuran partisipan.

3. Sensitivitas panjang jendela. Ukuran volatilitas Anda bergantung pada W. Jendela yang lebih panjang dapat menghaluskan perubahan nyata; jendela yang lebih pendek dapat memperlakukan noise sebagai perubahan.

4. Pencilan dan ekor tebal. Rangkaian return dapat memiliki nilai ekstrem. Korelasi Pearson sensitif terhadap pencilan; beberapa hari atipikal dapat menggerakkan (\hat\rho_t) banyak.

5. Masalah data. Observasi yang hilang, jam perdagangan yang berbeda, dan penanganan akhir pekan/hari libur yang tidak konsisten dapat mendistorsi estimasi korelasi.

Verifikasi dan pertanyaan berikutnya

Untuk memverifikasi secara independen bahwa pengukuran “volatilitas korelasi” Anda bermakna, uji sensitivitas daripada mempercayai satu angka:

• Bandingkan hasil di bawah panjang jendela yang berbeda (misalnya, W dan 2W).
• Bandingkan metrik berbasis dispersi dan berbasis perubahan; keduanya harus menceritakan kisah yang konsisten tentang variabilitas.
• Periksa ketahanan terhadap pencilan (misalnya, dengan menggunakan metode korelasi yang kurang sensitif terhadap nilai ekstrem).

Selanjutnya, pertanyaan yang berguna adalah: Apa yang sesuai dengan perubahan terukur dalam waktu? Memetakan periode pergerakan (\hat\rho_t) besar ke karakteristik rezim pasar yang dapat diidentifikasi (tanpa mengasumsikan penyebab yang dijamin) membantu membedakan perubahan hubungan nyata dari artefak estimasi.