4. 相关性基础
在结构化产品定价与风险管理中，波动率刻画的是“单个资产有多不稳定”，而相关性刻画的是“多个资产之间如何一起动”。对于雪球、鲨鱼鳍、彩虹期权、篮子票据等挂钩多标的的产品，相关性往往比波动率更隐蔽，却可能直接决定产品是否敲入、赔付落在哪一档。本节从相关系数的定义出发，逐步过渡到秩相关、相关性矩阵，并重点讨论正负相关与尾部相关在实战中的陷阱。
一、核心原理：相关系数到底在度量什么
最常用的是皮尔逊相关系数（Pearson correlation），定义为两个随机变量协方差除以各自标准差的乘积：
ρ(X,Y) = Cov(X,Y) / (σ_X · σ_Y)
= E[(X-μ_X)(Y-μ_Y)] / (σ_X · σ_Y)
取值范围：[-1, 1]
ρ = +1 完全正线性相关
ρ = 0 无线性相关（不代表独立）
ρ = -1 完全负线性相关关键点在于：皮尔逊相关系数度量的是线性关系。如果 Y = X²，且 X 关于 0 对称，那么 ρ 可能接近 0，但两者存在完全确定的非线性关系。因此“相关性为 0”绝不等于“相互独立”。在结构化产品中，很多收益结构是非线性的（敲入、敲出、区间累计），用线性相关系数直接外推会严重失真。
二、线性相关与秩相关：两种视角
当数据存在厚尾、异常值或明显非线性单调关系时，秩相关更稳健。常见的有 Spearman 秩相关和 Kendall 秩相关：前者对原始数据排序后计算皮尔逊相关，后者统计“一致对”与“不一致对”的比例。
| 指标 | 度量对象 | 对异常值 | 适用场景 |
|---|---|---|---|
| Pearson ρ | 线性关系强度 | 敏感 | 近似正态、线性收益结构 |
| Spearman ρs | 单调关系强度 | 稳健 | 厚尾、非线性单调 |
| Kendall τ | 排序一致性 | 稳健 | 小样本、尾部依赖研究 |
举例：两个标的在 95% 的时间里各走各的，但在市场暴跌时同时大跌。此时 Pearson 可能只有 0.3，而尾部秩相关会显著更高。这正是“尾部相关”要单独讨论的原因。
三、相关性矩阵：多标的组合的“体检表”
当产品挂钩 N 个标的时，相关性不再是一个数，而是一个 N×N 的对称矩阵，对角线为 1。它必须满足半正定，否则无法作为合法的协方差结构用于蒙特卡洛模拟。
# 三资产相关性矩阵示例
A B C
A 1.00 0.65 -0.20
B 0.65 1.00 0.10
C -0.20 0.10 1.00
# 检查要点
1. 对称性：ρ_ij = ρ_ji
2. 对角线：ρ_ii = 1
3. 半正定：所有特征值 ≥ 0
4. 三角不等式：|ρ_ij| 不应显著超过 ρ_ik 与 ρ_jk 的组合边界实操中，历史数据估计出的矩阵常因样本短、缺失值或极端行情而“不合法”。常见处理包括：用最邻近半正定矩阵修正、收缩估计（shrinkage）、或用因子模型重构。若直接拿一个非半正定矩阵做 Cholesky 分解，程序会报错或产生虚假路径。
四、正负相关、尾部相关与实战误区
正相关意味着资产同涨同跌，篮子波动率被放大；负相关则起到分散作用，篮子波动率下降。对于自动赎回结构，高正相关会让“一起涨”更容易触发敲出，也会让“一起跌”更容易触发敲入，收益分布更极端。负相关则可能让篮子长期横盘，敲出与敲入都变难。
尾部相关（tail dependence）描述的是极端事件下的联动概率。上尾相关关注“同时大涨”，下尾相关关注“同时大跌”。股票市场普遍存在下尾相关高于上尾相关的现象：平时相关性 0.4，危机时可能飙升到 0.8。这对雪球类产品是致命的——你以为分散了，其实在最需要分散的时候，相关性反而上升。
复盘时常见的三个误区：
- 把相关性当常数。相关性具有时变性和状态依赖，危机期显著上升，必须做压力测试。
- 用全样本估计尾部风险。全样本会稀释极端事件，应单独提取尾部样本或用 Copula 建模。
- 忽略矩阵合法性。非半正定矩阵会让模拟结果出现负方差或异常路径，必须校验特征值。