Корреляция в инвестициях на форексе и бирже. Что такое корреляция Корреляция примеры в жизни

Корреляцией между двумя величинами называется статистическая взаимосвязь, при которой изменение одной из величин приводит к систематическому изменению другой. Количественной мерой корреляции является линейный коэффициент корреляции (называемый также коэффициентом корреляции Пирсона) , вычисляемый по формуле:

r xy – коэффициент корреляции значений величин x и y;
d x – отклонение некоторого значения ряда x от среднего значения этого ряда;
d y – отклонение некоторого значения ряда y от среднего значения этого ряда.

Диапазон возможных значений коэффициента корреляции находится между +1 и -1. При этом возможны следующие варианты:

+1 – прямая зависимость между величинами;
|r xy| > 0.7 – ярко выраженная зависимость между величинами;
0.4 < |r xy| > 0.7 – средне выраженная зависимость между величинами;
|r xy| < 0.4 – слабо выраженная зависимость между величинами;
-1 – обратная зависимость между величинами.

Важно заметить, что чем больше выборка значений, тем при меньшей величине модуля коэффициента корреляции можно говорить о наличии зависимости между x и y. К сожалению, в формуле заложена ловушка, которая применительно к финансовым инструментам может сыграть с инвестором злую шутку. В числителе отклонения величин могут иметь как одинаковые, так и разные знаки, поэтому произведение может также быть как положительным, так и отрицательным. В знаменателе же отклонения возведены в квадрат, что гарантирует положительность знаменателя. Пока что мы просто обратим на это внимание, а позже вернёмся к тому, что из этого может получиться.

Практический смысл вычисления корреляции между финансовыми инструментами заключается в получении важных фундаментальных данных, необходимых для принятия торговых решений. Реакция рынков на выход важных экономических новостей выражается в том, что вначале в движение приходят цены основных активов (золото, нефть, фьючерсы на промышленные индексы), иногда доходность . Как следствие, изменяются валютные курсы и котировки акций. Отслеживая взаимосвязь отдельных инструментов, а также причинно-следственные отношения между изменениями цен, можно оперативно пересматривать торговые и инвестиционные планы. Кроме того, анализ корреляций используется в управлении как обязательная часть .

Можно наглядно представить корреляцию двух величин в виде графика в координатах время-амплитуда. Например, при отрицательной корреляции получим подобную картину:

Знание корреляции активов снижает риски портфеля

Пусть, например, есть 2 актива. Для простоты представим, что их цены зависят от времени по закону синусоиды. Тогда при корреляции +1 получим полное наложение волн и открытие сделок по обоим активам будет равносильно удвоению позиций по одному из них. Корреляция -1, наоборот, означает взаимную компенсацию прибылей и убытков активов. Разумеется, удачно подобранные активы в целом не ходят вокруг одного и того же уровня, а имеют тенденцию к росту с течением времени. Кроме того, при одних активов, рост по другим позволяет минимизировать суммарный риск портфеля:

Процесс, называемый ребалансировкой портфеля, позволяет получать доход, попеременно меняя долю активов в портфеле. Наиболее просто это достигается при ярко выраженной отрицательной корреляции. Предположим, что изначально в портфеле были активы А и В с обратной корреляцией и соотношением 1:1, на общую сумму 1 млн рублей. В течение полугода актив А упал в цене на 20% и его стоимость из первоначальных 500 тыс. рублей стала 400 тыс. рублей. Актив В, наоборот, вырос на 20% и его стоимость поднялась до 600 тыс. рублей. Общая стоимость портфеля не изменилась и по-прежнему составляет 1 млн рублей. Теперь 50% актива В (300 тыс.) перекладываем в А и его стоимость теперь составляет 700 тыс., а актива В – 300 тыс.

В следующие полгода происходит противоположный процесс: активы возвращаются к своей изначальной цене. Теперь актив А вместо 700 тыс. стоит 840 тыс., а актив В вместо 300 тыс. - 240 тыс. Общая стоимость портфеля, таким образом, составила 1 млн 80 тыс. руб., т.е. его доходность за счёт ребалансировки – 8% годовых. Без ребалансировки доходность портфеля составила бы 0%. Реальные ситуации намного сложнее, т.к. корреляции большинства инструментов находятся в пределах между +0.5 и -0.5. Если рассмотреть график риск-доходность для разных соотношений двух инструментов при различных значениях корреляции, то получим следующую картину:

Как видно, чем ниже значение коэффициента корреляции инструментов, тем больше возможная доходность портфеля при одном и том же значении риска, либо тем меньше риск при одном и том же значении доходности.

Корреляция на форексе

Распространённая стратегия, основанная на корреляции валютных пар, заключается в том, что в случае резкого отклонения коэффициента корреляции от текущего значения, сделки открываются в направлении восстановления этого значения. Например, если пары EURUSD и GBPUSD длительное время двигались в одном направлении, то при их сильном расхождении можно ожидать сближения, если расхождение не вызвано долговременными (например, изменение учётной ставки).

Кроме того, корреляция валютных пар используется при комплексной оценке рынка. Например, накануне ипотечного кризиса 2008—2009 годов, когда австралийский и новозеландский доллары, а также английский фунт имели высокую ключевую ставку, большое развитие получила стратегия торговли под названием carry trade. Она заключалась в том, что при благоприятных для фондовых рынков событиях особенно активно росли пары этих валют с иеной, традиционно отличающейся очень низкой ставкой, они же и активно снижались при неблагоприятных событиях.

При том, что никакая корреляция не может затрагивать абсолютно все временные интервалы и возможны разнонаправленные движения валют, но ярко выраженное однонаправленное движение, как правило, говорит о наличии общего фундаментального «драйвера». Это облегчает планирование сделок. В частности, нет смысла искать откаты и внутри дня работать , если все чётко коррелирующие пары идут в одном направлении.

Посмотреть таблицу корреляции валютных пар и некоторых других инструментов в реальном времени можно на myfxbook.com/forex-market/correlation. Из этой таблицы видно, что практически не коррелируют между собой пары EURUSD и AUDCAD. В случае одновременного открытия сделок по этим парам можно не опасаться ни суммирования убытков, ни перекрывания прибыли по одной паре убытком по другой.

На этом графике показано, как австралийский и новозеландский доллары, обратно коррелирующие с «валютами-убежищами» иеной и швейцарским франком, активно росли в период наибольшего дифференциала ключевых ставок. Эта тенденция сменилась на противоположную после того, как с углублением ипотечного кризиса начался период срезания ставок.

Не бывает следствий без причины

Корреляция цен активов в чём-то подобна трендам: чем больше временной интервал для её расчёта, тем медленнее она изменяется. Но есть и то, что выгодно отличает корреляцию от многих других методов. Её можно рассчитать для таких пар активов, которые не торгуются ни на одной бирже (нефть-газ, нефть-золото), что позволяет дополнить арсенал аналитика ценной информацией, позволяющей «читать рынок между графиками».

Любая корреляция двух и более величин всегда имеет причинно-следственную связь. Одна из величин является определяющей, от которой зависит другая (или другие). Корреляция на фондовом рынке – не исключение. Например, в паре нефть-газ длительное время определяющими были котировки нефти. На графике ниже можно заметить, что расширение спреда между нефтью и газом за счёт резкого относительного роста газа сменялось столь же резким возвратом к относительному равновесию:

В то же самое время, в другой паре активов, золото-нефть, определяющим является уже золото. При значительном расширении (резкий рост или падение нефти при более стабильном золоте) именно нефть восстанавливает нарушенное равновесие:

Отслеживая подобное поведение «ведомых» активов, можно открывать сделки в сторону восстановления баланса. Кстати, корреляция на часто имеет в основе привязку некоторых валют к сырьевым активам. Их так и называют: «сырьевые валюты». Например, сильно зависят от нефти канадский доллар и рубль. В обоих случаях, корреляция прямая: чем дороже нефть, тем выше курс этих валют по отношению к доллару США.

В случае рубля корреляция графиков настолько чёткая, что может быть использована в торговой стратегии. Рассмотрим начало 2014 года. Нефть торгуется около 110$ за баррель, после чего на некоторое время поднимается чуть выше. Рубль же в это время, напротив, с 33 за доллар США кратковременно снижается до 36. На какой-то момент корреляция становится практически обратной, но равновесие быстро восстанавливается и рубль возвращается к курсу 33 за доллар, послушно следуя за нефтью. Ещё более яркий пример мы видим в конце 2014 года, когда произошло резкое ослабление рубля на фоне гораздо более плавно снижающейся нефти. И в этот раз нарушенное равновесие вскоре восстановилось благодаря укреплению рубля. С течением времени корреляция может претерпевать сильные изменения и даже из прямой переходить в обратную. Особенно ярко это проявилось в случае корреляции индексов Dow Jones Industrial Average и РТС.

В конце 2007 года, когда начали проявляться первые признаки ипотечного кризиса в США, индекс DJ развернулся вниз, но индекс РТС, благодаря активному росту нефтяных котировок, ещё только подбирался к историческому максимуму. Однако, в дальнейшем резкий обвал всех фондовых индексов мира сказался и на нефти. Это привело к тому, что индекс РТС по темпам падения практически в 2 раза превысил DJ. Кроме нефти, на темпах падения индекса РТС сказался и общий отток капиталов из развивающихся рынков.

Однако, кризис был недолгим и уже в начале 2009 года сменился экономическим ростом. Высокая корреляция между DJ и РТС наблюдалась вплоть до апреля 2012 года, который ознаменовался исчерпанием возможностей сырьевой модели развития российской экономики. Начиная с этого года, даже дорогая нефть уже не обеспечивала экономический рост. В дальнейшем в России экономический спад лишь усугубился на фоне дешевеющей нефти, тогда как американская экономика получила дополнительный стимул для роста. Корреляция между и стала обратной.

Само по себе наличие корреляции между активами ещё не означает, что на этом можно строить стратегию торговли или инвестирования. Предположим, нас интересует корреляция акций компании IBM за последние 12 месяцев (см. impactopia.com/correlation). Итак, на 4 месте по величине корреляции находится Banco Santander (около 0,43). Скорее всего, это просто случайное совпадение или системный недостаток самого метода расчёта корреляций.

Математическая ловушка

Как я уже упоминал выше, формула расчёта коэффициента корреляции очень чувствительна к знакам отклонений значений величин от их средних значений. Если эти отклонения чаще имеют одинаковые знаки, получается высокое значение коэффициента корреляции. Но будет ли это значение иметь смысл? Ответ вовсе не очевиден. Рассмотрим практический пример. Предположим, на графиках двух величин одновременно имеется :

Тогда новые значения этих величин будут систематически оказываться по одну сторону от их средних значений. Это приведёт к высокой положительной корреляции. К сожалению, никакой пользы от этой информации не будет, т.к. кроме наличия гэпа, ничего общего между графиками нет. Это лишь наглядный пример того, что при расчёте корреляции допускается использовать исключительно стационарные ряды значений, т.е. ряды, в которых нет трендовой составляющей. Это означает, что расчёт корреляций в мире финансовых активов неизбежно приводит к переоценке значимости факторов, в действительности имеющих случайный характер. Поймите правильно: важно не выискивать эти факторы и вводить на них специальные поправки, а показать саму суть явления и не искать очередной Грааль там, где его нет.

Впрочем, не всё так плохо. Есть способ обойти влияние трендов путём расчёта корреляции не самих цен, а их приращений. Тогда упомянутый выше ГЭП окажется статистическим выбросом, практически не влияющим на результат. Осталось лишь дождаться, когда такой подход возобладает. Не всегда можно найти свежие данные по корреляции активов. В таких случаях их можно рассчитать при помощи Microsoft Excel. Для этого котировки записываются в виде двух диапазонов ячеек, а затем в одной из свободных ячеек записывается функция следующего вида: =КОРРЕЛ (массив 1; массив 2). Массив может выглядеть, например, так: A1:A100. Для расчёта корреляции по приращениям цен, эта программа полезна вдвойне, ведь на основе цен закрытия нужно вначале рассчитать сами приращения.

Резюме

Корреляция между ценами активов — важный инструмент как анализа данных, так и управления рисками при портфельных инвестициях. Но, как и все статистические подходы, он не лишён серьёзных недостатков:

наличие выраженной корреляции между данными в прошлом не может гарантировать её в будущем;
используемая математическая модель имеет большие погрешности в периоды тренда.

Применение корреляционного подхода принесёт максимальную пользу в дополнение к другими методами анализа и управления капиталом. В комментариях предлагаю обсудить, как можно зарабатывать на корреляции конкретных активов. Свои примеры я привел в статье, жду ваших для обсуждения.

Всем профита!

Что такое Корреляция? Значение слова «Корреляция» в популярных словарях и энциклопедиях, примеры употребления термина в повседневной жизни.

Корреляция (correlation) – Медицинский словарь

(в статистике) степень, с которой какая-либо одна характеристика воздействует на другую, причем эти характеристики являются взаимосвязанными и образуют пару. Такие парные характеристики могут быть представлены на графике в виде ряда точек. Если все точки на полученной рассеянной диаграмме (scatter diagram) укладываются на прямую линию (не являющуюся ни горизонтальной, ни вертикальной), то коэффициент корреляции (correlation coefficient) может меняться от +1 (если увеличение одной переменной сопровождается соответствующим увеличением другой) до -1 (если увеличение одной переменной сопровождается постоянным уменьшением другой); коэффициент корреляции, равный 0, свидетельствует о том, что между рассматриваемыми двумя характеристиками не существует никакой зависимости и они укладываются на одной прямой линии. Коэффициент регрессии (regression coefficient) является средним показателем того, с какой степенью увеличение одной характеристики влияет на увеличение/уменьшение другой. Если необходимо оценить вклад нескольких факторов в развитие того или иного заболевания, то относительный вклад каждого из них может быть вычислен с помощью методов статистики, напри мер, многовариантного анализа (multivariate analysis).

Корреляция (correlation) – Психологический словарь

Корреляция (correlation) – Социологический словарь

Устойчивое отношение между двумя измеряемыми величинами или переменными, выражаемое в статистической форме. Корреляции могут быть как положительными, так и отрицательными.

Корреляция (correlation) – Психологическая энциклопедия

Степень, в которой две или больше переменных связаны одна с другой.

Корреляция (correlation) – Экономический словарь

Размер или степень статистической зависимости между двумя или более переменными.

Корреляция (в Экономической Статистике) – Экономический словарь

понятие, отражающее наличие связи между явлениями, процессами и характеризующими их величинами.

Корреляция Бисериальная – Социологический словарь

Корреляция между дихотомической и количественной переменными, предполагающая, что дихотомическая переменная образовалась в результате группирования количественной переменной в два интервала. Показывает, какой была бы корреляция линейная между данными переменными, если бы дихотомическая переменная была количественной. Измеряется с помощью коэффициента К.Б. rbis, который вычисляется по формуле коэффициента линейной корреляции Пирсона. О.В. Терещенко

Корреляция Бисериальная – Психологическая энциклопедия

Корреляция Ж. – Толковый словарь Ефремовой

1. Взаимная связь, соотношение предметов, явлений или понятий.

Корреляция И Регрессия – Психологический словарь

(correlation and regression) Рассмотрение К. и Р. строится вокруг следующих осн. вопросов: а) существует ли между переменными X и Y такого рода связь, что по известным нам значениям X мы могли бы, по крайней мере с разумной степенью точности, предсказать значения Y? б) Какова сила (или теснота) этой связи между переменными X и Y? в) При условии существования такой связи между X и Y, каково оптимальное правило (или, выражаясь математически, уравнение) для предсказания Y по X и насколько хорошо оно обосновано? Когда мы занимаемся оценкой тесноты или степени связи (строго говоря, степени линейной связи), мы имеем дело с К. Термин "Р." относится к вопросам, связанным с предсказанием значений одной переменной по значениям др. Коэффициент корреляции Коэффициент К. произведения моментов Пирсона (r), - чаще называемый просто коэффициентом К., - яв-ся показателем силы линейной связи между двумя переменными и изменяется в пределах от +1 до -1. Нулевое значение коэффициента К. Пирсона указывает на отсутствие линейной связи между X и Y; положительные значения этого коэффициента свидетельствуют о существовании тенденции увеличения Y по мере увеличения X, тогда как его отрицательные значения свидетельствуют о существовании противоположной тенденции: уменьшения Y по мере увеличения X. Прямолинейная К. между X и Y имела бы место в том случае, если бы значения Y можно было безошибочно предсказать по значениям X, используя уравнение прогноза вида Y = аХ + b, где а и b - соответствующим образом подобранные константы. При а > 0 наблюдалась бы полная положительная К. (+1), а при а корреляция (-1). Уравнение вида Y = аХ + b называется линейным уравнением, поскольку при построении графика функции Y от X все точки (X, Y), удовлетворяющие данному уравнению, ложатся на прямую линию. Коэффициент К. Пирсона - это показатель степени линейной связи, а не связи вообще. Напр., он может указывать на полное отсутствие К. (r = 0) между двумя переменными, связанными функциональной нелинейной зависимостью. Из-за этих ограничений коэффициент К. Пирсона имеет тенденцию недооценивать степень связи между переменными. Несмотря на то что существует неск. различных, хотя и эквивалентных формул для вычисления коэффициента К. Пирсона, наиболее известной расчетной формулой яв-ся следующая: , где N - число парных оценок по X и Y. При интерпретации коэффициента К. следует проявлять осторожность. Одного только факта К. между переменными X и Y еще недостаточно для автоматического вывода о существовании между ними причинной связи. X может коррелировать с Y, потому что: а) изменения X вызывают изменения Y; б) изменения Y вызывают изменения Х; в) изменения др. переменных служат причиной изменений как X, так и Y. Напр., у уч-ся начальной школы объем словарного запаса положительно коррелирует с их ростом, потому что обе эти переменные связаны с возрастом. К тому же коэффициент К. Пирсона может снижаться вследствие "ограничения широты выборки". Сопоставление корреляционных и экспериментальных исследований Эксперим. исслед. предполагает манипулирование одной или несколькими независимыми переменными и часто имеет рез-том формулирование причинно-следственных утверждений в отношении воздействия независимых переменных на зависимую переменную. Корректность таких утверждений, как правило, обеспечивается соблюдением трех следующих условий: а) на начальном этапе исслед. эксперим. группы не должны систематически различаться по всем контролируемым переменным; б) эти группы подвергаются одинаковому воздействию всех контролируемых факторов, за исключением воздействия независимой переменной; в) после эксперим. воздействия, вызванного манипулированием независимой переменной, группы надежно различаются между собой по уровню зависимой переменной. Корреляционное исслед. не предполагает манипулирования независимыми переменными и в своей простейшей форме сводится к измерению ряда переменных и определению силы связей между ними. Хотя такие исслед. обеспечивают нас информ. о степени связи и даже позволяют предсказывать значения одних переменных по данным, к-рыми мы располагаем в отношении др. переменных, они, как правило, не позволяют делать выводы о причинно-следственных связях между переменными. Однако в наше время исследователям доступны методы статистического анализа, дающие возможность проверить, насколько конкретная корреляционная плеяда согласуется с определенной моделью причинно-следственных отношений. Частный коэффициент К. rXY.W является показателем силы линейной связи между переменными X и Y при исключенном влиянии переменной W. Он также позволяет "очистить" парную К. от примешивающегося влияния более чем одной переменной. Множественная корреляция Предположим, что мы хотим добиться наилучшего предсказания переменной Y (критериальной, или зависимой, переменной) на основе ряда др. переменных X1, Х2, Х3, ..., Хp (прогнозирующих, или независимых, переменных). Напр., нам захотелось предсказать степень успешности обучения в аспирантуре на основе студенческих отметок и количественных оценок письменных экзаменов для аспирантов (GRE). Пользуясь методами построения множественной регрессии, мы можем получить выражение вида: b0 + b1Х1 + ... + bpXp, где b0, b1, ... bp - соответствующим образом подобранные константы, которое оптимально предсказывает Y. Коэффициент множественной К., r, представляет собой коэффициент К. произведения моментов Пирсона между наилучшим предсказанием и фактическими значениями предсказываемой переменной, и, как таковой, служит мерой правильности предсказания на основе множественной регрессии. См. также Корреляционные методы, Статистика в психологии А. Д. Велл

Корреляция И Регрессия – Психологическая энциклопедия

(correlation and regression) Рассмотрение К. и Р. строится вокруг следующих осн. вопросов: а) существует ли между переменными X и Y такого рода связь , что по известным нам значениям X мы могли бы, по крайней мере с разумной степенью точности, предсказать значения Y? б) Какова сила (или теснота) этой связи между переменными X и Y? в) При условии существования такой связи между X и Y, каково оптимальное правило (или, выражаясь математически, уравнение) для предсказания Y по X и насколько хорошо оно обосновано? Когда мы занимаемся оценкой тесноты или степени связи (строго говоря, степени линейной связи), мы имеем дело с К. Термин "Р." относится к вопросам, связанным с предсказанием значений одной переменной по значениям др. Коэффициент корреляции Коэффициент К. произведения моментов Пирсона (r), - чаще называемый просто коэффициентом К., - яв-ся показателем силы линейной связи между двумя переменными и изменяется в пределах от +1 до -1. Нулевое значение коэффициента К. Пирсона указывает на отсутствие линейной связи между X и Y; положительные значения этого коэффициента свидетельствуют о существовании тенденции увеличения Y по мере увеличения X, тогда как его отрицательные значения свидетельствуют о существовании противоположной тенденции: уменьшения Y по мере увеличения X. Прямолинейная К. между X и Y имела бы место в том случае, если бы значения Y можно было безошибочно предсказать по значениям X, используя уравнение прогноза вида Y = аХ + b, где а и b - соответствующим образом подобранные константы. При а > 0 наблюдалась бы полная положительная К. (+1), а при а корреляция (-1). Уравнение вида Y = аХ + b называется линейным уравнением, поскольку при построении графика функции Y от X все точки (X, Y), удовлетворяющие данному уравнению, ложатся на прямую линию. Коэффициент К. Пирсона - это показатель степени линейной связи, а не связи вообще. Напр., он может указывать на полное отсутствие К. (r = 0) между двумя переменными, связанными функциональной нелинейной зависимостью . Из-за этих ограничений коэффициент К. Пирсона имеет тенденцию недооценивать степень связи между переменными. Несмотря на то что существует неск. различных, хотя и эквивалентных формул для вычисления коэффициента К. Пирсона, наиболее известной расчетной формулой яв-ся следующая: , где N - число парных оценок по X и Y. При интерпретации коэффициента К. следует проявлять осторожность. Одного только факта К. между переменными X и Y еще недостаточно для автоматического вывода о существовании между ними причинной связи. X может коррелировать с Y, потому что: а) изменения X вызывают изменения Y; б) изменения Y вызывают изменения Х; в) изменения др. переменных служат причиной изменений как X, так и Y. Напр., у уч-ся начальной школы объем словарного запаса положительно коррелирует с их ростом, потому что обе эти переменные связаны с возрастом. К тому же коэффициент К. Пирсона может снижаться вследствие "ограничения широты выборки". Сопоставление корреляционных и экспериментальных исследований Эксперим. исслед. предполагает манипулирование одной или несколькими независимыми переменными и часто имеет рез-том формулирование причинно-следственных утверждений в отношении воздействия независимых переменных на зависимую переменную. Корректность таких утверждений, как правило, обеспечивается соблюдением трех следующих условий: а) на начальном этапе исслед. эксперим. группы не должны систематически различаться по всем контролируемым переменным; б) эти группы подвергаются одинаковому воздействию всех контролируемых факторов, за исключением воздействия независимой переменной; в) после эксперим. воздействия, вызванного манипулированием независимой переменной, группы надежно различаются между собой по уровню зависимой переменной. Корреляционное исслед. не предполагает манипулирования независимыми переменными и в своей простейшей форме сводится к измерению ряда переменных и определению силы связей между ними. Хотя такие исслед. обеспечивают нас информ. о степени связи и даже позволяют предсказывать значения одних переменных по данным, к-рыми мы располагаем в отношении др. переменных, они, как правило, не позволяют делать выводы о причинно-следственных связях между переменными. Однако в наше время исследователям доступны методы статистического анализа , дающие возможность проверить, насколько конкретная корреляционная плеяда согласуется с определенной моделью причинно-следственных отношений. Частный коэффициент К. rXY.W является показателем силы линейной связи между переменными X и Y при исключенном влиянии переменной W. Он также позволяет "очистить" парную К. от примешивающегося влияния более чем одной переменной. Множественная корреляция Предположим, что мы хотим добиться наилучшего предсказания переменной Y (критериальной, или зависимой, переменной) на основе ряда др. переменных X1, Х2, Х3, ..., Хp (прогнозирующих, или независимых, переменных). Напр., нам захотелось предсказать степень успешности обучения в аспирантуре на основе студенческих отметок и количественных оценок письменных экзаменов для аспирантов (GRE). Пользуясь методами построения множественной регрессии, мы можем получить выражение вида: b0 + b1Х1 + ... + bpXp, где b0, b1, ... bp - соответствующим образом подобранные константы, которое оптимально предсказывает Y. Коэффициент множественной К., r, представляет собой коэффициент К. произведения моментов Пирсона между наилучшим предсказанием и фактическими значениями предсказываемой переменной, и, как таковой, служит мерой правильности предсказания на основе множественной регрессии. См. также Корреляционные методы, Статистика в психологии А. Д. Велл

Корреляция Каноническая – Социологический словарь

Англ. correlation, canonic(al); нем. Korrelation, kanonische. Обобщение парной корреляции, используемое для определения взаимосвязи между двумя группами признаков.

Корреляция Каноническая – Социологический словарь

Обобщение парной корреляции, используемое для определения взаимосвязи между двумя группами признаков. Канонич. анализ, т. е. метод нахождения К.к., основан на построении таких линейных комбинаций признаков одной и другой группы, что обычный коэффициент парной корреляции между этими комбинациями достигает наибольшего значения. Такой максимальный коэффициент называется первым канонич. коэффициентом корреляции, а соответствующие линейные комбинации двух групп признаков наз. первыми канонич. величинами. См. Кендалл М.Дж., Стьюарт А. Многомерный статический анализ и временные ряды. М., 1976; Вольд Г. Путевые модели с латентными переменными//Математика в социологии: моделирование и обработка информации М., 1977; Болч Б., Хуань К.Дж. Многомерные статистические методы для экономики. М., 1979; Дубровский С.А. Прикладной многомерный статистический анализ 1982; Липовецкий С.С. Некоторые модели канонирского анализа как экстремали квадратичных и билинейных форм//Комплексное применение математических методов в социологическом исследовании. М., 1983; Van den Wollenberg A.L. Redundancy: An alternative for canonical correlation analysis//Psychometrica. 1977. Vol. 42, №2. C.C. Липовецкий, Л.Г. Бадалян.

Корреляция Линейная – Социологический словарь

Англ. correlation, linear; нем. Korrelation, lineare. Корреляция, при к-рой отношение степени изменения одной переменной к степени изменения другой переменной является постоянной величиной.

Термин «корреляция» пугает многих людей и кажется чем-то сложным и непонятным. Однако на практике ничего устрашающего в ней нет. Корреляция – это всего лишь показатель, показывающий зависимость между событиями или объектами.

Данное понятие применяется в экономическом и статистическом анализе, психологии, биологии, математике. Например, если посмотреть на небо и увидеть густые и темные тучи, то можно прийти к выводу, что скоро пойдет дождь. Однако наше умозаключение не дает 100% гарантии. Это и является отличительной особенностью корреляцию от линейной зависимости.

Что такое корреляция?

Корреляция – это взаимозависимость случайных факторов. Она отображает приближенную взаимосвязь и не дает точных ответов. Например, в стране выросла безработица и увеличилось количество преступлений. Можно предположить, что на второй фактор повлияли первый. Но на уровень преступности также влияют воспитание, менталитет людей, уровень образования. Составить точный прогноз нереально, так как всегда есть дополнительные факторы.

Связь между событиями характеризуется коэффициентом корреляции. Значение коэффициента варьируется от -1 до +1.

Связь может быть трех видов:

сильной;
слабой;
отсутствовать.

Например, повышения уровня радиации негативно сказывается на здоровье человека. Межу событиями имеется обратно пропорциональная зависимость – увеличения радиации приводит к ухудшению здоровья. Коэффициент корреляции при этом имеет отрицательное значение.

Некоторые события или явления практически никак не связаны друг с другом. Утром у вас разрядился телефон, а вчера в маршрутке вам на ногу наступил мужчина. Ни одно из событий не влияет на другое. В данном случае коэффициент корреляции равен нулю.

Если коэффициент больше нуля и стремится к 1, то такая корреляция называется положительной. Она показывает прямую взаимосвязь между событиями. Например, чем выше уровень знаний, тем выше шансы поступить в университет на бюджет.

Анализ корреляционного соотношения помогает выдвинуть гипотезу о причинно-следственных связях.

Корреляция цены на нефть и курса доллара

Цена на нефть и курс американского доллара имеют обратную корреляционную связь. При росте стоимости «черного золота» курс доллара снижается и наоборот.

США обладают самой мощной промышленностью в мире и на ее нужды требуется просто огромное количество нефти. В то же время Штаты входят в первую десятку стран по уровню добычи этого природного ресурса. При этом США значительную часть добытой нефти экспортируют, что вызывает дефицит в промышленности. Для его покрытия американцы ежегодно импортируют свыше 8 миллиардов баррелей нефти.

Данного объема достаточно для влияния на курс национальной валюты. Увеличение спроса США на нефть приводит к увеличению цены на международном рынке. В свою очередь, рост объемов импорта влияет на стоимость произведенных товаров. В итоге на валютном рынке наблюдается избыток американской валюты, и ее курс начинает падать.

Корреляция в управлении инвестиционными активами

Корреляция активно используется инвесторами при формировании и управлении своих инвестиционных портфелях. Логично, что нельзя держать все свои активы в одном месте. Диверсификация позволяет значительно снизить риски.

Например, инвестор покупает акции одной крупной компании и нескольких мелких. Коэффициент корреляции акций гигантов отрасли и небольших предприятий приблизительно равен +0,8. Это достаточно большое значение и оно характеризует прямую зависимость между объектами. При падении акции крупной компании существует большая вероятность, что стоимость ценных бумаг небольших фирм тоже снизится существенная. В данном случае лучше подбирать активы таким образом, что корреляционные связи были минимальными.

Для этого, например, инвестор может составить свой портфель из акций и облигаций или акций и казначейских векселей. Облигации между собой, как и акции, также имеют прямую связь. Их коэффициент еще выше. Однако между облигациями и акциями такой зависимости нет, что и позволяет инвестору снизить риски.

Также наблюдается зависимость между странами и даже регионами. Чем ближе они находятся, тем выше коэффициент корреляции. Например, для Канады и США он составляет 0,9. В то же время для Японии и США он на 4 десятых меньше. Собственно, инвестору более выгодно покупать активы эмитентов из разных регионов.

Золото и ценные бумаги практически не коррелируются. Однако серебро и золото очень зависимы друг от друга, так же, как и евро и американский доллар. Их использование в рамках одного инвестиционного портфеля нецелесообразно.

Корреляция – это удобный и необходимый инструмент в различных сферах жизни. Она не является панацеей, но позволяет достаточно точно установить причинно-следственные связи между явлениями.

В нашем мире все взаимосвязано, где-то это видно невооруженным глазом, а где-то люди даже и не подозревают о существовании такой зависимости. Тем не менее в статистике, когда имеют в виду взаимную зависимость, часто употребляют термин "корреляция". Его нередко можно встретить и в экономической литературе. Давайте попробуем вместе разобраться, в чем состоит суть этого понятия, какие бывают коэффициенты и как трактовать полученные значения.

Итак, что такое корреляция? Как правило, под этим термином подразумевают статистическую взаимосвязь двух или нескольких параметров. Если изменяется значение одного или нескольких из них, это неизбежно сказывается на величине остальных. Для математического определения силы такой взаимозависимости принято использовать различные коэффициенты. Следует отметить, что в случае, когда изменение одного параметра не приводит к закономерному изменению другого, но влияет на какую-либо статистическую характеристику данного параметра, такая связь является не корреляционной, а просто статистической.

История термина

Для того чтобы лучше разобраться, что такое корреляция, давайте немного окунемся в историю. Данный термин появился в XVIII веке благодаря стараниям французского палеонтолога Этот ученый разработал так называемый «закон корреляции» органов и частей живых существ, который позволял восстановить облик древнего ископаемого животного, имея в наличии лишь некоторые его останки. В статистике это слово вошло в обиход с 1886 года с легкой руки английского статистика и биолога В самом названии термина уже содержится его расшифровка: не просто и не только связь - «relation», а отношения, имеющие между собой нечто совместное - «co-relation». Впрочем, четко объяснить математически, что такое корреляция, смог только ученик Гальтона, биолог и математик К. Пирсон (1857 - 1936). Именно он впервые вывел точную формулу для расчета соответствующих коэффициентов.

Парная корреляция

Так называют отношения между двумя конкретными величинами. К примеру, доказано, что ежегодные затраты на рекламу в Соединенных Штатах очень тесно связаны с величиной внутреннего валового продукта. Подсчитано, что между этими величинами в период с 1956 по 1977 год составил 0,9699. Другой пример - число посещений интернет-магазина и объем его продаж. Тесная связь выявлена между такими величинами, как пива и температура воздуха, среднемесячная температура для конкретного места в текущем и предыдущем году и т. д. Как трактовать коэффициент парной корреляции? Сразу отметим, что он принимает значение от -1 до 1, причем отрицательное число обозначает обратную, а положительное - прямую зависимость. Чем больше модуль результата подсчетов, тем сильнее величины влияют друг на друга. Нулевое значение обозначает отсутсвие зависимости, величина меньше 0,5 говорит о слабой, а в противном случае - о ярко выраженной взаимосвязи.

Корреляция Пирсона

В зависимости от того, по какой шкале измерены переменные, для расчетов применяют тот или иной Фехнера, Спирмена, Кендалла и т. д.). Когда исследуют интервальные величины, чаще всего используют индикатор, придуманный

Этот коэффициент показывает степень линейных связей между двумя параметрами. Когда говорят о корреляционном отношении, чаще всего его и имеют в виду. Данный показатель стал настолько популярным, что его формула есть в Excel и при желании можно самому на практике разобраться, что такое корреляция, не вдаваясь в тонкости сложных формул. Синтаксис этой функции имеет вид: PEARSON(массив1, массив2). В качестве первого и второго массивов обычно подставляют соответствующие диапазоны чисел.