歡迎來到相關性（Correlation）基礎！

你好！歡迎來到市場風險衡量與管理中最核心的章節之一。如果你曾經好奇為什麼多元化投資（Diversification）被稱為「金融界唯一的免費午餐」，或者為什麼金融危機爆發時所有資產似乎都在同時暴跌，那麼你來對地方了。在本章中，我們將探討相關性——這是一種數學上的「膠水」，用來描述不同金融資產之間是如何聯動的。

別擔心統計學會讓你感到壓力。我們會將這些概念拆解成簡單易懂的小單元，並配合大量的現實案例，幫助你輕鬆駕馭 FRM Part II 的考試內容。

1. 什麼是相關性？（宏觀概念）

簡單來說，相關性是用來衡量兩個變數（例如兩檔不同股票的價格）之間關係的強度與方向。它告訴我們：「當股票 A 上漲時，股票 B 通常是會跟著漲、跟著跌，還是完全各走各的路？」

皮爾森相關係數 (Pearson’s Correlation Coefficient)

FRM 課程中最常使用的衡量指標是皮爾森相關係數（通常以希臘字母 rho，\( \rho \) 表示）。它衡量的是兩個變數之間的線性關係。

變數 \( X \) 與變數 \( Y \) 之間的相關性公式為：

\( \rho_{XY} = \frac{Cov(X,Y)}{\sigma_X \sigma_Y} \)

其中：
- \( Cov(X,Y) \) 是共變異數（Covariance，描述兩者如何共同變動）。
- \( \sigma_X \) 和 \( \sigma_Y \) 分別是標準差（Standard deviations，描述各自變動的程度）。

必須記住的關鍵特徵：

1. 取值範圍：相關係數永遠介於 -1.0 與 +1.0 之間。
2. 正相關 (+1.0)：兩變數以完全相同的方向同步變動。
3. 負相關 (-1.0)：兩變數以完全相反的方向同步變動。
4. 零相關 (0)：兩變數之間不存在任何線性關係。

小撇步：將相關性想像成舞伴。+1.0 代表你們同時向前邁步；-1.0 代表你向前走時，舞伴向後退；0 則代表你的舞伴根本在另一個房間跳舞！

關鍵總結：皮爾森相關係數只衡量線性關係。如果兩個變數的關係呈曲線狀（例如 U 型），即使它們明顯相關，皮爾森係數仍可能顯示為 0！

2. 等級相關性 (Rank Correlation)：超越直線關係

有時，金融數據的變動並非呈現直線。針對這種情況，我們會使用等級相關性。我們不再使用原始價格或報酬率，而是將它們從小到大進行「排序」（Rank），並觀察這些排名之間的關係。

斯皮爾曼等級相關係數 (\( \rho_s \))

這種方法將皮爾森公式應用於數據的排名而非數據本身。它能更有效地捕捉單調關係（即變數往同一方向變動，但不一定要以固定速率變動）。

肯德爾等級相關係數 (\( \tau \))

這是另一種基於等級的指標。它觀察的是同向對 (Concordant pairs) 與反向對 (Discordant pairs)。
- 同向對：兩個變數同步增加（或同步減少）。
- 反向對：一個增加時另一個減少。

你知道嗎？當你的數據集較小時，肯德爾等級相關係數通常比斯皮爾曼更受青睞，因為在小樣本下它具備更好的統計特性。

摘要表：相關性類型
- 皮爾森：最適合線性關係；對極端值敏感。
- 斯皮爾曼/肯德爾：最適合非線性（但單調）關係；對極端值具有穩健性。

3. 市場風險中的重要術語

要順利通過市場風險這一部分，你需要熟悉以下專有名詞：

自相關 (Autocorrelation / Serial Correlation)

這指的是一個變數與其自身隨時間變化的相關性。例如，如果昨天的報酬率高通常導致今天的報酬率也高，該股票即具有正自相關。在效率市場中，我們通常預期自相關性趨近於零。

互相關 (Cross-Correlation)

這衡量的是兩個不同變數在不同時間點之間的關係。例如，今天油價的上漲是否與兩天後航空股股價的下跌有關？

條件相關性 (Conditional Correlation)

這是一種隨特定「條件」改變的相關性。
比喻：想像兩個平常獨立的朋友，但在感到害怕時總是手牽手。在金融領域，我們常看到相關性崩潰 (Correlation Breakdown)——在市場崩盤時，原本不相關的資產突然變成了高度相關。這對多元化投資構成了巨大的風險！

常見避雷區：不要假設相關性是靜態的（恆定不變）。在現實世界中，相關性是動態的；它們會不斷變化，尤其是在市場壓力劇增的時期。

4. 為什麼相關性很重要？（應用場景）

為什麼我們要為 FRM Part II 學習這些？因為相關性是風險管理的跳動心臟！

1. 投資組合多元化 (Portfolio Diversification)

現代投資組合理論（MPT）告訴我們，如果組合中加入相關性較低或負相關的資產，我們可以在不犧牲預期報酬的前提下降低投資組合的整體風險（變異數）。這是市場風險經理保護公司最主要的方法。

2. 風險價值 (VaR)

在計算投資組合的 VaR 時，個別資產之間的相關性是一個關鍵輸入參數。如果你低估了相關性，你就會低估巨額虧損的風險。

3. Copulas 與共同違約 (Joint Defaults)

在信用風險中（這與市場風險有重疊），我們利用相關性來估計多家公司同時違約的可能性。如果「違約相關性」很高，單一的經濟衝擊就可能導致多家公司同時倒閉。

快速複習：
- 低相關性：有利於多元化。
- 高相關性：不利於多元化；風險過度集中。
- 完全正相關 (+1)：完全沒有多元化效益！

5. 限制與陷阱

學生通常覺得這是考試中最棘手的部分，所以請務必留意！

1. 相關性不等於因果關係：僅僅因為兩件事一起變動，並不代表一個會導致另一個。例如，冰淇淋銷量與鯊魚攻擊事件呈正相關（因為兩者都在夏天增加），但吃冰淇淋並不會導致鯊魚攻擊！

2. 尾端相關性 (Tail Dependence)：皮爾森相關係數無法告訴我們在極端事件（分佈的「尾部」）期間變數表現如何。有些資產在平時相關性為 0，但在市場崩盤時卻高達 +0.90。這被稱為不對稱相關性 (Asymmetric correlation)。

3. 非線性：如前所述，如果關係不是直線，皮爾森相關係數可能會因過低而產生誤導。

關鍵總結：永遠不要只依賴單一數字。風險經理應該觀察散佈圖，並考慮不同的相關性指標（如斯皮爾曼或 Copulas）以獲得全貌。

重點總結

- 皮爾森相關係數：衡量線性關係；範圍 -1 到 +1。

- 斯皮爾曼與肯德爾：使用排名來衡量單調關係；對非線性數據表現更佳。

- 多元化：在相關性較低或為負時效果最好。

- 相關性風險：指在市場危機中相關性升高的風險，這會使投資組合比預期危險得多。

- 限制：相關性非因果關係，會隨時間改變，且可能無法捕捉「尾端」風險。

你可以做到的！理解資產如何共同變動是市場風險管理成功的一半。花點時間複習皮爾森相關係數的公式，你就離掌握本章不遠了。