Jadwal Sholat

Memuat jadwal sholatโ€ฆ

Editorial Ekonomi & Bisnis

Open AccessOA2023

Kausalitas linear dan nonlinear di pasar keuangan

Studi ini memperkenalkan kerangka kerja yang memakai transfer entropy dan convergent cross-mapping dengan Fourier surrogates untuk memisahkan kausalitas linear dan nonlinear di pasar keuangan. Ketika diterapkan pada indeks saham Jerman dan Amerika Serikat, studi ini menemukan kausalitas nonlinear yang signifikan, menunjukkan bahwa korelasi meremehkan kausalitas dan memotivasi penerapan dalam perdagangan dan manajemen risiko.
Haochun Ma; Davide Prosperino; Alexander Haluszczynski; C. Rรคthยท Chaosยท 2023ยท DOI 10.1063/5.0184267

Masalah inti

Mengidentifikasi dan mengukur kodependensi antarinstrumen keuangan merupakan tantangan utama bagi peneliti dan praktisi di industri keuangan. Ukuran linear seperti korelasi Pearson masih banyak dipakai hingga kini, meskipun daya penjelasnya yang terbatas sudah dikenal luas. Dalam makalah ini, kami menyajikan kerangka kerja yang jauh lebih umum untuk menilai kodependensi dengan mengidentifikasi kausalitas linear dan nonlinear dalam sistem kompleks pasar keuangan. Untuk itu, kami memakai dua metode inferensi kausal yang berbeda, yaitu transfer entropy dan convergent cross-mapping, serta memakai Fourier transform surrogates untuk memisahkan kontribusi linear dan nonlinearnya. Kami menemukan bahwa indeks saham di Jerman dan Amerika Serikat menunjukkan derajat kausalitas nonlinear yang signifikan dan bahwa korelasi, meskipun merupakan proksi yang sangat baik bagi kausalitas linear, mengabaikan efek nonlinear sehingga meremehkan kausalitas itu sendiri. Kerangka kerja yang disajikan memungkinkan pengukuran kausalitas nonlinear, kekeliruan korelasi-kausalitas, dan memotivasi bagaimana kausalitas dapat dipakai untuk menyimpulkan sinyal pasar, pair trading, dan manajemen risiko portofolio. Hasil kami menunjukkan bahwa kausalitas linear dan nonlinear dapat dipakai sebagai indikator peringatan dini perilaku pasar yang abnormal, sehingga memungkinkan strategi perdagangan dan manajemen risiko yang lebih baik.

Inovasi

Para penulis memakai dua metode inferensi kausal: transfer entropy dan convergent cross-mapping. Transfer entropy, ukuran tanpa model yang berbasis teori informasi, mengukur jumlah transfer informasi terarah antara dua deret waktu. Convergent cross-mapping, yang berakar pada teori sistem dinamik, mendeteksi kausalitas dengan merekonstruksi ruang keadaan satu variabel dari variabel lainnya. Untuk memisahkan kontribusi linear dan nonlinear, dipakai Fourier transform surrogates. Surrogates ini mempertahankan sifat linear (misalnya power spectrum dan autokorelasi) data asli sekaligus merusak ketergantungan nonlinear. Dengan membandingkan ukuran kausalitas yang dihitung pada data asli dengan yang dihitung pada surrogates, para penulis dapat mengatribusikan kausalitas pada sumber linear atau nonlinear. Kerangka kerja ini diterapkan pada indeks saham di Jerman dan Amerika Serikat, meskipun indeks dan periode waktu spesifiknya tidak dirinci dalam abstrak. Metodologi ini memungkinkan dekomposisi kausalitas yang robust menjadi komponen linear dan nonlinear, sehingga memberikan pemahaman yang lebih bernuansa tentang kodependensi pasar.
Pendahuluan
Mengidentifikasi dan mengukur kodependensi antarinstrumen keuangan merupakan tantangan utama bagi peneliti dan praktisi di industri keuangan. Ukuran linear seperti korelasi Pearson masih banyak dipakai hingga kini, meskipun daya penjelasnya yang terbatas sudah dikenal luas. Dalam makalah ini, kami menyajikan kerangka kerja yang jauh lebih umum untuk menilai kodependensi dengan mengidentifikasi kausalitas linear dan nonlinear dalam sistem kompleks pasar keuangan. Untuk itu, kami memakai dua metode inferensi kausal yang berbeda, yaitu transfer entropy dan convergent cross-mapping, serta memakai Fourier transform surrogates untuk memisahkan kontribusi linear dan nonlinearnya. Kami menemukan bahwa indeks saham di Jerman dan Amerika Serikat menunjukkan derajat kausalitas nonlinear yang signifikan dan bahwa korelasi, meskipun merupakan proksi yang sangat baik bagi kausalitas linear, mengabaikan efek nonlinear sehingga meremehkan kausalitas itu sendiri. Kerangka kerja yang disajikan memungkinkan pengukuran kausalitas nonlinear, kekeliruan korelasi-kausalitas, dan memotivasi bagaimana kausalitas dapat dipakai untuk menyimpulkan sinyal pasar, pair trading, dan manajemen risiko portofolio. Hasil kami menunjukkan bahwa kausalitas linear dan nonlinear dapat dipakai sebagai indikator peringatan dini perilaku pasar yang abnormal, sehingga memungkinkan strategi perdagangan dan manajemen risiko yang lebih baik.

Mengapa penting

Kerangka kerja yang disajikan memungkinkan pengukuran kausalitas nonlinear dan menyoroti kekeliruan korelasi-kausalitas, yaitu asumsi keliru bahwa korelasi menyiratkan kausalitas. Para penulis memotivasi bagaimana kausalitas dapat dipakai untuk menyimpulkan sinyal pasar, pair trading, dan manajemen risiko portofolio. Dengan mengidentifikasi tautan kausal linear maupun nonlinear, para trader dan manajer risiko dapat lebih baik mengantisipasi pergerakan pasar dan merancang strategi yang lebih efektif. Pemakaian kausalitas sebagai indikator peringatan dini perilaku pasar yang abnormal diusulkan, sehingga memungkinkan tindakan proaktif. Studi ini berkontribusi pada literatur dengan menyediakan kerangka kerja umum yang melampaui ukuran linear dan dengan menunjukkan pentingnya kausalitas nonlinear di pasar keuangan. Temuan ini berimplikasi bagi diversifikasi portofolio, lindung nilai, dan penilaian risiko sistemik. Penelitian selanjutnya dapat memperluas kerangka kerja ini ke kelas aset lain dan data berfrekuensi lebih tinggi.

Siapa yang sebaiknya membaca

Pembaca Research Digest dan praktisi rumpun ini.

Membuka konten memberโ€ฆ