Apa itu Autocorrelation?
Autocorrelation adalah representasi matematis dari tingkat kemiripan antara deret waktu yang diberikan dan versi lagging dari deret waktu itu sendiri selama interval waktu yang berurutan. Secara konseptual mirip dengan correlation antara dua deret waktu yang berbeda, tetapi autocorrelation menggunakan deret waktu yang sama dua kali: satu kali dalam bentuk aslinya dan satu kali tertinggal satu atau beberapa periode waktu.
Contohnya, jika hari ini hujan, data menunjukkan bahwa kemungkinan besar akan turun hujan esok hari dibandingkan jika hari ini cerah. Dalam hal investasi, sebuah saham mungkin memiliki autocorrelation positif yang kuat terhadap imbal hasil, yang menunjukkan bahwa jika saham tersebut “naik” hari ini, kemungkinan besar saham tersebut juga akan naik besok.
Tentu saja, autocorrelation dapat menjadi tool yang berguna bagi para trader untuk dimanfaatkan; terutama bagi para analis teknikal.
Memahami Autocorrelation
Autocorrelation juga dapat disebut sebagai correlation lagged atau correlation serial, karena mengukur hubungan antara nilai variabel saat ini dan nilai masa lalunya.
Sebagai contoh yang sangat sederhana, lihatlah lima nilai persentase pada bagan di bawah ini. Kita membandingkannya dengan kolom di sebelah kanan, yang berisi serangkaian nilai yang sama, hanya saja naik satu baris.
Ketika menghitung autocorrelation, hasilnya dapat berkisar dari -1 hingga +1.
Autocorrelation +1 menunjukkan correlation positif sempurna (peningkatan yang terlihat pada satu deret waktu menyebabkan peningkatan proporsional pada deret waktu lainnya).
Di sisi lain, autocorrelation relasi -1 menunjukkan correlation negatif sempurna (peningkatan yang terlihat pada satu deret waktu menghasilkan penurunan proporsional pada deret waktu lainnya).
Autocorrelation mengukur hubungan linier. Meskipun autocorrelation sangat kecil, masih ada hubungan nonlinier antara deret waktu dan versi lagging-nya.
Test Autocorrelation
Metode yang paling umum untuk menguji autocorrelation adalah uji Durbin-Watson. Tanpa terlalu teknis, Durbin-Watson adalah statistik yang mendeteksi autocorrelation dari analisis regresi.
Durbin-Watson selalu menghasilkan rentang angka uji dari 0 hingga 4. Nilai yang lebih dekat ke 0 menunjukkan tingkat correlation positif yang lebih besar, nilai yang lebih dekat ke 4 menunjukkan tingkat autocorrelation negatif yang lebih besar, sementara nilai yang lebih dekat ke tengah menunjukkan lebih sedikit autocorrelation.
Jadi, mengapa autocorrelation penting dalam pasar keuangan? Sederhana. Autocorrelation dapat digunakan untuk menganalisis pergerakan harga historis secara menyeluruh, yang kemudian dapat digunakan oleh investor untuk memprediksi pergerakan harga di masa depan. Secara khusus, autocorrelation dapat digunakan untuk menentukan apakah strategi trading momentum masuk akal.
Autocorrelation dalam Analisa Teknikal
Autocorrelation dapat berguna untuk analisis teknikal, karena analisis teknikal sangat memperhatikan tren dan hubungan antara harga-harga sekuritas dengan menggunakan teknik grafik. Hal ini berbeda dengan analisis fundamental, yang berfokus pada kesehatan keuangan atau manajemen perusahaan.
Analis teknikal dapat menggunakan autocorrelation untuk mengetahui seberapa besar pengaruh harga sekuritas di masa lalu terhadap harga sekuritas di masa mendatang.
Autocorrelation dapat membantu menentukan apakah ada faktor momentum yang berperan pada suatu saham. Jika sebuah saham dengan autocorrelation positif yang tinggi membukukan kenaikan besar selama dua hari berturut-turut, misalnya, mungkin masuk akal untuk memperkirakan saham tersebut akan naik selama dua hari berikutnya.
Contoh dari Autocorrelation
Anggap saja Rain ingin menentukan apakah pengembalian saham dalam portofolionya menunjukkan autocorrelation; artinya, pengembalian saham berhubungan dengan pengembalian di sesi perdagangan sebelumnya.
Jika return menunjukkan autocorrelation, Rain dapat dikategorikan sebagai saham momentum karena return di masa lalu tampaknya memengaruhi return di masa depan. Rain menjalankan regresi dengan pengembalian sesi perdagangan sebelumnya sebagai variabel independen dan pengembalian saat ini sebagai variabel dependen. Mereka menemukan bahwa pengembalian satu hari sebelumnya memiliki autokorelasi positif sebesar 0,8.
Karena 0,8 mendekati +1, imbal hasil masa lalu tampaknya merupakan prediktor positif yang sangat baik untuk imbal hasil masa depan untuk saham ini.
Oleh karena itu, Rain dapat menyesuaikan portofolio mereka untuk mengambil keuntungan dari autocorrelation, atau momentum, dengan terus mempertahankan posisi mereka atau mengakumulasi lebih banyak saham.
