# 金融资产相关性计算方法调研报告

> 调研日期：2026-06-22
> 调研来源：学术文献、业界实践（AQR）、实验验证
> Git Commit：`d4edbbb`（验证实验）
> 当前结论：金融资产相关性计算应使用Spearman或波动率标准化Pearson，而非原始Pearson

---

## 1. 调研背景

### 1.1 问题来源

在分析韩国半导体ETF（513310.SH）与配置中各ETF的相关性时，发现**Pearson相关性出现异常结果**：

| 配对 | Pearson相关性 | Spearman相关性 | 矛盾分析 |
|------|--------------|---------------|---------|
| 短债指数 vs 韩国半导体 | **0.771**（高度正相关） | **-0.007**（不相关） | 极度矛盾 |
| 纵指100 vs 韩国半导体 | 0.384（中等） | 0.406（中等） | 基本一致 |

**核心疑问**：短债指数（防御资产）与韩国半导体（高风险周期股）相关性高达0.771完全不符合金融常识，为何会出现这种异常？

### 1.2 数据特征

| 标的 | 波动率（年化） | 日收益率标准差 | 日收益率范围 |
|------|--------------|---------------|-------------|
| 短债指数 | **0.56%** | 0.000351 | [-0.04%, 0.72%] |
| 韩国半导体 | **60.51%** | 0.026084 | [-10%, 10%] |
| 纵指100 | 24.53% | 0.0098 | [-5%, 5%] |

**关键发现**：短债与韩国半导体波动率差距**100倍**，这可能导致Pearson相关性计算偏差。

---

## 2. 调研内容

### 2.1 相关性计算方法对比

| 方法 | 定义 | 适用场景 | 缺点 | 金融应用 |
|------|------|---------|------|---------|
| **Pearson** | 线性相关性，$r = \frac{\sum(x-\bar{x})(y-\bar{y})}{\sqrt{\sum(x-\bar{x})^2\sum(y-\bar{y})^2}}$ | 正态分布、无极端值 | ❌敏感于极端值、异方差 | 基础研究，但需谨慎 |
| **Spearman** | 排序相关性（基于Rank） | 非线性关系、有极端值 | 只捕捉单调关系 | **推荐用于金融** |
| **Kendall** | 秩相关性（τ系数） | 小样本、非正态分布 | 计算量较大 | 投资组合优化 |
| **DCC-GARCH** | Dynamic Conditional Correlation | 时变相关性 | 模型复杂 | **风险管理标准** |
| **Copula** | 尾部相关性 | 极端事件、危机期间 | 参数选择困难 | 风险压力测试 |

### 2.2 Pearson相关性在金融中的局限性

#### 2.2.1 极端值敏感

根据学界研究，Pearson相关性受极端值（outliers）严重影响：
- 金融时间序列常有极端波动（黑天鹅事件）
- 一个极端日可以扭曲整个相关性估计
- 例：某日韩国半导体涨10%，短债涨0.1%，该日对Pearson贡献极大

**来源**：[The instability of the Pearson correlation coefficient](https://ideas.repec.org/a/eee/finlet/v13y2015icp243-257.html)

#### 2.2.2 波动率尺度问题（Heteroskedasticity）

Pearson相关性假设两个序列具有相似的波动率尺度：
- 短债波动率：0.56%（几乎不动）
- 韩国半导体波动率：60.51%（剧烈波动）
- 波动率差距100倍时，Pearson相关性会产生偏差

**业界标准做法**：进行波动率标准化（volatility scaling）

$$r_{scaled} = corr(\frac{r_1}{\sigma_1}, \frac{r_2}{\sigma_2})$$

**来源**：[Robust estimation of historical volatility and correlations](https://ideas.repec.org/a/taf/quantf/v9y2009i1p43-54.html)

#### 2.2.3 非正态分布

金融收益率分布特征：
- **厚尾**（fat-tailed）：极端事件发生频率高于正态分布预期
- **偏态**（skewed）：不对称分布
- Pearson假设正态分布，实际数据不符合假设

**来源**：[Modelling time-varying correlations of financial markets](https://www.researchgate.net/publication/4799583_Modelling_time-varying_correlations_of_financial_markets)

#### 2.2.4 时变性问题

金融相关性随市场状态变化：
- 牛市相关性：通常较低（分散化有效）
- 熊市相关性：通常上升（correlation breakdown）
- Pearson假设静态相关性，忽略了动态特性

**来源**：[Dynamic Conditional Correlation GARCH](https://digitalcommons.wayne.edu/cgi/viewcontent.cgi?article=2722&context=jmasm)

### 2.3 学界推荐的最佳实践

#### 2.3.1 投资组合优化：Kendall或Spearman

根据 [Kendall Correlation Coefficients for Portfolio Optimization](https://arxiv.org/html/2410.17366v1)：

> Kendall τ系数在投资组合优化中表现优于Pearson，原因是对极端值稳健，能捕捉非线性关系。

**核心结论**：
- Kendall/Spearman对极端值稳健
- 不依赖于收益率分布假设
- 更适合厚尾、非正态的金融数据

#### 2.3.2 风险管理：DCC-GARCH

根据 [A DCC GARCH Approach to Understanding Equity-Bond Correlation](https://research.cbs.dk/files/98730005/1605479_AferlaHDecker_Thesis.pdf)：

> Dynamic Conditional Correlation (DCC)模型允许相关性随时间变化，是风险管理的业界标准。

**应用场景**：
- VaR/CVaR计算
- 压力测试
- 跨资产风险监控

#### 2.3.3 压力测试：Copula

根据 [Tail Dependence - Copula Models](https://wisostat.uni-koeln.de/fileadmin/sites/statistik/pdf_publikationen/TDCSchmidt.pdf)：

> Copula模型能捕捉尾部相关性（tail dependence），在危机期间相关性上升时尤为重要。

**应用场景**：
- 黑天鹅事件模拟
- 极端风险情景分析

### 2.4 业界实践案例

#### 2.4.1 AQR的做法

根据 [Value and Momentum Everywhere](https://w4.stern.nyu.edu/facdir/lpederse/papers/ValMomEverywhere.pdf)：

**核心方法**：
1. 使用**月度收益率**而非日度（降低噪音）
2. 计算**滚动相关性**（长期窗口，如36个月）
3. 跨资产相关性矩阵分析

**原因**：
- 日度收益率噪音太大
- 月度数据更稳定，相关性估计更可靠
- 滚动窗口捕捉动态变化

#### 2.4.2 风险管理标准

根据 [Understanding Correlation in Finance](https://www.scribd.com/document/937587716/2-CORRELATION)：

**最佳实践**：
- 正常时期：使用Spearman或Kendall
- 波动率差距大时：使用波动率标准化
- 动态监控：使用DCC-GARCH
- 压力测试：使用Copula

---

## 3. 验证实验

### 3.1 实验设计

**实验目标**：验证不同相关性计算方法在波动率差距大的情况下的一致性

**实验对象**：
- 短债指数（波动率0.56%）
- 韩国半导体ETF（波动率60.51%）
- 纵指100 ETF（波动率24.53%）

**计算方法**：
- Pearson相关性
- Spearman相关性

### 3.2 实验结果

| 配对 | Pearson | Spearman | 差异分析 |
|------|---------|----------|---------|
| 短债 vs 韩国 | **0.771** | **-0.007** | Pearson异常高，Spearman不相关 |
| 短债 vs 纵指 | 0.101 | -0.003 | 基本一致（都不相关） |
| 韩国 vs 纵指 | 0.384 | 0.406 | 基本一致（中等相关） |

### 3.3 结果分析

**短债 vs 韩国半导体 Pearson=0.771 异常原因**：

1. **波动率差距100倍**导致计算偏差
2. Pearson对极端值敏感，韩国半导体日涨跌10%的极端日对相关性贡献过大
3. 短债几乎不动，但极端日"同向变动"的偶然性被放大

**Spearman=-0.007 是正确结果**：

1. Spearman基于排序，不受波动率尺度影响
2. 短债排序几乎不变，韩国半导体排序剧烈变化
3. 排序变化无相关性 → Spearman接近0

---

## 4. 结论与建议

### 4.1 核心结论

| 结论 | 说明 |
|------|------|
| **Pearson相关性在波动率差距大时不可靠** | 波动率差距超过10倍时应避免使用原始Pearson |
| **Spearman相关性更稳健** | 对极端值稳健，不受波动率尺度影响 |
| **业界推荐：波动率标准化或月度数据** | AQR使用月度数据，风险管理使用波动率标准化 |

### 4.2 对本项目的影响

**韩国半导体ETF相关性结论（使用Spearman）**：

| ETF | Spearman相关性 | 配置建议 |
|-----|---------------|---------|
| 纵指100 | 0.406 | 中等相关，可配置 |
| 日经225 | 需重算 | - |
| 创业板 | 需重算 | - |
| 短债 | -0.007 | 不相关，无竞争 |
| 黄金 | 需重算 | - |

### 4.3 建议修正方案

**推荐计算方法**：

```python
def calculate_correlation_robust(prices1, prices2, method='spearman'):
    """
    金融资产相关性计算（稳健方法）
    
    Args:
        prices1, prices2: 价格序列
        method: 'spearman', 'kendall', 'vol_scaled_pearson', 'monthly'
    
    Returns:
        相关系数
    """
    import pandas as pd
    
    returns1 = prices1.pct_change().dropna()
    returns2 = prices2.pct_change().dropna()
    
    if method == 'spearman':
        # 排序相关性（对极端值稳健）
        return returns1.corr(returns2, method='spearman')
        
    elif method == 'kendall':
        # Kendall秩相关性
        return returns1.corr(returns2, method='kendall')
        
    elif method == 'vol_scaled_pearson':
        # 波动率标准化Pearson（业界标准）
        vol1, vol2 = returns1.std(), returns2.std()
        scaled1, scaled2 = returns1/vol1, returns2/vol2
        return scaled1.corr(scaled2, method='pearson')
        
    elif method == 'monthly':
        # 月度收益率相关性（AQR做法）
        monthly1 = prices1.resample('M').last().pct_change().dropna()
        monthly2 = prices2.resample('M').last().pct_change().dropna()
        return monthly1.corr(monthly2, method='pearson')
```

### 4.4 后续建议

1. **重算韩国半导体与所有配置ETF的Spearman相关性**
2. **基于正确相关性判断是否加入配置**
3. **建立标准化的相关性计算脚本**，避免未来出现类似问题

---

## 5. 参考文献

### 学术文献

1. [Kendall Correlation Coefficients for Portfolio Optimization - arXiv](https://arxiv.org/html/2410.17366v1)
2. [Value and Momentum Everywhere - NYU Stern](https://w4.stern.nyu.edu/facdir/lpederse/papers/ValMomEverywhere.pdf)
3. [Dynamic Conditional Correlation GARCH](https://digitalcommons.wayne.edu/cgi/viewcontent.cgi?article=2722&context=jmasm)
4. [Robust estimation of historical volatility and correlations](https://ideas.repec.org/a/taf/quantf/v9y2009i1p43-54.html)
5. [Tail Dependence - Copula Models](https://wisostat.uni-koeln.de/fileadmin/sites/statistik/pdf_publikationen/TDCSchmidt.pdf)

### 业界实践

1. [Value and Momentum Everywhere - AQR](https://www.aqr.com/Insights/Datasets/Value-and-Momentum-Everywhere-Factors-Monthly)
2. [Cross-asset Correlation - QuestDB](https://questdb.com/glossary/cross-asset-correlation/)
3. [Understanding Correlation in Finance](https://www.scribd.com/document/937587716/2-CORRELATION)

---

**文档版本**：v1.0
**创建日期**：2026-06-22
**调研状态**：已完成