Częste błędy z narzędziem korelacji (i jak je sprawdzić)
Co tak naprawdę mierzy narzędzie korelacji
Narzędzie korelacji zazwyczaj pokazuje, jak silnie dwa szeregi czasowe poruszają się razem w wybranym okresie. Najczęściej stosowaną miarą jest korelacja (często korelacja Pearsona): liczba od −1 do +1. Wartość bliska +1 oznacza, że oba szeregi mają tendencję do poruszania się w tym samym kierunku w tym samym czasie; bliska −1 oznacza kierunek przeciwny; bliska 0 oznacza brak wyraźnej liniowej współzmienności.
Częstym błędem jest traktowanie wyniku korelacji jako reguły prognozowania lub handlu. Korelacja ma charakter opisowy dla wybranego zbioru danych i definicji (stopy zwrotu, ceny lub inne transformacje), a nie jest obietnicą tego, co wydarzy się w przyszłości.
Częste nieporozumienia i ich konsekwencje
Jednym z częstych błędów jest używanie niespójnych danych wejściowych. Na przykład mieszanie cen ze stopami zwrotu, mieszanie stref czasowych lub stosowanie różnej częstotliwości próbkowania (dziennej vs. godzinowej) może zniekształcić zależność. Konsekwencją jest to, że narzędzie może pokazać znaczącą liczbę, ale może ona odzwierciedlać niedopasowanie danych, a nie rzeczywistą zależność.
Innym błędem jest ignorowanie założeń stojących za obliczeniami. Korelacja zależy od okna obserwacji i wybranej długości okresu. Krótkie okno może dawać niestabilne wyniki, które zmieniają się dramatycznie, jeśli zmieni się nawet kilka punktów. Konsekwencją jest nadmierna pewność oparta na oszacowaniu korelacji, które nie jest odporne.
Trzecim nieporozumieniem jest mylenie „korelacji” z „przyczyną”. Nawet jeśli dwa szeregi są skorelowane, jeden niekoniecznie automatycznie wpływa na drugi. Konsekwencją jest budowanie wyjaśnienia, którego nie można zweryfikować na podstawie samej korelacji.
Czwartym problemem jest traktowanie historycznej korelacji jako stabilnej. Zależności mogą się zmieniać, gdy zmieniają się warunki rynkowe, reżimy zmienności lub skład aktywności rynkowej. Konsekwencją jest to, że korelacja, która w przeszłości wyglądała na silną, może później osłabnąć lub się odwrócić.
Dowody i neutralne kontrole, które możesz przeprowadzić
Dobrym sposobem na uniknięcie tych błędów jest weryfikacja, czy obliczenia odpowiadają intencji pytania.
Zacznij od określenia swoich założeń. Zdecyduj, co reprezentują szeregi (np. instrument A vs. instrument B) oraz czy korelujesz ceny czy stopy zwrotu. Korelacja stóp zwrotu często odpowiada na pytanie o „współzmienność zmian”, podczas gdy korelacja surowych cen odpowiada na zupełnie inne pytanie.
Następnie przeprowadź analizę wrażliwości:
- Uruchom narzędzie ponownie z różnymi oknami czasowymi (krótkim vs. długim) i porównaj, czy znak i przybliżona siła pozostają podobne.
- Upewnij się, że oba szeregi używają tego samego próbkowania i wyrównanych znaczników czasu.
- Sprawdź, jak wartości odstające wpływają na wynik, porównując korelację obliczoną z ekstremalnymi obserwacjami i bez nich.
Jeśli korelacja jest bardzo wrażliwa na te wybory, jest to sygnał ograniczenia, a nie powód do wymuszania wniosku.
Kluczowe ograniczenia i tryby awarii, na które należy uważać
Istotne tryby awarii obejmują niestacjonarność (zależności zmieniające się w czasie), zależność nieliniową (korelacja może nie wychwytywać zależności, które nie są liniowe) oraz zmiany reżimu (np. okresy o różnym zachowaniu zmienności). Korelacja może być również myląca, gdy dane zawierają załamania strukturalne, takie jak zmiany metody pomiaru lub poważne wydarzenia.
Innym ograniczeniem jest to, że liczba korelacji nie uwzględnia kosztów transakcyjnych, efektów wykonania ani innych praktycznych tarcia. Nawet jeśli dwa szeregi są skorelowane, rzeczywiste wyniki mogą się różnić, ponieważ koszty i czas mogą dominować.
Wreszcie, korelacja sama w sobie nie ustanawia reguły predykcyjnej. Narzędzie korelacji może powiedzieć, że współzmienność wystąpiła w wybranym zbiorze danych, ale nie potwierdza przyszłego wzorca.
Weryfikacja i kolejne pytanie
Aby niezależnie zweryfikować wyniki korelacji, potraktuj wynik jako hipotezę dotyczącą współzmienności w wybranej definicji danych. Potwierdź, że transformacja danych wejściowych (ceny vs. stopy zwrotu), długość okna, wyrównanie i częstotliwość próbkowania są spójne. Następnie zapytaj, czy zależność pozostaje w miarę podobna w testach wrażliwości.