货币对相关性实例解析（含假设说明）

直接答案

货币对相关性（通常指两个收益率序列之间的相关性）是一种数值度量，用于衡量两个变量随时间变动的同步程度。在实践中，你从一组在相同日期和时间间隔内收集的成对观测值（例如，两种货币对的收益率）计算出一个相关系数。一个实际计算示例可以阐明具体步骤，但该计算始终依赖于若干假设，例如时间窗口、收益率的定义方式以及数据清洗规则。

机制与定义（实际计算内容）

要计算货币对相关性的实例，你需要两个等长的数值序列：

• 序列 A：X₁, X₂, …, Xₙ（通常是工具 A 的收益率）
• 序列 B：Y₁, Y₂, …, Yₙ（通常是工具 B 的收益率）

常用的是皮尔逊相关系数（Pearson correlation coefficient），其定义为 A 和 B 的标准化协方差：

corr(A,B) = Σ[(Xᵢ − mean(X)) (Yᵢ − mean(Y))] / [ (n−1) × std(X) × std(Y) ]

其中：

• mean(X) 是 Xᵢ 的算术平均值
• std(X) 是 Xᵢ 的样本标准差（Y 同理）

解释（通用）：

• corr ≈ +1：两者同向变动
• corr ≈ −1：两者反向变动
• corr ≈ 0：样本中未表现出明显的线性关系

实例演示：完全透明的数值场景

假设你已按特定规则将价格数据转换为收益率，并选择了一个5个周期的时间窗口。为使示例具体化，使用以下收益率序列（假设：它们按日期和时间间隔同步）：

• X 收益率（工具 A）：[0.01, 0.02, −0.01, 0.00, 0.01]
• Y 收益率（工具 B）：[0.005, 0.015, −0.005, 0.002, 0.008]

本实例的假设：

1. 收益率已计算完成（此处不定义价格到收益率的公式）。
2. 两个序列均在相同的五个时间点上测量。
3. 使用皮尔逊相关系数并采用样本标准差（分母使用 n−1）。
4. 任一序列中均无缺失观测值。

第1步：计算均值。 mean(X) = (0.01+0.02−0.01+0.00+0.01)/5 = 0.006
mean(Y) = (0.005+0.015−0.005+0.002+0.008)/5 = 0.005

第2步：计算偏差与乘积。 对每个 i：

• i1: (X−mean) = 0.004; (Y−mean) = 0.000 → 乘积 = 0
• i2: (X−mean) = 0.014; (Y−mean) = 0.010 → 乘积 = 0.00014
• i3: (X−mean) = −0.016; (Y−mean) = −0.010 → 乘积 = 0.00016
• i4: (X−mean) = −0.006; (Y−mean) = −0.003 → 乘积 = 0.000018
• i5: (X−mean) = 0.004; (Y−mean) = 0.003 → 乘积 = 0.000012

乘积之和 = 0 + 0.00014 + 0.00016 + 0.000018 + 0.000012 = 0.00033

第3步：计算样本标准差。 std(X) = sqrt( Σ(X−mean)² / (n−1) )

• Σ(X−mean)² = 0.004² + 0.014² + (−0.016)² + (−0.006)² + 0.004²
  = 0.000016 + 0.000196 + 0.000256 + 0.000036 + 0.000016
  = 0.00052
  因此 std(X) = sqrt(0.00052 / 4) = sqrt(0.00013) ≈ 0.01140

std(Y) = sqrt( Σ(Y−mean)² / (n−1) )

• Σ(Y−mean)² = 0.000² + 0.010² + (−0.010)² + (−0.003)² + 0.003²
  = 0 + 0.0001 + 0.0001 + 0.000009 + 0.000009
  = 0.000218
  因此 std(Y) = sqrt(0.000218 / 4) = sqrt(0.0000545) ≈ 0.00738

第4步：计算相关系数。 使用 (n−1) 的公式：
Cov(A,B)（样本）= 0.00033 / (n−1) = 0.00033 / 4 = 0.0000825
corr(X,Y) = Cov / (std(X)×std(Y))
corr ≈ 0.0000825 / (0.01140 × 0.00738)
分母 ≈ 0.0000841
corr ≈ 0.98

因此，在此特定场景（含所有明确假设）下，货币对相关性接近 +1，意味着这两个收益率序列在五个周期内呈强正线性关系。

局限性与风险（相关性可能无法捕捉的内容）

1. 随时间不稳定性：从较短或特定时间窗口计算出的相关性，若改变时间段或采样间隔，结果可能显著不同。即使两个序列在过去看起来相关，这种关系也可能减弱或逆转。
2. 对收益率定义方式的敏感性：不同的收益率公式或异常值处理方式会改变 Xᵢ 和 Yᵢ，从而改变计算出的相关性。