Correlation 相关系数

一句话定义

相关系数 (correlation coefficient) 是协方差的标准化版本，衡量两个变量之间线性关系的强度和方向，取值范围为 $[-1,+1]$，无单位。

概念解析 Explanation

为什么需要相关系数？ 协方差告诉我们两个变量是同向还是反向运动，但其数值大小取决于变量的单位，无法比较不同变量对之间关系的强弱。相关系数通过除以两个变量各自的标准差来标准化，使得：

• 无单位：可以跨不同变量对进行比较
• 有界：$-1\le \rho \le +1$，有明确的解读

解读指南：

• $\rho =+1$：完美正线性关系（散点图上所有点在一条正斜率直线上）
• $\rho =-1$：完美负线性关系
• $\rho =0$：无线性关系（但可能存在非线性关系！）
• 0 < |\rho| < 0.3$：弱相关
• 0.3 < |\rho| < 0.7$：中度相关
• $|\rho |>0.7$：强相关

重要警告：

• Correlation ≠ Causation：相关不代表因果
• Spurious correlation 虚假相关：两个不相关的变量可能因第三变量或纯粹巧合而显示高相关
• 相关系数只能捕捉线性关系；散点图可以揭示非线性关系
• 异常值可以极大地影响相关系数

核心公式 Formula

Covariance 协方差：

${\text{Cov}}_{XY}=s_{XY}=\frac{{\sum }_{i=1}^n(X_i-\bar{X})(Y_i-\bar{Y})}{n-1}$

Correlation 相关系数：

${\rho }_{XY}=\frac{{\text{Cov}}_{XY}}{s_X\cdot s_Y}$

反解：${\text{Cov}}_{XY}={\rho }_{XY}\cdot s_X\cdot s_Y$

检验 $\rho =0$ 的 t 统计量：

$t=\frac{r\sqrt{n-2}}{\sqrt{1-r^2}},df=n-2$

Spearman 秩相关（非参数）：

$r_s=1-\frac{6\sum d_i^2}{n(n^2-1)}$

图解 Visual

graph LR
    A["协方差 Cov(X,Y)<br/>有单位，数值难以比较"] -->|"÷ σ_X × σ_Y"| B["相关系数 ρ<br/>无单位，[-1, +1]"]
    B -->|"ρ > 0"| C["正相关<br/>同涨同跌"]
    B -->|"ρ < 0"| D["负相关<br/>一涨一跌"]
    B -->|"ρ = 0"| E["无线性关系"]

计算示例 Worked Example

问题：Stock A 收益方差 0.0028，Stock B 收益方差 0.0124，两者协方差 0.0058。求相关系数并解读。

Step 1 标准差： $s_A=\sqrt{0.0028}=0.0529,s_B=\sqrt{0.0124}=0.1114$

Step 2 相关系数： ${\rho }_{AB}=\frac{0.0058}{0.0529\times 0.1114}=\frac{0.0058}{0.005893}=0.984$

解读：接近 +1，说明 A 和 B 之间存在非常强的正线性关系——当一只股票的收益高于其均值时，另一只几乎总是也高于均值。从分散化角度看，这两只股票组合在一起几乎无法降低风险。

考试要点 Exam Focus

必考

• 相关系数 = 协方差/两个标准差之积
• 取值范围 $[-1,+1]$，无单位
• $\rho =0$ 不代表”无关”，只代表”无线性关系”
• 在组合方差公式中，相关系数是核心参数：${\sigma }_p^2=w_A^2{\sigma }_A^2+w_B^2{\sigma }_B^2+2w_A{w}_B{\rho }_{AB}{\sigma }_A{\sigma }_B$
• ${\rho }_{AB}$ 越低 → 分散化效果越好
• 简单回归中 $R^2=r^2$

涉及科目 Appears In

• 数量方法 R3 (Statistical Measures), R5 (Portfolio Math), R9 (Tests of Independence), R10 (Regression)
• 组合管理 — 有效前沿、资产配置
• 权益投资 — 因子模型中的相关性

相关概念 Related Concepts

• 标准差 — 相关系数的分母组成部分
• Beta — $\beta ={\rho }_{i,m}\times {\sigma }_i/{\sigma }_m$
• 分散化 — 利用低相关性降低组合风险