Bezpośrednia odpowiedź
Zmienność w „zmianach korelacji” oznacza, jak bardzo oszacowana korelacja między dwoma szeregami stóp zwrotu zmienia się w czasie. Możesz ją mierzyć, wielokrotnie obliczając estymaty korelacji (na przykład w kroczących lub rozszerzanych oknach czasowych), a następnie podsumowując, jak te estymaty fluktuują (na przykład, używając miar dyspersji lub wielkości zmian o charakterze „zdarzeniowym”). Mierzy to zmienność estymaty, a nie przyszłą współzmienność.
Mechanizm i definicja
-
Wybierz szeregi i definicję stopy zwrotu. Korelacja jest zwykle liczona na podstawie stóp zwrotu (np. logarytmicznych lub prostych), a nie surowych cen. Musisz określić, co oznacza „stopa zwrotu” w Twoim obliczeniu (częstotliwość, styl kapitalizacji).
-
Oblicz korelację wielokrotnie, używając okna czasowego. Wybierz długość okna W (liczbę obserwacji). Dla każdego okna kończącego się w czasie t oblicz estymatę korelacji, taką jak korelacja Pearsona, między seriami A i B w obrębie tego okna.
- Okno kroczące (rolling window): korelacja w czasie t wykorzystuje obserwacje z (t−W+1) do t.
- Okno rozszerzane (expanding window): korelacja w czasie t wykorzystuje wszystkie obserwacje aż do t.
- Zamień szereg czasowy estymat korelacji w miarę zmienności. Typowe wybory:
- Oparta na dyspersji: oblicz odchylenie standardowe estymat korelacji w różnych oknach.
- Oparta na zmianach: oblicz bezwzględne lub kwadratowe różnice między kolejnymi estymatami korelacji, a następnie podsumuj te różnice.
Proste podejście polega na zdefiniowaniu sekwencji korelacji (\hat\rho_t) (po jednej na okno) i pomiarze zmienności jako:
- (\text{SD}(\hat\rho_t)), lub
- (\text{Mean}(|\hat\rho_t - \hat\rho_{t-1}|)).
Te wybory odpowiadają na nieco inne pytania: miary dyspersji opisują ogólną zmienność, natomiast miary oparte na zmianach pokazują, jak gwałtownie przemieszcza się estymata.
Dowody lub przykład z obliczeniami (z założeniami)
Załóż, że masz dwie serie stóp zwrotu o dziennej częstotliwości: (r^A_t) i (r^B_t). Wybierasz:
- długość okna W = 60 dni handlowych,
- korelację Pearsona dla każdego okna,
- okna kroczące.
Dla każdego dnia t począwszy od 60. obserwacji oblicz (\hat\rho_t). Następnie oblicz (\text{SD}(\hat\rho_t)) w całym zbiorze dostępnych okien, co daje jedną liczbę opisującą, jak bardzo fluktuują estymaty korelacji.
Jeśli zamiast tego obliczysz (\text{Mean}(|\hat\rho_t - \hat\rho_{t-1}|)), otrzymasz „typową wielkość kroku zmiany”. Jeśli sekwencja korelacji czasami porusza się płynnie, dyspersja może być umiarkowana; jeśli przeskakuje między reżimami, miary oparte na zmianach mogą być wyższe.
Ograniczenia i ryzyka (istotne tryby awarii)
-
Szum estymatora rośnie, gdy korelacja jest słabo estymowana. Przy krótkich oknach estymata korelacji może się wahać z powodu zmienności próbkowania, a nie rzeczywistych zmian relacji.
-
Niestacjonarność i zmiany reżimu. Korelacja może faktycznie się zmieniać, gdy warunki rynkowe ulegają zmianie. Jednak ta sama obserwowana zmiana może być również napędzana przez klastrowanie zmienności, nagłe szoki lub zmieniającą się mieszankę uczestników.
-
Wrażliwość na długość okna. Twoja miara zmienności zależy od W. Dłuższe okno może wygładzać realne zmiany; krótsze okno może traktować szum jako zmianę.
-
Odstające wartości i rozkłady o ciężkich ogonach. Serie stóp zwrotu mogą mieć wartości skrajne. Korelacja Pearsona jest wrażliwa na wartości odstające; kilka nietypowych dni może znacząco przesunąć (\hat\rho_t).
-
Problemy z danymi. Brakujące obserwacje, różne godziny handlu oraz niespójne obchodzenie się z weekendami/świętami mogą zniekształcać estymaty korelacji.
Weryfikacja i kolejne pytanie
Aby niezależnie potwierdzić, że Twoje pomiar „zmienności korelacji” ma sens, testuj wrażliwość zamiast ufać jednej liczbie:
- Porównaj wyniki dla różnych długości okien (na przykład W i 2W).
- Porównaj metryki oparte na dyspersji i oparte na zmianach; powinny opowiadać spójną historię o zmienności.
- Sprawdź odporność na wartości odstające (na przykład, stosując metodę korelacji mniej wrażliwą na skrajności).
Następnie przydatne pytanie brzmi: Do czego w czasie odpowiada zmierzona zmiana? Mapowanie okresów dużego ruchu (\hat\rho_t) na możliwe do zidentyfikowania cechy reżimu rynkowego (bez zakładania gwarantowanej przyczyny) pomaga odróżnić realne zmiany relacji od artefaktów estymacji.