全部期权指南
两个变量共同变化却不能识别原因的理由阅读约15分钟
金融中的相关关系与因果关系
区分统计关联与因果效应，包括混杂、反向因果、选择、干预、Granger因果、非平稳性、伪回归与金融研究设计
由 Mark 编写 · 官方资料列于文末
直接答案
相关关系描述变量在指定样本与变换下的统计共动。因果关系询问干预一个变量或对其作反事实改变后结果会如何变化。相关可能来自因果效应，也可能来自共同原因、反向作用、选择、趋势、测量或偶然。仅靠关联无法识别哪种解释为真
相关是分布的性质
Pearson相关系数标准化协方差并衡量线性关联，秩相关则在不同假设下衡量单调排序
其数值取决于总体、窗口、频率、变换、离群值、缺失及条件变量
除特殊分布族外，零相关不代表独立；强非线性关系也可能有接近零的Pearson相关
因果需要明确目标干预
因果问题要指定处理或行动、结果、总体、时点及潜在状态之间的比较
加息的效应不同于观测利率与收益的关联，因为政策本身会回应经济信息
因果识别需要能把观测分布与不可观测反事实比较连接起来的假设或设计
混杂与选择会产生替代解释
共同原因可同时推动两个变量，结果可反过来影响所提原因，反馈也可双向运行
以共同结果为条件会产生碰撞变量偏差，生存与发表筛选则会在选中样本中诱发关联
增加控制并不总是更安全：控制中介、碰撞变量、噪声代理或处理后变量可能增加偏差
Granger因果是预测先行性
若过去X能在指定信息集与过去Y模型之外改善Y的预测，就说X Granger导致Y
这是增量预测内容检验，不证明干预X会通过结构机制改变Y
遗漏变量、共同新闻、聚合、滞后选择、非平稳性与状态变化都能创造或消除Granger因果结果
时间趋势会制造关联
独立的持久序列也可能因随机趋势在一个样本中共同游走，而出现高R²和看似显著的回归
去趋势或差分会改变问题并可能删除长期信息，因此应基于序列模型而非视觉修补
解读时序相关或回归前，应诊断平稳性、单位根、结构断点与协整
金融机制需要可信设计
市场整体敞口很少能随机实验，但自然实验、断点、工具变量、面板与事件设计可提供帮助
每种设计都需要关于预期、排除、平行趋势、干扰、时点与稳定测量的特定假设
事件研究衡量日期附近的异常变化；没有有效反事实和清晰时点就不能自动识别事件效应
证据应区分描述与干预
报告原始与条件关联、变换、窗口、缺失规则、稳定性以及替代因果图或机制
声明估计目标与识别假设，再按设计进行反证、安慰剂、前趋势、敏感度及样本外检验
只在设计支持的范围内使用因果语言；预测无需声称干预会复制关系也能有价值
常见问题
高相关意味着一个资产导致另一个资产变化吗？
不。它只显示所选数据中的强关联，可能来自共同因子、反馈、趋势、选择或偶然
什么是Granger因果？
它是一个序列的过去值在指定信息集与模型之外改善另一序列预测的能力
回归能证明因果关系吗？
单靠回归不能。因果解读需要能识别相关反事实效应的可信设计或假设
为什么金融相关性会快速变化？
敞口、波动率、流动性、政策、参与者、测量与市场状态都能改变联合分布
资料来源与延伸阅读
把这个概念应用到一份期权
选择合约和目标，让价格、时间与波动率假设在同一份分析中清晰呈现
分析我的期权