歡迎來到相關性（Correlation）的真實世界！
在 FRM Part I，你學會了如何將相關性計算為一個介於 -1 到 +1 之間整潔、清晰的數字。但在市場風險衡量與管理（Market Risk Measurement and Management）的真實世界中，相關性一點也不「整潔」。它非常「情緒化」——當市場承受壓力時，它會隨之改變；它會隨著時間推移而波動，而且極少停留在你預期的位置。
在本章中，我們將探討相關性在金融市場中實際的行為模式。理解這些特性至關重要，因為如果你的風險模型假設相關性是不變的，那麼當危機來襲時，你可能會面臨可怕的驚喜。讓我們開始吧！
1. 相關性並非固定不變（隨時間變化）
首先要認識到的是，相關性是動態的。如果你今天衡量兩檔股票之間的相關性，它很可能與六個月後測量的結果不同。
均值回歸（Mean Reversion）
雖然相關性會波動，但它通常表現出均值回歸。這意味著如果兩項資產之間的相關性相較於其歷史平均值變得異常高或異常低，隨著時間推移，它往往會回調至該平均值。
比喻：想像一條橡皮筋。你可以把它拉長（讓相關性偏離平均值），但最終，它還是會彈回原來的形狀（長期平均值）。
快速複習：這為什麼重要？
如果你是一位風險經理，並且在你的風險價值（VaR）模型中使用「靜態」（不變）的相關性，那你就是在忽略風險可能快速變化的現實。大多數現代風險模型都使用 GARCH 或 EWMA（你在 Part I 中見過）來解釋這種「移動中」的相關性特性。
2. 「危機」效應：相關性與波動性
這或許是相關性最著名的實證特性。在真實世界中，相關性往往會在市場高波動和市場崩盤期間上升。
你知道嗎？ 在金融界，我們常說：「在下跌的市場中，唯一會上漲的就是相關性。」
為什麼會這樣？
在市場恐慌期間，投資者通常不再關注一家公司的個別「基本面」。相反，他們會拋售所有資產來套現或退出市場。這種「傳染」效應導致幾乎所有風險資產同時下跌，將它們的相關性推向 1.0。
關鍵點： 分散投資在市場平靜時最為有效。遺憾的是，分散投資往往在你最需要它時（崩盤期間）就消失了。
3. 相關性的不對稱性（Asymmetry）
相關性不僅會對波動性做出反應，還會對市場的方向做出反應。這被稱為非對稱相關性（Asymmetric Correlation）。
實證研究顯示：
- 股票之間的相關性在市場大幅下跌期間要高得多。
- 在市場上漲（牛市）期間，相關性通常較低。
別擔心，如果起初覺得這有點難理解！ 只要記住：恐懼比貪婪更能成為「團結」的力量。當人們恐懼時，他們會同時衝向出口，導致股票一起下跌。而當他們開心時，對於要買入哪些股票則會更加挑剔。
4. 尾部相關性（Tail Dependence）：超越線性相關
風險管理中最大的錯誤之一就是僅僅依賴皮爾遜相關係數（Pearson Correlation）（你學過的標準 \(\rho\)）。標準相關性衡量的是線性關係，但它無法捕捉「尾部相關性」。
什麼是尾部相關性？
尾部相關性是指兩項資產同時經歷極端波動（分佈的「尾部」）的機率。即使兩項資產的平均相關性很低，它們也可能具有很高的下尾相關性（lower-tail dependence），這意味著它們會在「黑天鵝」事件中一起崩盤。
要避免的常見錯誤： 假設 0.30 的相關性意味著你是安全的。如果資產具有很高的尾部相關性，那麼在危機中該數值可能會跳升至 0.90，導致比模型預測大得多的損失。
5. 各資產類別的屬性
相關性的表現取決於你交易的對象。以下是簡要分析：
股票（Equities）
- 通常為正相關。
- 對市場崩盤非常敏感（不對稱性）。
- 由於全球化，國際股票之間的相關性隨著時間推移而增加。
債券（Bonds）
- 優質政府債券（如美國國債）與股票之間的相關性在危機期間通常為負。這就是「飛向優質資產（flight to quality）」效應。
- 然而，「垃圾債券」（高收益債）的行為更像股票，在崩盤期間相關性會上升。
貨幣（Currencies）
- 貨幣相關性受貨幣政策和利率差異的影響很大。
- 它們可能非常不穩定，並容易因央行的干預而發生突然轉變。
總結框：
牛市（Bull Market）： 低相關性 + 高分散投資。
熊市（Bear Market）： 高相關性 + 低分散投資。
6. 時間跨度的影響
使用每日數據還是每月數據來衡量相關性重要嗎？是的！
從實證來看，隨著時間跨度增加，衡量出的相關性往往會增加。這通常是因為短期的「雜訊」（隨機價格變動）會在較長時期內抵消，從而揭示了資產之間潛在的經濟聯繫。
記憶口訣： 短期是雜訊，長期是溫馨。（由於每日隨機的波動會被平滑掉，因此在較長時期內，相關性看起來會更高/更強）。
7. 衡量相關性的陷阱
當你查看相關性數據時，請小心這兩個陷阱：
1. 波動性偏差（Volatility Bias）
從數學上講，如果樣本的波動性增加，即便潛在的關係沒有改變，計算出的相關係數通常也會顯得更高。這是一種統計上的怪癖，可能導致風險經理高估了「真實」相關性的轉變程度。
2. 非同步交易（Non-synchronous Trading）
如果你要衡量紐約股票與東京股票之間的相關性，由於市場開盤時間不同，這種「滯後」會使相關性看起來比實際更低。這被稱為埃普斯效應（Epps Effect）。
最終快速複習
總結一下，以下是考試的「必知」要點：
- 均值回歸： 相關性會波動，但最終會回到平均值。
- 非對稱性： 在市場下跌時，相關性比上漲時更高。
- 分散投資失效： 在危機中，相關性會上升至 1.0，使投資組合比預期更具風險。
- 尾部相關性： 線性相關（\(\rho\)）無法捕捉極端的共同事件；我們需要關注「尾部」。
- 時間跨度： 更長的測量週期通常會導致更高的相關性估計值。
繼續加油！ 你剛剛掌握了市場風險中最實用的章節之一。理解「當情況變糟時，數字也會隨之改變」，這是一位優秀風險經理的標誌！