相关系数（Correlation Coefficient），通常用希腊字母 ρ（population）或 r（sample）表示，是衡量两个变量之间线性关系强度和方向的重要统计指标。在CFA Level I的Quantitative Methods部分，相关系数是必考知识点，贯穿资产组合管理、回归分析等后续章节。
| 取值范围 | 含义 |
|---|---|
| r = +1 | 完全正相关（完美正线性关系） |
| r = 0 | 无线性相关 |
| r = -1 | 完全负相关（完美负线性关系） |
| 0 < r < 1 | 正相关，r越大线性关系越强 |
| -1 < r < 0 | 负相关，r越小线性关系越强 |
核心要点： 相关系数只衡量线性关系的强度。两个变量可能存在强非线性关系（如二次曲线），但相关系数接近零。这是CFA考试中经常设置的陷阱。
相关系数的绝对值越大，表示两个变量之间的线性关系越紧密。在资产组合理论中，相关系数直接决定了分散化投资的风险降低效果——当两种资产的correlation为负值时，组合风险降低最为显著。
样本相关系数的计算公式为：
$$r_{XY} = \frac{\sum_{i=1}^{n}(X_i - \bar{X})(Y_i - \bar{Y})}{\sqrt{\sum_{i=1}^{n}(X_i - \bar{X})^2} \cdot \sqrt{\sum_{i=1}^{n}(Y_i - \bar{Y})^2}}$$
也可以简洁地表示为：
$$r_{XY} = \frac{Cov(X,Y)}{S_X \cdot S_Y}$$
其中 Cov(X,Y) 为协方差，S_X 和 S_Y 分别为X和Y的样本标准差。
记忆技巧： 相关系数 = 协方差 ÷ （两个变量标准差的乘积）。协方差本身受量纲影响，而除以标准差后将其标准化到[-1, +1]区间，使得不同量纲的变量之间可以比较线性关系的强度。
假设某分析师收集了某股票A和股票B在5个交易日内的日收益率数据：
| 交易日 | 股票A收益率（%） | 股票B收益率（%） |
|---|---|---|
| 1 | 2.0 | 3.5 |
| 2 | -1.0 | 0.5 |
| 3 | 3.5 | 4.0 |
| 4 | 0.5 | 1.5 |
| 5 | -2.0 | -1.0 |
目标： 计算股票A与股票B收益率之间的样本相关系数。
手工计算步骤：
Step 1：计算均值
- X̄ = (2.0 + (-1.0) + 3.5 + 0.5 + (-2.0)) / 5 = 3.0 / 5 = 0.6
- Ȳ = (3.5 + 0.5 + 4.0 + 1.5 + (-1.0)) / 5 = 8.5 / 5 = 1.7
Step 2：计算各项偏差乘积
| i | X_i - X̄ | Y_i - Ȳ | (X_i - X̄)(Y_i - Ȳ) | (X_i - X̄)² | (Y_i - Ȳ)² |
|---|---|---|---|---|---|
| 1 | 1.4 | 1.8 | 2.52 | 1.96 | 3.24 |
| 2 | -1.6 | -1.2 | 1.92 | 2.56 | 1.44 |
| 3 | 2.9 | 2.3 | 6.67 | 8.41 | 5.29 |
| 4 | -0.1 | -0.2 | 0.02 | 0.01 | 0.04 |
| 5 | -2.6 | -2.7 | 7.02 | 6.76 | 7.29 |
Step 3：求和
- Σ(X_i - X̄)(Y_i - Ȳ) = 2.52 + 1.92 + 6.67 + 0.02 + 7.02 = 18.15
- Σ(X_i - X̄)² = 1.96 + 2.56 + 8.41 + 0.01 + 6.76 = 19.70
- Σ(Y_i - Ȳ)² = 3.24 + 1.44 + 5.29 + 0.04 + 7.29 = 17.30
Step 4：代入公式
$$r = \frac{18.15}{\sqrt{19.70 \times 17.30}} = \frac{18.15}{\sqrt{340.81}} = \frac{18.15}{18.46} ≈ 0.983$$
结论： 相关系数约为0.983，表明股票A和股票B的收益率之间存在非常强的正线性关系。
在CFA考试中，熟练使用计算器是提分关键。以下是使用TI BA II Plus计算相关系数的标准流程：
操作步骤：
2nd + CE/C（CLR WORK/STAT）清除之前存储的数据，确保统计功能干净2nd + 7（STAT）进入统计菜单1（EDIT）进入数据编辑界面ENTER，光标会自动跳到下一行2nd + MODE（QUIT）2nd + 7（STAT），选择 4（CALC），然后选择 3（LINR）注意： BA II Plus计算的是样本相关系数（使用n-1作为分母），这与CFA考试的要求一致。
对于iOS用户，推荐下载 RBA Calculator（https://apps.apple.com/cn/app/id1545331477），这是一款模拟TI BA II Plus功能的专业金融计算器应用，完美支持统计模式下的相关系数计算，适合考前在手机上随时练习。
相关系数是Modern Portfolio Theory（MPT）的核心输入变量之一。投资组合的方差公式为：
$$\sigma_p^2 = w_A^2 \sigma_A^2 + w_B^2 \sigma_B^2 + 2w_A w_B r_{AB} \sigma_A \sigma_B$$
当 r_{AB} = 1 时，组合无法分散风险；当 r_{AB} < 1 时，组合标准差小于各资产标准差的加权平均；当 r_{AB} = -1 时，理论上可以构造零风险组合。
在简单线性回归中，r²（决定系数）等于相关系数的平方。如果 r = 0.983，则 r² ≈ 0.966，表示因变量的变异中约96.6%可以由自变量的线性关系解释。
相关系数仅描述两个变量之间的统计关联，绝不意味着因果关系。例如，冰淇淋销量和溺水事故数可能高度正相关，但这并不意味着吃冰淇淋会导致溺水。CFA考试常设置此类陷阱题。
相关系数只能捕捉线性关系。如果两个变量之间存在强非线性关系（如Y = X²），相关系数可能接近零。考生必须牢记：r = 0 不代表变量间没有关联，只代表没有线性关联。
协方差（Covariance）的符号与相关系数一致（正/负方向相同），但协方差没有标准化，其取值范围是(-∞, +∞)，受变量量纲影响。相关系数是协方差的标准化版本，范围固定在[-1, +1]。
CFA考试中，当给定样本数据时，必须使用样本相关系数公式（分母中Σ(X-X̄)²和Σ(Y-Ȳ)²，注意这是n-1版本的展开形式）。使用总体公式会导致计算结果偏差。
r = 0.3 和 r = 0.7 虽然数值不同，但在统计显著性上可能没有本质区别（取决于样本量）。CFA考试偶尔会考察对r值统计意义的理解。
A： 这源于Cauchy-Schwarz不等式。分子（协方差的分子部分）的绝对值永远不超过分母（两个标准差的乘积），因此比值的绝对值不超过1。当且仅当两个变量之间存在完美的线性关系时，相关系数取到±1。
A： 不是。r = 0仅意味着两个变量之间没有线性关系。它们之间可能存在非线性关系（如二次、指数关系），或者更复杂的依赖结构。独立性（independence）是一个比无线性相关更强的条件。
A： 一般而言，更大的样本量会使样本相关系数的估计更加稳定，标准误更小。但需要注意的是，如果总体相关系数确实为0，增加样本量只会让估计值更稳定地接近0，并不会凭空产生相关性。
A： 主要有三类题型：（1）给定数据直接计算相关系数；（2）根据相关系数的值判断线性关系的强度和方向；（3）将相关系数应用于投资组合方差计算或回归分析中。建议考生同时掌握手工计算和BA II Plus计算器操作两种方法，考试时根据题目类型选择最高效的方式。
相关系数是CFA Level I Quantitative Methods中统计推断的基础工具，也是后续资产组合管理和回归分析的重要前置知识。掌握相关系数的概念、计算方法和应用场景，对于理解金融数据的统计特征至关重要。建议考生通过反复练习计算例题，熟练掌握BA II Plus的统计功能，并在理解"线性关系"这一核心概念的基础上，避免常见的概念混淆错误。