Risposta diretta
La volatilità nei “cambiamenti di correlazione” indica quanto una correlazione stimata tra due serie di rendimenti varia nel tempo. Puoi misurarla calcolando ripetutamente stime di correlazione (ad esempio, in finestre temporali mobili o espandibili) e poi riassumendo come queste stime fluttuano (ad esempio, usando misure di dispersione o l’ampiezza di cambiamenti simili a eventi). Questo misura la variabilità della stima, non la co-movimentazione futura.
Meccanismo e definizione
-
Scegli le serie e la definizione di rendimento. La correlazione viene tipicamente calcolata sui rendimenti (ad esempio, rendimenti logaritmici o rendimenti semplici) invece che sui prezzi grezzi. Devi specificare cosa significa “rendimento” nel tuo calcolo (frequenza, stile di capitalizzazione).
-
Calcola la correlazione ripetutamente usando una finestra temporale. Scegli una lunghezza di finestra W (numero di osservazioni). Per ogni finestra che termina al tempo t, calcola una stima di correlazione, come la correlazione di Pearson, tra la serie A e la serie B all’interno di quella finestra.
- Finestra mobile: la correlazione al tempo t usa le osservazioni da (t−W+1) a t.
- Finestra espandibile: la correlazione al tempo t usa tutte le osservazioni fino a t.
- Trasforma la serie temporale delle stime di correlazione in una misura di volatilità. Scelte comuni:
- Basata sulla dispersione: calcola la deviazione standard delle stime di correlazione tra le finestre.
- Basata sul cambiamento: calcola differenze assolute o al quadrato tra stime di correlazione consecutive, poi riassumi quelle differenze.
Un approccio semplice è definire una sequenza di correlazione (\hat\rho_t) (una per finestra) e misurare la volatilità come:
- (\text{SD}(\hat\rho_t)), oppure
- (\text{Mean}(|\hat\rho_t - \hat\rho_{t-1}|)).
Queste scelte rispondono a domande leggermente diverse: le misure di dispersione descrivono la variabilità complessiva, mentre le misure basate sul cambiamento indicano quanto bruscamente si muove la stima.
Evidenza o esempio svolto (con assunzioni)
Supponi di avere due serie di rendimenti a frequenza giornaliera: (r^A_t) e (r^B_t). Scegli:
- una lunghezza di finestra di W = 60 giorni di trading,
- la correlazione di Pearson per finestra,
- finestre mobili.
Per ogni giorno t a partire dalla 60ª osservazione, calcola (\hat\rho_t). Poi calcoli (\text{SD}(\hat\rho_t)) sull’insieme delle finestre disponibili, ottenendo un singolo numero che rappresenta quanto fluttuano le stime di correlazione.
Se invece calcoli (\text{Mean}(|\hat\rho_t - \hat\rho_{t-1}|)), ottieni una dimensione di “cambiamento tipico” tra un passo e l’altro. Se la sequenza di correlazione a volte si muove in modo regolare, la dispersione può essere moderata; se salta tra regimi, le misure basate sul cambiamento possono essere più alte.
Limiti e rischi (modalità di guasto rilevanti)
-
Il rumore dell’estimatore cresce quando la correlazione è stimata in modo scarso. Con finestre brevi, la stima della correlazione può oscillare a causa della variabilità di campionamento, più che per cambiamenti reali della relazione.
-
Non-stazionarietà e cambi di regime. La correlazione può cambiare davvero quando le condizioni di mercato si spostano. Tuttavia, lo stesso cambiamento osservato può anche essere guidato da clustering della volatilità, shock improvvisi o cambi nella composizione dei partecipanti.
-
Sensibilità alla lunghezza della finestra. La tua misura di volatilità dipende da W. Una finestra più lunga può smussare cambi reali; una finestra più corta può trattare il rumore come cambiamento.
-
Outlier e code pesanti. Le serie di rendimenti possono avere valori estremi. La correlazione di Pearson è sensibile agli outlier; alcuni giorni atipici possono spostare (\hat\rho_t) in modo significativo.
-
Problemi sui dati. Osservazioni mancanti, orari di trading diversi e gestione incoerente di weekend/festività possono distorcere le stime di correlazione.
Verifica e prossima domanda
Per verificare in modo indipendente che la tua misurazione di “volatilità della correlazione” abbia senso, testa la sensibilità invece di fidarti di un singolo numero:
- Confronta i risultati sotto diverse lunghezze di finestra (ad esempio, W e 2W).
- Confronta metriche basate sulla dispersione e metriche basate sul cambiamento; dovrebbero raccontare una storia coerente sulla variabilità.
- Controlla la robustezza agli outlier (ad esempio, usando un metodo di correlazione meno sensibile agli estremi).
La prossima domanda utile è: A cosa corrisponde nel tempo un cambiamento misurato? Mappare i periodi di grande variazione di (\hat\rho_t) su caratteristiche identificabili del regime di mercato (senza assumere una causa garantita) aiuta a distinguere cambi reali della relazione dagli artefatti di stima.
DOCUMENT END