Data Apa yang Diperlukan untuk Menilai Korelasi Positif?

Definisi dan gagasan inti

Korelasi positif berarti dua variabel cenderung bergerak ke arah yang sama selama periode yang diteliti. Dalam keuangan, variabelnya sering kali berupa return (seberapa besar perubahan nilai tukar) daripada tingkat harga mentah. Korelasi positif tidak berarti satu variabel menyebabkan variabel lainnya; korelasi hanya menggambarkan pergerakan bersama di bawah persiapan data dan jendela waktu yang dipilih.

Untuk “menilai” korelasi positif, Anda memerlukan informasi yang cukup untuk (1) mereproduksi transformasi data dan (2) menghitung statistik korelasi yang Anda pilih. Anda juga perlu mendokumentasikan asumsi yang memengaruhi hasilnya.

Data yang Anda perlukan: apa yang harus dikumpulkan

1) Dua deret waktu (atau lebih)

Anda memerlukan nilai historis untuk dua variabel yang ingin Anda bandingkan. Dalam konteks mata uang, itu biasanya berarti dua deret nilai tukar atau, lebih umum, dua deret return yang diturunkan darinya.

Pilihan material: putuskan apakah Anda membandingkan:

• Return 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 umum digunakan dalam diskusi risiko, return biasanya merupakan input yang lebih mudah diinterpretasikan karena level nilai tukar dapat bergerak (drift) bahkan ketika pergerakan bersama lemah.

2) Frekuensi pengambilan sampel dan stempel waktu yang konsisten

Anda memerlukan frekuensi yang tepat (misalnya, per jam, harian, atau interval lainnya) dan konvensi stempel waktu yang konsisten. Pengambilan sampel yang tidak cocok dapat menciptakan korelasi artifisial atau menghancurkan pergerakan bersama yang nyata.

Catat asumsi seperti:

• Penanganan zona waktu (bagaimana stempel waktu diinterpretasikan)
• Apakah Anda menyelaraskan berdasarkan waktu jam atau waktu penutupan bar
• Bagaimana akhir pekan/hari libur atau celah non-perdagangan diperlakukan

3) Jendela perhitungan

Korelasi bergantung pada interval waktu. Anda memerlukan:

• Tanggal mulai dan berakhir
• Ukuran jendela bergulir atau tetap (jika Anda mengulangi perhitungan)

Dokumentasikan apakah Anda menggunakan satu jendela untuk satu estimasi, atau beberapa jendela untuk pemeriksaan stabilitas.

4) Definisi return (asumsi untuk setiap perhitungan)

Pilih rumus return dan nyatakan. Opsi umum meliputi:

• Return sederhana (persentase perubahan)
• Return log (logaritma natural dari rasio)

Juga tentukan apakah Anda menggunakan deret mentah atau yang disesuaikan (misalnya, aksi korporasi biasanya tidak relevan untuk nilai tukar, tetapi vendor data mungkin menerapkan pemrosesan).

Provenans dan ketepatan waktu: dari mana data harus berasal

5) Sumber data dan metode

Gunakan satu sumber yang terdokumentasi untuk setiap deret waktu. Provenans berarti Anda dapat menjawab:

• Siapa yang memproduksi data?
• Bagaimana data diukur atau digabungkan?
• Pengidentifikasi deret apa yang digunakan?

Jika deret berasal dari penyedia yang berbeda, pastikan definisi mereka (waktu penetapan harga, konvensi, dan transformasi) cocok; jika tidak, korelasi dapat mencerminkan penanganan data yang tidak konsisten.

6) Ketepatan waktu dan reproduktibilitas

Karena analisis historis bersifat retrospektif, “ketepatan waktu” sebagian besar berarti reproduktibilitas: Anda harus menyimpan cuplikan kumpulan data (atau setidaknya tanggal ekstraksi dan metode pengambilan yang tepat). Untuk verifikasi independen, orang lain harus dapat menjalankan ulang langkah-langkah yang sama.

Pemeriksaan kualitas: memverifikasi data sebelum menghitung korelasi

7) Nilai yang hilang dan pilihan pembersihan data

Korelasi sensitif terhadap celah dan penanganan pencilan. Anda harus mencatat:

• Bagaimana observasi yang hilang diperlakukan (dihapus, diisi, atau diinterpolasi)
• Perlakuan pencilan (apakah Anda melakukan winsorize, menghapus titik, atau menyimpan semuanya)

Berhati-hatilah: beberapa pembersihan dapat secara artifisial meningkatkan korelasi dengan menghapus periode di mana pergerakan bersama rusak.

8) Stasioneritas dan perubahan rezim (keterbatasan material)

Korelasi tidak dijamin stabil. Hubungan mata uang dapat berubah di seluruh rezim volatilitas, peristiwa makro, atau pergeseran struktur pasar. Hasil yang terlihat “positif” dalam satu periode dapat melemah atau berbalik di periode lain.

Ini adalah mode kegagalan utama: satu angka korelasi dapat menjadi gambaran sesaat, bukan properti yang bertahan lama.

9) Data non-sinkron (keterbatasan lain)

Jika satu deret secara efektif “merespons” lebih awal atau lebih lambat dari yang lain, korelasi sederhana pada stempel waktu yang selaras dapat mengecilkan atau salah mengkarakterisasi pergerakan bersama. Nilai apakah asumsi sinkronisasi masuk akal untuk frekuensi pengambilan sampel yang Anda pilih.

Bukti dan contoh: cara menghitung korelasi dari data yang diperlukan

Prosedur yang dapat direproduksi memerlukan input dan keputusan ini:

1. Dua deret nilai tukar untuk tanggal yang sama dan frekuensi pengambilan sampel yang sama.
2. Definisi return (sederhana atau log) yang diterapkan secara identik pada keduanya.
3. Sebuah jendela (tanggal mulai/berakhir) dan aturan data yang hilang.
4. Sebuah metode korelasi.

Metode korelasi umumnya meliputi korelasi Pearson (pergerakan bersama linier) atau alternatif berbasis peringkat (pergerakan bersama dalam urutan).