Resposta direta
Volatilidade em “mudanças de correlação” significa o quanto uma correlação estimada entre duas séries de retornos varia ao longo do tempo. Você pode medi-la calculando estimativas de correlação repetidamente (por exemplo, em janelas de tempo móveis ou expansivas) e depois resumindo como essas estimativas flutuam (por exemplo, usando medidas de dispersão ou o tamanho de mudanças do tipo evento). Isso mede a variação da estimativa, não a co-movimentação futura.
Mecanismo e definição
-
Escolha as séries e a definição de retorno. A correlação normalmente é calculada sobre retornos (por exemplo, retornos logarítmicos ou retornos simples) e não sobre preços brutos. Você precisa declarar o que “retorno” significa no seu cálculo (frequência, estilo de capitalização).
-
Calcule a correlação repetidamente usando uma janela de tempo. Escolha um tamanho de janela W (número de observações). Para cada janela que termina no tempo t, compute uma estimativa de correlação, como a correlação de Pearson, entre as séries A e B dentro dessa janela.
- Janela móvel: a correlação no tempo t usa observações de (t−W+1) a t.
- Janela expansiva: a correlação no tempo t usa todas as observações até t.
- Transforme a série temporal das estimativas de correlação em uma medida de volatilidade. Opções comuns:
- Baseada em dispersão: calcule o desvio-padrão das estimativas de correlação entre janelas.
- Baseada em mudança: calcule diferenças absolutas ou ao quadrado entre estimativas de correlação consecutivas e, em seguida, resuma essas diferenças.
Uma abordagem simples é definir uma sequência de correlação (\hat\rho_t) (uma por janela) e medir a volatilidade como:
- (\text{SD}(\hat\rho_t)), ou
- (\text{Mean}(|\hat\rho_t - \hat\rho_{t-1}|)).
Essas escolhas respondem a perguntas ligeiramente diferentes: medidas de dispersão capturam a variabilidade geral, enquanto medidas baseadas em mudança mostram o quanto a estimativa se move de forma abrupta.
Evidência ou exemplo trabalhado (com suposições)
Suponha que você tenha duas séries de retornos em frequência diária: (r^A_t) e (r^B_t). Você escolhe:
- um tamanho de janela de W = 60 dias de negociação,
- correlação de Pearson por janela,
- janelas móveis.
Para cada dia t a partir da 60ª observação, calcule (\hat\rho_t). Em seguida, calcule (\text{SD}(\hat\rho_t)) entre o conjunto de janelas disponíveis, o que gera um único número que representa o quanto as estimativas de correlação flutuam.
Se, em vez disso, você calcular (\text{Mean}(|\hat\rho_t - \hat\rho_{t-1}|)), você obtém um “tamanho típico de mudança em um passo”. Se a sequência de correlação às vezes se move de forma suave, a dispersão pode ser moderada; se ela salta entre regimes, medidas baseadas em mudança podem ser maiores.
Limitações e riscos (modos de falha relevantes)
-
O ruído do estimador cresce quando a correlação é mal estimada. Com janelas curtas, a estimativa de correlação pode oscilar devido à variabilidade de amostragem, e não a mudanças reais na relação.
-
Não estacionariedade e mudanças de regime. A correlação pode mudar de fato quando as condições de mercado se alteram. No entanto, a mesma mudança observada também pode ser causada por clustering de volatilidade, choques súbitos ou mudança na composição dos participantes.
-
Sensibilidade ao tamanho da janela. Sua medida de volatilidade depende de W. Uma janela maior pode suavizar mudanças reais; uma janela menor pode tratar ruído como mudança.
-
Outliers e caudas pesadas. Séries de retornos podem ter valores extremos. A correlação de Pearson é sensível a outliers; alguns dias atípicos podem mover (\hat\rho_t) bastante.
-
Problemas com os dados. Observações ausentes, horários de negociação diferentes e tratamento inconsistente de fins de semana/feriados podem distorcer as estimativas de correlação.
Verificação e próxima pergunta
Para verificar de forma independente se sua medição de “volatilidade da correlação” é significativa, teste a sensibilidade em vez de confiar em um único número:
- Compare resultados sob diferentes tamanhos de janela (por exemplo, W e 2W).
- Compare métricas baseadas em dispersão e baseadas em mudança; elas devem contar uma história consistente sobre a variabilidade.
- Verifique a robustez a outliers (por exemplo, usando um método de correlação menos sensível a extremos).
Em seguida, uma pergunta útil é: A que, no tempo, corresponde uma mudança medida? Mapear os períodos de grande movimento de (\hat\rho_t) para características identificáveis do regime de mercado (sem assumir uma causa garantida) ajuda a distinguir mudanças reais de relação de artefatos de estimação.