Jak można mierzyć zmienność korelacji par walutowych?

Bezpośrednia odpowiedź

Zmienność korelacji par walutowych oznacza, że relacja między dwoma szeregami czasowymi nie jest stabilna w czasie. Aby ją zmierzyć, najpierw oblicz korelację par walutowych jako korelację zmienną w czasie (na przykład używając okna kroczącego). Następnie zmierz, jak bardzo sama korelacja krocząca się waha—używając statystyk takich jak odchylenie standardowe (lub innych miar rozproszenia) szeregu korelacji kroczącej.

To podejście koncentruje się na pomiarze zmian, a nie na przewidywaniu przyszłego kierunku.

Mechanizm lub definicja

Zacznij od dwóch wyrównanych szeregów czasowych, na przykład stóp zwrotu z dwóch instrumentów: xₜ i yₜ. Korelacja par walutowych jest zwykle definiowana jako korelacja między x i y w wybranym okresie.

Aby korelacja była zmienna w czasie, użyj okna kroczącego o długości W:

• Dla każdego momentu t weź ostatnie W obserwacji {xₜ₋W+1…xₜ} i {yₜ₋W+1…yₜ}.
• Oblicz korelację w tym oknie, tworząc sekwencję rₜ („krocząca korelacja par walutowych”).

Aby zmierzyć zmienność tej relacji, oblicz miarę drugiego poziomu dla {rₜ} w dłuższym okresie oceny:

• Zmienność korelacji (rozproszenie): odchylenie standardowe wartości rₜ.
• Alternatywne miary rozproszenia: rozstęp międzykwartylowy (IQR) dla rₜ lub średnie odchylenie bezwzględne.
• Perspektywa zmiany reżimu (opcjonalnie): policz, jak często rₜ przekracza wybrane przez użytkownika progi (np. staje się silnie dodatnia/ujemna), 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 (spójnie obsługuj brakujące wartości).
• Musisz określić, co oznaczają „stopy zwrotu” lub zmiany (np. stopy logarytmiczne vs. zwykłe stopy zwrotu) i stosować to spójnie.

Dowody lub przykład

Rozważ prosty przykład z dwoma szeregami stóp zwrotu obejmującymi N obserwacji. Niech W będzie długością okna kroczącego. Obliczasz rₜ dla każdego t, dla którego istnieje pełne okno, otrzymując wektor korelacji kroczących.

Załóżmy teraz, 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 stosunkowo stabilną współzależność. Jeśli rₜ waha się szeroko (nawet jeśli średnia korelacja jest bliska zeru), odchylenie standardowe jest większe, co wskazuje na wyższą zmienność relacji.

Możesz również porównać, jak wyniki zmieniają się przy różnych W:

• Krótsze W może szybciej reagować na lokalne zmiany, ale może być bardziej zaszumione.
• Dłuższe W wygładza zmiany, ale może ukrywać krótkotrwałą niestabilność.

Ograniczenia i ryzyka

1. Wrażliwość na rozmiar okna (tryb awarii): Zmierzona zmienność silnie zależy od W. Różne wartości W mogą prowadzić do różnych wniosków na temat „stabilności”, zwłaszcza gdy relacje się zmieniają.
2. Korelacja to nie przyczynowość: Zmieniająca się korelacja nie wyjaśnia, dlaczego się zmienia.
3. Zmiany reżimu: Korelacje mają charakter historyczny. Relacje mogą się zmieniać, gdy zmieniają się reżimy rynkowe, płynność lub natura ruchów cen.
4. Jakość danych i wyrównanie: Brakujące dane, asynchroniczne próbkowanie i niespójne przetwarzanie wstępne (np. różne definicje stóp zwrotu) mogą tworzyć sztuczną zmienność korelacji.
5. Niestacjonarność wariancji: Jeśli każdy szereg ma zmienną w czasie zmienność, oszacowania korelacji mogą stać się niestabilne nawet bez istotnej zmiany w podstawowej strukturze zależności.

To powody, dla których należy traktować pomiar jako opisowy i zależny od scenariusza.

Weryfikacja lub kolejne pytanie

Aby niezależnie zweryfikować wybory pomiarowe:

• Przelicz korelację kroczącą z co najmniej dwoma prawdopodobnymi długościami okna i sprawdź, czy wniosek o zmienności korelacji jest jakościowo podobny.
• Potwierdź, że oba szeregi są wyrównane do tej samej siatki czasowej i użyj jednej spójnej definicji stóp zwrotu.
• Przeanalizuj bezpośrednio szereg czasowy korelacji kroczącej rₜ (nie tylko podsumowującą zmienność), aby odróżnić stopniowy dryf od gwałtownych załamań.

Przydatne kolejne pytanie brzmi: Która definicja najlepiej odpowiada zależności, która Cię interesuje—korelacja liniowa (Pearsona) czy inna miara zależności, która może zachowywać się inaczej w przypadku zdarzeń ogonowych?