etf/docs/20260622_金融相关性计算方法调研.md

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

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

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

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

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：

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：

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：

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：

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：

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：

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
2. Value and Momentum Everywhere - NYU Stern
3. Dynamic Conditional Correlation GARCH
4. Robust estimation of historical volatility and correlations
5. Tail Dependence - Copula Models

业界实践

1. Value and Momentum Everywhere - AQR
2. Cross-asset Correlation - QuestDB
3. Understanding Correlation in Finance

---

文档版本：v1.0 创建日期：2026-06-22 调研状态：已完成