Tại sao Mối quan hệ tương quan lại quan trọng khi xây dựng danh mục đầu tư Crypto của bạn

Dừng đoán mò về mối quan hệ tài sản

Khi bạn nắm giữ nhiều loại tiền điện tử hoặc kết hợp giữa crypto và tài sản truyền thống, bạn đang đưa ra giả định: rằng chúng không đều di chuyển theo cùng một hướng. Nhưng bạn có thực sự biết không? Hệ số tương quan trả lời câu hỏi này bằng một con số duy nhất nằm trong khoảng -1 đến 1. Gần 1 có nghĩa là chúng cùng tăng hoặc cùng giảm; gần -1 có nghĩa là chúng di chuyển ngược chiều; gần 0 có nghĩa là không có mẫu rõ ràng. Con số đó có thể giúp bạn tránh khỏi một danh mục đầu tư kém đa dạng.

Toán học đằng sau nó (giữ cho đơn giản)

Về cơ bản, hệ số tương quan đo lường cách một biến đổi khi biến khác thay đổi. Công thức: chia covariance của hai tài sản cho tích của độ lệch chuẩn của chúng. Kết quả? Một chỉ số tiêu chuẩn hóa hoạt động trên bất kỳ cặp nào, dù so sánh Bitcoin với Ethereum hay cổ phiếu với trái phiếu.

Bước từng bước với số thực:

Lấy bốn điểm dữ liệu cho Tài sản X và Tài sản Y:

• X: 2, 4, 6, 8
• Y: 1, 3, 5, 7

Tính trung bình của từng chuỗi. Tìm độ lệch khỏi trung bình cho từng giá trị. Nhân các độ lệch theo cặp và cộng chúng lại (đó là tử số covariance). Tính độ lệch chuẩn của từng chuỗi. Chia covariance cho tích của độ lệch chuẩn. Ở đây, bạn sẽ có r rất gần 1—một mối quan hệ tích cực gần như hoàn hảo.

Trong thực tế đầu tư, phần mềm xử lý việc này. Bạn chỉ cần hiểu ý nghĩa của con số đó.

Ba cách đo lường hệ số tương quan

Hệ số tương quan Pearson nắm bắt các mối quan hệ tuyến tính giữa các biến liên tục—đây là tiêu chuẩn mà hầu hết mọi người sử dụng. Hoạt động tốt nhất khi dữ liệu theo phân phối chuẩn.

Hệ số tương quan thứ hạng Spearman xuất hiện khi các mối quan hệ không hoàn toàn tuyến tính. Nó xếp hạng dữ liệu trước, sau đó đo mẫu monotonic. Nếu lợi nhuận Bitcoin và altcoin không di chuyển theo một đường thẳng nhưng vẫn cùng tăng hoặc giảm, Spearman thường kể câu chuyện tốt hơn.

Hệ số tương quan thứ hạng Kendall là một lựa chọn dựa trên thứ hạng khác, đôi khi đáng tin cậy hơn với mẫu nhỏ hoặc có nhiều ties trong dữ liệu. Trong thị trường crypto với biến động giá cực đoan, hệ số tương quan thứ hạng thường vượt trội hơn Pearson.

Điều cần nhớ: Pearson chỉ bắt các chuyển động tuyến tính. Nếu tài sản có mối quan hệ cong hoặc theo bước, phương pháp hệ số tương quan thứ hạng sẽ tiết lộ những gì Pearson bỏ lỡ.

Đọc các con số: “liên quan” nghĩa là gì?

• 0.0 đến 0.2: mối liên hệ không đáng kể
• 0.2 đến 0.5: mối quan hệ yếu
• 0.5 đến 0.8: trung bình đến mạnh
• 0.8 đến 1.0: gần như di chuyển cùng nhau
• Giá trị âm (-1 đến 0) nghĩa là di chuyển ngược chiều; -0.7 gợi ý hệ số tương quan âm mạnh

Nhưng ngữ cảnh mới là quan trọng. Nghiên cứu crypto có thể chấp nhận ngưỡng thấp hơn so với các thí nghiệm vật lý. Khoa học xã hội chấp nhận dữ liệu phức tạp hơn. Hãy tự hỏi: đối với chiến lược của bạn, mức độ tương quan nào thực sự thay đổi quyết định của bạn?

Kích thước mẫu thay đổi mọi thứ

Một hệ số tương quan từ 50 quan sát có trọng lượng lớn hơn nhiều so với từ 5. Với mẫu nhỏ, nhiễu ngẫu nhiên dễ bị nhầm lẫn thành mối quan hệ thực sự. Luôn tính p-value hoặc khoảng tin cậy—điều này cho biết liệu hệ số tương quan có khả năng là thật hay chỉ do may mắn. Mẫu lớn làm cho các hệ số yếu cũng trở nên có ý nghĩa thống kê.

Khi nào hệ số tương quan thất bại

Hệ số tương quan không phải là nguyên nhân. Hai tài sản có thể di chuyển cùng nhau vì một yếu tố thứ ba ảnh hưởng cả hai. Dầu mỏ và cổ phiếu hàng không tăng cùng nhau, nhưng không ai trong số chúng gây ra cái kia—đó là cầu.

Pearson bỏ qua các đường cong. Tài sản có thể có mối quan hệ phi tuyến mạnh nhưng vẫn cho giá trị Pearson thấp.

Các điểm ngoại lai làm lệch hướng. Một cú nhảy giá cực đoan có thể làm r biến động mạnh. Trước tiên, làm sạch dữ liệu của bạn.

Phân phối dữ liệu quan trọng. Dữ liệu không theo phân phối chuẩn hoặc biến phân loại làm phá vỡ giả định của Pearson. Chuyển sang hệ số tương quan thứ hạng hoặc các kỹ thuật khác.

Hệ số tương quan thay đổi. Mối quan hệ bạn đo lường năm ngoái có thể không còn phù hợp bây giờ. Thị trường thay đổi. Hệ số tương quan tăng vọt trong các đợt sụp đổ, phá hủy đa dạng hóa đúng lúc bạn cần nhất.

Cách nhà đầu tư thực sự sử dụng điều này

Xây dựng danh mục tốt hơn bằng cách kết hợp các tài sản có hệ số tương quan thấp. Khi hai khoản đầu tư di chuyển độc lập hoặc ngược chiều, chúng mượt hơn so với từng cái riêng lẻ. Đây là đa dạng hóa trong hành động.

Ví dụ:

• Cổ phiếu Mỹ và trái phiếu Kho bạc thường có hệ số tương quan thấp hoặc âm—trái phiếu giảm thiểu rủi ro khi cổ phiếu giảm
• Giá dầu và cổ phiếu công nghệ thường di chuyển riêng biệt, giúp giảm biến động
• Bitcoin và cổ phiếu vốn hóa lớn có hệ số tương quan thấp trong nhiều năm; điều này yếu đi trong thị trường giảm giá
• Giải pháp Layer-2 và chính Bitcoin thể hiện sự biến động tương quan đáng ngạc nhiên

Các nhà giao dịch dùng hệ số tương quan để giao dịch cặp và phòng ngừa rủi ro. Các nhóm định lượng theo dõi hệ số tương quan luân phiên để bắt kịp các thay đổi chế độ và cân bằng lại vị thế khi các mối quan hệ bị phá vỡ.

Tự tính hệ số tương quan

Trong Excel: Dùng =CORREL(range1, range2) cho một cặp duy nhất. Đối với nhiều tài sản, bật Analysis ToolPak, vào Data Analysis, chọn Correlation, và để nó xây dựng ma trận các mối quan hệ từng cặp.

Mẹo chuyên nghiệp: Kiểm tra dữ liệu thô của bạn để phát hiện điểm ngoại lai trước. Căn chỉnh các phạm vi. Đảm bảo tiêu đề được đánh dấu chính xác. Một hệ số tương quan rác từ dữ liệu kém sẽ tệ hơn không có gì.

R versus R-squared: biết sự khác biệt

R (hệ số tương quan) cho thấy cường độ và hướng của mối liên hệ tuyến tính. Giá trị 0.7 có nghĩa là các biến di chuyển khá chặt chẽ cùng nhau.

R-squared (R²) là R nhân với chính nó. Nó cho biết phần biến đổi của một biến có thể dự đoán từ biến kia qua một đường thẳng. Nếu R = 0.7, thì R² = 0.49, nghĩa là 49% biến động được giải thích.

Trong thực tế: R cho biết mức độ gần của mối quan hệ; R² cho biết mức độ dự đoán một biến từ biến kia.

Giữ cho hệ số tương quan luôn mới

Hệ số tương quan thay đổi theo thời gian thị trường phát triển. Tính lại định kỳ, đặc biệt sau các biến động lớn như quy định mới, sụp đổ nhanh hoặc thông báo công nghệ đột phá. Vẽ biểu đồ hệ số tương quan luân phiên theo thời gian để nhận diện xu hướng.

Dữ liệu hệ số tương quan cũ có thể làm hỏng chiến lược phòng ngừa rủi ro hoặc phá hủy đa dạng hóa của bạn đúng lúc bạn cần nhất.

Danh sách hành động của bạn

Trước khi dựa vào bất kỳ hệ số tương quan nào:

• Vẽ dữ liệu thô trên biểu đồ phân tán—mẫu tuyến tính có vẻ khả thi không?
• Tìm điểm ngoại lai và quyết định có loại bỏ hoặc điều chỉnh chúng không
• Xác minh kiểu dữ liệu phù hợp với phương pháp hệ số tương quan (dựa trên thứ hạng cho dữ liệu không phân phối chuẩn, Pearson cho dữ liệu liên tục chuẩn)
• Tính ý nghĩa thống kê, đặc biệt với ít hơn 30 quan sát
• Theo dõi hệ số tương quan luân phiên để bắt kịp các đứt gãy trong mối quan hệ

Kết luận

Hệ số tương quan biến một đám mây dữ liệu rối rắm thành một con số dễ hiểu. Đây là công cụ nhanh, thực tế để nhận biết xem hai biến có di chuyển cùng nhau không. Nhưng nó có những điểm mù: không chứng minh nguyên nhân, bỏ qua các mối quan hệ cong, bị ảnh hưởng bởi điểm ngoại lai, và bỏ qua kích thước mẫu.

Hãy xem hệ số tương quan là điểm khởi đầu của bạn, không phải điểm kết thúc. Kết hợp nó với biểu đồ phân tán, các biện pháp thay thế như hệ số tương quan thứ hạng, và các kiểm tra ý nghĩa thống kê. Sự kết hợp đó mang lại sự rõ ràng để bạn xây dựng danh mục tốt hơn và đưa ra quyết định phòng ngừa rủi ro thông minh hơn.