Faktor Tren Korelasi Harga-Volume Frekuensi Tinggi
factor.formula
1. Hitung koefisien korelasi Pearson antara harga penutupan tingkat menit harian dan volume perdagangan saham:
2. Untuk setiap hari perdagangan, koefisien korelasi \( p_t \) yang sesuai dengan 20 jendela waktu berturut-turut yang dihitung pada hari itu diregresi secara linear, dengan waktu \( t \) sebagai variabel independen, untuk mendapatkan koefisien regresi \( \beta \):
3. Koefisien regresi \( \beta \) yang dihitung setiap hari untuk semua saham distandarisasi dalam cross section, dan pengaruh nilai pasar dan faktor harga-volume tradisional (seperti pembalikan 20 hari, tingkat perputaran 20 hari, volatilitas 20 hari, dll.) dihilangkan untuk mendapatkan faktor tren korelasi harga-volume frekuensi tinggi akhir.
Dalam formula:
- :
Koefisien korelasi Pearson antara harga penutupan menit saham dan volume perdagangan menit yang dihitung untuk jendela waktu ke-( t ) (misalnya, menit ke-( t )) dalam setiap hari. Koefisien korelasi ini mengukur tingkat sinkronisasi atau divergensi harga dan volume selama jendela waktu tertentu tersebut. Korelasi positif berarti bahwa ketika harga naik, volume perdagangan cenderung meningkat, dan sebaliknya; korelasi negatif berarti bahwa ketika harga naik, volume perdagangan cenderung menurun, dan sebaliknya.
- :
Koefisien regresi yang diperoleh dengan regresi linier mencerminkan tren dan kekuatan koefisien korelasi harga-volume harian ( p_t ) yang berubah seiring waktu ( t ). Nilai positif dari ( \beta ) menunjukkan bahwa korelasi harga-volume harian cenderung meningkat seiring waktu; nilai negatif dari ( \beta ) menunjukkan bahwa korelasi harga-volume harian cenderung menurun seiring waktu; semakin besar nilai absolut dari ( \beta ), semakin signifikan tren tersebut.
- :
Suku kesalahan dalam model regresi merepresentasikan penyimpangan antara koefisien korelasi aktual ( p_t ) dan nilai prediksi dari model regresi. Keberadaan suku kesalahan disebabkan oleh adanya noise dan fluktuasi acak dalam data aktual.
- :
Nomor seri jendela waktu, berkisar dari 1 hingga 20. Misalnya, jika data menit digunakan, ( t=1 ) mewakili menit pertama, ( t=2 ) mewakili menit kedua, dan seterusnya. Perlu dicatat bahwa ( t ) di sini mengacu pada deret waktu dalam setiap hari, bukan deret waktu lintas hari. Pembagian spesifik jendela waktu dapat disesuaikan sesuai dengan frekuensi data aktual dan kebutuhan penelitian.
factor.explanation
Logika inti dari faktor ini adalah untuk menangkap perubahan dinamis dalam hubungan antara harga dan volume dalam mikrostruktur pasar. Nilai ( \beta ) negatif (yaitu, semakin kecil PV_corr_trend), menunjukkan bahwa korelasi antara harga dan volume selama hari itu secara bertahap melemah, yang mungkin menyiratkan bahwa sentimen pasar secara bertahap menyimpang, dan kenaikan harga mungkin tidak disertai dengan peningkatan volume yang efektif, dan sebaliknya. Ini umumnya dianggap sebagai manifestasi dari awal ketidakseimbangan antara kekuatan sisi panjang dan pendek, dan mungkin mengindikasikan peluang pembalikan potensial. Di sisi lain, nilai ( \beta ) positif (yaitu, semakin besar PV_corr_trend), menunjukkan bahwa korelasi antara harga dan volume selama hari itu secara bertahap meningkat, yang mungkin menyiratkan konsistensi sentimen pasar, dan harga dan volume diperkuat atau dikurangi secara bersamaan, yang umumnya dianggap sebagai sinyal penguatan tren pasar. Oleh karena itu, faktor ini terutama menggunakan data frekuensi tinggi untuk menangkap sentimen pasar jangka pendek dan karakteristik mikrostruktur dengan menganalisis tren perubahan dalam hubungan harga-volume harian untuk membantu dalam pemilihan saham. Secara umum, tren negatif ( ( \beta ) negatif) mungkin memiliki daya prediksi yang lebih tinggi.