What is Asset Correlation Calculator?
▾
Korelačná matica je základným nástrojom v teórii portfólia a riadení rizika, ktorý kvantifikuje lineárne vzťahy medzi výnosmi rôznych aktív. Každý prvok ρ(i,j) v matici predstavuje Pearsonov korelačný koeficient medzi aktívami i a j v rozsahu od −1 (dokonalá negatívna korelácia – aktíva sa pohybujú presne opačnými smermi) do +1 (dokonalá pozitívna korelácia – aktíva sa pohybujú v zablokovanom kroku), pričom 0 znamená, že neexistuje lineárny vzťah. Korelačné matice sú základom modernej teórie portfólia (MPT), ktorú vyvinul Harry Markowitz v roku 1952. Rozptyl portfólia je určený nielen volatilitou jednotlivých aktív, ale kriticky aj koreláciami medzi nimi: σ²_portfolio = Σ Σ w_i w_j σ_i σ_j ρ(i,j). Nízke alebo negatívne korelácie medzi aktívami znižujú rozptyl portfólia pod vážený priemer individuálnych rozptylov – to je matematický základ diverzifikácie. V praxi majú korelačné matice niekoľko dôležitých vlastností a problémov. Po prvé, korelácie nie sú stabilné v čase – aktíva, ktoré na pokojných trhoch nie sú korelované, sa často stávajú vysoko korelovanými pri trhových krízach („korelačné špičky“). GFC za rok 2008 sa vyznačoval koreláciami medzi rizikovými aktívami, ktoré sa súčasne blížili k 1,0, čím sa eliminoval očakávaný prínos z diverzifikácie práve vtedy, keď to bolo najviac potrebné. Tento jav je známy ako „rozpad korelácie“ alebo „nákaza“. Po druhé, korelačné matice musia byť pozitívne semi-definitné (PSD), aby boli matematicky konzistentné – všetky vlastné hodnoty musia byť nezáporné. S mnohými aktívami a obmedzenými údajmi vzorové korelačné matice často porušujú PSD v dôsledku chyby v odhade, čo si vyžaduje regularizáciu (zmenšenie, najbližšia projekcia PSD matice) pred použitím v modeloch rizika. Ledoit-Wolfov odhad zmršťovania sa široko používa na vytváranie dobre podmienených korelačných matíc pre veľké portfóliá. Po tretie, lineárna korelácia je neadekvátna na zachytenie závislosti na chvoste – tendencie aktív zrážať sa v extrémnych udalostiach, aj keď normálne nekorelujú. Modely kopule (najmä Gaussova a t-kopuly) rozširujú korelačnú analýzu o zachytenie nelineárnych štruktúr závislosti a chvostovej závislosti, ktoré sú nevyhnutné pre presné modelovanie úverového portfólia a rizika CDO.
DigiCalcs delivers precision-engineered tools for engineers and STEM professionals.
Vzorec
▾
ρ(i,j) = Cov(R_i, R_j) / (σ_i × σ_j)
Rozptyl portfólia = Σ_i Σ_j w_i × w_j × σ_i × σ_j × ρ(i,j)
Pomer diverzifikácie = vážená priemerná volatilita / volatilita portfóliaVariable Legend
▾
| Symbol | Meno | Jednotka | Popis |
|---|---|---|---|
| ρ(i,j) | Pearsonov korelačný koeficient | dimensionless | Lineárna korelácia medzi výnosmi aktív i a j: sa pohybuje od -1 do +1. Meria smer a silu spoločného pohybu. |
| σ_p² | Rozptyl portfólia | %² | Súčet w_i × w_j × σ_i × σ_j × ρ(i,j) naprieč všetkými pármi; znížené o nízke korelácie medzi aktívami. |
| R | Návratová matica | % | T×N matica historických výnosov pre N aktív za T časové obdobia; používa sa na odhad korelačnej matice. |
| β_div | Prínos diverzifikácie | % | Zníženie volatility portfólia v dôsledku diverzifikácie: (vážený priemer obj. − objem portfólia) / vážený priemer obj. |
| λ_min | Minimálna vlastná hodnota | dimensionless | Najmenšia vlastná hodnota korelačnej matice; musí byť ≥ 0 pre kladnú semi-určitosť; záporné hodnoty naznačujú problémy s odhadom. |
How to Asset Correlation Calculator
▾
- 1Zbierajte historické údaje o výnosoch pre všetky aktíva v portfóliu: denné, týždenné alebo mesačné výnosy za minimálne 1–3 roky (viac údajov = stabilnejšie odhady).
- 2Vypočítajte priemernú návratnosť vzorky pre každé aktívum; odčítať znamená vycentrovať údaje.
- 3Vypočítajte vzorovú kovariančnú maticu: Cov(i,j) = (1/(T−1)) × Σ (R_it − μ_i)(R_jt − μ_j).
- 4Normalizujte na koreláciu: ρ(i,j) = Cov(i,j) / (σ_i × σ_j). Diagonálne prvky sú konštrukčne 1,0.
- 5Skontrolujte kladnú semi-určitosť: vypočítajte vlastné hodnoty. Ak je akákoľvek vlastná hodnota záporná, použite regularizáciu (zmršťovanie Ledoit-Wolf, najbližšia matica PSD).
- 6Analyzujte korelačnú maticu: identifikujte vysoko korelované zhluky aktív, takmer nulové korelácie (dobré diverzifikátory) a negatívne korelácie (prirodzené hedge).
- 7Vypočítajte rozptyl portfólia pomocou korelačnej matice a jednotlivých volatilít; vypočítať prínos diverzifikácie.
Worked Examples
▾
Negatívna korelácia akciových dlhopisov je základom portfólií 60/40
Rozptyl portfólia = (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. Portfólio σ = √0,00762 = 8,73 %. Vážený priemer σ = 0,6 × 15 % + 0,4 × 7 % = 11,8 %. Prínos diverzifikácie = (11,8 % − 8,73 %) / 11,8 % = 26 %. Negatívna korelácia medzi akciami a dlhopismi je štrukturálnym základom portfólia 60/40 – historicky, keď akcie klesajú v recesii, dlhopisy sa zotavujú s poklesom sadzieb. Táto korelácia sa stala nespoľahlivou v roku 2022, keď obe klesli spolu (infláciou motivované zvyšovanie sadzieb).
Verejné služby a energia poskytujú najväčšiu diverzifikáciu vs. technológie
Korelačná matica ukazuje, že technológie a zdravotná starostlivosť sú najviac korelované (0,45) – oba sú rastové sektory citlivé na podobné makro faktory. Energia má miernu koreláciu s technológiou (0,30) a zdravotnou starostlivosťou (0,20) – je poháňaná faktormi cyklu komodít. Verejné služby majú najnižšie korelácie so všetkými ostatnými sektormi (0,10 – 0,35) – poháňané citlivosťou na úrokové sadzby a regulovanými výnosmi, čo z nich robí najlepší diverzifikátor portfólia. Pridanie Utilities zmysluplne znižuje odchýlky portfólia bez obetovania očakávanej návratnosti.
Krízové korelácie vyskočili smerom k 1,0, čo zničilo diverzifikáciu presne vtedy, keď to bolo potrebné
Na normálnych trhoch majú akcie a úvery (HY dlhopisy) miernu koreláciu (0,25), čo poskytuje významnú diverzifikáciu v portfóliu. Počas krízy v roku 2008 sa akciové aj úverové trhy zrútili súčasne, keďže averzia voči riziku vzrástla – korelácia vzrástla na 0,85. Zníženie rizika portfólia v dôsledku diverzifikácie kleslo zo 40 % na iba 8 %. Toto „rozdelenie korelácií“ je dobre zdokumentovanou empirickou pravidelnosťou: korelácie medzi rizikovými aktívami majú tendenciu stúpať pri poklesoch, čím sa diverzifikácia stáva oveľa menej efektívnou v obdobiach najväčšej potreby. Pri stresovom testovaní sa musia použiť korelácie medzi stresovým obdobím.
Korelácia medzi EM a USA sa časom zvýšila – globalizácia znižuje diverzifikáciu
Rolujúca sa 3-ročná korelácia medzi americkými akciami a rozvíjajúcimi sa trhmi sa od roku 2000 výrazne zvýšila (z 0,4 – 0,5 v 90. rokoch na 0,7 – 0,8 v roku 2010), čiastočne v dôsledku globalizácie, synchronizovanej menovej politiky a zvýšených cezhraničných kapitálových tokov. V krízach (GFC 2008, COVID 2020) vzrástla korelácia na 0,85–0,90. Tento trend – globálne rastúce korelácie – je hlavnou výzvou pre medzinárodné diverzifikačné stratégie, ktoré historicky odôvodňovali prideľovanie EM čiastočne na základe diverzifikácie. Diverzifikačný prínos alokácie EM sa časom zmenšil, keďže trhy sa viac integrovali.
Real-World Applications
▾
Portfolio construction and mean-variance optimization, enabling practitioners to make well-informed quantitative decisions based on validated computational methods and industry-standard approaches, which requires precise quantitative analysis to support evidence-based decisions, strategic resource allocation, and performance optimization across diverse organizational contexts and professional disciplines
Risk parity and maximum diversification portfolio strategies, helping analysts produce accurate results that support strategic planning, resource allocation, and performance benchmarking across organizations, where accurate numerical computation is essential for producing reliable outputs that inform planning, evaluation, and continuous improvement processes in both corporate and individual settings
Monte Carlo VaR simulation setup (Cholesky decomposition), allowing professionals to quantify outcomes systematically and compare scenarios using reliable mathematical frameworks and established formulas, demanding systematic calculation approaches that translate raw input data into actionable insights for stakeholders who depend on quantitative rigor in their daily professional activities
Regulatory correlation stress testing under Basel FRTB, supporting data-driven evaluation processes where numerical precision is essential for compliance, reporting, and optimization objectives, necessitating robust computational methods that deliver consistent and verifiable results suitable for reporting, auditing, and long-term trend analysis in professional environments
Hedge fund factor exposure attribution and correlation hedging, which requires precise quantitative analysis to support evidence-based decisions, strategic resource allocation, and performance optimization across diverse organizational contexts and professional disciplines
Special Cases
▾
Profesionáli pracujúci s korelačnou maticou by mali byť obzvlášť pozorní voči tomuto scenáru, pretože ak sa s ním nebude správne zaobchádzať, môže to viesť k zavádzajúcim výsledkom. Vždy si overte okrajové podmienky a v praxi ich overte nezávislými metódami.
V praxi si tento okrajový prípad vyžaduje starostlivé zváženie, pretože štandardné predpoklady nemusia platiť. Keď sa pri výpočtoch korelačnej kalkulačky aktív stretnete s týmto scenárom, odborníci by si mali overiť okrajové podmienky, skontrolovať riziká delenia nulou a zvážiť, či predpoklady modelu zostanú platné aj za týchto extrémnych podmienok.
Profesionáli pracujúci s korelačnou maticou by mali byť obzvlášť pozorní voči tomuto scenáru, pretože ak sa s ním nebude správne zaobchádzať, môže to viesť k zavádzajúcim výsledkom. Vždy si overte okrajové podmienky a v praxi ich overte nezávislými metódami.
Typické korelácie triedy aktív (dlhodobé priemery, perspektíva USD)
▾
| Dvojica aktív | Normálne obdobie ρ | Kríza-obdobie ρ | Hodnota diverzifikácie |
|---|---|---|---|
| US Equities — US Treasuries | -0,25 až +0,10 | -0,40 až -0,60 | Veľmi vysoká (let na kvalitu) |
| US Equities — High Yield Bonds | 0,55 – 0,70 | 0,75 – 0,90 | Nízka kríza |
| US Equities — IG Corporate Bonds | 0,10 – 0,30 | 0,40 – 0,60 | Mierne |
| Americké akcie – zlato | -0,10 až +0,10 | -0,20 až +0,20 | Mierne |
| US Equities — Emerging Markets | 0,70 – 0,80 | 0,85 – 0,92 | Nízka (v priebehu času stúpa) |
| US Equities — Real Estate (REITs) | 0,60 – 0,75 | 0,70 – 0,85 | Low |
| Americké štátne dlhopisy – zlato | 0,0 až 0,15 | 0,0 až 0,20 | Mierne |
Frequently Asked Questions
▾
Čo v praxi znamená korelácia 0,7 medzi dvoma aktívami?
Korelácia 0,7 znamená, že tieto dva aktíva majú tendenciu pohybovať sa rovnakým smerom približne 70 % času (neformálne) a že približne 49 % (0,7²) rozptylu jedného aktíva možno vysvetliť lineárnymi pohybmi druhého aktíva. Z hľadiska portfólia poskytuje korelácia 0,7 medzi dvoma aktívami oveľa menší prínos z diverzifikácie ako korelácia 0,0 alebo negatívna. Pridanie druhého aktíva s koreláciou 0,7 k existujúcej pozícii znižuje štandardnú odchýlku portfólia len mierne v porovnaní s držbou ktoréhokoľvek aktíva samostatne. Skutočná diverzifikácia vyžaduje korelácie bližšie k 0 alebo negatívne.
Prečo sa korelácie časom menia?
Korelácie nie sú štrukturálne konštanty – odrážajú súčasné ekonomické a finančné prostredie. Na býčích trhoch so stabilnými makro podmienkami môžu mať rizikové aktíva relatívne nízke korelácie, pretože dominujú faktory špecifické pre spoločnosť. Na medvedích trhoch a krízach dominujú makrorizikové faktory (útek ku kvalite, nútené znižovanie zadlženosti, sprísňovanie úverov), čo vedie k koreláciám medzi rizikovými aktívami smerom k 1,0. Okrem toho rastúca globalizácia, synchronizovaná politika centrálnych bánk a kvantitatívne uvoľňovanie štrukturálne zvýšili vzájomné korelácie medzi aktívami za posledné dve desaťročia. Modely rizika, ktoré používajú dlhodobé priemerné korelácie, systematicky podceňujú riziko krízy, pretože nezachytávajú túto korelačnú nestabilitu.
Čo je to korelačný odhad zmršťovania a prečo je potrebný?
S obmedzenými historickými údajmi (pozorovania T) a mnohými aktívami (N) sa vzorové korelačné matice stávajú nedostatočne odhadovanými a hlučnými. Keď T < N, matrica vzorky nie je ani invertibilná. Aj keď T > N, mnohé odhadované párové korelácie budú ďaleko od svojich skutočných hodnôt v dôsledku chyby odhadu. Odhady zmršťovania (Ledoit-Wolf, Oracle Approximating Shrinkage) regulujú korelačnú maticu vzorky jej zmršťovaním smerom k štruktúrovanému cieľu (zvyčajne matica identity alebo faktorový model). Tým sa znižuje chyba odhadu za cenu zavedenia určitého skreslenia, ale vytvára sa lepšie fungujúce matice s pozitívnym určením, ktoré zlepšujú optimalizáciu portfólia a stabilitu rizikového modelu.
Čo je závislosť na chvoste a prečo ju nezachytáva lineárna korelácia?
Závislosť chvosta meria pravdepodobnosť, že dve aktíva súčasne zažijú extrémne pohyby, nad rámec toho, čo by predpovedala lineárna korelácia. Dve aktíva môžu mať nulovú lineárnu koreláciu, ale vysokú závislosť na chvoste (zrútia sa spolu, aj keď sa bežne nepohybujú). Modely kopule oddeľujú marginálnu distribúciu každého aktíva od štruktúry závislosti. T-kopula, na rozdiel od Gaussovej kopuly, vykazuje symetrickú závislosť horného a dolného chvosta – aktíva modelované t-kopulou sa s väčšou pravdepodobnosťou zrútia alebo sa spoja, ako predpovedá Gaussova kopula. Tento rozdiel bol kritický v kríze CDO v roku 2008, kde modely gaussovskej kopule dramaticky podhodnotili pravdepodobnosť zlyhania kĺbov pod stresom.
Koľko aktív je potrebných, kým sa korelačná matica stane nespoľahlivou?
Približné pravidlo: na primerane stabilné korelačné odhady potrebujete aspoň T > 3N pozorovaní (časové obdobia vs. počet aktív). S 252 dennými pozorovaniami (1 rok) môžete spoľahlivo odhadnúť korelácie pre zhruba 80 aktív. Pre 2 000 aktív (typické veľké portfólio) by ste potrebovali viac ako 6 000 denných pozorovaní (24 rokov), čo je jednoznačne nepraktické. To je dôvod, prečo sa pre veľké portfóliá používajú faktorové modely (CAPM, Fama-French): rozkladajú výnosy na malý počet spoločných faktorov plus idiosynkratické riziko, čím sa dramaticky znižuje počet parametrov na odhad a zároveň poskytuje štruktúrovanejší a stabilnejší model kovariancie.
Čo je to diverzifikačný pomer a ako sa používa?
Pomer diverzifikácie = (vážená priemerná individuálna volatilita) / (volatilita portfólia). Pomer 1,0 znamená žiadnu výhodu diverzifikácie (všetky aktíva dokonale korelujú). Pomer 2,0 znamená, že volatilita portfólia je polovicou váženého priemeru individuálnej volatility – významná diverzifikácia. Portfóliá s rizikovou paritou maximalizujú diverzifikačný pomer vážením aktív nepriamo úmerným ich príspevku k riziku portfólia, a nie nepriamo úmerne očakávanému výnosu (ako to robí optimalizácia priemernej odchýlky). Najviac diverzifikované portfólio (MDP) – vyvinuté Choueifatym a Coignardom – vyberá váhy, ktoré maximalizujú diverzifikačný pomer, pričom nerobí žiadne predpoklady o očakávaných výnosoch.
Ako by sa mali odhadnúť korelácie pre stresové testovanie vs. bežné meranie rizika?
Normálna VaR a optimalizácia portfólia by mali využívať korelácie odhadované z celého trhového cyklu alebo s vyhladzovaním exponenciálne váženého kĺzavého priemeru (EWMA), ktorý zdôrazňuje najnovšie údaje. Na stresové testovanie a krízové CVaR použite korelácie odhadnuté z historických krízových období – konkrétne z okien, ktoré zahŕňajú GFC (2008), COVID crash (2020) alebo iné relevantné stresové udalosti. Korelácie medzi rizikovými aktívami v období krízy sú zvyčajne o 30 – 50 % vyššie ako priemery za celé obdobie. Použitie stresových korelácií v analýze kapitálovej primeranosti zabraňuje nebezpečnému predpokladu, že výhody diverzifikácie pozorované na pokojných trhoch budú pretrvávať aj v krízových scenároch.
Common Mistakes to Avoid
▾
- !Computing correlations from price levels rather than returns — generates spuriously high correlations from shared trends.
- !Using short historical windows (< 1 year) for correlation estimates that are highly sensitive to the specific period chosen.
- !Using unconditional long-run correlations in stress testing instead of crisis-period correlations.
- !Ignoring the positive semi-definiteness requirement — using a non-PSD matrix in risk models can produce negative portfolio variances.
- !Treating high correlation as permanent — correlations are time-varying and should be regularly re-estimated.
Pro Tip
Visualize the correlation matrix as a heatmap sorted by hierarchical clustering. This immediately reveals natural asset clusters (groups of similar assets with high internal correlations) and genuine diversifiers (assets with low correlations to multiple clusters). Use this structure to guide portfolio construction.
Did you know?
Harry Markowitz, who developed Modern Portfolio Theory and the quantitative role of correlation in portfolio construction, received the Nobel Prize in Economics in 1990. He reportedly initially invested his own pension savings 50/50 in stocks and bonds — ignoring his own optimality calculations — because he didn't want to regret being heavy in stocks if the market crashed. Even the father of quantitative portfolio theory acknowledged the limitations of pure optimization without behavioral judgment.
Regional Guides
▾
🇺🇸 US▾
🇬🇧 UK▾
🇪🇺 EU▾
References
- ›Markowitz, H. (1952): Portfolio Selection, Journal of Finance
- ›Ledoit & Wolf (2004): Honey, I Shrunk the Sample Covariance Matrix, Journal of Portfolio Management
- ›Choueifaty & Coignard (2008): Toward Maximum Diversification, Journal of Portfolio Management
- ›Investopedia: Correlation Coefficient Definition
Získajte týždenné matematické tipy
Pridajte sa k 12 000+ odberateľom, ktorí každý týždeň dostávajú tipy na kalkulačku.