Jawaban langsung
Korelasi positif antara dua return mata uang tidaklah merupakan sifat tetap dari mata uang itu sendiri. Itu adalah hubungan yang terukur dan bergantung pada timeframe yang Anda gunakan untuk mengamati return, serta secara tidak langsung pada timeframe yang tersirat oleh periode tahan (holding period) Anda. Saat Anda mengubah panjang jendela observasi (misalnya menit vs hari), Anda sering kali mengubah bagian perilaku pasar yang Anda tangkap—noise, dinamika jangka pendek, atau pendorong yang bergerak lebih lambat—sehingga korelasi yang terukur dapat bergerak secara nyata.
Mekanisme dan definisi
Korelasi positif berarti bahwa, dalam periode yang didefinisikan, dua deret return cenderung bergerak ke arah yang sama lebih sering daripada kebetulan. Dalam praktiknya, “korelasi” biasanya merujuk pada koefisien korelasi yang dihitung dari return pada sampel sejumlah waktu.
Timeframe dapat memengaruhi hasil dengan dua cara utama:
- Data yang Anda masukkan (observation window): Jendela yang pendek biasanya mencakup lebih banyak perubahan harga yang mendadak dan efek sementara. Jendela yang lebih panjang mengagregasi banyak peristiwa, sehingga hubungan yang terlihat mencerminkan co-movement yang lebih persisten.
- Bagaimana Anda memodelkan return horizon: Jika holding period Anda lebih panjang, return yang relevan adalah penjumlahan (sums) dari lebih banyak interval. Bahkan jika Anda menghitung korelasi menggunakan frekuensi sampling yang sama, penggunaan return dengan horizon yang lebih panjang mengubah inputnya.
Ini adalah efek statistik yang umum: estimasi korelasi sensitif terhadap sampel yang Anda gunakan, dan hubungan return mata uang tidak dijamin stabil sepanjang waktu.
Contoh: mengubah observation window
Pertimbangkan setup yang disederhanakan dengan dua time series return, di mana kedua deret dipengaruhi oleh (a) pendorong bersama yang lebih lambat dan (b) guncangan independen yang berumur pendek.
- Observasi timeframe yang pendek: Guncangan independen merepresentasikan porsi yang lebih besar dari total variasi, sehingga meningkatkan sifat acak. Ini dapat melemahkan korelasi yang terukur atau membuatnya berbalik tanda pada beberapa jendela.
- Observasi timeframe yang panjang: Guncangan berumur pendek sebagian saling meniadakan saat return diagregasi di banyak interval, sementara pendorong bersama yang lebih lambat terus menggerakkan kedua deret bersama-sama. Korelasi positif yang terukur dapat menguat.
Namun, kebalikannya juga bisa terjadi. Jika pendorong bersama bersifat sementara atau bergantung pada rezim, memperpanjang timeframe dapat mencampur beberapa rezim dan mengurangi korelasi.
Keterbatasan dan mode kegagalan
Hal penting yang perlu diingat:
-
Non-stasioneritas (perubahan rezim): Hubungan dapat berubah dari waktu ke waktu. Timeframe yang mencakup rezim yang berbeda dapat menghasilkan korelasi “rata-rata” yang menyesatkan.
-
Dominasi noise pada horizon yang pendek: Pada interval yang sangat singkat, efek mikrostruktur dan pembaruan harga yang tidak teratur dapat menyumbang variabilitas yang cukup besar, sehingga estimasi korelasi menjadi tidak stabil.
-
Sampling yang tidak sesuai dan penanganan data: Observasi yang hilang, cakupan sesi trading yang berbeda, atau timestamp yang tidak konsisten dapat mendistorsi return dan karenanya korelasi.
-
Biaya dan friksi eksekusi (secara tidak langsung): Meskipun korelasi dihitung dari data harga, hasil nyata dari strategi apa pun bergantung pada spread, biaya, dan kualitas eksekusi. Faktor-faktor tersebut dapat mengubah bagaimana hubungan itu menjadi penting dalam praktik.
-
Korelasi historis ≠ korelasi masa depan: Bahkan jika korelasi positif muncul pada satu timeframe, itu tidak menjamin hubungan yang sama akan tetap berlaku nanti.
Verifikasi dan pertanyaan berikutnya
Cara untuk memverifikasi sensitivitas timeframe secara independen adalah dengan menghitung ulang korelasi di beberapa observation window dan horizon menggunakan aturan pembersihan data yang sama. Carilah pola seperti: korelasi menguat pada jendela yang lebih panjang, korelasi berbalik antar rezim, atau korelasi tetap konsisten positif.
Pertanyaan berikutnya yang berguna bukan hanya “Apakah korelasinya positif?” tetapi juga “Apakah korelasinya tahan terhadap timeframe dan return horizon yang masuk akal?” Jika jawabannya berubah secara substansial saat Anda mengubah timeframe, maka korelasi positif yang teramati kemungkinan besar dipicu oleh dinamika jangka pendek, bukan oleh co-movement yang stabil.