相关系数分析（相关系数很小但是p值显著）

　　相关系数分析（相关
　　趋势性回归分析的研究对象是单个品种价格轨迹C¡在时间轴T¡上的趋势。
　　思考一下，自变量和因变量分别是什么？
　　自变量是时间T¡，或者说是数据的序号。所以，对于任意一个方程，T¡都是相同的：自然数序列。因变量是价格轨迹C¡。回归方程为：
　　对于任意一张K线图，我们只要确定了起止时间，就可以根据《线性回归分析的几何解释》文中的公式计算出a和b。
　　其实，只要弄清楚了逻辑，计算是非常简单的。而且，所有的软件提供回归分析函数帮你完成计算。
　　我们对焦炭2016年9月19日至2016年11月11日，共35天，的收盘价数据进行回归分析，可以得到方程：
　　该方程在K线图上是一条直线：
　　图中的直线是在2016年11月11日计算出来最近35个数据的回归方程之后，使用未来函数在历史数据上画线得到的效果。
　　如果你在文华软件上使用FORCAST(C,35)函数计算回归方程，得到的是一条曲线。
　　这是因为，在K线图上固定周期的回归分析是一个动态的过程。
　　在样本集中新增一个数据时，同时抛弃一个，每个数据的序号也会发生变化。
　　下图展示了这个动态过程：
　　其中，竖虚线与回归直线交点的轨迹就是你在K线图上看到的FORCAST(C,35)曲线。
　　相关性回归分析
　　相关性回归分析的研究对象是1和2两个品种价格的线性相关性。
　　虽然可以用收盘价，但是，建议研究涨跌幅。回归方程：
　　虽然1和2两个品种都可以作为因变量，另外一个作为自变量。这对计算相关系数并没有影响。
　　但是，当相关系数高时，需要确定1和2的因果关系之后，＂因＂作为自变量，＂果＂作为因变量，然后再用自变量解释因变量。否则就本末倒置了。
　　如果 X¡ 和 Y¡ 相关性比较高，那么 ( X¡ , Y¡ ) 在平面内的图形是直线。
　　但是我们通常看的K线图，水平方向是时间轴。
　　所以，相关性的高低与合约在时间轴上是否以趋势发展没有关系。盘整走势也可以有很强的相关性。
　　我们以股指IF加权指数和文华商品指数在2012年1月至2016年12月期间的相关性作为一个简单的例子：
　　从图中相关系数曲线可以看出，股指IF加权指数与文华商品指数总体相关水平比价低，平均在0.3附近。
　　2016年股灾期间，股指和商品的相关系数在0.5至0.6之间，属较高水平。
　　2016年6月，相关系数达到最低水平。此前两年时间内，股指和商品形成了完全相反的走势。
　　在投资组合中加入相关性低的品种，对提高风报比是有利的。关于投资组合的知识，以后会有介绍。
　　系数很小但是p值显著）