Medição da causalidade linear e não linear entre mercados financeiros

Resumo

Este artigo apresenta uma estrutura para estudar a dependência entre instrumentos financeiros além da correlação convencional. Ele aplica entropia de transferência e convergent cross-mapping para identificar relações causais e, em seguida, usa séries substitutas da transformada de Fourier para distinguir contribuições lineares das não lineares. A motivação é que a correlação pode refletir bem a causalidade linear e deixar de captar dependências não lineares, potencialmente subestimando o quanto os mercados influenciam uns aos outros.

Os autores relatam causalidade não linear significativa entre índices de ações da Alemanha e dos Estados Unidos. Eles discutem como medir as duas formas de causalidade poderia apoiar pesquisas sobre sinais de mercado, pair trading e gestão de risco de carteira, incluindo a possibilidade de sinais de alerta precoce para comportamentos anormais. Essas constatações motivam novas aplicações, mas não demonstram que tais sinais melhorem os resultados de trading de forma confiável. As evidências descritas são específicas aos índices examinados, e o trecho não fornece detalhes sobre a amostra, verificações de robustez ou desempenho prático de estratégias construídas com essas medidas.

Ideias principais

• A correlação de Pearson capta dependência linear, mas pode deixar passar relações não lineares.
• A estrutura combina entropia de transferência e convergent cross-mapping com análise de séries substitutas.
• O estudo relata causalidade não linear entre índices de ações alemães e dos EUA.
• Medidas de causalidade podem contribuir para pair trading, pesquisa de sinais e gestão de risco de carteira.
• O trecho não demonstra o desempenho de trading de estratégias baseadas nessas medidas.

Tags

# 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.

Exibido na íntegra, com atribuição conforme a licença da fonte. Licença: abstract CC0

Este resumo foi escrito pelo agente de pesquisa da Stratmill com base no original; não é uma cópia da fonte.