What is Asset Correlation Calculator?
▾
Korelační matice je základním nástrojem v teorii portfolia a řízení rizik, který kvantifikuje lineární vztahy mezi výnosy různých aktiv. Každý prvek ρ(i,j) v matici představuje Pearsonův korelační koeficient mezi aktivy i a j, v rozmezí od −1 (dokonalá negativní korelace – aktiva se pohybují přesně opačnými směry) do +1 (dokonalá kladná korelace – aktiva se pohybují v zamčeném kroku), přičemž 0 znamená, že neexistuje lineární vztah. Korelační matice jsou základem moderní teorie portfolia (MPT), kterou vyvinul Harry Markowitz v roce 1952. Rozptyl portfolia je určován nejen volatilitou jednotlivých aktiv, ale kriticky i vzájemnými korelacemi mezi nimi: σ²_portfolio = Σ Σ w_i w_j σ_i σ_j ρ(i,j). Nízké nebo negativní korelace mezi aktivy snižují rozptyl portfolia pod vážený průměr jednotlivých rozptylů — to je matematický základ diverzifikace. V praxi mají korelační matice několik důležitých vlastností a problémů. Za prvé, korelace nejsou v čase stabilní – aktiva, která nejsou na klidných trzích korelována, se často stávají vysoce korelovanými v tržních krizích („korelační špičky“). GFC za rok 2008 se vyznačoval korelacemi mezi rizikovými aktivy, které se současně blížily 1,0, což eliminovalo očekávaný přínos diverzifikace přesně v době, kdy to bylo nejvíce potřeba. Tento jev je známý jako „zhroucení korelace“ nebo „nákaza“. Za druhé, korelační matice musí být kladné semi-definitní (PSD), aby byly matematicky konzistentní — všechna vlastní čísla musí být nezáporná. S mnoha aktivy a omezenými daty vzorové korelační matice často porušují PSD kvůli chybě odhadu, což vyžaduje regularizaci (smrštění, nejbližší projekce PSD matice) před použitím v modelech rizik. Ledoit-Wolfův odhad smrštění se široce používá k vytváření dobře podmíněných korelačních matic pro velká portfolia. Za třetí, lineární korelace je neadekvátní pro zachycení závislosti na chvostu – tendenci aktiv srážet se společně v extrémních událostech, i když normálně nekorelují. Modely kopule (zejména Gaussova a t-kopula) rozšiřují korelační analýzu o zachycení nelineárních závislostních struktur a tail závislostí, které jsou nezbytné pro přesné modelování úvěrového portfolia a rizika CDO.
Calkulon makes complex calculations simple — built for students and everyday problem-solvers.
Vzorec
▾
ρ(i,j) = Cov(R_i, R_j) / (σ_i × σ_j)
Rozptyl portfolia = Σ_i Σ_j w_i × w_j × σ_i × σ_j × ρ(i,j)
Poměr diverzifikace = vážená průměrná volatilita / volatilita portfoliaVariable Legend
▾
| Symbol | Jméno | Jednotka | Popis |
|---|---|---|---|
| ρ(i,j) | Pearsonův korelační koeficient | dimensionless | Lineární korelace mezi výnosy aktiv ia j: se pohybuje od -1 do +1. Měří směr a sílu společného pohybu. |
| σ_p² | Rozptyl portfolia | %² | Součet w_i × w_j × σ_i × σ_j × ρ(i,j) napříč všemi páry; snížena o nízké korelace mezi aktivy. |
| R | Návratová matice | % | T×N matice historických výnosů pro N aktiv za T časová období; slouží k odhadu korelační matice. |
| β_div | Přínos diverzifikace | % | Snížení volatility portfolia v důsledku diverzifikace: (vážený prům. objem − objem portfolia) / vážený prům. objem. |
| λ_min | Minimální vlastní hodnota | dimensionless | Nejmenší vlastní hodnota korelační matice; musí být ≥ 0 pro kladnou semidefiničnost; záporné hodnoty znamenají problémy s odhadem. |
How to Asset Correlation Calculator
▾
- 1Sbírejte historické údaje o výnosech pro všechna aktiva v portfoliu: denní, týdenní nebo měsíční výnosy za minimálně 1–3 roky (více dat = stabilnější odhady).
- 2Vypočítejte průměrnou návratnost vzorku pro každé aktivum; Odečíst znamená vycentrovat data.
- 3Vypočtěte výběrovou kovarianční matici: Cov(i,j) = (1/(T−1)) × Σ (R_it − μ_i)(R_jt − μ_j).
- 4Normalizujte na korelaci: ρ(i,j) = Cov(i,j) / (σ_i × σ_j). Diagonální prvky jsou podle konstrukce 1,0.
- 5Zkontrolujte kladnou semi-určitost: vypočítejte vlastní čísla. Pokud je některá vlastní hodnota záporná, použijte regularizaci (smrštění Ledoit-Wolf, nejbližší matice PSD).
- 6Analyzujte korelační matici: identifikujte vysoce korelované shluky aktiv, téměř nulové korelace (dobré diverzifikátory) a negativní korelace (přirozené zajištění).
- 7Vypočítejte rozptyl portfolia pomocí korelační matice a jednotlivých volatilit; vypočítat přínos diverzifikace.
Worked Examples
▾
Negativní korelace mezi akciemi a dluhopisy je základem portfolií 60/40
Rozptyl portfolia = (0,6)²(0,15)² + (0,4)²(0,07)² + 2(0,6) (0,4) (0,15) (0,07) (−0,25) = 0,0081 + 0,00078 − 0,00127 = 2,0. Portfolio σ = √0,00762 = 8,73 %. Vážený průměr σ = 0,6×15 % + 0,4×7 % = 11,8 %. Přínos diverzifikace = (11,8 % − 8,73 %) / 11,8 % = 26 %. Negativní korelace mezi akciemi a dluhopisy je strukturálním základem portfolia 60/40 – historicky, když akcie padají v recesi, dluhopisy se s klesajícími sazbami zotavují. Tato korelace se stala nespolehlivou v roce 2022, kdy obě spadly společně (inflací tažené zvýšení sazeb).
Utility a energie poskytují největší diverzifikaci vs. technologie
Korelační matice ukazuje, že technologie a zdravotnictví jsou nejvíce korelované (0,45) — oba jsou růstové sektory citlivé na podobné makro faktory. Energie má mírnou korelaci s technologiemi (0,30) a zdravotnictvím (0,20) — je řízena faktory cyklu komodit. Utility mají nejnižší korelace se všemi ostatními sektory (0,10–0,35) – tažené citlivostí na úrokové sazby a regulovanými zisky, což z nich dělá nejlepší diverzifikátor portfolia. Přidání utilit smysluplně snižuje variabilitu portfolia, aniž by se obětovalo mnoho očekávaných výnosů.
Krizové korelace vystřelily směrem k 1,0, což zničilo diverzifikaci přesně v případě potřeby
Na normálních trzích mají akcie a úvěry (HY dluhopisy) mírnou korelaci (0,25), což poskytuje smysluplnou diverzifikaci v portfoliu. V krizi v roce 2008 se akciové i úvěrové trhy zhroutily současně, protože averze k riziku vzrostla – korelace vzrostla na 0,85. Snížení rizika portfolia díky diverzifikaci kleslo ze 40 % na pouhých 8 %. Toto „rozčlenění korelace“ je dobře zdokumentovanou empirickou pravidelností: korelace mezi rizikovými aktivy mají tendenci narůstat při poklesu, takže diverzifikace je mnohem méně účinná v obdobích největší potřeby. Při zátěžovém testování je nutné použít korelace mezi zátěžovým obdobím.
Korelace mezi EM a USA se postupem času zvýšila – globalizace snižuje diverzifikaci
Klouzavá 3letá korelace mezi akciemi USA a rozvíjejícími se trhy se od roku 2000 výrazně zvýšila (z 0,4–0,5 v 90. letech na 0,7–0,8 v roce 2010), částečně kvůli globalizaci, synchronizované měnové politice a zvýšeným přeshraničním kapitálovým tokům. V krizích (GFC 2008, COVID 2020) se korelace vyšplhala na 0,85–0,90. Tento trend – globálně rostoucí korelace – je velkou výzvou pro mezinárodní diverzifikační strategie, které historicky odůvodňovaly alokace EM částečně na základě diverzifikace. Diverzifikační přínos alokace EM se postupem času snižoval, jak se trhy stále více integrovaly.
Real-World Applications
▾
Konstrukce portfolia a optimalizace středních rozptylů, které umožňují odborníkům činit dobře informovaná kvantitativní rozhodnutí založená na ověřených výpočetních metodách a průmyslových standardních přístupech, což vyžaduje přesnou kvantitativní analýzu pro podporu rozhodnutí na základě důkazů, strategickou alokaci zdrojů a optimalizaci výkonu napříč různými organizačními kontexty a profesními disciplínami
Strategie parity rizika a maximální diverzifikace portfolia, které pomáhají analytikům produkovat přesné výsledky, které podporují strategické plánování, alokaci zdrojů a výkonnostní benchmarking napříč organizacemi, kde jsou přesné numerické výpočty zásadní pro vytváření spolehlivých výstupů, které informují o procesech plánování, hodnocení a neustálého zlepšování v podnikovém i individuálním prostředí.
Nastavení simulace Monte Carlo VaR (Cholesky decomposition), umožňující profesionálům systematicky kvantifikovat výsledky a porovnávat scénáře pomocí spolehlivých matematických rámců a zavedených vzorců, vyžadující přístupy systematického výpočtu, které převádějí nezpracovaná vstupní data do praktických poznatků pro zúčastněné strany, které jsou ve svých každodenních profesionálních činnostech závislé na kvantitativní přísnosti.
Zátěžové testování regulačních korelací v rámci Basel FRTB, které podporuje procesy hodnocení založené na datech, kde je numerická přesnost nezbytná pro dosažení souladu, výkaznictví a optimalizačních cílů, vyžadující robustní výpočetní metody, které poskytují konzistentní a ověřitelné výsledky vhodné pro výkaznictví, audity a dlouhodobé analýzy trendů v profesionálním prostředí
Atribuce a korelační zajištění expozice faktoru hedgeového fondu, které vyžaduje přesnou kvantitativní analýzu pro podporu rozhodnutí podložených důkazy, strategické alokace zdrojů a optimalizaci výkonu v různých organizačních kontextech a odborných disciplínách
Special Cases
▾
Nepravé korelace z nestacionářství
Profesionálové pracující s korelační maticí by tomuto scénáři měli věnovat zvláštní pozornost, protože při nesprávném zacházení může vést k zavádějícím výsledkům. Vždy ověřte okrajové podmínky a proveďte křížovou kontrolu nezávislými metodami, když se tento případ v praxi vyskytne.
V praxi vyžaduje tento okrajový případ pečlivé zvážení, protože standardní předpoklady nemusí platit. Když se s tímto scénářem setkáte ve výpočtech korelačního kalkulátoru aktiv, měli by praktici ověřit okrajové podmínky, zkontrolovat rizika dělení nulou a zvážit, zda předpoklady modelu zůstávají platné i za těchto extrémních podmínek.
Korelace vs.
Profesionálové pracující s korelační maticí by tomuto scénáři měli věnovat zvláštní pozornost, protože při nesprávném zacházení může vést k zavádějícím výsledkům. Vždy ověřte okrajové podmínky a proveďte křížovou kontrolu nezávislými metodami, když se tento případ v praxi vyskytne.
Typické korelace tříd aktiv (dlouhodobé průměry, perspektiva USD)
▾
| Pár aktiv | Normální období ρ | Krizové období ρ | Hodnota diverzifikace |
|---|---|---|---|
| US Equities — US Treasuries | −0,25 až +0,10 | -0,40 až -0,60 | Velmi vysoká (let na kvalitu) |
| US Equities — High Yield Bonds | 0,55–0,70 | 0,75–0,90 | Nízká krize |
| US Equities — IG Corporate Bonds | 0,10–0,30 | 0,40–0,60 | Mírný |
| Americké akcie — zlato | −0,10 až +0,10 | −0,20 až +0,20 | Mírný |
| US Equities — Rozvíjející se trhy | 0,70–0,80 | 0,85–0,92 | Nízká (v průběhu času stoupá) |
| US Equities — Real Estate (REITs) | 0,60–0,75 | 0,70–0,85 | Low |
| Americké státní dluhopisy — zlato | 0,0 až 0,15 | 0,0 až 0,20 | Mírný |
Frequently Asked Questions
▾
Co v praxi znamená korelace 0,7 mezi dvěma aktivy?
Korelace 0,7 znamená, že tato dvě aktiva mají tendenci se pohybovat stejným směrem asi 70 % času (neformálně) a že přibližně 49 % (0,7²) rozptylu jednoho aktiva lze vysvětlit lineárními pohyby ve druhém. Z hlediska portfolia poskytuje korelace 0,7 mezi dvěma aktivy mnohem menší diverzifikační přínos než korelace 0,0 nebo negativní korelace. Přidání druhého aktiva s korelací 0,7 ke stávající pozici snižuje standardní odchylku portfolia pouze mírně ve srovnání s držením kteréhokoli aktiva samostatně. Skutečná diverzifikace vyžaduje korelace blížící se 0 nebo záporné.
Proč se korelace v čase mění?
Korelace nejsou strukturální konstanty – odrážejí současné ekonomické a finanční prostředí. Na býčích trzích se stabilními makro podmínkami mohou mít riziková aktiva relativně nízké korelace, protože dominují faktory specifické pro společnost. Na medvědích trzích a krizích dominují makrorizikové faktory (útěk ke kvalitě, nucené snižování zadluženosti, utahování úvěrů), což vede mezi rizikovými aktivy ke korelaci směrem k 1,0. Rostoucí globalizace, synchronizovaná politika centrální banky a kvantitativní uvolňování navíc v posledních dvou desetiletích strukturálně zvýšily vzájemné korelace mezi aktivy. Rizikové modely, které používají dlouhodobé průměrné korelace, systematicky podhodnocují riziko krize, protože nezachycují tuto korelační nestabilitu.
Co je to odhad korelačního smrštění a proč je potřeba?
S omezenými historickými daty (T pozorování) a mnoha aktivy (N) se vzorové korelační matice stávají špatně odhadovanými a hlučnými. Když T < N, matice vzorku není ani invertibilní. I když T > N, mnoho odhadovaných párových korelací bude daleko od jejich skutečných hodnot kvůli chybě odhadu. Odhady smrštění (Ledoit-Wolf, Oracle Approximating Shrinkage) regulují vzorovou korelační matici jejím zmenšením směrem ke strukturovanému cíli (typicky matice identity nebo faktorový model). To snižuje chyby v odhadu za cenu zavedení určitého zkreslení, ale vytváří lépe fungující matice s pozitivně definitivní platností, které zlepšují optimalizaci portfolia a stabilitu rizikového modelu.
Co je závislost ocasu a proč ji nezachycuje lineární korelace?
Tail dependence měří pravděpodobnost, že dvě aktiva současně zažívají extrémní pohyby, nad rámec toho, co by předpovídala lineární korelace. Dvě aktiva mohou mít nulovou lineární korelaci, ale vysokou závislost na konci (zhroutí se společně, i když se normálně nepohybují). Modely kopule oddělují mezní distribuci každého aktiva od struktury závislosti. T-kopula, na rozdíl od Gaussovy kopule, vykazuje symetrickou závislost horního a dolního ocasu – aktiva modelovaná t-kopulou se s větší pravděpodobností zhroutí nebo se spojí, než předpovídá Gaussova kopula. Tento rozdíl byl kritický v krizi CDO v roce 2008, kdy modely gaussovské kopule dramaticky podhodnocovaly pravděpodobnost selhání kloubů při stresu.
Kolik aktiv je potřeba, než se korelační matice stane nespolehlivou?
Hrubé pravidlo: pro přiměřeně stabilní odhady korelace potřebujete alespoň T > 3N pozorování (časová období vs. počet aktiv). S 252 denními pozorováními (1 rok) můžete spolehlivě odhadnout korelace pro zhruba 80 aktiv. Pro 2 000 aktiv (typické velké portfolio) byste potřebovali více než 6 000 denních pozorování (24 let), což je zjevně nepraktické. To je důvod, proč se pro velká portfolia používají faktorové modely (CAPM, Fama-French): rozkládají výnosy na malý počet společných faktorů plus idiosynkratické riziko, dramaticky snižují počet parametrů k odhadu a zároveň poskytují strukturovanější a stabilnější kovarianční model.
Co je to diverzifikační poměr a jak se používá?
Diverzifikační poměr = (vážený průměr individuální volatility) / (volatilita portfolia). Poměr 1,0 znamená žádnou diverzifikační výhodu (všechna aktiva dokonale korelují). Poměr 2,0 znamená, že volatilita portfolia je polovinou váženého průměru individuální volatility – podstatná diverzifikace. Portfolia s rizikovou paritou maximalizují diverzifikační poměr tím, že váží aktiva nepřímo úměrně jejich příspěvku k riziku portfolia, spíše než nepřímo úměrně očekávanému výnosu (jak to dělá optimalizace středního rozptylu). The Most Diversified Portfolio (MDP) — vyvinutý Choueifaty a Coignard — vybírá váhy, které maximalizují diverzifikační poměr, aniž by předpokládaly očekávané výnosy.
Jak by měly být odhadovány korelace pro zátěžové testování vs. běžné měření rizik?
Normální VaR a optimalizace portfolia by měly používat korelace odhadované z celého tržního cyklu nebo s vyhlazováním exponenciálně váženého klouzavého průměru (EWMA), které zdůrazňuje aktuální data. Pro zátěžové testování a krizové CVaR použijte korelace odhadované z historických krizových období – konkrétně z oken, která zahrnují GFC (2008), COVID crash (2020) nebo jiné relevantní stresové události. Korelace mezi rizikovými aktivy v období krize jsou obvykle o 30–50 % vyšší než průměry za celé období. Použití stresových korelací v analýze kapitálové přiměřenosti zabraňuje nebezpečnému předpokladu, že výhody diverzifikace pozorované na klidných trzích přetrvají i v krizových scénářích.
Common Mistakes to Avoid
▾
- !Počítání korelací z cenových hladin spíše než z výnosů – vytváří falešně vysoké korelace ze sdílených trendů.
- !Použití krátkých historických oken (< 1 rok) pro korelační odhady, které jsou vysoce citlivé na konkrétní zvolené období.
- !Použití nepodmíněných dlouhodobých korelací v zátěžovém testování namísto korelací v krizových obdobích.
- !Ignorování požadavku na pozitivní semiurčitost — použití non-PSD matice v modelech rizik může vést k negativním odchylkám portfolia.
- !Považovat vysokou korelaci za trvalou – korelace jsou časově proměnlivé a měly by být pravidelně přehodnocovány.
Pro Tip
Vizualizujte korelační matici jako teplotní mapu seřazenou podle hierarchického shlukování. To okamžitě odhalí shluky přirozených aktiv (skupiny podobných aktiv s vysokými vnitřními korelacemi) a skutečné diverzifikátory (aktiva s nízkou korelací s více shluky). Použijte tuto strukturu jako vodítko pro tvorbu portfolia.
Did you know?
Harry Markowitz, který vyvinul moderní teorii portfolia a kvantitativní roli korelace při konstrukci portfolia, obdržel Nobelovu cenu za ekonomii v roce 1990. Údajně zpočátku investoval své vlastní penzijní úspory 50/50 do akcií a dluhopisů – ignoroval své vlastní výpočty optimálnosti – protože nechtěl litovat toho, že v případě zhroucení trhu má velké zásoby. Dokonce i otec kvantitativní teorie portfolia uznal omezení čisté optimalizace bez úsudku chování.
Regional Guides
▾
🇺🇸 US▾
🇬🇧 UK▾
🇪🇺 EU▾
References
- ›Markowitz, H. (1952): Portfolio Selection, Journal of Finance
- ›Ledoit & Wolf (2004): Honey, I Shrunk the Sample Covarianance Matrix, Journal of Portfolio Management
- ›Choueifaty & Coignard (2008): Směrem k maximální diverzifikaci, Journal of Portfolio Management
- ›Investopedia: Definice korelačního koeficientu
Ratings & comments
Získejte týdenní matematické tipy
Připojte se k 12 000+ odběratelům, kteří každý týden dostávají tipy na kalkulačku.