لماذا تعتبر الارتباطية مهمة عند بناء محفظتك المشفرة

توقف عن التخمين بشأن علاقات الأصول

عندما تمتلك عدة عملات رقمية أو مزيجًا من الأصول الرقمية والتقليدية، فإنك تفترض: أنها لا تتحرك جميعها في نفس الاتجاه. لكن هل تعرف ذلك فعلاً؟ يُجيب معامل الارتباط على هذا السؤال برقم واحد بين -1 و 1. قريب من 1 يعني أنها ترتفع وتنخفض معًا؛ قريب من -1 يعني أنها تتحرك عكس بعضها؛ بالقرب من 0 يعني عدم وجود نمط واضح. يمكن لهذا الرقم أن ينقذك من محفظة غير متنوعة بشكل جيد.

الرياضيات وراء ذلك (ابقها بسيطه)

في جوهرها، يقيس الارتباط كيف يتغير متغير واحد عندما يتغير آخر. الصيغة: قسّم التغاير بين أصلين على حاصل ضرب انحرافاتهما المعيارية. النتيجة؟ مقياس موحد يعمل عبر أي زوج، سواء كان مقارنة بين بيتكوين وإيثريوم أو الأسهم والسندات.

خطوة بخطوة مع أرقام حقيقية:

خذ أربع نقاط بيانات للأصل X والأصل Y:

• X: 2، 4، 6، 8
• Y: 1، 3، 5، 7

احسب متوسط كل سلسلة. ابحث عن الانحرافات عن المتوسط لكل قيمة. اضرب الانحرافات المزوجة و اجمعها (هذا هو البسط الخاص بالتغاير). احسب الانحرافات المعيارية. قسم التغاير على حاصل ضرب الانحرافات المعيارية. هنا، ستحصل على r قريب جدًا من 1—علاقة إيجابية شبه مثالية.

في الاستثمار الحقيقي، تتولى البرامج ذلك. أنت فقط بحاجة لفهم ما يعنيه الرقم.

ثلاث طرق لقياس الارتباط

ارتباط بيرسون يلتقط العلاقات الخطية بين المتغيرات المستمرة—وهو الأكثر استخدامًا. يعمل بشكل أفضل عندما تتبع البيانات توزيعًا طبيعيًا.

معامل ارتباط الرتب سبيرمان يتدخل عندما لا تكون العلاقات خطية بشكل صارم. يرتب البيانات أولاً، ثم يقيس النمط الأحادي. إذا لم تتحرك عوائد البيتكوين والعملات البديلة في خط مستقيم ولكنها لا تزال ترتفع وتنخفض معًا، غالبًا ما يروي سبيرمان قصة أفضل.

معامل ارتباط الرتب كندال هو خيار آخر يعتمد على الرتب، وأحيانًا يكون أكثر موثوقية مع عينات صغيرة أو عند وجود ties في البيانات. في أسواق العملات المشفرة ذات التقلبات الشديدة، غالبًا ما تتفوق ارتباطات الرتب على بيرسون.

الاستنتاج: بيرسون يلتقط فقط الحركات الخطية. إذا كانت الأصول لها علاقات منحنية أو خطوة، تكشف طرق ارتباط الرتب عما يغفله بيرسون.

قراءة الأرقام: ما الذي يُعتبر “مرتبطًا”؟

• 0.0 إلى 0.2: ارتباط ضئيل
• 0.2 إلى 0.5: علاقة ضعيفة
• 0.5 إلى 0.8: معتدلة إلى قوية
• 0.8 إلى 1.0: تقريبًا تتحرك معًا بشكل متماسك
• القيم السالبة (-1 إلى 0) تعني حركة عكسية؛ -0.7 تشير إلى ارتباط سلبي قوي

لكن السياق مهم. قد تقبل أبحاث العملات المشفرة حدودًا أدنى من التجارب الفيزيائية. العلوم الاجتماعية تتسامح مع بيانات أكثر فوضوية. اسأل نفسك: بالنسبة لاستراتيجيتك، أي مستوى من الارتباط يغير قرارك فعلاً؟

حجم العينة يغير كل شيء

ارتباط من 50 ملاحظة يحمل وزنًا أكبر من واحد من 5. مع العينات الصغيرة، يُخفي الضوضاء العشوائية علاقة حقيقية. دائمًا احسب قيمة p أو فاصل الثقة—هذا يخبرك ما إذا كان الارتباط حقيقيًا على الأرجح أم مجرد حظ. العينات الكبيرة تجعل حتى الارتباطات الضعيفة ذات دلالة إحصائية.

أين تتعطل علاقات الارتباط

الارتباط لا يساوي السببية. قد يتحرك أصلان معًا لأن عاملًا ثالثًا يدفع كلاهما. النفط وأسهم شركات الطيران ترتفع معًا، لكن لا أحد يسبب الآخر—الطلب هو السبب.

بيرسون يغفل المنحنيات. يمكن أن تكون للأصول علاقات غير خطية قوية ولكن تظهر قيم بيرسون منخفضة.

القيم الشاذة تؤثر على النتائج. ارتفاع سعر مفاجئ جدًا يمكن أن يغير قيمة r بشكل كبير. نظف بياناتك أولاً.

التوزيعات مهمة. البيانات غير الطبيعية أو المتغيرات التصنيفية تكسر افتراضات بيرسون. استخدم طرق ارتباط الرتب أو تقنيات أخرى.

تتغير علاقات الارتباط. العلاقة التي قمت بقياسها العام الماضي قد لا تكون موجودة الآن. تتغير أنظمة السوق. تتزايد الارتباطات أثناء الانهيارات، مما يدمر التنويع عندما تكون في أمس الحاجة إليه.

كيف يستخدم المستثمرون ذلك فعليًا

ابنِ محافظ أفضل من خلال دمج أصول ذات ارتباط منخفض. عندما يتحرك اثنان من الأصول بشكل مستقل أو عكسي، يكونان أكثر سلاسة معًا من أي واحد بمفرده. هذا هو التنويع في العمل.

أمثلة:

• أسهم الولايات المتحدة وسندات الخزانة تظهر عادة ارتباطًا منخفضًا أو سلبيًا—السندات توفر وسادة عند هبوط الأسهم
• أسعار النفط وأسهم التكنولوجيا غالبًا تتحرك بشكل منفصل، لذا امتلاك كلاهما يقلل التقلبات
• بيتكوين والأسهم ذات القيمة السوقية الكبيرة كانت مرتبطة بشكل منخفض لسنوات؛ هذا تراجع في الأسواق الهابطة
• حلول الطبقة الثانية وبيتكوين نفسها تظهر تباينًا مفاجئًا في الارتباط

يستخدم المتداولون الارتباط في تداول الأزواج والتحوط. تراقب الفرق التحليلية الارتباطات المتحركة لالتقاط تحولات النظام وإعادة توازن المراكز عندما تتعطل العلاقات.

احسبها بنفسك

في إكسل: استخدم =CORREL(النطاق1، النطاق2) لزوج واحد. للأصول المتعددة، فعّل أداة التحليل، اذهب إلى تحليل البيانات، اختر الارتباط، ودعها تبني مصفوفة لجميع العلاقات الزوجية.

نصيحة محترف: افحص بياناتك الخام أولاً بحثًا عن القيم الشاذة. وُفق النطاقات. تأكد من وضع رؤوس الأعمدة بشكل صحيح. ارتباط سيء من بيانات غير جيدة أسوأ من عدم وجود ارتباط على الإطلاق.

R مقابل R-squared: اعرف الفرق

R (معامل الارتباط) يُظهر قوة واتجاه العلاقة الخطية. قيمة 0.7 تعني أن الأصول تتحرك معًا بشكل مقرب إلى حد ما.

R-squared (R²) هو R مضروبًا في نفسه. يخبرك بنسبة التغير في متغير واحد التي يمكنك التنبؤ بها من الآخر باستخدام خط مستقيم. إذا كانت R = 0.7، فإن R² = 0.49، مما يعني أن 49% من التغير يُفسر.

في الممارسة: R يُظهر مدى قرب العلاقة؛ R² يُظهر مدى قابلية التنبؤ بمتغير من الآخر.

حافظ على تحديث علاقات الارتباط

تتغير علاقات الارتباط مع تطور الأسواق. أعد حسابها بشكل دوري، خاصة بعد تحولات كبيرة مثل تنظيمات جديدة، انهيارات مفاجئة، أو إعلانات تكنولوجية رائدة. ارسم علاقات متحركة عبر الزمن لاكتشاف الاتجاهات.

استخدام بيانات ارتباط قديمة يمكن أن يفسد استراتيجية التحوط أو يدمر التنويع الخاص بك تمامًا عندما تكون في أمس الحاجة إليه.

قائمة إجراءاتك

قبل الاعتماد على أي ارتباط:

• ارسم البيانات على مخطط مبعثر—هل يبدو أن هناك علاقة خطية معقولة؟
• ابحث عن القيم الشاذة وقرر ما إذا كنت ستستبعدها أو تعدلها
• تحقق من تطابق أنواع البيانات مع طريقة الارتباط (طرق الرتب للبيانات غير الطبيعية، بيرسون للبيانات المستمرة الطبيعية)
• احسب الأهمية الإحصائية، خاصة مع أقل من 30 ملاحظة
• تتبع علاقات متحركة لالتقاط الانقطاعات في العلاقة

الخلاصة

يحول معامل الارتباط مجموعة البيانات المبعثرة إلى رقم واحد يمكن تفسيره. إنه أداة سريعة وعملية لاكتشاف ما إذا كانت متغيران يتحركان معًا. لكنه لديه نقاط عمياء: لن يثبت السببية، يغفل العلاقات المنحنية، يتأثر بالقيم الشاذة، ويتجاهل حجم العينة.

اعتبر الارتباط نقطة انطلاق، وليس خط النهاية. قم بموازنته مع مخططات مبعثرة، مقاييس بديلة مثل ارتباط الرتب، واختبارات الأهمية الإحصائية. هذا المزيج يمنحك الوضوح لبناء محافظ أفضل واتخاذ قرارات تحوط أذكى.