相关性、回归、阿尔法、贝塔与 R 平方
了解协方差、相关性与回归如何衡量两个变量之间的关联,以及阿尔法(alpha)、贝塔(beta)、残差与 R 平方(R²)各自代表什么意思。
类别:统计基础
用大白话解释
有时候,两件事会一起变动。当整个股市上涨时,许多个别股票也倾向跟着上涨。这些工具其实只是用一种整齐的方式来回答:“当一个数字改变时,另一个数字通常会怎么跟着变?”我们在一团散布的点之间画一条直线来捕捉这种关系,然后用几个简单的数字来描述这条线。
它衡量什么
协方差(covariance)问的是两件事是否往同一个方向变动;相关性(correlation)则把它重新缩放成一个干净的数字,介于 -1 到 +1 之间(+1 = 完全一起动,0 = 没有关联,-1 = 反向变动)。回归(regression)接着会拟合出一条“最佳拟合线”,这条线最接近所有的点。这条线可以用一个斜率、一个截距、剩下的缺口,以及一个衡量拟合好坏的分数来描述。 - 贝塔(β,斜率):如果市场上涨 1%,而这只股票通常上涨 1.5%,那么贝塔 = 1.5(它的变动是市场的 1.5 倍)。 - 阿尔法(α,截距):收益中无法用市场变动解释的那一部分(这里假设平均约为 +0.2%)。 - 残差(residuals,剩余):在任一天里,真实的点与这条线之间的缺口。 - R 平方(R²):这条线能解释多少摆动,从 0% 到 100%。R 平方为 0.40 表示解释了 40%,其余 60% 是别的因素。 - 小例子:10 天的股票收益对市场收益,得出相关性 0.7、贝塔 1.5、阿尔法 +0.2%、R 平方 0.49。
SurgeFlow 如何使用它
这就是 SurgeFlow 好几个标签页背后的数学。相对于市场指数的贝塔是在价格管线(price pipeline)中计算出来的,并喂进各种风险视图。在“因子(Factors)”与“回测(Backtesting)”标签页里,同样的回归概念被用来衡量“因子载荷(factor loadings)”——也就是一只股票对价值或动量等共同驱动因子靠得有多重(每个因子上的斜率)。它也支撑了经典的 CAPM(资本资产定价模型,Capital Asset Pricing Model)概念:一只股票的收益通过贝塔与市场收益相连结。 - 贝塔 = 股票收益对市场收益做回归所得到的斜率。 - 阿尔法 = 截距,也就是与市场无关的剩余收益。 - 因子载荷(因子标签页)= 同样的斜率,只是对的是因子而不只是市场。
如何在网站上解读
在“价格(Price)”标签页,一只股票的贝塔告诉你它对其本地市场的典型敏感度:贝塔接近 1 表示和市场同步变动,高于 1 表示更躁动,低于 1 表示更平稳。在“因子(Factors)”标签页,因子载荷显示某只股票偏向哪些共同风格。把相关性与 R 平方当成“这个关系有多紧密”的量表——R 平方高表示这条线能解释很多;R 平方低表示大部分的变动来自别处。 - 贝塔约为 1.0——大致与市场同步变动。 - 贝塔远高于 1.0——放大市场的变动(波动更大)。 - 贝塔低于 1.0 或为负——更平稳,或与市场反向变动。 - R 平方高——市场(或因子)能解释大部分摆动;R 平方低——则不能。
它无法告诉你什么
这些都是描述性工具:它们总结的是两个数字在“过去”如何一起变动,而不是接下来会发生什么。强相关并不能证明其中一件事造成了另一件事——两只股票可能只是因为整个市场上涨而一起上涨,或者纯属巧合。贝塔与阿尔法是从一个样本估计出来的,所以会随着你增加天数而改变,并且可能不稳定;阿尔法尤其噪声很多,当它其实只是运气时,很容易被误认为实力。这些数字都不是买入或卖出信号,而且 SurgeFlow 不提供投资建议。 - 过去的关系不是预测——贝塔会随时间漂移。 - 相关不等于因果——一个共同的原因(市场)可能伪造出关联。 - R 平方高表示“解释得好”,而不是“好的投资”。 - 阿尔法看起来可能像实力,但往往只是剩下的噪声。