Kovariancia

ID: E-005

Bevezetés

Az E-004 a korrelációt vizsgálta mint annak standardizált mérőszámát, hogy két változó hogyan mozog együtt. Az E-005 egy szinttel mélyebbre lép: a kovariancia azt írja le, hogy két változó milyen irányban hajlamos együtt eltérni a saját átlagától, miközben megőrzi a közös mozgás skáláját.

A trader számára a kovariancia azért fontos, mert a portfólió kockázatát nem kizárólag az egyes pozíciók önálló volatilitása határozza meg. A pozíciók egymás közötti kapcsolata is számít. Két eszköz önmagában is lehet jelentősen volatilis, mégis teljesen más lehet az együttes viselkedésük attól függően, hogy hozamaik együtt vagy ellentétesen térnek-e el az átlaguktól.

A kovariancia ezért a portfóliókockázat, a diverzifikáció, a korreláció és számos kvantitatív allokációs modell egyik matematikai építőeleme. Szakértői szinten azonban az előnyeivel együtt a korlátait is érteni kell: a kovariancia skálafüggő, mintafüggő, időablak-függő, és nem a jövőbeni együttmozgás előrejelzése.

1. Mit mér a kovariancia?

A kovariancia azt méri, hogy két változó megfigyelései mennyire hajlamosak ugyanabba az irányba eltérni a saját átlaguktól.

Ha mindkét változó ugyanazon megfigyelésekben jellemzően az átlaga felett van, illetve mindkettő az átlaga alatt van, akkor a kovariancia pozitív.

Ha az egyik változó jellemzően az átlaga felett van akkor, amikor a másik az átlaga alatt, akkor a kovariancia negatív.

Ha az átlagtól való eltérések között kevés stabil közös minta látható, a kovariancia nullához közeli lehet.

A korrelációtól való legfontosabb különbség, hogy a kovariancia nem standardizálja az eredményt. Ezért a nagysága függ a két változó skálájától és volatilitásától.

2. A számítás mögötti intuíció

Fogalmi szinten a kovariancia először azt kérdezi meg, hogy az egyes megfigyelések mennyire térnek el a saját átlaguktól. Ezután ezt a két eltérést összeszorítja.

Ha a két eltérés azonos előjelű, a szorzat pozitív. Ha ellentétes előjelű, a szorzat negatív. Ezeket a szorzatokat a mintán belül összesítjük, majd megfelelő normalizáló tényezővel osztjuk.

Ez az egyszerű mechanizmus jól megmagyarázza a kovariancia viselkedését. A szinkronizált eltéréseket pozitívan, az ellentétes eltéréseket negatívan értékeli.

A trader számára a mentális modell egyszerű: a kovariancia azt kérdezi, hogy két hozamsorozat hajlamos-e ugyanabban az időben ugyanabba az irányba eltérni a megszokott szintjétől.

3. Populációs és mintakovariancia

A varianciához hasonlóan a kovarianciának is létezik populációs és mintabeli formája.

Populációs kovariancia akkor értelmezhető, ha a rendelkezésre álló megfigyelések a vizsgált teljes populációt jelentik. Mintakovarianciánál egy nagyobb populáció jellemzőit becsüljük egy minta alapján.

A mintakovariancia nevezője jellemzően n−1, nem pedig n. Ez a korrekció összefügg azzal, hogy mintából becsüljük a populáció jellemzőit, és a varianciánál megismert korrekció kovariancia megfelelője.

A matematikai különbség fontos, de trading szempontból még fontosabb kérdés, hogy a kiválasztott megfigyelések valóban reprezentálják-e azt a folyamatot, amelyet meg akarunk érteni.

4. Miért fontosak a mértékegységek?

A kovariancia megőrzi a két változó mértékegységeinek szorzatát. Ha mindkét változót dollárban mérjük, az eredmény négyzetes pénzegységben jelenik meg. Ha hozamokat használunk, az eredmény a hozamváltozók skáláját tükrözi.

Ez megnehezíti a nyers kovariancia összehasonlítását olyan instrumentumok között, amelyek volatilitása vagy mérési skálája jelentősen eltér.

Tegyük fel, hogy két eszközpár egyikénél 0,0008, a másiknál 0,08 kovarianciát kapunk. Ebből nem következik, hogy a második pár „százszor korreláltabb”. A standardizált összehasonlításra a korreláció szolgál.

A kovariancia ezért elsősorban olyan meghatározott modellen belül hasznos, ahol a skála is jelentéssel bír, nem pedig önálló rangsorolási számként.

5. Kovariancia és korreláció

A korreláció fogalmilag úgy is felfogható, mint a kovariancia standardizált változata, amelyet a két változó szórásával normalizálunk.

A kovariancia kérdése: „A két változó hajlamos-e együtt eltérni az átlagától, és milyen irányban?”

A korreláció kérdése ehhez kapcsolódik, de standardizált formában: „Milyen erős a lineáris együttmozgás az egyes változók saját szóródásához képest?”

A standardizálás miatt két változópár hasonló korrelációt mutathat akkor is, ha a kovarianciájuk nagyon különböző.

Ez a különbség alapvető a portfóliómatematikában. A kovariancia információt hordoz a közös mozgás tényleges skálájáról; a korreláció pedig megkönnyíti a kapcsolatok összehasonlítását a skálától függetlenül.

6. Miért fontos a kovariancia a portfóliókockázatban?

Tegyük fel, hogy egy portfólió két pozíciót tartalmaz. A portfólió hozama a két hozam súlyozott kombinációja.

Ennek a kombinált hozamnak a varianciája fogalmilag három részből áll: az első pozíció saját varianciájából, a második pozíció saját varianciájából és a kettő közötti kovarianciát tartalmazó kereszt tagból.

Ez a kereszt tag kritikus. Pozitív kovariancia esetén a két pozíció eltérései hajlamosak erősíteni egymást, és növelhetik az együttes varianciát. Negatív kovariancia esetén az együttmozgás csökkentheti az együttes varianciát.

Ez a matematikai oka annak, hogy a diverzifikáció akkor is működhet, ha minden egyes pozíció önmagában kockázatos.

A kulcsfelismerés: a portfólió kockázata nem egyszerűen az egyedi kockázatok összege. A pozíciók közötti kapcsolatok is számítanak.

7. Két eszköz gyakorlati példája

Tegyük fel, hogy az A és a B eszköz hozamai egyaránt volatilisak. Ha az átlaguktól való eltéréseik gyakran ugyanabba az irányba mutatnak, akkor a kovarianciájuk pozitív.

Ha a trader mindkettőt tartja, a kombinált hozamsorozat nagyobb szinkronizált kilengéseket mutathat, mint amit az egyes pozíciók külön vizsgálata alapján várna.

Most képzeljünk el egy másik eszközt, amely jellemzően az A-val ellentétesen mozog. A kovarianciája A-val negatív. Ennek bizonyos súllyal történő hozzáadása csökkentheti a portfólió teljes varianciáját, a súlyoktól és a kovariancia nagyságától függően.

Ez azonban nem jelenti azt, hogy a negatív kovarianciájú eszköz „biztonságos”. Önmagában továbbra is lehet jelentősen volatilis, és veszteséget is okozhat. Az állítás kizárólag a két hozamsorozat egymásra gyakorolt statisztikai kapcsolatáról szól.

8. A kovariancia skálafüggő

Tegyük fel, hogy két stratégia mögöttes viselkedése azonos, de az egyik stratégiát tízszer nagyobb pozíciómérettel kereskedjük. A P&L- vagy hozamalapú kovarianciájuk a megfigyelések skálájának változása miatt jelentősen eltérhet.

Ez az egyik oka annak, hogy a kovarianciát mindig a pozícióméretezéssel és a vizsgált hozamsorozat definíciójával együtt kell értelmezni.

Egy normalizált hozamokra épített kovarianciamátrix más kérdésre ad választ, mint egy dollárban kifejezett P&L-re épített mátrix.

Portfólióépítésnél ezért pontosan meg kell határozni, hogy az elemzés célja az eszközök statisztikai kapcsolatának megértése, vagy a választott allokációk által létrehozott tényleges kockázati kölcsönhatás mérése.

9. Kovariancia és pozícióméretezés

A pozícióméretezés megváltoztatja, hogy a kovariancia mekkora szerepet játszik a portfóliókockázatban. Ugyanaz a két instrumentum teljesen más portfólió-kockázati profilt eredményezhet eltérő súlyok mellett.

Ha az egyik eszköz kitettsége nagy, a másiké pedig kicsi, a kovariancia hatása viszonylag mérsékelt lehet. Egyenlő súlyok esetén ugyanaz a kapcsolat sokkal fontosabbá válhat.

Ez azt jelenti, hogy a kovariancia nem választható el a kitettségtől. Egy statisztikai kapcsolat csak a tényleges tőke- vagy kockázati súlyokon keresztül válik portfóliókockázati kérdéssé.

Szakértői szinten ezért kerülendő az olyan kijelentés, hogy „ennek a két eszköznek veszélyes a kovarianciája” anélkül, hogy megadnánk a mérés módját, a mintát és a portfóliósúlyokat.

10. Kovarianciamátrixok

Amikor egy portfólió sok eszközt tartalmaz, a páronkénti kovarianciákat gyakran kovarianciamátrixba rendezik.

A főátló elemei az egyes eszközök varianciáját, a főátlón kívüli elemek pedig az eszközpárok közötti kovarianciát tartalmazzák.

A mátrix így egyetlen struktúrában írja le az egyedi szóródást és a páronkénti kölcsönhatásokat.

Egy háromeszközös kovarianciamátrixban három egyedi varianciát és a hozzájuk tartozó páronkénti kovarianciákat találjuk. Nagyobb portfóliónál a páronkénti kapcsolatok száma gyorsan növekszik.

Ez az egyik oka annak, hogy a portfóliókockázat rendszerszintű problémává válik az egyedi trade-kockázatok egyszerű felsorolása helyett.

11. Pozitív kovariancia és rejtett koncentráció

A pozitív kovariancia megmutathatja, hogy különbözőnek tűnő pozíciók mégis közös mozgásnak vannak kitéve.

Képzeljünk el több növekedési érzékenységű részvényt. Az egyes vállalatok különbözhetnek, de hozamaik hasonlóan reagálhatnak a kamatvárakozásokra, a széles piaci hangulatra vagy a szektorszintű tőkeáramlásokra.

Ha ezek a kapcsolatok pozitív kovarianciát eredményeznek, az egyidejű kitettség növelheti a portfólió varianciáját.

Ez szorosan kapcsolódik a Korrelációs kockázathoz és a Koncentrációs kockázathoz. A kovariancia a skálafüggő matematikai kapcsolatot adja meg; a portfólióelemzés pedig megmutatja, hogy ez a kapcsolat mit jelent a tényleges kitettség szempontjából.

12. Negatív kovariancia és diverzifikáció

A negatív kovariancia hozzájárulhat a diverzifikációhoz, mert az egyik eszköz hajlamos az átlaga fölé kerülni akkor, amikor a másik az átlaga alá kerül.

A negatív kovariancia azonban nem jelent tartós hedge-garanciát. A piaci kapcsolatok megváltozhatnak, különösen likviditási sokkok, makrogazdasági változások vagy új piaci rezsimek esetén.

Ha egy portfólió túlságosan egy korábbi negatív kapcsolatra épít, sérülékennyé válhat, ha a kapcsolat gyengül vagy megfordul.

A professzionális diverzifikáció ezért nem egy örökké negatív kovariancia megtalálása. Hanem a függőségek kezelése reális Bizonytalanság mellett.

13. A nulla kovariancia nem jelent függetlenséget

A nullához közeli kovariancia azt jelenti, hogy a kiválasztott mintában gyenge a lineáris együttmozgás az átlagoktól való eltérések szintjén.

Nem bizonyítja, hogy a két változó független.

Két változó között lehet nemlineáris kapcsolat úgy is, hogy a kovarianciájuk közel nulla. Az is előfordulhat, hogy csak bizonyos piaci körülmények között válnak erősen összefüggővé.

Ez ugyanaz a fogalmi figyelmeztetés, amellyel a korrelációnál találkoztunk, de a kovariancia különösen fontos, amikor egy trader történelmi adatokból portfóliómodellt épít.

A nulla kovarianciát ezért úgy kell értelmezni, mint korlátozottan kimutatott lineáris közös mozgást, nem pedig a függetlenség bizonyítékát.

14. A kovariancia függ a mérési időablaktól

A kovarianciát megfigyelésekből becsüljük, ezért a mérési időablak megváltoztatása az eredményt is megváltoztathatja.

Egy hosszú történelmi minta több piaci rezsimet is összekeverhet. Egy rövidebb időablak jobban tükrözheti az aktuális környezetet, de általában zajosabb becslést eredményez.

Az időtáv megváltoztatja a kovariancia jelentését is. A napi hozamok kovarianciája és a heti hozamok kovarianciája nem felcserélhető statisztika.

A tradernek ezért mindig dokumentálnia kell a megfigyelési gyakoriságot, a mérési időszakot, a hozamsorozat definícióját és a Mintanagyságot.

Eltérő mérési feltételek mellett kovarianciaértékeket összehasonlítani könnyen olyan következtetéshez vezethet, amely számszerűnek látszik, de statisztikailag nem koherens.

15. A volatilitás és a kovariancia kapcsolata

A kovariancia részben attól is függ, hogy a két változó mennyire erősen ingadozik. Ha mindkét sorozat sokkal volatilisabbá válik, miközben a standardizált kapcsolat hasonló marad, a kovariancia abszolút értéke növekedhet.

Ez jól mutatja, miért válaszol más kérdésre a kovariancia és a korreláció. A korreláció viszonylag stabil maradhat, miközben a kovariancia megváltozik, mert az alapul szolgáló Volatilitás változik.

A trader számára ez nagyon gyakorlati különbség. A kapcsolat relatív értelemben hasonló maradhat, miközben az együttmozgások abszolút mérete sokkal nagyobb lesz.

A portfólió kockázata ezért akkor is növekedhet, ha a korreláció látszólag változatlan marad, pusztán azért, mert az egyes komponensek volatilitása megemelkedett.

16. Stratégiahozamok és R-többszörösök kovarianciája

A kovariancia nem korlátozódik az eszközhozamokra. Stratégiahozamokra is alkalmazható, feltéve hogy a megfigyelések megfelelően vannak összehangolva.

Két stratégia különböző instrumentumokon és eltérő setupokkal kereskedhet, mégis pozitív kovarianciát mutathat az R-többszörös eredményekben, ha hasonlóan reagálnak ugyanarra a piaci környezetre.

Az R-többszörös segíthet normalizálni a trade-kimeneteleket a kezdeti kockázathoz képest, de a megfigyelések kialakítása továbbra is kritikus. A trade-szintű eredményeknek védhető párosítási logikával kell rendelkezniük; egymástól független trade-ek önkényes párosítása értelmetlen kovarianciát eredményezhet.

Multi-stratégiai portfólióknál ezért gyakran nem az a legfontosabb kérdés, hogy „különböző tickeren kereskednek-e?”, hanem az, hogy „hogyan hatnak egymásra a normalizált eredmények eloszlásai, amikor a stratégiák egyszerre aktívak?”

17. Kovariancia, korreláció és portfóliómodellek

Egy kvantitatív portfóliómodellben a kovariancia gyakran közvetlen bemenet a portfólióvariancia számításához, míg a korreláció segít megérteni a mögötte álló standardizált struktúrát.

A gyakorlati folyamat ezért a következő: becsüld meg az egyedi volatilitásokat, becsüld meg a páronkénti kovarianciákat, határozd meg a portfóliósúlyokat, majd értékeld az így létrejövő együttes varianciát.

Ez azonban nem teszi automatikusan helyessé a modellt. Ha a kovarianciabecslések instabilak, a súlyok irreálisak, vagy a jövőbeni piaci rezsim jelentősen eltér a történelmi mintától, a számított portfóliókockázat félrevezető lehet.

A kvantitatív kifinomultság nem szünteti meg a Bizonytalanságot. Csak láthatóbbá teszi a feltételezéseket.

18. Szakértői munkafolyamat — az adatoktól a portfólióértelmezésig

1. Definiáld a változót. Döntsd el, hogy instrumentumhozamokat, stratégiahozamokat, equity-változásokat vagy normalizált R-többszörösöket használsz.

2. Illeszd össze a megfigyeléseket. Minden párosított megfigyelésnek ugyanazt a logikai időszakot vagy előre definiált eseményt kell képviselnie.

3. Határozd meg a mintát. Rögzítsd a Mintanagyságot, az időtávot, a gyakoriságot és azt, hogy milyen piaci rezsimet tartalmaz.

4. Számíts kovarianciát. Őrizd meg az előjelet és a nagyságot, ne alakítsd azonnal standardizált mutatóvá.

5. Számíts korrelációt kiegészítő mérőszámként. Ez segít elkülöníteni a skálahatást a relatív együttmozgástól.

6. Vizsgáld a volatilitást. A kovariancia változását részben a komponensek változó Volatilitása okozza-e?

7. Stresszteszteld a kapcsolatot. Vizsgáld külön a magas volatilitású és jelentős Visszaeséssel járó időszakokat.

8. Alkalmazd a tényleges súlyokat. Fordítsd le a statisztikai kapcsolatot arra a portfóliókitettségre, amelyet valóban tartani kívánsz.

9. Vizsgáld a stabilitást. Hasonlíts össze több időablakot, és állapítsd meg, hogy a kapcsolat tartós vagy rezsimfüggő.

10. Dokumentáld a bizonytalanságot. Írd le, mit támaszt alá az adat, és mi marad a jövőre vonatkozó feltételezés.

19. Szakértői esettanulmány — azonos korreláció, eltérő kovariancia

Tekintsünk két eszközpárt. Mindkét pár körülbelül azonos pozitív korrelációt mutat.

Az A pár viszonylag stabil eszközökből áll. A B pár sokkal volatilisabb eszközökből áll. Mivel a korreláció standardizált, a két kapcsolat hasonlónak tűnhet, ha csak a korrelációs együtthatót nézzük.

A kovariancia azonban a B párnál lényegesen nagyobb lehet, mert az alapul szolgáló eltérések is nagyobbak.

Portfóliószinten ez fontos különbség. A trader, aki csak a korrelációt nézi, helyesen azonosíthatja az együttmozgás irányát és relatív erősségét, de alulbecsülheti az együttmozgó kockázat abszolút nagyságát.

A helyes értelmezés ezért két dimenziós: a korreláció a standardizált függőséget írja le, a kovariancia pedig megőrzi ennek a függőségnek a skáláját.

20. Gyakori trading hibák

A kovarianciát különböző skálájú adathalmazok között közvetlenül összehasonlítható mutatóként kezelni.

Azt feltételezni, hogy a pozitív kovariancia azt jelenti, hogy két eszköz a következő trade-ben vagy napon együtt fog emelkedni.

A nulla kovarianciát teljes függetlenségként értelmezni.

A portfóliósúlyokat figyelmen kívül hagyni a kovariancia értelmezésekor.

Napi és heti kovarianciát úgy összehasonlítani, mintha ugyanaz a statisztika lenne.

Túl kis mintát használni, majd egy instabil becslést tartós piaci tulajdonságként kezelni.

Figyelmen kívül hagyni a Volatilitás változását, amely akkor is módosíthatja a kovarianciát, ha a standardizált együttmozgás hasonló marad.

Önkényesen párosított stratégiai trade-ekből kovarianciát számítani ahelyett, hogy megfelelően összehangolt megfigyeléseket használnánk.

Komplex kovarianciamodellt építeni úgy, hogy közben figyelmen kívül marad a rezsimváltás és a modell Bizonytalansága.

21. Tudásellenőrzés

1. Mit mér fogalmilag a kovariancia?

2. Miért lehet pozitív, negatív vagy nullához közeli a kovariancia?

3. Miért használ a mintakovariancia jellemzően n−1 nevezőt?

4. Miért skálafüggő a kovariancia?

5. Mit ad hozzá a korreláció a kovariancia értelmezéséhez?

6. Miért jelenik meg a kovariancia a portfólióvarianciában?

7. Hogyan változtathatja meg a pozícióméretezés a kovariancia gyakorlati hatását?

8. Miért nem bizonyítja a nulla kovariancia a függetlenséget?

9. Miért változhat a kovariancia akkor is, ha a korreláció hasonló marad?

10. Miért kell a stratégiai R-többszörösöket megfelelően összehangolni a kovariancia számítása előtt?

11. Mit tartalmaz a kovarianciamátrix főátlója és a főátlón kívüli része?

12. Miért válhat megbízhatatlanná a történelmi kovariancia rezsimváltás után?

13. Mi a különbség a statisztikai kovariancia és a tényleges portfóliókitettség között?

14. Miért érdemes a kovarianciát és a korrelációt együtt vizsgálni?

15. Mit kell egy szakértő tradernek dokumentálnia, mielőtt kovarianciabecslésre támaszkodik?

Szakértői válasz alapelve: válaszd külön a matematikai kapcsolatot a portfólióértelmezéstől, őrizd meg a skálainformációt, azonosítsd a mintát és az időtávot, és tedd explicitté a bizonytalanságot.

Összegzés

A kovariancia a portfóliókockázat egyik alapvető matematikai struktúrája. Azt írja le, hogy két változó hajlamos-e együtt vagy ellentétesen eltérni a saját átlagától, miközben megőrzi az együttmozgás skáláját.

Jelentősége akkor válik igazán láthatóvá, amikor az egyedi pozícióktól a portfólió felé lépünk. Az egyedi Volatilitás azt mutatja meg, hogy az egyes komponensek mennyire mozoghatnak; a kovariancia azt, hogy ezek a mozgások hogyan hatnak egymásra. A kombinált kockázat mindkettőtől függ.

A szakértői trader ezért a kovarianciát modellbemenetként kezeli, nem önálló jelzésként. Jelentése függ a hozamsorozat definíciójától, a skálától, a mintától, az időtávtól, a volatilitási rezsimtől és a portfóliósúlyoktól.

A mélyebb tanulság ugyanaz, amely végigkíséri a kvantitatív kereskedést: egy precíz szám nem jelent automatikusan precíz tudást. A kovarianciabecslés csak akkor válik valóban hasznossá, ha értjük annak felépítését, feltételezéseit, korlátait és kapcsolatát a tényleges tradingkitettséggel.

Copying, reproducing, adapting, distributing, or publicly displaying any part or all of the Academy’s textual content without the author’s prior written consent is prohibited.