所有選擇權指南
兩個變數共同變化卻不能識別原因的理由閱讀約15分鐘
金融中的相關關係與因果關係
區分統計關聯與因果效果，包括混淆、反向因果、選擇、介入、Granger因果、非平穩性、虛假迴歸與金融研究設計
由 Mark 撰寫 · 官方資料列於文末
直接解答
相關關係描述變數在指定樣本與轉換下的統計共動。因果關係詢問介入一個變數或對它作反事實改變後，結果會如何轉變。相關可能來自因果效果，也可能來自共同原因、反向作用、選擇、趨勢、測量或偶然。單憑關聯無法識別哪種解釋為真
相關是分布的性質
Pearson相關係數標準化共變異數並衡量線性關聯，秩相關則在不同假設下衡量單調排序
其數值取決於母體、視窗、頻率、轉換、離群值、遺漏及條件變數
除特殊分布族外，零相關不代表獨立；強非線性關係也可能有接近零的Pearson相關
因果需要明確目標介入
因果問題要指定處理或行動、結果、母體、時點及潛在狀態之間的比較
升息的效果不同於觀測利率與報酬的關聯，因為政策本身會回應經濟資訊
因果識別需要能把觀測分布與不可觀測反事實比較連接起來的假設或設計
混淆與選擇會產生其他解釋
共同原因可同時推動兩個變數，結果可反過來影響所提原因，回饋亦可雙向運作
以共同結果為條件會產生碰撞變數偏誤，生存與發表篩選則會在選中樣本中誘發關聯
增加控制並不總是更安全：控制中介、碰撞變數、雜訊代理或處理後變數可能增加偏誤
Granger因果是預測先行性
若過去X能在指定資訊集與過去Y模型之外改善Y的預測，就說X Granger導致Y
這是增量預測內容檢定，不證明介入X會透過結構機制改變Y
遺漏變數、共同消息、彙總、落後期選擇、非平穩性與狀態變化都能創造或消除Granger因果結果
時間趨勢會製造關聯
獨立的持久序列也可能因隨機趨勢在一個樣本中共同游走，而出現高R²與看似顯著的迴歸
去趨勢或差分會改變問題並可能刪除長期資訊，因此應基於序列模型而非視覺修補
解讀時間序列相關或迴歸前，應診斷平穩性、單位根、結構斷點與協整
金融機制需要可信設計
市場整體曝險很少能隨機實驗，但自然實驗、斷點、工具變數、追蹤資料與事件設計可提供幫助
每種設計都需要關於預期、排除、平行趨勢、干擾、時點與穩定測量的特定假設
事件研究衡量日期附近的異常變化；沒有有效反事實與清晰時點，就不能自動識別事件效果
證據應區分描述與介入
報告原始與條件關聯、轉換、視窗、遺漏規則、穩定性以及替代因果圖或機制
聲明估計目標與識別假設，再按設計進行反證、安慰劑、前趨勢、敏感度及樣本外檢驗
只在設計支持的範圍使用因果語言；預測無需聲稱介入會複製關係也能有價值
常見問題
高相關表示一項資產導致另一項資產變化嗎？
不是。它只顯示所選資料中的強關聯，可能來自共同因子、回饋、趨勢、選擇或偶然
什麼是Granger因果？
它是一個序列的過去值在指定資訊集與模型之外，改善另一序列預測的能力
迴歸能證明因果關係嗎？
單靠迴歸不能。因果解讀需要能識別相關反事實效果的可信設計或假設
為何金融相關性會快速變化？
曝險、波動率、流動性、政策、參與者、測量與市場狀態都能改變聯合分布
資料來源與延伸閱讀
把這個概念應用到一份期權
選擇合約和目標，讓價格、時間與波幅假設在同一份分析中清晰呈現
分析我的期權