Corrélation et causalité en finance
Séparez l'association statistique des effets causaux, notamment la confusion, la causalité inverse, la sélection, les interventions, la causalité de Granger, la non-stationnarité, la régression fallacieuse et la conception de recherches financières
Réponse directe
La corrélation décrit la co-mobilité statistique entre des variables dans un échantillon et une transformation définis. La causalité demande comment un résultat changerait sous l'effet d'une intervention ou d'un changement contrefactuel dans une autre variable. La corrélation peut provenir d'un effet causal, mais aussi de causes communes, d'une direction inverse, de la sélection, de tendances, de la mesure ou du hasard. L'association seule n'identifie pas l'explication vraie
La corrélation est une propriété d'une distribution
La corrélation de Pearson standardise la covariance et mesure l'association linéaire ; les corrélations de rang mesurent l'ordre monotone sous des hypothèses différentes
Sa valeur dépend de la population, de la fenêtre, de la fréquence, de la transformation, des valeurs aberrantes, des données manquantes et des variables de conditionnement
Une corrélation nulle n'implique pas l'indépendance, sauf dans des familles particulières, tandis qu'une relation non linéaire peut être forte avec une corrélation de Pearson proche de zéro
La causalité nécessite une intervention cible
Une question causale précise un traitement ou une action, un résultat, une population, un calendrier et une comparaison entre des états potentiels
L'effet d'une hausse des taux diffère de l'association entre les taux observés et les rendements, car la politique réagit aux informations sur l'économie
L'identification causale exige des hypothèses ou une conception reliant les distributions observées à la comparaison contrefactuelle non observée
La confusion et la sélection créent des explications concurrentes
Une cause commune peut faire évoluer les deux variables, la causalité inverse peut faire que le résultat influence la cause proposée et un retour d'information peut fonctionner dans les deux directions
Conditionner sur un effet commun peut créer un biais de collisionneur, tandis que la survie et les filtres de publication peuvent induire une association dans un échantillon sélectionné
Ajouter des contrôles n'est pas automatiquement plus sûr : contrôler des médiateurs, des collisionneurs, des variables de substitution bruitées ou des variables post-traitement peut accroître le biais
La causalité de Granger est une précédence prédictive
X cause Y au sens de Granger lorsque le passé de X améliore la prévision de Y au-delà de l'ensemble d'information et du modèle choisis pour le passé de Y
Il s'agit d'un test de contenu prédictif supplémentaire, et non d'une preuve qu'une intervention sur X modifie Y par un mécanisme structurel
Les variables omises, les nouvelles communes, l'agrégation, le choix des retards, la non-stationnarité et les changements de régime peuvent créer ou faire disparaître des résultats de causalité de Granger
Les tendances temporelles peuvent fabriquer une association
Des séries persistantes indépendantes peuvent afficher un R² élevé et des régressions semblant significatives parce que leurs tendances stochastiques évoluent ensemble dans un échantillon
Dé-tendre ou différencier modifie la question et peut supprimer une information de long terme ; cela doit donc suivre un modèle des séries plutôt qu'une correction visuelle
La stationnarité, les racines unitaires, les ruptures structurelles et la cointégration doivent être diagnostiquées avant d'interpréter une corrélation ou une régression de séries temporelles
Les mécanismes financiers nécessitent des conceptions crédibles
Les expériences randomisées sont rares pour les expositions à l'échelle du marché, mais les expériences naturelles, les discontinuités, les variables instrumentales, les panels et les études d'événements peuvent aider
Chaque conception possède ses propres hypothèses sur l'anticipation, la restriction d'exclusion, les tendances parallèles, les interférences, le calendrier et la stabilité de la mesure
Une étude d'événement mesure un mouvement anormal autour d'une date ; sans contrefactuel valide et calendrier propre, elle n'identifie pas automatiquement l'effet de l'événement
Les éléments probants doivent séparer description et intervention
Présentez les associations brutes et conditionnelles, les transformations, les fenêtres, les règles concernant les données manquantes, la stabilité et les autres diagrammes causaux ou mécanismes
Indiquez la quantité d'intérêt et les hypothèses d'identification, puis effectuez les contrôles de falsification, placebo, pré-tendance, sensibilité et hors échantillon adaptés à la conception
N'utilisez un langage causal que dans la mesure où la conception le justifie ; une prévision peut être utile sans affirmer qu'une intervention reproduirait la relation
Questions fréquentes
Une forte corrélation signifie-t-elle qu'un actif fait évoluer l'autre ?
Non. Elle montre une association forte dans les données choisies et peut refléter des facteurs communs, des rétroactions, des tendances, la sélection ou le hasard
Qu'est-ce que la causalité de Granger ?
C'est la capacité des valeurs passées d'une série à améliorer la prévision d'une autre au-delà d'un ensemble d'information et d'un modèle spécifiés
Une régression peut-elle prouver la causalité ?
Pas à elle seule. Une interprétation causale exige une conception défendable ou des hypothèses qui identifient l'effet contrefactuel pertinent
Pourquoi les corrélations financières peuvent-elles changer rapidement ?
Les expositions, la volatilité, la liquidité, la politique, les participants, la mesure et les régimes de marché peuvent tous modifier la distribution jointe