Jawaban langsung
Perubahan Korelasi mengacu pada cara hubungan terukur antara dua returns mata uang dapat berubah seiring waktu. Timeframe memengaruhi hal ini karena Anda tidak mengukur satu sifat tetap; Anda mengestimasi ketergantungan dari sebuah potongan data. Ubah observation window (seberapa jauh ke belakang Anda melihat) atau holding period (rentang waktu yang Anda agregasikan menjadi returns), dan korelasi yang diestimasi dapat bergerak.
Mekanisme dan definisi
Mulailah dengan dua time series harga untuk dua pair mata uang (atau dua instrumen yang dapat diperdagangkan apa pun). Biasanya, Anda mengonversi harga menjadi returns, lalu menghitung korelasi pada returns tersebut. Korelasi menjawab pertanyaan yang spesifik: seberapa konsisten kedua deret returns bergerak bersama di dalam window yang dipilih, dengan definisi return tertentu (misalnya simple returns atau log returns) dan frekuensi sampling yang dipilih.
Timeframe masuk dalam dua cara:
-
Observation window (timeframe estimasi): Jika Anda menghitung korelasi menggunakan window yang lebih panjang, Anda mengaveragkan lebih banyak kondisi pasar. Jika Anda menggunakan window yang lebih pendek, Anda fokus pada kondisi yang lebih baru, sehingga estimasi dapat bereaksi lebih cepat terhadap pergeseran.
-
Holding period (timeframe agregasi): Jika Anda mengukur returns dalam interval 1 hari, Anda mendapatkan satu set titik returns. Jika, sebagai gantinya, Anda mengukur returns dalam interval 5 hari, setiap titik data adalah agregasi dari beberapa hari. Agregasi mengubah volatility clustering, perataan, dan timing dari guncangan—sehingga ketergantungan dapat terlihat lebih kuat atau lebih lemah.
Bukti atau contoh (gaya scenario-impact)
Pertimbangkan skenario di mana dua pair mata uang dipengaruhi oleh sebagian besar driver makro yang sama selama periode “normal”, tetapi saat terjadi peristiwa risk-off yang tiba-tiba keduanya menjadi terpisah.
- Jika Anda mengestimasi korelasi menggunakan window pendek yang kebetulan mencakup beberapa episode risk-off, estimasi dapat turun (atau bahkan berubah tanda) karena returns selama episode-episode tersebut berperilaku berbeda.
- Jika Anda mengestimasi korelasi menggunakan window panjang yang mencampurkan periode normal dan periode risk-off, estimasi mungkin terlihat lebih stabil, tetapi juga bisa menjadi kompromi—menyamarkan fakta bahwa hubungan bergantung pada rezim.
Sekarang ubah holding period. Holding period yang pendek dapat menangkap co-movement langsung dari fluktuasi hari-ke-hari. Holding period yang lebih panjang dapat menggabungkan fluktuasi tersebut dengan penyesuaian berikutnya, efek carry, atau reaksi yang tertunda. Returns yang ter-blend tersebut karenanya dapat menunjukkan co-movement yang berbeda dibanding returns dari interval pendek, meskipun driver yang mendasarinya sama.
Implikasi kuncinya adalah perubahan timeframe menentukan “apa yang Anda jadikan kondisi.” Korelasi bersifat kondisional pada segmen data dan agregasi return yang Anda pilih.
Keterbatasan dan risiko (mode kegagalan yang material)
-
Korelasi bukan jaminan co-movement di masa depan. Korelasi historis mencerminkan returns yang teramati di dalam window tertentu, bukan aturan yang akan bertahan.
-
Regime change dan non-stationarity: Hubungan mata uang dapat bergeser ketika struktur pasar berubah, volatilitas melonjak, atau driver risiko utama berubah. Dalam kasus itu, korelasi bisa tidak stabil di berbagai timeframe.
-
Pilihan pengukuran dan metodologi: Korelasi bergantung pada definisi return, frekuensi sampling, penanganan data yang hilang, dan apakah Anda menggunakan returns yang saling tumpang tindih (overlapping) atau tidak. Pilihan yang berbeda dapat mengubah estimasi.
-
Biaya dan friksi eksekusi: Bahkan jika dua deret menunjukkan returns yang berkorelasi, biaya transaksi dan timing eksekusi dapat mengubah hasil yang benar-benar terjadi. Korelasi returns saja tidak memperhitungkan efek-efek ini.
Verifikasi dan pertanyaan berikutnya
Untuk memverifikasi secara independen efek timeframe, gunakan metode yang transparan:
- Pilih definisi return yang konsisten.
- Hitung rolling correlations menggunakan beberapa panjang window (misalnya pendek vs panjang), lalu bandingkan bagaimana estimasinya bergerak.
- Ulangi analisis dengan holding period yang berbeda dengan mengagregasikan returns pada horizon yang berbeda.
Titik kontrol Anda: jika korelasi berubah secara material ketika Anda menyesuaikan baik observation window maupun holding period, itu adalah bukti langsung adanya sensitivitas terhadap timeframe.
Pertanyaan berikutnya yang berguna bukan “berapa korelasi saat ini,” melainkan “seberapa stabil hubungan tersebut di berbagai window dan horizon return yang masuk akal, dan apakah ia berubah di sekitar known regime shifts?”
DOCUMENT END