Korreláció

ID: E-004

Bevezetés

Az E-003 a varianciát és a szórást vizsgálta mint a szóródás mérőszámait: ezek azt mutatják meg, hogy az eredmények mennyire szélesen helyezkednek el egy központi érték körül. Az E-004 egy másik statisztikai kérdéssel foglalkozik: hogyan mozog két változó egymáshoz képest.

A trader számára a korreláció nem pusztán portfólióépítési fogalom. Feltárhat rejtett koncentrációt, duplikált kitettséget, összehangolt stratégiai kockázatot és olyan helyzeteket, amikor több látszólag független pozíció valójában ugyanannak az alapul szolgáló piaci tényezőnek a kifejezése.

A korrelációt ugyanakkor könnyű félreértelmezni. A magas korreláció nem bizonyít ok-okozati kapcsolatot. Egyetlen történelmi időszak alacsony korrelációja nem garantálja a jövőbeni diverzifikációt. Egy kis vagy szerkezetében eltérő mintából számított korreláció pedig hamis bizonyosságot teremthet.

A szakértői cél ezért nem az, hogy megtanuljuk egy korrelációs együttható jelentését. A cél annak megértése, hogy pontosan milyen kapcsolatot mértünk, milyen mintán, milyen piaci rezsimben, milyen hozamsorozaton, és milyen döntést támaszthat alá jogosan az eredmény.

1. Mit mér valójában a korreláció?

A korreláció azt méri, hogy két változó milyen mértékben hajlamos szisztematikusan együtt mozogni. A standard Pearson-féle korreláció esetén az együttható az összefüggés irányát és a lineáris kapcsolat erősségét írja le.

Képzeljünk el két hozamsorozatot, amelyeket ugyanazon időszakokban figyelünk meg. Ha az A eszköz emelkedésekor a B eszköz is jellemzően emelkedik, majd eséskor szintén együtt esnek, akkor pozitív korrelációról beszélünk. Ha A emelkedése B esésével jár együtt, akkor negatív korrelációról beszélünk. Ha a mozgások között nincs stabil lineáris kapcsolat, a korreláció nullához közeli lehet.

A kulcsszó a hajlam. A korreláció nem azt állítja, hogy a két változó minden egyes megfigyelésben együtt fog mozogni. A mintán belüli kapcsolatot foglalja össze.

Trading szempontból a korreláció ezért a megfigyelések szerkezetének megértésére szolgál, nem a következő gyertya pontos előrejelzésére.

2. A korrelációs együttható: −1 és +1 között

A Pearson-féle korrelációs együtthatót általában r-rel jelöljük, értéke −1 és +1 között lehet.

r = +1 tökéletes pozitív lineáris kapcsolatot jelent a mintában. Az egyik változó minden megfigyelése pontos pozitív lineáris transzformációval kifejezhető a másikból.

r = −1 tökéletes negatív lineáris kapcsolatot jelent. Amikor az egyik változó az elvárt helyzetéhez képest feljebb van, a másik ennek megfelelően lejjebb helyezkedik el, tökéletes lineáris mintázatban.

r ≈ 0 azt jelenti, hogy a mintában kevés lineáris együttmozgás figyelhető meg. Nem azt jelenti, hogy a két változó között egyáltalán nincs kapcsolat.

A valós trading adatokban a ±1-hez közeli értékek ritkák, kivéve, ha az eszközök vagy változók mechanikusan össze vannak kötve. A helyes kérdés nem az, hogy egy szám önmagában „magas”-e, hanem hogy gazdasági és trading szempontból jelentős-e.

3. Korreláció és kovariancia — rokon, de nem azonos fogalmak

A kovariancia és a korreláció egyaránt a közös mozgást írja le, de nem felcserélhetők.

A kovariancia megőrzi a két változó mértékegységeit. Emiatt a nagysága függ az alapul szolgáló sorozatok skálájától és volatilitásától. A korreláció ezzel szemben standardizálja a kapcsolatot, így értéke mindig −1 és +1 közé esik.

Fogalmilag a korreláció a standardizált kovariancia. A standardizálás teszi lehetővé, hogy különböző változópárok kapcsolatát könnyebben összehasonlítsuk.

A trader számára ez azért fontos, mert két eszköz árszintje és volatilitása nagyon eltérő lehet, miközben a hozamaik korrelációja hasonló.

Nyers ár-kovarianciát ezért nem célszerű úgy összehasonlítani, mintha az különböző instrumentumok között közvetlenül azonos jelentéssel bírna. Ha a kérdés az, hogy két hozamsorozat együtt mozog-e, a standardizált korreláció általában értelmezhetőbb kiindulópont.

4. Pozitív, negatív és nullához közeli korreláció

Pozitív korreláció esetén a változók jellemzően azonos irányba mozognak. Ilyen kapcsolat bizonyos piaci rezsimekben például erősen összekapcsolódó részvénykitettségek között jelenhet meg.

Negatív korreláció esetén a változók jellemzően ellentétes irányba mozognak. Egy hedge negatív korrelációt mutathat a portfólióval, de ennek erősségét és stabilitását mérni kell, nem feltételezni.

A nullához közeli korreláció azt jelenti, hogy a kiválasztott mintában kevés stabil lineáris együttmozgás figyelhető meg. Ez hasznos lehet diverzifikáció szempontjából, de nem jelent automatikusan függetlenséget.

Két alacsony korrelációjú stratégia egyszerre is veszíthet, ha mindkettő egy harmadik, rejtett tényezőtől függ. Ugyanígy két magas korrelációjú instrumentum információt adhat ugyanarról a piaci faktorról, miközben együttes tartásuk kevéssé diverzifikál.

A helyes értelmezés tehát mindig kontextusfüggő: mivel korrelál, milyen időtávon és milyen célból?

5. A lineáris korreláció nem azonos mindenféle kapcsolattal

A Pearson-korreláció kifejezetten a lineáris együttmozgásra érzékeny. A piacokon azonban lehetnek nemlineáris, rezsimfüggő vagy szélsőséges megfigyelésekre koncentrálódó kapcsolatok.

Ezért egy nullához közeli együttható mellett is létezhet gazdaságilag vagy trading szempontból fontos nemlineáris kapcsolat. Például az egyik változó csak akkor reagálhat a másikra, amikor az átlép egy bizonyos küszöböt. Ezt a hagyományos Pearson-korreláció nem feltétlenül írja le jól.

A rangalapú mérőszámok, például a Spearman-korreláció, monoton kapcsolatokat is képesek megragadni akkor is, ha azok nem lineárisak. Ez más kérdés, ezért nem szabad automatikusan a Pearson-korrelációval azonosként kezelni.

A szakértői tanulság módszertani: a korrelációs szám értelmezése előtt azonosítani kell, hogy pontosan milyen statisztikai mérőszámot használtunk, és az milyen kapcsolatot képes leírni.

6. A korreláció nem bizonyít ok-okozati kapcsolatot

Ha két eszköz vagy változó korrelál, abból önmagában nem következik, hogy az egyik okozza a másik mozgását.

Mindkettő reagálhat ugyanarra a makrogazdasági tényezőre. Lehet közöttük piaci szerkezeti kapcsolat. A kapcsolat lehet közvetett. Az is előfordulhat, hogy csak a kiválasztott időszak miatt látszik erősnek.

Különösen veszélyes a látszólagos korreláció, amikor a trader nagyszámú kapcsolatot vizsgál, majd csak azokat emeli ki, amelyek vizuálisan meggyőzőnek tűnnek.

A professzionális folyamat ezért a korrelációt együttmozgásra utaló bizonyítékként kezeli, nem egy ok-okozati mechanizmus bizonyítékaként. Ha a trading tézis oksági kapcsolatra épül, ahhoz további gazdasági vagy piaci szerkezeti bizonyíték szükséges.

7. A mintanagyság meghatározza, mennyi bizalom indokolt

Nem ugyanazt a bizalmat érdemli egy tíz megfigyelésből számított korreláció, mint ugyanaz az érték ötszáz megfigyelésből.

Kis mintákban az eredmény instabil lehet. Néhány megfigyelés jelentősen megváltoztathatja az együtthatót, különösen volatilis vagy kiugró értékeket tartalmazó sorozatoknál.

A Mintanagyság ezért nem adminisztratív megjegyzés, hanem az értelmezés része. A tradernek azt kell kérdeznie: valójában hány független megfigyelés áll rendelkezésre, és ezek mennyire reprezentálják azt a rezsimet, amelyben a kapcsolatot használni fogja?

A statisztikai szignifikancia ráadásul nem azonos a gazdasági jelentőséggel. Egy nagyon kis korreláció hatalmas mintában statisztikailag kimutatható lehet, miközben trading szempontból lényegtelen. Fordítva: egy potenciálisan fontos kapcsolat nem feltétlenül megy át formális teszten, ha túl kicsi a minta.

A szakértői gyakorlat az együtthatót, a mintanagyságot, a bizonytalanságot, a gazdasági jelentőséget és a stabilitást együtt vizsgálja.

8. A kiugró értékek torzíthatják a korrelációt

A szélsőséges megfigyelések aránytalanul nagy hatással lehetnek a Pearson-korrelációra, mivel a számítás az átlagtól való eltérések közös viselkedését használja.

Tegyük fel, hogy két instrumentum normál körülmények között többnyire függetlenül mozog, majd egy rendkívüli piaci sokk során mindkettő hatalmas mozgást produkál. Néhány ilyen szélsőséges megfigyelés jelentősen megemelheti a mért korrelációt.

Ez önmagában nem feltétlenül hiba. Lehet, hogy éppen a szélsőséges megfigyelések tartalmazzák azt a kockázatot, amelyet a tradernek ismernie kell. A hiba az, ha a trader egyetlen korrelációt kiszámol, a kényelmetlen megfigyeléseket automatikusan eltávolítja vagy kritikátlanul bent hagyja, majd úgy tesz, mintha az eredmény teljesen leírná a kapcsolatot.

Hasznos diagnosztikai lépés lehet a kapcsolat vizsgálata a jelentős kiugró értékekkel és azok nélkül is, miközben dokumentáljuk, miért maradtak bent vagy miért kerültek ki. A cél nem egy kedvezőbb szám előállítása, hanem annak megértése, hogy a kapcsolat mennyire függ rendkívüli eseményektől.

9. Az alacsony korreláció mögött is lehet nemlineáris függés

A nullához közeli korrelációt néha úgy értelmezik, hogy „ez a két pozíció független”. Ez túl erős következtetés.

Képzeljünk el két stratégiát, amelyek csak erős piaci stressz alatt viselkednek hasonlóan. Normál időszakokban alig mutatnak lineáris kapcsolatot, ezért az összesített korreláció alacsony lehet. Egy crash során azonban mindkettő jelentős veszteséget szenvedhet el.

Ez az egyik oka annak, hogy a farokviselkedést külön is vizsgálni kell. Az átlagos korreláció elrejtheti a feltételes függést.

A szakértői trader ezért nemcsak feltétel nélküli korrelációt vizsgál, hanem releváns állapotok alatt is: magas volatilitású napokon, széles piaci esésekben, nagy gapeknél, meghatározott rezsimekben vagy akkor, amikor egy adott faktor dominál.

Az alacsony átlagos korreláció tehát együtt létezhet magas stresszkorrelációval. Kockázatkezelésnél ez utóbbi lehet fontosabb.

10. A korreláció időben változik

A piaci kapcsolatok nem örök érvényű törvények. A korreláció emelkedhet, csökkenhet, megfordulhat vagy instabillá válhat, ahogy változnak a piaci szereplők, a likviditás, a makrogazdasági környezet és a piaci rezsimek.

Egy hároméves adaton mért korreláció ezért gyenge leírása lehet annak, ami a következő három hónapban történik, ha közben megváltozott a rezsim.

Erre praktikus megoldás a gördülő korreláció. Egyetlen együttható helyett mozgó ablakban, például 20, 60 vagy 120 megfigyelésen számítjuk újra a kapcsolatot, az alkalmazás céljától függően.

Az ablak hossza kompromisszumot jelent. A rövid ablak gyorsan reagál, de zajos. A hosszú ablak stabilabb, de lassabban követi a rezsimváltást.

A gördülő korreláció nem varázsindikátor. Diagnosztikai eszköz, amely segít megmutatni, hogy a kapcsolat tartós, gyengülő, erősödő vagy instabil.

11. Stresszhelyzetben a korreláció megemelkedhet

A diverzifikáció éppen akkor viselkedhet másképp, amikor a tradernek a legnagyobb szüksége van rá. Piaci stressz alatt több eszköz vagy stratégia erősebben összekapcsolódhat, mert a likviditás, a kockázatkerülés, a tőkeáttétel-leépítés és a közös faktorkitettség felülírhatja az egyedi sajátosságokat.

Ez hozza létre a Korrelációs kockázat egyik fontos formáját: a portfólió normál körülmények között diverzifikáltnak tűnik, de visszaesés alatt koncentrálttá válik.

Egy öt részvényből álló portfólió sem feltétlenül diverzifikált, ha mind az öt hasonló faktoroknak van kitéve. Ugyanez igaz öt stratégiára: nem feltétlenül öt független Stratégiai előnyt képviselnek, ha mind ugyanarra a piaci rezsimre épül.

A gyakorlati kérdés ezért nem pusztán az, hogy „hány pozícióm van?”, hanem az, hogy „hány különálló kockázati és hozamforrást képviselnek ezek a pozíciók?”

12. Korrelációs kockázat és rejtett koncentráció

A Korrelációs kockázat annak lehetősége, hogy különállónak tűnő pozíciók vagy stratégiák annyira együtt mozognak, hogy nem kívánt koncentrációt hoznak létre.

Képzeljünk el egy tradert, aki három technológiai részvényt, egy technológiai ETF-et és egy növekedési indexpozíciót tart. A ticketek száma öt, de az alapul szolgáló kitettség sokkal közelebb lehet egyetlen széles faktorhoz.

Ugyanez a stratégia szintjén is megtörténhet. Öt erősen összefüggő instrumentumon végrehajtott breakout stratégia több belépést jelenthet anélkül, hogy öt független fogadást jelentene.

A korrelációs elemzés segíthet feltárni ezt a rejtett koncentrációt. Nem mondja meg automatikusan, hogy mekkora kitettség elfogadható; ez már portfólió- és kockázatpolitikai döntés.

A szakértői trader ezért a korrelációt a függőségi térkép részeként használja, majd ezt összeveti a pozíciómérettel, a stop távolságával, a volatilitással és a lehetséges visszaeséssel.

13. Instrumentumok korrelációja és stratégiák hozamkorrelációja

Az egyik legfontosabb különbség az instrumentumok és a tényleges stratégiahozamok korrelációja.

Két részvény árfolyamhozamai erősen korrelálhatnak, miközben a rajtuk alkalmazott stratégiák hozamai kevésbé korrelálnak, mert eltérőek a belépések, a kilépések, a stopok és a setup-szűrések.

Ennek fordítottja is lehetséges. Két gyengén korreláló instrumentumon futó stratégia P&L-je erősen korrelálhat, ha mindkettő ugyanattól az irányultságtól vagy volatilitási rezsimtől függ.

Portfólióelemzésnél ezért sokszor közvetlenebbül releváns a stratégiahozamok korrelációja, mint az egyszerű instrumentumkorreláció.

A robusztus folyamat azt a változót méri, amely ténylegesen hordozza a kockázatot: a trading folyamat által létrehozott hozamsorozatot.

14. Az R-többszörösök korrelációja

Az R-többszörös használata különösen hasznossá teszi a korrelációs elemzést, mert a trade eredményeit a kezdeti kockázathoz viszonyítva normalizálja.

Tegyük fel, hogy két stratégia R-eredményeit ugyanazon megfigyelési időszakokon követjük. Ha az R-sorozatok rendszeresen együtt emelkednek és esnek, akkor a kereskedési eredményeik korreláltak lehetnek akkor is, ha a nominális pénzösszegek teljesen eltérnek.

Az R-többszörösök korrelációja segít leválasztani a stratégia viselkedését a számlaméretről. A +2R eredmény és a +2R eredmény összehasonlítható normalizált kimenet, akkor is, ha az egyik trade 100 dollárt, a másik 1000 dollárt kockáztatott.

A szinkronizáció azonban kritikus. A sorozatoknak azonos időszakokat vagy logikailag megfeleltethető megfigyeléseket kell reprezentálniuk. Véletlenszerűen párosított, egymással nem összetartozó trade-ekből értelmetlen statisztika keletkezhet.

Szakértői szinten ez erős diagnosztikai eszköz: két különböző nevű, instrumentumon és belépési szabályokon alapuló stratégia is viselkedhet egyetlen közös kockázati forrásként.

15. Gyakorlati gördülő-korrelációs munkafolyamat

Először pontosan definiáld, mit korreláltatsz: napi hozamokat, heti hozamokat, trade-szintű R-többszörösöket, stratégia equity-változásokat vagy más egyértelműen meghatározott sorozatot.

Ezután igazítsd egymáshoz a megfigyeléseket. Azonos időbélyegeknek vagy logikailag azonos megfigyelési egységeknek kell megfelelniük.

Számítsd ki a kiválasztott korrelációs mérőszámot egy meghatározott történelmi mintán. Rögzítsd a Mintanagyságot és a megfigyelési gyakoriságot.

Ezután számíts gördülő korrelációt több ésszerű ablakon. Hasonlítsd össze a rövid, közepes és hosszabb távú kapcsolatot.

Külön vizsgáld a jelentős Visszaesés és magas Volatilitás időszakait. Megváltozott-e a korreláció akkor, amikor a portfólió nyomás alá került?

Végül kösd össze a statisztikai eredményt a tényleges portfólióval. Ha két stratégia erősen korrelál, vizsgáld meg, hogy az együttes pozícióméretezés létrehoz-e olyan koncentrációt, amely külön-külön vizsgálva nem látszott.

A folyamat szándékosan döntésorientált: definiálás, illesztés, mérés, stresszteszt és értelmezés.

16. Gyakorlati példa — öt trade nem feltétlenül öt független fogadás

Tegyük fel, hogy egy trader öt pozíciót nyit, és mindegyiken 1R-t kockáztat. Az instrumentumok különböznek, ezért a trader kezdetben diverzifikáltnak tekinti a portfóliót.

Elegendő történelmi adat összegyűjtése után kiderül, hogy a stratégiák közül négynek az R-többszörös sorozata erősen korrelál széles piaci esések idején. Normál időszakban az átlagos korreláció mérsékelt, de a legrosszabb 10%-nyi piaci megfigyelésben jelentősen megemelkedik.

A statisztikai következtetés nem az, hogy a stratégiák azonosak. Átlagos körülmények között továbbra is eltérhet a viselkedésük. A gyakorlati következtetés az, hogy a portfólió feltételes koncentrációt tartalmaz, amely stressz alatt válik láthatóbbá.

Ha mind az öt trade egyszerre elérheti a teljes kockázati szintet, akkor az ötpozíciós szerkezet a ticketek száma alapján diverzifikáltabbnak tűnhet, mint amekkora tényleges visszaesési kitettséget hordoz.

A helyes válasz a trader kockázati rendszerétől függ. Lehetséges megoldás lehet az egyidejű kitettség csökkentése, a belépések időbeli eltolása, a korrelált kockázat korlátozása vagy a koncentráció tudatos elfogadása. A korreláció a bizonyítékot adja; a kockázati szabályrendszer határozza meg a döntést.

17. Szakértői gyakorlat — készíts korrelációs térképet

Válassz legalább 100, egymáshoz igazított megfigyelést három olyan instrumentumból vagy stratégiából, amelyet ténylegesen értesz. Portfóliókockázati cél esetén előnyösebb lehet hozamokat vagy R-többszörösöket használni a nyers árak helyett.

Számítsd ki a páronkénti korrelációkat. Rögzítsd a Mintanagyságot, a megfigyelési gyakoriságot és az időszakot.

Ezután számíts gördülő korrelációt rövidebb és hosszabb ablakkal. Jelöld meg a legnagyobb Visszaesés és a legmagasabb Volatilitás időszakait.

Válaszolj a következő kérdésekre:

Mely kapcsolatok stabilak, és melyek rezsimfüggők?

Mely korrelációk növekednek stressz alatt?

Van-e olyan alacsony átlagos korrelációjú pár, amely a szélsőséges esetekben erősen korrelál?

Változik-e a kép, ha instrumentumhozamok helyett a stratégiák R-többszöröseit korreláltatod?

Mely pozíciók tűnnének duplikáltnak, ha a korrelációt a pozíciómérettel és a volatilitással együtt vizsgálnád?

A következtetés mely részeit támasztja alá közvetlenül az adat, és mely részek már értelmezések vagy hipotézisek?

A cél nem a „legjobb” korrelációs szám megtalálása. A cél a függőségi struktúra olyan mélységű megértése, amely mellett a portfóliódöntések nem a ticketek számán, hanem a ténylegesen megfigyelt szerkezeten alapulnak.

18. Gyakori trading hibák

A korrelációt ok-okozati kapcsolatként kezelni. Az együttmozgás önmagában nem bizonyítja, miért jött létre a kapcsolat.

A nulla korrelációt függetlenségként értelmezni. Nemlineáris vagy feltételes kapcsolat rejtve maradhat.

Túl kis mintát használni. Egy rövid történelmi sorozat látványos együtthatója instabil lehet.

Nyers árakat használni megfelelő hozamsorozat helyett. A trendelő árszintek félrevezető kapcsolatokat hozhatnak létre.

Figyelmen kívül hagyni az időt. A történelmi átlagkorreláció elrejtheti a rezsimváltásokat.

Csak a normál piacokat vizsgálni. A stresszkorreláció a visszaesés kezelése szempontjából sokkal fontosabb lehet.

A kiugró értékeket csak azért eltávolítani, mert kényelmetlenné teszik a statisztikát. A szélsőséges megfigyelések tartalmazhatják a legfontosabb kockázati információt.

Nem a megfelelő objektumot korreláltatni. Az instrumentumok korrelációja nem feltétlenül azonos a stratégiai P&L korrelációjával.

Azt feltételezni, hogy több pozíció automatikusan több diverzifikációt jelent. Több korrelált kitettség egyetlen kockázati klaszterként is viselkedhet.

19. Tudásellenőrzés

1. Mit mér a Pearson-féle korreláció?

2. Mit mond valójában a nullához közeli korreláció, és mit nem mond?

3. Miért nem bizonyít a korreláció ok-okozati kapcsolatot?

4. Miért fontos a Mintanagyság a korrelációs együttható értelmezésénél?

5. Hogyan befolyásolhatja egy kiugró érték a Pearson-korrelációt?

6. Hogyan lehet alacsony az átlagos korreláció, miközben stressz alatt magas a korreláció?

7. Mi a gördülő korreláció célja?

8. Miért lehet a stratégiák hozamkorrelációja fontosabb egy trader számára, mint az instrumentumok korrelációja?

9. Mi az előnye az R-többszörösök korreláltatásának stratégiák összehasonlításakor?

10. Miért tartalmazhat Korrelációs kockázatot egy sok pozícióból álló portfólió is?

Szakértői válasz alapelve: az erős válasz különválasztja a statisztikai mérőszámot a trading értelmezéstől, megnevezi a mintát és a rezsimet, és nem kezeli a korrelációt a jövőbeni viselkedés garanciájaként.

Összegzés

A korreláció függőségi mérőszám, nem előrejelző motor. Értékét az adja, hogy megmutatja, hogyan viselkedtek együtt hozamsorozatok, instrumentumok vagy stratégiák egy meghatározott megfigyelési mintában.

A szakértői trader számára a fejlődés a puszta korrelációtól a feltételes megértés felé vezet: Mi korrelál? Milyen időtávon? Hány megfigyelés alapján? Lineáris-e a kapcsolat? Stabil-e? Megváltozik-e Volatilitás-expanzió vagy Visszaesés alatt? És a mért kapcsolat valóban azt a kockázati forrást írja-e le, amelyet a portfólió hordoz?

Ha ezek a kérdések a rutin részévé válnak, a korreláció megszűnik puszta dekoratív statisztika lenni egy dashboardon. Gyakorlati eszközzé válik a rejtett koncentráció felismerésére, a diverzifikáció értékelésére és annak megértésére, hogy több trade hogyan állhat össze egyetlen effektív kockázattá.

Az Akadémia szöveges tartalmának részben, vagy egészben történő másolása, többszörözése, átdolgozása, terjesztése, valamint nyilvános bemutatása a szerző előzetes, írásos hozzájárulása nélkül tilos.