Respuesta directa
La volatilidad en los “cambios de correlación” se refiere a cuánto varía a lo largo del tiempo una correlación estimada entre dos series de rendimientos. Puede medirla calculando estimaciones de correlación repetidamente (por ejemplo, en ventanas de tiempo móviles o expansivas) y luego resumiendo cómo fluctúan esas estimaciones (por ejemplo, utilizando medidas de dispersión o el tamaño del cambio tipo evento). Esto mide la variación en la estimación, no la co-movilidad futura.
Mecanismo y definición
-
Elija las series y la definición de rendimiento. La correlación se calcula típicamente sobre rendimientos (por ejemplo, rendimientos logarítmicos o rendimientos simples) en lugar de precios brutos. Debe indicar qué significa “rendimiento” en su cálculo (frecuencia, estilo de capitalización).
-
Calcule la correlación repetidamente utilizando una ventana de tiempo. Elija una longitud de ventana W (número de observaciones). Para cada ventana que termina en el tiempo t, calcule una estimación de correlación, como la correlación de Pearson, entre las series A y B dentro de esa ventana.
- Ventana móvil: la correlación en el tiempo t utiliza observaciones desde (t−W+1) hasta t.
- Ventana expansiva: la correlación en el tiempo t utiliza todas las observaciones hasta t.
- Convierta la serie temporal de estimaciones de correlación en una medida de volatilidad. Opciones comunes:
- Basada en dispersión: calcule la desviación estándar de las estimaciones de correlación entre ventanas.
- Basada en cambios: calcule las diferencias absolutas o al cuadrado entre estimaciones de correlación consecutivas y luego resuma esas diferencias.
Un enfoque simple es definir una secuencia de correlación (\hat\rho_t) (una por ventana) y medir la volatilidad como:
- (\text{SD}(\hat\rho_t)), o
- (\text{Mean}(|\hat\rho_t - \hat\rho_{t-1}|)).
Estas opciones responden preguntas ligeramente diferentes: la dispersión mide la variabilidad general, mientras que las medidas basadas en cambios indican cuán bruscamente se mueve la estimación.
Evidencia o ejemplo práctico (con supuestos)
Suponga que tiene dos series de rendimientos a frecuencia diaria: (r^A_t) y (r^B_t). Usted elige:
- una longitud de ventana de W = 60 días de negociación,
- correlación de Pearson por ventana,
- ventanas móviles.
Para cada día t a partir de la observación 60, calcule (\hat\rho_t). Luego calcule (\text{SD}(\hat\rho_t)) en el conjunto de ventanas disponibles, lo que produce un número único que representa cuánto fluctúan las estimaciones de correlación.
Si en cambio calcula (\text{Mean}(|\hat\rho_t - \hat\rho_{t-1}|)), obtiene un tamaño de “cambio de paso típico”. Si la secuencia de correlación a veces se mueve suavemente, la dispersión puede ser moderada; si salta entre regímenes, las medidas basadas en cambios pueden ser más altas.
Limitaciones y riesgos (modos de falla materiales)
-
El ruido del estimador aumenta cuando la correlación está mal estimada. Con ventanas cortas, la estimación de correlación puede oscilar debido a la variabilidad del muestreo en lugar de cambios reales en la relación.
-
No estacionariedad y cambios de régimen. La correlación puede cambiar genuinamente cuando las condiciones del mercado se modifican. Sin embargo, el mismo cambio observado también puede ser impulsado por la agrupación de volatilidad, shocks repentinos o una mezcla cambiante de participantes.
-
Sensibilidad a la longitud de la ventana. Su medida de volatilidad depende de W. Una ventana más larga puede suavizar cambios reales; una ventana más corta puede tratar el ruido como un cambio.
-
Valores atípicos y colas pesadas. Las series de rendimientos pueden tener valores extremos. La correlación de Pearson es sensible a los valores atípicos; unos pocos días atípicos pueden mover (\hat\rho_t) mucho.
-
Problemas de datos. Observaciones faltantes, horarios de negociación diferentes y un manejo inconsistente de fines de semana/días festivos pueden distorsionar las estimaciones de correlación.
Verificación y siguiente pregunta
Para verificar de forma independiente que su medición de “volatilidad de correlación” es significativa, pruebe la sensibilidad en lugar de confiar en un solo número:
- Compare resultados bajo diferentes longitudes de ventana (por ejemplo, W y 2W).
- Compare métricas basadas en dispersión y basadas en cambios; deberían contar una historia consistente sobre la variabilidad.
- Compruebe la robustez ante valores atípicos (por ejemplo, utilizando un método de correlación menos sensible a los extremos).
A continuación, una pregunta útil es: ¿A qué corresponde en el tiempo un cambio medido? Mapear los períodos de gran movimiento de (\hat\rho_t) a características identificables del régimen de mercado (sin asumir una causa garantizada) ayuda a distinguir cambios reales en la relación de artefactos de estimación.