:root{--brand-1:#18794e;--brand-2:#3dd68c;--brand-3:#2bb673;--brand-soft:#3dd68c22;} .hero .kicker{color:var(--brand-2)} .nav .ep{color:var(--brand-2)} .sec h2 .num{color:var(--brand-2)} .quote::before{background:var(--brand-1)} .quote .q-text .em{color:var(--brand-2)} .quote .q-water .pg{color:var(--brand-2)} .widget .w-title{color:var(--brand-2)} .takeaway h3{color:var(--brand-2)} .takeaway ol li::marker{color:var(--brand-2)} .next .nx-label{color:var(--brand-2)} .formula .eq{color:var(--brand-2)} a{color:var(--brand-2)} .comp.c1 .tag{background:var(--brand-soft);color:var(--brand-2)} /* 相关矩阵热力图 */ .corrmat .toggle{display:flex;gap:8px;margin:12px 0} .corrmat .toggle button{font-size:13px;padding:8px 16px} .corrmat .toggle button.on{background:var(--brand-soft);color:var(--brand-2);border-color:var(--brand-1)} .corrmat .mats{display:grid;grid-template-columns:1fr 1fr;gap:14px;margin:10px 0} .corrmat .mat{background:var(--bg-mute);border:1px solid var(--divider);border-radius:10px;padding:12px} .corrmat .mat h5{margin:0 0 8px;font-size:13px;text-align:center;color:var(--t2)} .corrmat .mat.crisis h5{color:var(--red-1)} .corrmat .mat.normal h5{color:var(--green-1)} .corrmat .grid{display:grid;gap:2px} .corrmat .cell{aspect-ratio:1;display:grid;place-items:center;font-size:10px;font-family:var(--mono);color:#fff;font-weight:600} .corrmat .labels{display:flex;gap:2px;margin-top:4px;font-size:10px;color:var(--t3);font-family:var(--mono)} .corrmat .labels span{flex:1;text-align:center} .corrmat .verdict{margin-top:14px;padding:13px;border-radius:8px;font-size:13px;text-align:center} .corrmat .verdict.ok{background:var(--green-soft);color:var(--green-1);border:1px solid var(--green-1)} .corrmat .verdict.bad{background:var(--red-soft);color:var(--red-1);border:1px solid var(--red-1)} .corrmat .legend{display:flex;align-items:center;gap:8px;margin-top:10px;font-size:11px;color:var(--t3)} .corrmat .legend .bar{flex:1;height:10px;background:linear-gradient(90deg,#18794e,#3dd68c,#f9b44e,#f66f81);border-radius:3px}
量化交易实战 · 第 18 期 · 第二季

相关系数 0.3,危机时变 0.9——分散化在最需要时失效

相关性不稳定 · correlation breakdown in crisis

你算的股票和债券相关系数 -0.2,以为分散化了。但 2008、2020 危机时,相关系数飙到 +0.7——所有资产同涨同跌,分散化在最需要它的时候失效。原因:危机时大家同时在去杠杆,不管什么资产都卖,相关性被"流动性"统一。所以用全样本相关系数做配置是错的——要用危机时的相关系数,因为那才是要命的时候。
⏱ 约 9 分钟 🎯 做资产配置、信分散化的人 📦 源:quant-wiki §4

01为什么危机时相关性飙升

常态下,不同资产有不同驱动因素:股票看盈利、债券看利率、商品看供需、黄金看避险。相关性低,分散化有效。

但危机时,所有资产的驱动因素被一个东西统一:流动性。2008 年雷曼倒闭,所有机构同时在去杠杆——卖股票、卖债券、卖黄金、卖商品,因为都需要现金。这时候资产价格不反映各自基本面,只反映"谁在卖"。结果就是所有资产同跌,相关性飙到 0.7-0.9。

这就是"相关性不是稳定的"的核心:常态相关系数是"正常时候的",但你要防的是"危机时候的"。用常态相关系数做配置,会在危机时发现"我以为分散了,其实没有"。

常态看基本面,
危机看流动性。
灏天文库 · 量化交易实战 P.54

02相关矩阵热力图:常态 vs 危机

下面是 6 个资产(股票、债券、黄金、原油、美元、比特币)的相关矩阵。左边常态、右边危机。看危机时矩阵怎么从绿(低相关)变红(高相关)——分散化怎么消失。

🌡️ 相关矩阵热力图(常态 vs 危机)
看危机时相关性怎么飙升,分散化怎么失效。
常态期(2017-2019)
危机期(2020.3 暴跌)
-1+1
看右边危机矩阵——对角线外几乎全红,所有资产同涨同跌,分散化失效。

03怎么应对:用条件相关系数

既然全样本相关系数会骗人,要用条件相关系数——只在"特定条件"下算的相关。最常用的是"下跌相关系数":只在两个资产都跌的时候算相关。这反映"最坏情况下的相关性",比全样本相关高得多,也更接近危机时的真实情况。

三个实操方法:

核心思想:分散化的价值在危机时才体现,所以要用危机时的相关系数来设计分散化。用常态相关系数设计的"分散化",是平时好看、危机时垮掉的纸老虎。

分散化要在危机时管用,
不是平时好看。
灏天文库 · 量化交易实战 P.55

04带走这套清单

✅ 应对相关性不稳定 6 条可执行规则

  1. 别用全样本相关系数:它会骗你,常态低不代表危机低。
  2. 用下跌相关系数:只在都跌时算相关,反映最坏情况。
  3. 加危机 alpha 资产:趋势跟踪 CTA 在危机时涨,补分散化缺口。
  4. 压力测试相关到 0.7:把相关统一拉高看组合最坏亏多少。
  5. 关注流动性:危机时相关性飙升是因为去杠杆,留够现金缓冲。
  6. 定期重算:相关性会随市场结构变化,每季度重算,别用 5 年前的。
用危机时的相关系数,
设计平时的分散化。
灏天文库 · 量化交易实战 P.56