Autokorelasi

Apakah Autokorelasi?

Autokorelasi ialah perwakilan matematik tahap kesamaan antara siri masa tertentu dan versi tertinggal dirinya dalam selang masa berturut-turut. Ia secara konsepnya serupa dengan korelasi antara dua siri masa yang berbeza, tetapi autokorelasi menggunakan siri masa yang sama dua kali: sekali dalam bentuk asalnya dan sekali tertinggal satu atau lebih tempoh masa.

Sebagai contoh, jika hari ini hujan, data menunjukkan bahawa ia lebih berkemungkinan hujan esok berbanding jika hari ini cerah. Apabila bercakap tentang pelaburan, saham mungkin mempunyai autokorelasi pulangan positif yang kukuh, menunjukkan bahawa jika ia "naik" hari ini, ia lebih berkemungkinan meningkat esok juga.

Sememangnya, autokorelasi boleh menjadi alat yang berguna untuk digunakan oleh pedagang; khususnya bagi penganalisis teknikal.

Memahami Autokorelasi

Autokorelasi juga boleh dirujuk sebagai korelasi tertinggal atau korelasi bersiri,. kerana ia mengukur hubungan antara nilai semasa pembolehubah dan nilai masa lalunya.

Sebagai contoh yang sangat mudah, lihat pada lima nilai peratusan dalam carta di bawah. Kami membandingkannya dengan lajur di sebelah kanan, yang mengandungi set nilai yang sama, baru sahaja dialihkan ke atas satu baris.

TTT

Apabila mengira autokorelasi, hasilnya boleh berjulat dari -1 hingga +1.

Autokorelasi +1 mewakili korelasi positif yang sempurna (peningkatan yang dilihat dalam satu siri masa membawa kepada peningkatan yang berkadar dalam siri masa yang lain).

Sebaliknya, autokorelasi -1 mewakili korelasi negatif yang sempurna (peningkatan yang dilihat dalam satu siri masa mengakibatkan penurunan yang berkadar dalam siri masa yang lain).

Autokorelasi mengukur hubungan linear. Walaupun autokorelasi adalah kecil, masih terdapat perhubungan tak linear antara siri masa dan versi ketinggalan bagi dirinya sendiri.

Ujian untuk Autokorelasi

Kaedah autokorelasi ujian yang paling biasa ialah ujian Durbin-Watson. Tanpa terlalu teknikal, Durbin-Watson ialah statistik yang mengesan autokorelasi daripada analisis regresi.

Durbin-Watson sentiasa menghasilkan julat nombor ujian dari 0 hingga 4. Nilai yang lebih dekat dengan 0 menunjukkan tahap korelasi positif yang lebih besar, nilai yang lebih dekat dengan 4 menunjukkan tahap autokorelasi negatif yang lebih besar, manakala nilai lebih dekat dengan tengah mencadangkan kurang autokorelasi.

Jadi mengapa autokorelasi penting dalam pasaran kewangan? ringkas. Autokorelasi boleh digunakan untuk menganalisis secara menyeluruh pergerakan harga sejarah, yang kemudiannya boleh digunakan oleh pelabur untuk meramalkan pergerakan harga masa hadapan. Secara khusus, autokorelasi boleh digunakan untuk menentukan sama ada strategi perdagangan momentum masuk akal.

Autokorelasi dalam Analisis Teknikal

Autokorelasi boleh berguna untuk analisis teknikal,. Ini kerana analisis teknikal paling mementingkan arah aliran, dan hubungan antara, harga keselamatan menggunakan teknik carta. Ini berbeza dengan analisis asas, yang sebaliknya memfokuskan pada kesihatan atau pengurusan kewangan syarikat.

Penganalisis teknikal boleh menggunakan autokorelasi untuk mengetahui sejauh mana kesan harga masa lalu untuk sekuriti terhadap harga masa depannya.

Autokorelasi boleh membantu menentukan sama ada terdapat faktor momentum yang bermain dengan saham tertentu. Jika saham dengan autokorelasi positif yang tinggi mencatatkan dua hari berturut-turut keuntungan besar, sebagai contoh, mungkin munasabah untuk menjangkakan saham itu meningkat dalam two hari berikutnya juga.

Contoh Autokorelasi

Mari kita andaikan Rain sedang mencari untuk menentukan sama ada pulangan saham dalam portfolio mereka mempamerkan autokorelasi; iaitu pulangan saham berkaitan dengan pulangannya dalam sesi dagangan sebelumnya.

Jika pulangan mempamerkan autokorelasi, Rain boleh menyifatkannya sebagai saham momentum kerana pulangan lalu nampaknya mempengaruhi pulangan masa depan. Hujan menjalankan regresi dengan pulangan sesi dagangan sebelumnya sebagai pembolehubah bebas dan pulangan semasa sebagai pembolehubah bersandar. Mereka mendapati bahawa pulangan sehari sebelumnya mempunyai autokorelasi positif sebanyak 0.8.

Memandangkan 0.8 menghampiri +1, pulangan lepas nampaknya merupakan peramal positif yang sangat baik untuk pulangan masa hadapan untuk saham tertentu ini.

Oleh itu, Rain boleh melaraskan portfolio mereka untuk memanfaatkan autokorelasi, atau momentum, dengan terus memegang jawatan mereka atau mengumpul lebih banyak saham.

##Sorotan

• Autokorelasi mengukur hubungan antara nilai semasa pembolehubah dan nilai masa lalunya.

• Autokorelasi +1 mewakili korelasi positif sempurna, manakala autokorelasi negatif 1 mewakili korelasi negatif sempurna.

• Autokorelasi mewakili tahap persamaan antara siri masa tertentu dan versi tertinggal dirinya dalam selang masa berturut-turut.

• Penganalisis teknikal boleh menggunakan autokorelasi untuk mengukur sejauh mana pengaruh harga masa lalu untuk sekuriti terhadap harga masa depannya.