Apakah Sharpe bulanan dikalikan √12? Dampak korelasi serial

Sharpe satu periode adalah rata-rata return di atas tingkat bebas risiko untuk periode tersebut, dibagi simpangan baku return pada periode yang sama: SR₁ = μ/σ. Jika datanya bulanan, tingkat bebas risiko yang dipakai juga harus sesuai dengan horizon bulanan. Jangan langsung mengurangkan tingkat tahunan dari return bulanan.

Rasio ini merangkum sampel return yang diamati berdasarkan definisi tertentu. Sharpe bukan probabilitas untung, bukan ukuran risiko yang lengkap, dan bukan jaminan kinerja mendatang. Mengganti return bruto dengan neto, atau mengubah perlakuan dividen dan biaya pendanaan, juga dapat mengubah angkanya.

Aturan umum untuk mengubah Sharpe satu periode ke q periode adalah SR_q = √q × SR₁. Asumsinya mencakup rata-rata dan varians yang stabil serta tidak adanya autokorelasi return pada lag yang tercakup. Return yang independen dan berdistribusi identik (IID) merupakan syarat cukup yang umum, tetapi asumsi itu lebih kuat daripada sekadar korelasi nol.

Dalam uraian William Sharpe tentang rasio Sharpe, kondisi korelasi nol menjadi dasar aturan akar kuadrat. Jika return bulanan berkorelasi serial, simpangan baku jumlahnya umumnya bukan simpangan baku bulanan dikali √q. Karena itu, pengalian sederhana tidak berlaku begitu saja.

Misalkan return berlebih per periode adalah xₜ, variansnya γ₀, dan kovarians pada lag k adalah γₖ = Cov(xₜ, xₜ₋ₖ). Korelasi pada lag tersebut adalah ρₖ = γₖ/γ₀. Dengan kovarians stasioner dan penjumlahan aritmetika q return berlebih periodik:

Var(Σₜ₌₁ᵠ xₜ) = qγ₀ + 2Σₖ₌₁ᵠ⁻¹(q−k)γₖ

Dari sini diperoleh koreksi agregasi waktu Andrew Lo: SR_q = √q × SR₁ / √(1 + 2Σₖ₌₁ᵠ⁻¹(1−k/q)ρₖ). Bobot berkurang untuk lag yang lebih jauh karena hanya ada sedikit pasangan observasi sejauh itu dalam q periode.

Jika korelasi pada lag yang relevan positif, penyebut koreksi biasanya lebih besar dari satu; aturan √q saja cenderung melebihkan Sharpe yang telah dikoreksi. Korelasi negatif dapat membuat aturan sederhana meremehkannya. Ini arah matematis dalam kerangka asumsi tersebut, bukan penilaian kualitas strategi.

Untuk ilustrasi saja, anggap rata-rata return berlebih bulanan 0,4% dan simpangan baku bulanan 2%. Maka SR₁ = 0,4% ÷ 2% = 0,20. Jika korelasi diabaikan, estimasi tahunan sederhana adalah 0,20 × √12 ≈ 0,6928.

Sekarang anggap model AR(1) hipotetis dengan ρ₁ = 0,25 dan korelasi berikutnya ρₖ = 0,25ᵏ. Untuk contoh ini saja, faktor koreksi adalah √(1 + 2Σₖ₌₁¹¹(1−k/12)×0,25ᵏ) ≈ 1,262. Sharpe tahunan terkoreksi menjadi 0,6928 ÷ 1,262 ≈ 0,549. Nilai 0,25ᵏ pada lag berikutnya berasal dari asumsi AR(1) ini; bukan berarti semua lag berkorelasi sebesar 0,25.

Ini perhitungan hipotetis, bukan prakiraan atau saran trading. Hasilnya bergantung pada penjumlahan aritmetika return berlebih bulanan dan asumsi model di atas.

Persistensi atau pembalikan return dapat mencerminkan perilaku ekonomi yang nyata. Namun, return harian strategi dengan masa pegang beberapa hari dapat berbagi eksposur yang sama ketika periode kepemilikan saling tumpang tindih. Observasi return seperti itu bukan pengamatan yang independen.

Harga lama, valuasi aset tidak likuid, atau metode penandaan yang menghaluskan perubahan juga dapat membuat rangkaian terlihat mulus. Aturan sinyal, penyeimbangan ulang, dan cara membentuk return turut menciptakan ketergantungan waktu. Sebelum mengoreksi, cari tahu apakah korelasi berasal dari ekonomi strategi, artefak pengukuran, atau definisi return.

Gunakan definisi return, frekuensi sampel, dan tingkat bebas risiko yang serasi secara konsisten. Nyatakan apakah angka bruto atau setelah biaya. Perlakuan leverage, biaya pendanaan, dividen, dan funding pada perpetual crypto juga harus konsisten; jangan memasukkan biaya pada satu seri tetapi mengabaikannya pada seri pembanding.

Rumus kovarians di atas berlaku untuk penjumlahan aritmetika q return berlebih periodik di bawah asumsi yang dinyatakan. Jika return tahunan dihitung secara majemuk dari nilai portofolio, jangan mencampur ukuran itu begitu saja dengan penjumlahan tersebut. Catat metode agregasi, reinvestasi, pembobotan, dan arus kas eksternal agar perbandingan dapat diulang.

Autokorelasi diestimasi dari sampel, dan taksiran pada lag panjang dapat berisik, terutama bila jumlah bulan sedikit. Jangan mengasumsikan AR(1) hanya karena korelasi lag pertama terlihat. Periksa beberapa lag, grafik return, dan cara observasi dibentuk.

Laporkan panjang sampel, metode estimasi, lag yang digunakan, serta sensitivitas Sharpe terkoreksi terhadap pilihan yang masuk akal. Saat membandingkan strategi, tampilkan ketidakpastian atau interval kepercayaan jika tersedia. Jangan menganggap selisih desimal kecil sebagai kesimpulan pasti.

Koreksi agregasi waktu tidak menghilangkan data snooping atau pemilihan strategi terbaik setelah mencoba banyak variasi. Koreksi ini juga tidak mengatasi perubahan rezim pasar, risiko ekor, leverage, likuiditas, atau biaya eksekusi. Sharpe terkoreksi tetap dapat menyembunyikan kerugian besar yang jarang terjadi.

Sharpe terkoreksi yang lebih tinggi tidak berarti kinerja masa depan akan lebih baik atau strategi lebih aman. Pisahkan pengukuran return terhadap volatilitas dari uji ketahanan, kelayakan eksekusi, dan risiko modal.

Catat frekuensi data, definisi return berlebih, tingkat bebas risiko yang sesuai, periode, dan ukuran sampel. Tampilkan korelasi pada lag relevan dan asumsi konversi; jelaskan apakah memakai aturan √q sederhana atau koreksi Lo.

Nyatakan apakah return sudah neto biaya dan pendanaan, bagaimana leverage, dividen, pemajemukan, dan arus kas eksternal diperlakukan. Sertakan sensitivitas atau ketidakpastian, dan jangan menyebut estimasi historis sebagai prakiraan. Bacaan terkait: rata-rata return aritmetika vs. geometris, penurunan maksimum dan persentase pemulihan, serta trade-off bias-varians dan overfitting model keuangan.

Makalah Andrew Lo, The Statistics of Sharpe Ratios, membahas bagaimana dependensi serial memengaruhi statistik Sharpe dan mengapa konversi tahunan dapat berbeda.