Correlazione e causalità nella finanza
Separa l'associazione statistica dagli effetti causali, inclusi confondimento, causalità inversa, selezione, interventi, causalità di Granger, non stazionarietà, regressione spuria e disegno della ricerca finanziaria
Risposta diretta
La correlazione descrive il co-movimento statistico tra variabili in un campione e una trasformazione definiti. La causalità chiede come cambierebbe un risultato sotto un intervento o una variazione controfattuale in un'altra variabile. La correlazione può derivare da un effetto causale, ma anche da cause comuni, direzione inversa, selezione, trend, misurazione o caso. La sola associazione non identifica quale spiegazione sia vera
La correlazione è una proprietà di una distribuzione
La correlazione di Pearson standardizza la covarianza e misura l'associazione lineare; le correlazioni di rango misurano l'ordinamento monotono sotto ipotesi diverse
Il suo valore dipende da popolazione, finestra, frequenza, trasformazione, outlier, dati mancanti e variabili di condizionamento
Correlazione zero non implica indipendenza salvo in famiglie speciali, mentre una relazione non lineare può essere forte con correlazione di Pearson quasi nulla
La causalità richiede un intervento-obiettivo
Una domanda causale specifica trattamento o azione, risultato, popolazione, tempistica e confronto tra stati potenziali
L'effetto dell'aumento dei tassi differisce dall'associazione tra tassi osservati e rendimenti perché la politica reagisce alle informazioni sull'economia
L'identificazione causale richiede ipotesi o un disegno che colleghi le distribuzioni osservate al confronto controfattuale non osservato
Confondimento e selezione creano alternative
Una causa comune può muovere entrambe le variabili, la causalità inversa può far sì che il risultato influenzi la causa proposta e il feedback può operare in entrambe le direzioni
Condizionare su un effetto comune può creare bias da collider, mentre sopravvivenza e filtri di pubblicazione possono indurre associazione in un campione selezionato
Aggiungere controlli non è automaticamente più sicuro: controllare mediatori, collider, proxy rumorosi o variabili post-trattamento può aumentare il bias
La causalità di Granger è precedenza predittiva
X causa Y secondo Granger quando i valori passati di X migliorano la previsione di Y oltre l'insieme informativo e il modello scelti per i valori passati di Y
È un test di contenuto predittivo incrementale, non la prova che intervenire su X modifichi Y attraverso un meccanismo strutturale
Variabili omesse, notizie comuni, aggregazione, scelta dei ritardi, non stazionarietà e regimi variabili possono creare o cancellare risultati di causalità di Granger
I trend temporali possono fabbricare associazione
Serie persistenti indipendenti possono mostrare R² elevato e regressioni apparentemente significative perché i loro trend stocastici si muovono insieme in un campione
Detrending o differenziazione cambia la domanda e può rimuovere informazione di lungo periodo, quindi deve seguire un modello delle serie e non una correzione visiva
Stazionarietà, radici unitarie, discontinuità strutturali e cointegrazione dovrebbero essere diagnosticate prima di interpretare correlazione o regressione nelle serie temporali
I meccanismi finanziari richiedono disegni credibili
Gli esperimenti randomizzati sono rari per esposizioni di mercato ampie, ma esperimenti naturali, discontinuità, strumenti, panel e disegni di evento possono aiutare
Ogni disegno ha ipotesi proprie su anticipazione, esclusione, trend paralleli, interferenza, tempistica e misurazione stabile
Uno studio di evento misura il movimento anomalo intorno a una data; senza un controfattuale valido e una tempistica pulita non identifica automaticamente l'effetto dell'evento
L'evidenza dovrebbe separare descrizione e intervento
Riporta associazioni grezze e condizionate, trasformazioni, finestre, regole sui dati mancanti, stabilità e diagrammi causali o meccanismi alternativi
Dichiara estimand e ipotesi di identificazione, poi esegui controlli di falsificazione, placebo, pre-trend, sensibilità e fuori campione appropriati al disegno
Usa linguaggio causale solo nella misura supportata dal disegno; la previsione può essere utile senza sostenere che un intervento riprodurrebbe la relazione
Domande frequenti
Un'alta correlazione significa che un asset causa il movimento dell'altro?
No. Mostra una forte associazione nei dati scelti e può riflettere fattori comuni, feedback, trend, selezione o caso
Che cos'è la causalità di Granger?
È la capacità dei valori passati di una serie di migliorare la previsione di un'altra oltre uno specifico insieme informativo e modello
Una regressione può dimostrare la causalità?
Non da sola. Un'interpretazione causale richiede un disegno o ipotesi difendibili che identifichino l'effetto controfattuale rilevante
Perché le correlazioni finanziarie possono cambiare rapidamente?
Esposizioni, volatilità, liquidità, politica, partecipanti, misurazione e regimi di mercato possono cambiare la distribuzione congiunta