Обнаружение нарушения корреляции: основные оповещения ML

Диверсифицированный портфель может стать сконцентрированным задолго до того, как его панель рисков станет красной. Обнаружение нарушения корреляции использует машинное обучение для выявления тонких изменений во взаимоотношениях активов до того, как среагируют скользящие корреляции, пороги волатильности или обычные количественные сигналы. Цель не состоит в том, чтобы предсказать каждый разворот рынка. Это значит понять, когда статистические предположения, поддерживающие распределение, хеджирование и построение сигналов, становятся ненадежными. Как обнаружение корреляционного распада обнаруживает ранние сдвиги Обнаружение нарушения корреляции — это процесс определения того, когда исторически стабильные отношения между активами, факторами или стратегиями перестают вести себя так, как ожидалось. Традиционные системы обычно рассчитывают корреляцию в течение фиксированных периодов, например, 20 или 60 торговых периодов. Эти оценки отстают, потому что более старые наблюдения искажают новую информацию. Машинное обучение может быстрее обнаруживать смену режимов, оценивая несколько измерений одновременно: Изменения экспоненциально взвешенных корреляций на нескольких временных горизонтах Возрастающая концентрация в наибольшем собственном значении ковариационной матрицы Нестабильность коэффициентов хеджирования и подверженности факторам Необычная кластеризация внутри ассы