Bezpośrednia odpowiedź
Zmienność korelacji par oznacza, że zależność między dwoma szeregami czasowymi nie jest stabilna w czasie. Aby ją zmierzyć, najpierw oblicz Korelację par jako korelację zmieniającą się w czasie (na przykład, używając kroczącego okna). Następnie zmierz, jak bardzo sama ta korelacja krocząca waha się — używając statystyk takich jak odchylenie standardowe (lub innych miar rozproszenia) wartości korelacji kroczącej.
To podejście koncentruje się na pomiarze zmiany, a nie na prognozowaniu przyszłego kierunku.
Mechanizm lub definicja
Zacznij od dwóch wyrównanych szeregów czasowych, na przykład zwrotów z dwóch instrumentów: xₜ i yₜ. Korelacja par jest zwykle definiowana jako korelacja między x i y w wybranym okresie.
Aby uczynić korelację zmienną w czasie, użyj kroczącego okna o długości W:
- Dla każdej chwili t weź ostatnie W obserwacji {xₜ₋W+1…xₜ} oraz {yₜ₋W+1…yₜ}.
- Oblicz korelację w tym oknie, otrzymując sekwencję rₜ (czyli „kroczącą Korelację par”).
Aby zmierzyć zmienność w tej zależności, oblicz drugowarstwową miarę dla {rₜ} w dłuższym okresie oceny:
- Zmienność korelacji (rozproszenie): odchylenie standardowe wartości rₜ.
- Alternatywne miary rozproszenia: rozstęp międzykwartylowy (IQR) rₜ lub średnie bezwzględne odchylenie.
- Perspektywa zmiany reżimu (opcjonalnie): zlicz, jak często rₜ przekracza progi wybrane przez użytkownika (np. staje się wyraźnie dodatnie/ujemne), jako opisowy sposób uchwycenia niestabilności.
Kluczowe założenia muszą być jawne:
- Potrzebujesz spójnej częstotliwości próbkowania (ten sam krok czasowy dla obu szeregów).
- Potrzebujesz wyrównanych znaczników czasu (braki danych obsłuż konsekwentnie).
- Musisz wybrać, co oznaczają „zwroty” lub zmiany (np. log-zwroty vs proste zwroty) i zastosować to konsekwentnie.
Dowód lub przykład
Rozważ prosty przykład z dwoma szeregami zwrotów na N obserwacji. Niech W będzie długością kroczącego okna. Obliczasz rₜ dla każdej chwili t, dla której istnieje pełne okno, otrzymując wektor korelacji kroczących.
Teraz załóż, że obliczasz również zmienność korelacji jako odchylenie standardowe rₜ w zakresie oceny. Jeśli rₜ pozostaje blisko jednej wartości, odchylenie standardowe jest małe, co wskazuje na względnie stabilny współruch. Jeśli rₜ waha się szeroko (nawet jeśli średnia korelacja jest bliska zeru), odchylenie standardowe jest większe, co wskazuje na wyższą zmienność w zależności.
Możesz też porównać, jak zmieniają się wyniki, gdy różnicujesz W:
- Krótsze okno może szybciej reagować na lokalne zmiany, ale może być bardziej „szumne”.
- Dłuższe okno wygładza zmiany, ale może ukryć krótkotrwałą niestabilność.
Ograniczenia i ryzyka
- Czułość na rozmiar okna (tryb awarii): Mierzona zmienność zależy silnie od W. Różne wartości W mogą prowadzić do różnych wniosków o „stabilności”, szczególnie gdy zależności się zmieniają.
- Korelacja nie jest przyczynowością: Zmienna korelacja nie wyjaśnia, dlaczego się zmienia.
- Przerwania reżimu: Korelacje są historyczne. Zależności mogą się zmieniać, gdy zmieniają się reżimy rynkowe, płynność lub charakter ruchów cen.
- Jakość danych i wyrównania: Brakujące dane, asynchroniczne próbkowanie i niespójne przetwarzanie (np. różne definicje zwrotów) mogą tworzyć sztuczną zmienność korelacji.
- Niestacjonarność wariancji: Jeśli każdy szereg ma zmienną w czasie zmienność, estymacje korelacji mogą stać się niestabilne nawet bez istotnej zmiany w leżącej u podstaw strukturze zależności.
To są powody, by traktować pomiar jako opisowy i zależny od scenariusza.
Weryfikacja lub kolejne pytanie
Aby niezależnie zweryfikować wybory pomiarowe:
- Ponownie oblicz korelację kroczącą dla co najmniej dwóch wiarygodnych długości okna i sprawdź, czy wniosek o zmienności korelacji jest jakościowo podobny.
- Potwierdź, że oba szeregi są wyrównane do tej samej siatki czasowej i używają jednej, spójnej definicji zwrotów.
- Przeanalizuj bezpośrednio serię czasową korelacji kroczącej rₜ (nie tylko podsumowanie w postaci zmienności), aby odróżnić stopniowe dryfowanie od nagłych załamań.
Przydatnym kolejnym pytaniem jest: Która definicja najlepiej pasuje do zależności, na której Ci zależy — korelacja liniowa (Pearson) czy inna miara zależności, która może zachowywać się inaczej w zdarzeniach ogonowych?