Autokorelasi mengacu pada tingkat korelasi variabel yang sama antara dua interval waktu yang berurutan. Ini mengukur bagaimana versi tertinggal dari nilai variabel terkait dengan versi aslinya dalam deret waktu.
Autokorelasi, sebagai konsep statistik, juga dikenal sebagai korelasi serial. Ini sering digunakan dengan model rata-rata bergerak-bergerak otomatis (ARMA) dan model rata-rata bergerak-bergerak-terintegrasi-autoregresif (ARIMA). Analisis autokorelasi membantu menemukan pola periodik yang berulang, yang dapat digunakan sebagai alat analisis teknis di pasar modal Pasar Modal Pasar modal adalah sistem pertukaran yang mentransfer modal dari investor yang saat ini tidak membutuhkan dananya kepada individu dan.
Ringkasan
- Autokorelasi, juga dikenal sebagai korelasi serial, mengacu pada tingkat korelasi variabel yang sama antara dua interval waktu yang berurutan.
- Nilai autokorelasi berkisar dari -1 hingga 1. Nilai antara -1 dan 0 mewakili autokorelasi negatif. Nilai antara 0 dan 1 mewakili autokorelasi positif.
- Autokorelasi memberikan informasi tentang trend dari sekumpulan data historis, sehingga dapat berguna dalam analisa teknikal untuk pasar ekuitas.
Bagaimana itu bekerja
Dalam banyak kasus, nilai variabel pada suatu waktu terkait dengan nilainya pada titik waktu sebelumnya. Analisis autokorelasi mengukur hubungan pengamatan antara berbagai titik waktu, dan dengan demikian mencari pola atau tren selama deret waktu. Misalnya, suhu pada hari yang berbeda dalam satu bulan berhubungan secara otomatis.
Mirip dengan Korelasi Korelasi Korelasi adalah ukuran statistik dari hubungan antara dua variabel. Ukuran paling baik digunakan dalam variabel yang menunjukkan hubungan linier antara satu sama lain. Kesesuaian data dapat direpresentasikan secara visual dalam diagram sebar. , autokorelasi bisa positif atau negatif. Ini berkisar dari -1 (autokorelasi negatif sempurna) hingga 1 (autokorelasi positif sempurna). Autokorelasi positif berarti bahwa peningkatan yang diamati dalam interval waktu mengarah ke peningkatan proporsional dalam interval waktu yang terlambat.
Contoh suhu yang dibahas di atas menunjukkan autokorelasi positif. Suhu keesokan harinya cenderung naik bila mengalami kenaikan dan cenderung turun bila turun pada hari-hari sebelumnya.
Pengamatan dengan autokorelasi positif dapat diplot menjadi kurva yang mulus. Dengan menambahkan garis regresi, dapat diketahui bahwa kesalahan positif diikuti oleh kesalahan positif lainnya, dan kesalahan negatif diikuti oleh kesalahan negatif lainnya.
Sebaliknya, autokorelasi negatif menunjukkan bahwa peningkatan yang diamati dalam interval waktu menyebabkan penurunan yang proporsional dalam interval waktu yang terlambat. Dengan memplot pengamatan dengan garis regresi menunjukkan bahwa kesalahan positif akan diikuti oleh kesalahan negatif dan sebaliknya.
Autokorelasi dapat diterapkan pada sejumlah celah waktu yang berbeda, yang dikenal sebagai lag. Autokorelasi lag 1 mengukur korelasi antara pengamatan yang terpisah satu kali. Misalnya, untuk mempelajari korelasi antara suhu satu hari dan hari yang sesuai di bulan berikutnya, autokorelasi lag 30 harus digunakan (dengan asumsi 30 hari dalam bulan itu).
Uji Autokorelasi
Statistik Durbin-Watson biasanya digunakan untuk menguji autokorelasi. Ini dapat diterapkan pada kumpulan data dengan perangkat lunak statistik. Hasil tes Durbin-Watson berkisar dari 0 sampai 4. Hasil yang mendekati 2 berarti tingkat autokorelasi yang sangat rendah. Hasil yang mendekati 0 menunjukkan autokorelasi positif yang lebih kuat, dan hasil yang mendekati 4 menunjukkan autokorelasi negatif yang lebih kuat.
Perlu untuk menguji autokorelasi saat menganalisis sekumpulan data historis. Misalnya, di pasar ekuitas, harga saham dalam satu hari bisa sangat berkorelasi dengan harga di hari lain. Namun, ini memberikan sedikit informasi untuk analisis data statistik dan tidak memberi tahu kinerja saham yang sebenarnya.
Oleh karena itu, perlu dilakukan pengujian autokorelasi harga historis untuk mengidentifikasi sejauh mana perubahan harga hanya merupakan suatu pola atau disebabkan oleh faktor lain. Di bidang keuangan, cara biasa untuk menghilangkan dampak autokorelasi adalah dengan menggunakan persentase perubahan harga aset alih-alih harga historis itu sendiri.
Autokorelasi dan Analisis Teknis
Meskipun autokorelasi harus dihindari untuk menerapkan analisis data lebih lanjut secara lebih akurat, ini masih dapat berguna dalam analisis teknis. Analisis Teknis - Panduan Pemula Analisis teknis adalah bentuk penilaian investasi yang menganalisis harga masa lalu untuk memprediksi pergerakan harga di masa mendatang. Analis teknis percaya bahwa tindakan kolektif dari semua peserta di pasar secara akurat mencerminkan semua informasi yang relevan, dan oleh karena itu, secara terus menerus menetapkan nilai pasar yang wajar untuk sekuritas. , karena mencari pola dari data historis. Analisis autokorelasi dapat diterapkan bersama dengan analisis faktor momentum.
Seorang analis teknis dapat mempelajari bagaimana harga saham pada hari tertentu dipengaruhi oleh hari-hari sebelumnya melalui autokorelasi. Dengan demikian, dia bisa memperkirakan bagaimana harga akan bergerak ke depan.
Jika harga suatu saham dengan autokorelasi positif yang kuat telah mengalami kenaikan selama beberapa hari, maka secara wajar analis dapat memperkirakan harga di masa mendatang akan terus bergerak naik dalam beberapa hari ini. Analis dapat membeli dan menahan saham untuk waktu yang singkat untuk mendapatkan keuntungan dari pergerakan harga.
Analisis autokorelasi hanya memberikan informasi tentang tren jangka pendek dan sedikit bercerita tentang fundamental suatu perusahaan. Oleh karena itu, ini hanya dapat diterapkan untuk mendukung perdagangan dengan periode kepemilikan pendek.
Bacaan Terkait
Finance menawarkan Sertifikasi Perbankan & Analis Kredit (CBCA) ™ CBCA ™ Akreditasi Perbankan & Analis Kredit Bersertifikat (CBCA) ™ adalah standar global untuk analis kredit yang mencakup keuangan, akuntansi, analisis kredit, analisis arus kas, pemodelan perjanjian, pinjaman pembayaran kembali, dan banyak lagi. program sertifikasi bagi mereka yang ingin meningkatkan karir mereka ke tingkat berikutnya. Untuk terus belajar dan memajukan karier Anda, sumber daya berikut akan membantu:
- Arbitrage Free Term Structure Model Model Struktur Arbitrage Free Term Model Struktur Arbitrage Free Term (juga dikenal sebagai No-Arbitrage Model) digunakan untuk menghasilkan proses menghasilkan suku bunga stokastik yang sebenarnya dengan
- Analisis Regresi Analisis Regresi Analisis regresi adalah sekumpulan metode statistik yang digunakan untuk memperkirakan hubungan antara variabel dependen dan satu atau lebih variabel independen. Ini dapat digunakan untuk menilai kekuatan hubungan antara variabel dan untuk memodelkan hubungan masa depan di antara mereka.
- Simple Moving Average Simple Moving Average (SMA) Simple Moving Average (SMA) mengacu pada harga penutupan rata-rata saham selama periode tertentu. Alasan rata-rata disebut "bergerak" adalah karena saham
- Analisis Teknis - Panduan Pemula Analisis Teknis - Panduan Pemula Analisis teknis adalah bentuk penilaian investasi yang menganalisis harga masa lalu untuk memprediksi pergerakan harga di masa mendatang. Analis teknis percaya bahwa tindakan kolektif dari semua peserta di pasar secara akurat mencerminkan semua informasi yang relevan, dan oleh karena itu, secara terus menerus menetapkan nilai pasar yang wajar untuk sekuritas.
