Pomiar zmienności zmian korelacji (i dlaczego to trudne)

Bezpośrednia odpowiedź

Zmienność „zmian korelacji” oznacza, jak bardzo szacowana korelacja między dwoma szeregami stóp zwrotu zmienia się w czasie. Można ją zmierzyć, obliczając wielokrotnie estymaty korelacji (na przykład w kroczących lub rozszerzających się oknach czasowych), a następnie podsumowując, jak te estymaty fluktuują (na przykład za pomocą miar rozproszenia lub wielkości zmian przypominających zdarzenia). Mierzy to zmienność estymaty, a nie przyszłą współzmienność.

Mechanizm i definicja

1. Wybierz szeregi i definicję stopy zwrotu. Korelacja jest zazwyczaj obliczana na stopach zwrotu (np. logarytmicznych lub zwykłych), a nie na surowych cenach. Musisz określić, co oznacza „stopa zwrotu” w Twoim obliczeniu (częstotliwość, sposób kapitalizacji).

2. 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 szeregami A i B w tym oknie.

• Okno kroczące: korelacja w czasie t wykorzystuje obserwacje od (t−W+1) do t.
• Okno rozszerzające się: korelacja w czasie t wykorzystuje wszystkie obserwacje do t.

3. Zamień szereg czasowy estymat korelacji na miarę zmienności. Typowe wybory:

• Oparte na rozproszeniu: oblicz odchylenie standardowe estymat korelacji w oknach.
• Oparte 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) (jedna na okno) i zmierzeniu 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 rozproszenia dotyczą ogólnej zmienności, podczas gdy miary oparte na zmianach dotyczą tego, jak gwałtownie porusza się estymata.

Dowód lub przykład obliczeniowy (z założeniami)

Załóżmy, że masz dwa szeregi stóp zwrotu o częstotliwości dziennej: (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 obliczasz (\text{SD}(\hat\rho_t)) dla zbioru dostępnych okien, co daje pojedynczą liczbę reprezentującą, jak bardzo fluktuują estymaty korelacji.

Jeśli zamiast tego obliczysz (\text{Mean}(|\hat\rho_t - \hat\rho_{t-1}|)), otrzymasz „typowy” rozmiar skokowej zmiany. Jeśli sekwencja korelacji czasami porusza się płynnie, rozproszenie może być umiarkowane; jeśli skacze między reżimami, miary oparte na zmianach mogą być wyższe.

Ograniczenia i ryzyka (istotne tryby awarii)

1. Szum estymatora rośnie, gdy korelacja jest słabo oszacowana. Przy krótkich oknach estymata korelacji może się wahać z powodu zmienności próbkowej, a nie rzeczywistych zmian w relacji.

2. Niestacjonarność i zmiany reżimu. Korelacja może się rzeczywiście zmieniać, gdy zmieniają się warunki rynkowe. Jednak ta sama zaobserwowana zmiana może być również spowodowana grupowaniem zmienności, nagłymi szokami lub zmieniającym się składem uczestników.

3. Wrażliwość na długość okna. Twoja miara zmienności zależy od W. Dłuższe okno może wygładzić rzeczywiste zmiany; krótsze okno może traktować szum jako zmianę.

4. Wartości odstające i grube ogony. Szeregi stóp zwrotu mogą zawierać ekstremalne wartości. Korelacja Pearsona jest wrażliwa na wartości odstające; kilka nietypowych dni może znacząco przesunąć (\hat\rho_t).

5. Problemy z danymi. Brakujące obserwacje, różne godziny handlu i niespójne traktowanie weekendów/świąt mogą zniekształcić estymaty korelacji.

Weryfikacja i kolejne pytanie

Aby niezależnie zweryfikować, że Twój pomiar „zmienności korelacji” jest znaczący, przetestuj wrażliwość, zamiast ufać pojedynczej liczbie:

• Porównaj wyniki dla różnych długości okien (na przykład W i 2W).
• Porównaj metryki oparte na rozproszeniu i na zmianach; powinny opowiadać spójną historię o zmienności.
• Sprawdź odporność na wartości odstające (na przykład, używając metody korelacji mniej wrażliwej na ekstrema).

Następnie przydatne pytanie brzmi: Czemu w czasie odpowiada zmierzona zmiana? Mapowanie okresów dużych ruchów (\hat\rho_t) na identyfikowalne cechy reżimu rynkowego (bez zakładania gwarantowanej przyczyny) pomaga odróżnić rzeczywiste zmiany relacji od artefaktów estymacji.