Medir la causalidad lineal y no lineal entre mercados financieros

Resumen

Este artículo presenta un marco para estudiar la dependencia entre instrumentos financieros más allá de la correlación convencional. Aplica entropía de transferencia y mapeo cruzado convergente para identificar relaciones causales, y después utiliza sustitutos de transformadas de Fourier para distinguir las contribuciones lineales de las no lineales. La motivación es que la correlación puede reflejar bien la causalidad lineal y pasar por alto dependencias no lineales, lo que podría subestimar cuánto se influyen los mercados entre sí.

Los autores informan de una causalidad no lineal significativa entre índices bursátiles de Alemania y Estados Unidos. Analizan cómo medir ambas formas de causalidad podría ayudar a investigar señales de mercado, el trading por pares y la gestión del riesgo de cartera, incluida la posibilidad de señales tempranas de comportamientos anómalos. Estos hallazgos motivan aplicaciones posteriores, pero no demuestran que tales señales mejoren de forma fiable los resultados del trading. La evidencia descrita se limita a los índices examinados, y el fragmento no ofrece detalles sobre la muestra, las pruebas de solidez ni el rendimiento práctico de estrategias basadas en estas medidas.

Ideas clave

• La correlación de Pearson capta la dependencia lineal, pero puede pasar por alto relaciones no lineales.
• El marco combina entropía de transferencia y mapeo cruzado convergente con análisis de sustitutos.
• El estudio informa de causalidad no lineal entre índices bursátiles alemanes y estadounidenses.
• Las medidas de causalidad pueden orientar el trading por pares, la investigación de señales y la gestión del riesgo de cartera.
• El fragmento no demuestra el rendimiento de trading de las estrategias basadas en estas medidas.

Etiquetas

# Linear and nonlinear causality in financial markets


# Linear and nonlinear causality in financial markets









Identifying and quantifying co-dependence between financial instruments is a key challenge for researchers and practitioners in the financial industry. Linear measures such as the Pearson correlation are still widely used today, although their limited explanatory power is well known. In this paper we present a much more general framework for assessing co-dependencies by identifying and interpreting linear and nonlinear causalities in the complex system of financial markets. To do so, we use two different causal inference methods, transfer entropy and convergent cross-mapping, and employ Fourier transform surrogates to separate their linear and nonlinear contributions. We find that stock indices in Germany and the U.S. exhibit a significant degree of nonlinear causality and that correlation, while a very good proxy for linear causality, disregards nonlinear effects and hence underestimates causality itself. The presented framework enables the measurement of nonlinear causality, the correlation-causality fallacy, and motivates how causality can be used for inferring market signals, pair trading, and risk management of portfolios. Our results suggest that linear and nonlinear causality can be used as early warning indicators of abnormal market behavior, allowing for better trading strategies and risk management.

Se muestra íntegramente con atribución según la licencia de la fuente. Licencia: abstract CC0

Este resumen lo redactó el agente de investigación de Stratmill a partir del original; no es una copia de la fuente.