Respuesta directa
La volatilidad en la correlación de pares significa que la relación entre dos series temporales no es estable a lo largo del tiempo. Para medirla, primero calcule la correlación de pares como una correlación variable en el tiempo (por ejemplo, utilizando una ventana móvil). Luego, mida cuánto fluctúa esa correlación móvil en sí misma, utilizando estadísticos como la desviación estándar (u otras medidas de dispersión) de la serie de correlación móvil.
Este enfoque se centra en la medición del cambio, no en la predicción de la dirección futura.
Mecanismo o definición
Comience con dos series temporales alineadas, por ejemplo, los rendimientos de dos instrumentos: xₜ e yₜ. La correlación de pares generalmente se define como la correlación entre x e y durante un período seleccionado.
Para que la correlación sea variable en el tiempo, utilice una ventana móvil de longitud W:
- Para cada momento t, tome las últimas W observaciones {xₜ₋W+1…xₜ} e {yₜ₋W+1…yₜ}.
- Calcule la correlación sobre esa ventana, produciendo una secuencia rₜ (la “correlación de pares móvil”).
Para medir la volatilidad en esa relación, calcule una medida de segunda capa sobre {rₜ} a lo largo de un período de evaluación más largo:
- Volatilidad de la correlación (dispersión): la desviación estándar de los valores de rₜ.
- Medidas de dispersión alternativas: rango intercuartílico (IQR) de rₜ, o desviación absoluta media.
- Perspectiva de cambio de régimen (opcional): cuente con qué frecuencia rₜ cruza umbrales elegidos por el usuario (por ejemplo, se vuelve fuertemente positiva/negativa), como una forma descriptiva de capturar la inestabilidad.
Los supuestos clave deben ser explícitos:
- Necesita una frecuencia de muestreo consistente (el mismo paso de tiempo para ambas series).
- Necesita marcas de tiempo alineadas (maneje los valores faltantes de manera consistente).
- Debe elegir qué significan “rendimientos” o cambios (por ejemplo, rendimientos logarítmicos vs. rendimientos simples) y aplicarlo de manera consistente.
Evidencia o ejemplo
Considere un ejemplo simple con dos series de rendimientos sobre N observaciones. Sea W la longitud de la ventana móvil. Calcule rₜ para cada t donde exista una ventana completa, obteniendo un vector de correlaciones móviles.
Ahora suponga que también calcula la volatilidad de la correlación como la desviación estándar de rₜ sobre el rango de evaluación. Si rₜ se mantiene cerca de un solo valor, la desviación estándar es pequeña, lo que indica un comovimiento relativamente estable. Si rₜ fluctúa ampliamente (incluso si la correlación promedio es cercana a cero), la desviación estándar es mayor, lo que indica una mayor volatilidad en la relación.
También puede comparar cómo cambian los resultados al variar W:
- Una W más corta puede reaccionar rápidamente a cambios locales, pero puede ser más ruidosa.
- Una W más larga suaviza los cambios, pero puede ocultar inestabilidad de corta duración.
Limitaciones y riesgos
- Sensibilidad al tamaño de la ventana (modo de fallo): La volatilidad medida depende fuertemente de W. Diferentes valores de W pueden llevar a conclusiones diferentes sobre la “estabilidad”, especialmente cuando las relaciones cambian.
- La correlación no implica causalidad: Una correlación cambiante no explica por qué cambia.
- Rupturas de régimen: Las correlaciones son históricas. Las relaciones pueden cambiar cuando cambian los regímenes de mercado, la liquidez o la naturaleza de los movimientos de precios.
- Calidad de datos y alineación: Datos faltantes, muestreo asíncrono y preprocesamiento inconsistente (por ejemplo, diferentes definiciones de rendimiento) pueden crear volatilidad de correlación artificial.
- No estacionariedad de la varianza: Si cada serie tiene volatilidad variable en el tiempo, las estimaciones de correlación pueden volverse inestables incluso sin un cambio significativo en la estructura de dependencia subyacente.
Estas son razones para tratar la medición como descriptiva y dependiente del escenario.
Verificación o siguiente pregunta
Para verificar las elecciones de medición de forma independiente:
- Recalcule la correlación móvil con al menos dos longitudes de ventana plausibles y verifique si la conclusión sobre la volatilidad de la correlación es cualitativamente similar.
- Confirme que las dos series están alineadas en la misma cuadrícula temporal y utilice una única definición de rendimiento consistente.
- Examine la serie temporal de correlación móvil rₜ directamente (no solo la volatilidad resumida) para distinguir un cambio gradual de rupturas abruptas.
Una pregunta útil a continuación es: ¿Qué definición se ajusta mejor a la dependencia que le interesa: la correlación lineal (Pearson) u otra medida de dependencia que pueda comportarse de manera diferente ante eventos extremos?