如何验证正相关性的信息？

什么是“正相关”

正相关描述的是一种统计关系，即两个变量倾向于朝相同方向变动。在实际中，你是在评估一个变量的较大值是否通常与另一个变量的较大值相关联，较小值是否与较小值相关联。

一个常见的验证目标是相关系数（通常是皮尔逊相关系数 r）。关键在于，相关性是从特定数据和假设中计算得出的：变量的定义、测量方式以及时间窗口的选择。

如何验证相关信息（可复现的步骤）

1. 明确定义变量。 写下每个变量的具体含义（例如，“A序列的收益率”和“B序列的收益率”）及其单位。如果有人说“两种货币之间的相关性”，请澄清其具体含义（价格 vs. 收益率）以及观测频率。
2. 说明时间窗口和采样规则。 选择起始日期、结束日期和间隔（日度、周度等）。相关性可能在不同时期发生变化，因此必须与所声称使用的时间窗口保持一致。
3. 选择计算方法和公式。 如果使用皮尔逊相关系数，请确保减去每个变量的均值，并在成对观测值之间计算标准相关性。如果来源使用基于秩的方法（如斯皮尔曼相关），应明确说明并予以复制。
4. 运行计算并记录结果。 在完全对齐的观测值上（相同的时间戳）进行计算。报告结果及所用数据点的数量。
5. 进行敏感性检查。 在合理变化下重新计算以测试稳健性：尝试不同的时间窗口、剔除极端异常值，或使用替代指标（皮尔逊 vs. 斯皮尔曼）。如果“正相关”关系完全依赖于某一狭窄设定，则该说法的可信度较低。

验证逻辑的证据或示例（含明确假设）

假设你有两个在相同日期观测的时间序列 X 和 Y，你想验证它们具有正相关的说法。

• 假设 A（输入）： 你使用收益率而非原始价格。收益率定义为连续观测值之间的百分比变化。
• 假设 B（对齐）： 对于每个日期 t，将 X 从 t−1 到 t 的收益率与 Y 从 t−1 到 t 的收益率配对。
• 计算： 使用这些配对的收益率，计算皮尔逊相关系数 r。

如果 r 为正值，则符合“正相关”的描述。如果 r 接近零，则在你特定的输入和窗口下不支持该说法。如果 r 为负值，则该说法与你复现的计算结果相矛盾。

相关局限性和失败模式

一个重要的局限是，相关性不等于因果性，且相关性在时间上并不稳定。主要的失败模式包括：

• 窗口依赖性： 不同时间段可能导致不同的相关性符号。
• 测量依赖性： 使用价格而非收益率，或使用不同频率，会改变结果。
• 异常值和结构突变： 少量极端观测值或结构性变化可能主导相关系数。
• 模型不匹配： 某人可能未声明其使用的指标（或预处理方法）就报告相关性。
• 前向展望误解： 即使历史上相关性为正，也不能确保未来的共同变动。

由于成本、执行差异和市场条件的变化会影响实际结果，仅凭相关性并不能可靠地预测未来行为。

验证清单和下一个问题

要验证关于正相关性的信息，请通过复现以下内容来确认该说法：(1) 变量定义，(2) 数据频率，(3) 时间窗口，(4) 相关性公式/指标，以及 (5) 对合理假设变化的稳健性。

接下来应问的问题是：使用了哪些定义和时间窗口？在其他合理的计算方式下，结果是否仍为正？