Definisi dan gagasan inti
Korelasi positif berarti bahwa dua variabel cenderung bergerak ke arah yang sama selama periode yang sedang diteliti. Dalam keuangan, variabel tersebut sering kali adalah returns (seberapa besar perubahan nilai tukar) dibandingkan level harga mentah. Korelasi positif tidak berarti satu variabel menyebabkan variabel lainnya; korelasi hanya menggambarkan pergerakan bersama berdasarkan persiapan data dan jendela waktu yang dipilih.
Untuk “menilai” korelasi positif, Anda perlu informasi yang cukup untuk (1) mereproduksi transformasi data dan (2) menghitung statistik korelasi yang Anda pilih. Anda juga perlu mendokumentasikan asumsi yang memengaruhi hasil.
Data yang Anda butuhkan: apa yang harus dikumpulkan
1) Dua time series (atau lebih)
Anda memerlukan nilai historis untuk dua variabel yang ingin Anda bandingkan. Dalam konteks mata uang, ini biasanya berarti dua seri nilai tukar atau, lebih umum, dua seri returns yang diturunkan darinya.
Pilihan material: tentukan apakah Anda membandingkan:
- Returns yang dihitung dari setiap nilai tukar (umum), atau
- Level secara langsung (kurang stabil, sering kali lebih menyesatkan).
Jika tujuan Anda adalah “korelasi positif” seperti yang lazim digunakan dalam pembahasan risiko, returns biasanya merupakan input yang lebih mudah diinterpretasikan karena level nilai tukar dapat bergeser meskipun pergerakan bersama lemah.
2) Frekuensi sampling dan timestamp yang konsisten
Anda perlu frekuensi yang tepat (misalnya, per jam, harian, atau interval lain) dan konvensi timestamp yang konsisten. Sampling yang tidak serasi dapat menciptakan korelasi artifisial atau menghapus pergerakan bersama yang nyata.
Catat asumsi seperti:
- Penanganan time zone (bagaimana timestamp diartikan)
- Apakah Anda menyelaraskan berdasarkan waktu jam atau waktu penutupan bar
- Bagaimana akhir pekan/libur atau jeda non-perdagangan diperlakukan
3) Jendela perhitungan
Korelasi bergantung pada interval waktu. Anda perlu:
- Tanggal mulai dan akhir
- Ukuran jendela bergulir atau jendela tetap (jika Anda mengulang perhitungan)
Dokumentasikan apakah Anda menggunakan satu jendela untuk satu estimasi, atau beberapa jendela untuk uji stabilitas.
4) Definisi return (asumsi untuk setiap perhitungan)
Pilih rumus return dan nyatakan. Opsi umum meliputi:
- Simple returns (perubahan persentase)
- Log returns (log natural dari rasio)
Selain itu, tentukan apakah Anda menggunakan seri mentah atau seri yang disesuaikan (misalnya, aksi korporasi biasanya tidak relevan untuk nilai tukar, tetapi vendor data dapat menerapkan pemrosesan).
Asal-usul dan ketepatan waktu: dari mana data harus berasal
5) Sumber data dan metode
Gunakan satu sumber yang terdokumentasi untuk setiap time series. Asal-usul berarti Anda dapat menjawab:
- Siapa yang menghasilkan data?
- Bagaimana data diukur atau diagregasi?
- Identitas seri apa yang digunakan?
Jika seri berasal dari penyedia yang berbeda, pastikan definisinya (waktu penetapan harga, konvensi, dan transformasi) sama; jika tidak, korelasi dapat mencerminkan penanganan data yang tidak konsisten.
6) Ketepatan waktu dan reprodusibilitas
Karena analisis historis bersifat retrospektif, “ketepatan waktu” sebagian besar berarti reprodusibilitas: Anda harus menyimpan snapshot dataset (atau setidaknya tanggal ekstraksi dan metode pengambilan data yang tepat). Untuk verifikasi independen, pihak lain harus dapat menjalankan ulang langkah yang sama.
Pemeriksaan kualitas: memverifikasi data sebelum menghitung korelasi
7) Nilai yang hilang dan pilihan pembersihan data
Korelasi sensitif terhadap celah dan penanganan outlier. Anda perlu mencatat:
- Bagaimana observasi yang hilang diperlakukan (dibuang, diisi, atau diinterpolasi)
- Penanganan outlier (apakah Anda winsorize, menghapus titik, atau menyimpan semuanya)
Hati-hati: beberapa pembersihan dapat secara artifisial meningkatkan korelasi dengan menghapus periode ketika pergerakan bersama terputus.
8) Stasioneritas dan perubahan rezim (keterbatasan material)
Korelasi tidak dijamin stabil. Hubungan mata uang dapat berubah di berbagai rezim volatilitas, peristiwa makro, atau pergeseran struktur pasar. Hasil yang terlihat “positif” pada satu periode dapat melemah atau berbalik pada periode lain.
Ini adalah mode kegagalan yang penting: satu angka korelasi bisa jadi hanya snapshot, bukan sifat yang tahan lama.
9) Data yang tidak sinkron (keterbatasan lain)
Jika satu seri secara efektif “merespons” lebih awal atau lebih lambat daripada seri lainnya, korelasi sederhana pada timestamp yang disejajarkan dapat meremehkan atau salah menggambarkan pergerakan bersama. Nilailah apakah asumsi sinkronisasi masuk akal untuk frekuensi sampling yang Anda pilih.
Bukti dan contoh: cara menghitung korelasi dari data yang diperlukan
Prosedur yang dapat direproduksi memerlukan input dan keputusan berikut:
- Dua seri nilai tukar untuk tanggal yang sama dan frekuensi sampling yang sama.
- Definisi return (simple atau log) yang diterapkan identik pada keduanya.
- Sebuah jendela (tanggal mulai/akhir) dan aturan untuk data yang hilang.
- Sebuah metode korelasi.
Metode korelasi yang umum mencakup korelasi Pearson (pergerakan bersama linear) atau alternatif berbasis peringkat (pergerakan bersama dalam urutan).