Rasio Volatilitas Downside/Upside
factor.formula
Rasio Volatilitas Downside/Upside (DUVR):
di mana:
- :
Return saham i pada waktu t biasanya dihitung menggunakan return logaritmik, yaitu, $r_{it} = \ln(P_{it}/P_{it-1})$, di mana $P_{it}$ adalah harga saham i pada waktu t.
- :
Rata-rata return saham i selama periode observasi dihitung sebagai $\bar{r_i} = \frac{1}{T} \sum_{t=1}^{T} r_{it}$, di mana T adalah jumlah total periode waktu dalam periode observasi.
- :
Jumlah hari selama periode observasi ketika return saham i lebih besar dari atau sama dengan rata-rata return $\bar{r_i}$, yaitu, jumlah hari dengan return naik.
- :
Jumlah hari selama periode observasi ketika return saham i kurang dari rata-rata return $\bar{r_i}$, yaitu, jumlah hari dengan return turun.
- :
Jumlah kuadrat dari selisih antara return dari semua return downside (return kurang dari rata-rata return) saham i selama periode observasi dan rata-rata return mengukur volatilitas dari return downside, juga dikenal sebagai varians downside.
- :
Jumlah kuadrat dari selisih antara return dari semua return upside (return lebih besar dari atau sama dengan rata-rata return) saham i selama periode pemeriksaan dan rata-rata return mengukur volatilitas dari return upside, juga dikenal sebagai varians upside.
factor.explanation
Rasio volatilitas downside/upside (DUVR) mengukur asimetri distribusi return saham dengan membandingkan volatilitas downside dan volatilitas upside. Inti dari rasio ini adalah untuk mengukur risiko skewness negatif dari distribusi return, yaitu, apakah volatilitas return negatif lebih besar daripada volatilitas return positif. Semakin tinggi nilai DUVR, semakin tinggi volatilitas downside relatif terhadap volatilitas upside, dan semakin besar kemungkinan harga saham akan turun tajam. Risiko asimetris ini biasanya dianggap sebagai risiko sistematis, dan investor akan meminta premi risiko yang lebih tinggi untuk menanggung risiko ini.
Perlu dicatat bahwa perhitungan faktor ini biasanya menggunakan logaritma, tujuannya adalah untuk mempersempit rentang numerik dan menghindari ketidakstabilan model yang disebabkan oleh nilai yang berlebihan. Pada saat yang sama, transformasi logaritmik juga memiliki efek penghalusan data sampai batas tertentu.
Dalam aplikasi praktis, berbagai jendela waktu dapat digunakan untuk menghitung faktor ini, seperti harian, mingguan, bulanan, dll. Jendela waktu yang berbeda dapat menyebabkan perbedaan nilai faktor dan daya prediksi. Selain itu, faktor ini sering digunakan dalam kombinasi dengan faktor lain untuk meningkatkan efek prediksi.