Quais Dados São Necessários para Avaliar Mudanças de Correlação?
Resposta direta
Para avaliar mudanças de correlação, você precisa de dados que permitam (1) medir a relação entre duas séries temporais ao longo do tempo, (2) verificar a origem dos dados, (3) garantir que as medições sejam comparáveis ao longo do tempo e (4) verificar se o resultado não é um artefato de limpeza inadequada, dados ausentes ou premissas instáveis.
No mínimo, reúna as duas séries que deseja relacionar, os carimbos de data/hora e as regras de amostragem, a transformação que será aplicada (por exemplo, usar retornos em vez de níveis brutos) e a documentação da qualidade dos dados. Planeje também as verificações de proveniência e as verificações de “modo de falha” (como os resultados podem ser comprometidos quando os dados ou as condições mudam).
Mecanismo e definição: o que “mudanças de correlação” significa
Mudança de correlação significa que a relação estatística estimada entre duas variáveis não é constante ao longo do tempo. Na prática, você estima a correlação em múltiplas janelas (por exemplo, móveis ou por regimes) e observa como a estimativa se move.
Dois esclarecimentos importantes ajudam a evitar confusão:
- Use a escala de dados apropriada. A correlação é geralmente calculada em séries transformadas (comumente mudanças ao longo do tempo). Usar séries de preço/nível bruto pode produzir dependência enganosa.
- A correlação depende do método e da janela. Diferentes frequências de amostragem, comprimentos de janela e convenções de cálculo podem alterar a estimativa de correlação, mesmo que a relação subjacente não tenha mudado “fundamentalmente”.
Portanto, sua lista de “dados necessários” é, na verdade, uma lista de ingredientes para um experimento consistente: as séries temporais pareadas, como transformá-las em números comparáveis e como escolher as janelas de tempo.
Evidências: quais insumos coletar (e como mantê-los comparáveis)
Reúna os seguintes insumos e registre as premissas que você adota:
- As duas séries temporais para comparar
- Série A e Série B que você deseja testar como relacionadas.
- Para cada uma, inclua a definição de medição (o que ela representa), as unidades e se é preço médio, último preço, cotação ou outro valor derivado.
- Eixo de tempo e regras de amostragem
- Carimbos de data/hora de início/fim.
- Frequência de amostragem (por exemplo, a cada minuto, horária, diária).
- Se os carimbos de data/hora estão alinhados ao mesmo relógio de mercado e o tratamento de lacunas.
- A transformação para o cálculo
- A fórmula aplicada antes de calcular a correlação (por exemplo, usar retornos em cada intervalo em vez de níveis brutos).
- Como tratar valores ausentes: excluir intervalos, preencher para frente ou descartar pontos específicos. A escolha pode afetar materialmente as estimativas.
- A configuração da estimativa de correlação
- Abordagem de janelamento: janela móvel ou subperíodos fixos.
- Comprimento da janela e sobreposição (a sobreposição altera a suavidade e a dependência estatística entre as estimativas).
- Tipo de correlação (comumente Pearson para dependência linear; uma escolha diferente mede a dependência de forma diferente).
- Proveniência e documentação dos dados
- Identidade do sistema/fonte provedora.
- Quaisquer ações corporativas conhecidas ou regras de rolagem de contrato (quando relevantes).
- Identificadores de arquivo/versão e método de recuperação.
- Métricas de qualidade e registro de limpeza
- Percentual de carimbos de data/hora ausentes por série.
- Método de detecção de valores atípicos e se eles são mantidos ou removidos.
- Verificações de sanidade simples: há saltos repentinos causados por redefinições de dados em vez de movimento de mercado?
Um exemplo prático (as premissas devem ser explícitas)
Suponha que você selecione duas séries observadas na mesma frequência de amostragem e calcule a correlação nas mudanças de intervalo. Você escolhe um comprimento de janela fixo e o desliza para frente no tempo. Uma “mudança” de correlação é simplesmente a diferença entre as estimativas de correlação em duas janelas adjacentes.
Para tornar isso interpretável, você deve declarar:
- O que conta como uma mudança de intervalo.
- Como você lida com carimbos de data/hora ausentes.
- Que ambas as séries usaram o mesmo cronograma de amostragem e a mesma transformação. Se esses pontos não forem controlados, o movimento de correlação observado pode refletir diferenças no processamento de dados, em vez de qualquer mudança real.
Limitações e riscos: modos de falha comuns
Mudanças de correlação são especialmente vulneráveis a artefatos e instabilidade. As limitações materiais incluem:
- Não estacionariedade: a correlação não é garantida como estável; mesmo com dados perfeitos, as relações podem variar à medida que as condições mudam.
- Efeitos de amostragem e janela: diferentes frequências e tamanhos de janela podem produzir trajetórias de correlação diferentes.
- Problemas de qualidade de dados: dados ausentes, carimbos de data/hora não sincronizados ou mistura acidental de diferentes instrumentos/definições podem deslocar a correlação.
- Valores atípicos e caudas pesadas: um pequeno número de pontos extremos pode dominar a estimativa.
- Interpretação incorreta de causalidade: mudança de correlação não prova uma causa.
- Custos e realidades de execução (se você posteriormente traduzir isso em decisões): expectativas baseadas em correlação podem ser distorcidas quando fricções do mundo real se aplicam.