相关系数（Correlation Coefficient），通常用希腊字母 ρ（总体）或 r（样本）表示，是衡量两个变量之间线性关系强度和方向的核心统计指标。其取值范围为 [-1, +1]：
在CFA Level I Quantitative Methods中，相关系数是组合理论、资产配置和风险管理的基础。但考试中对这一概念的考查往往设置陷阱，让不少考生在关键时刻失分。
$$r_{XY} = \frac{\text{Cov}(X, Y)}{\sigma_X \cdot \sigma_Y} = \frac{\sum_{i=1}^{n}(x_i - \bar{x})(y_i - \bar{y})}{\sqrt{\sum_{i=1}^{n}(x_i - \bar{x})^2} \cdot \sqrt{\sum_{i=1}^{n}(y_i - \bar{y})^2}}$$
其中 Cov(X,Y) 为协方差，σX 和 σY 分别为X和Y的标准差。
假设某分析师收集了2023年某股票（X）与行业指数（Y）的月度收益率数据，简化为5期：
| 月份 | X（股票收益率%） | Y（指数收益率%） |
|---|---|---|
| 1 | 2.0 | 1.5 |
| 2 | 3.0 | 2.0 |
| 3 | 4.0 | 3.0 |
| 4 | 1.0 | 0.5 |
| 5 | 5.0 | 4.5 |
求解步骤：
Step 1：计算均值
- $\bar{X} = (2+3+4+1+5)/5 = 3.0$
- $\bar{Y} = (1.5+2.0+3.0+0.5+4.5)/5 = 2.3$
Step 2：计算各偏差乘积与平方
| 月份 | $(x_i-\bar{x})$ | $(y_i-\bar{y})$ | 乘积 | $(x_i-\bar{x})^2$ | $(y_i-\bar{y})^2$ |
|---|---|---|---|---|---|
| 1 | -1.0 | -0.8 | 0.8 | 1.0 | 0.64 |
| 2 | 0.0 | -0.3 | 0.0 | 0.0 | 0.09 |
| 3 | 1.0 | 0.7 | 0.7 | 1.0 | 0.49 |
| 4 | -2.0 | -1.8 | 3.6 | 4.0 | 3.24 |
| 5 | 2.0 | 2.2 | 4.4 | 4.0 | 4.84 |
| 合计 | — | — | 9.5 | 10.0 | 9.30 |
Step 3：代入公式
$$r = \frac{9.5}{\sqrt{10.0} \times \sqrt{9.30}} = \frac{9.5}{\sqrt{93.0}} = \frac{9.5}{9.644} \approx 0.985$$
结论： r ≈ 0.985，表明股票X与行业指数Y之间存在极强的正线性关系。
如果你使用计算器计算样本相关系数，按以下步骤操作：
2 → ENTER → 1.5 → ENTER，3 → ENTER → 2 → ENTER……（5组）r = .9851...💡 推荐工具： 如果你使用iPhone备考，可以下载 RBA Calculator——这是商汤科技团队推荐的TI BA II Plus模拟器App，界面与实体计算器一致，支持2-Var统计计算，随时随地练习相关系数计算，非常适合通勤路上刷题。
许多考生将 r（相关系数）与 b（回归斜率）混为一谈。关键区别：
常见陷阱题： "如果r = 0.8，则回归斜率也是0.8" —— 错误！只有当两个变量的标准差相等时，b才等于r。
r = 0.95 只能说明X和Y之间存在强线性关系，绝不意味着X导致Y。CFA考试经常设置此类概念性陷阱。正确表述是"相关不等于因果"（Correlation does not imply causation）。
相关系数只衡量线性关系。如果两个变量之间存在完美的二次关系（如 Y = X²），在对称区间内计算的r可能接近0。
考试陷阱： "r = 0 意味着两个变量之间没有任何关系" —— 错误！只能说没有线性关系，可能存在非线性关系。
当样本量较小时，r是ρ的无偏估计但存在抽样误差。CFA考试中，如果题目给出的是样本数据，应使用r并进行假设检验。
样本协方差的公式中使用 n-1（贝塞尔校正），而非n：
$$\text{Cov}(X,Y) = \frac{\sum(x_i-\bar{x})(y_i-\bar{y})}{n-1}$$
但在计算相关系数时，分子分母都除以(n-1)，结果消掉了，所以：
$$r = \frac{\sum(x_i-\bar{x})(y_i-\bar{y})}{\sqrt{\sum(x_i-\bar{x})^2} \cdot \sqrt{\sum(y_i-\bar{y})^2}}$$
这个"巧"的消去是考试常考的知识点，也解释了为什么相关系数不受样本/总体自由度选择的影响。
在CFA Level I中，你可能需要判断样本相关系数是否显著异于零：
检验统计量：
$$t = \frac{r\sqrt{n-2}}{\sqrt{1-r^2}}$$
自由度为 n-2，使用t分布进行判断。
例题延伸： 用上面的数据（n=5, r=0.985）：
$$t = \frac{0.985 \times \sqrt{3}}{\sqrt{1-0.985^2}} = \frac{0.985 \times 1.732}{\sqrt{0.0297}} = \frac{1.706}{0.1724} \approx 9.89$$
在α=0.05、df=3的双尾检验下，临界值为3.182。由于9.89 > 3.182，我们拒绝原假设，认为相关系数显著异于零。
A： 说明两个变量之间存在强负线性关系——当一个变量增大时，另一个变量倾向于减小。注意"负"只表示方向，"0.9"表示强度。绝对值越接近1，线性关系越强。
A： 不一定。r只衡量线性关系，X²与Y的关系可能是非线性的，此时它们的线性相关系数可能小于甚至接近0。这是很多考生忽略的陷阱。
A： Pearson r衡量的是变量的线性关系，要求数据是连续型且服从正态分布。Spearman ρ衡量的是变量的单调关系（基于排名），对异常值更稳健，适用于非线性单调关系或等级数据。CFA Level I主要考查Pearson r，但了解Spearman有助于理解"线性关系"的局限性。
A： 相关系数本身是双变量指标。对于多变量关系，需要使用相关系数矩阵（correlation matrix）展示所有变量两两之间的相关性，或使用多元回归、因子分析等方法。在CFA Level II的Portfolio Management中，协方差矩阵的应用与此密切相关。
| 要点 | 记忆口诀 |
|---|---|
| r的范围 | [-1, +1] |
| r只测线性关系 | "Correlation ≠ Causation, r ≠ Nonlinear" |
| 相关系数无量纲 | 标准化后的协方差 |
| 样本 vs 总体 | r vs ρ |
| 计算时自由度消去 | 分子分母同除(n-1) |
掌握相关系数的线性关系本质，是理解现代投资组合理论的第一步。在CFA考试中，这道题几乎每年必考——无论是定量分析还是组合管理模块。建议配合RBA Calculator多做2-Var统计计算练习，确保考试时操作流畅、结果准确。
记住： 相关系数是金融分析的"温度计"，但别忘了，它测量的只是线性关系这一种"温度"。