负相关应如何解读？
直接回答
负相关是一种观察到的两个变量反向运动的趋势。解读它意味着理解这种关系的方向，以及相关性所能解释内容的局限性。仅凭负相关本身，并不能证明对冲在未来一定有效、某种模式会持续，或结果可预测。
机制与定义
解读负相关的一种简单方式是通过相关系数（通常称为 r）。如果 r 小于零，则数据对倾向于反向运动：当一个变量上升时，另一个变量倾向于下降（反之亦然）。如果 r 接近零，则线性关系较弱，即使偶尔出现反向运动。
关键模型假设至关重要：
- 相关性反映的是所选数据集中的关系，而非金融工具的永久属性。
- 相关性对时间窗口敏感。使用日收益、小时收益或其他时间窗口，可能得出不同的符号结果。
- 相关性通常基于收益等指标，而非原始价格水平。原始价格水平可能产生误导，因为它们可能随时间漂移，而不代表稳定的关系。
证据或示例（含明确假设）
假设你计算两个汇率 A 和 B 在相同日期的收益，然后基于这些收益序列计算相关性。若在该历史窗口中得到 r = −0.6，则可解释为：在该特定时期和计算方法下，存在“中等程度的负线性关联”。
你可以推断出：
- 在该数据集中，反向同动的频率高于无关联情况下的预期。
你不能推断出：
- 该关系在未来窗口中仍会保持负相关。
- 反向同动将完全抵消亏损或波动。
- 基于该思路构建的任何具体交易都会如预期般运行。
即使在同一时期，该关系在不同市场状态（例如，压力状态与平静状态）下也可能不一致。成本和执行也会影响实际结果：点差、佣金和时机可能削弱反向运动带来的理论收益。
局限性与风险（重大失效模式）
- 相关性破裂：当市场状况变化时，相关性的符号或强度可能改变。
- 窗口依赖性：某一时间范围内的负相关关系，在另一时间范围内可能变弱或转为正相关。
- 非线性行为：相关性通常衡量线性关联；两个变量可能以非线性方式相关，导致相关系数产生误导。
- 数据与测量问题：不同数据源、缺失观测值或时间戳不匹配可能扭曲计算结果。
- 成本与实施问题：即使纸面显示运动方向相反，现实中的摩擦也可能阻止对冲效果实现。
这些并非罕见的边缘情况，而是历史相关性无法转化为可靠未来行为的常见原因。
验证与后续问题
要负责任地解读负相关，应使用你计划未来应用的相同假设进行验证：
- 在多个不重叠的周期上重新计算相关性，查看其符号和幅度是否稳定。
- 检查对收益定义（例如，简单收益与对数收益）和时间窗口的敏感性。
- 通过在相关成本和执行时机假设下评估结果，测试其在现实摩擦下的稳健性。
一个有用的后续问题是：“该关系是否在不同市场状态和时间范围内保持负相关，还是仅限于特定历史时期？”
