直接回答
成对相关性（通常指两个收益序列之间的相关性）是一种数值度量，用来衡量两个变量往往如何一起变动。实际操作中，你会从一组配对观测值中计算相关系数（例如，在相同日期和区间上收集的两个货币对的收益）。演示示例可以把步骤讲清楚，但计算始终依赖于诸如时间窗口、收益如何定义以及使用了哪些数据清洗规则等假设。
机制与定义（你实际计算的内容）
要计算成对相关性的演示示例，你需要两条长度相同的数字序列：
- 序列 A：X₁、X₂、…、Xₙ（通常是工具 A 的收益）
- 序列 B：Y₁、Y₂、…、Yₙ（通常是工具 B 的收益）
一个常见选择是皮尔逊相关系数（Pearson correlation coefficient），其定义为 A 与 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）
解读（一般情况）：
- corr ≈ +1：它们朝同一方向一起变动
- corr ≈ −1：它们倾向于朝相反方向变动
- corr ≈ 0：从样本中看不出明显的线性关系
演示证据：一个完全透明的数值情景
假设你已经按照某条特定规则把价格数据转换成收益，并选择一个 5 期的窗口。为了让示例更具体，使用这些收益序列（假设：它们按日期与区间同步）：
- X 收益（工具 A）：[0.01, 0.02, −0.01, 0.00, 0.01]
- Y 收益（工具 B）：[0.005, 0.015, −0.005, 0.002, 0.008]
本演示示例的假设：
- 收益已经计算好了（这里不定义价格到收益的公式）。
- 两个序列都在相同的五个时间戳上测量。
- 我们使用皮尔逊相关，并采用样本标准差（分母使用 n−1）。
- 两个序列中都不存在缺失观测。
步骤 1：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
步骤 2：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
步骤 3：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 所以 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 所以 std(Y) = sqrt(0.000218 / 4) = sqrt(0.0000545) ≈ 0.00738
步骤 4：计算相关性。 使用带 (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，在这个特定情景中（在所有已陈述的假设下），成对相关性接近 +1，意味着这两条收益序列在这五个期间内存在很强的正向线性相关关系。
限制与风险（相关性可能无法捕捉的内容）
- 随时间不稳定：从较短或特定窗口计算得到的相关性，如果你改变时间段或采样间隔，可能会出现显著差异。即使这两条序列在过去看起来相关，它们之间的关系也可能变弱或反转。2) 对收益的精确定义敏感：不同的收益公式或对离群值的处理会改变 Xᵢ 和 Yᵢ，从而改变计算得到的相关性。