投资世界的危险误判

投资世界里，有一种很常见、也很危险的误判：线性相关接近零，就以为两个资产没关系。

可市场从来不是只按直线运行。

有些资产平时看着各走各路，一到剧烈波动时却突然一起下跌；有些资产平时没什么同步性，但一旦某个阈值被触发，就会出现明显联动。真正重要的，不是它们表面上像不像，而是：知道 A 的变化后，你对 B 的判断有没有变得更准。

问题的根源在于：我们手里的尺子，很多时候只能量直线，但市场里真正危险的关系，常常藏在曲线里。

互信息（Mutual Information）正是为这个问题而生。它不去问”两者是不是同涨同跌”，而是去问：A 是否帮你减少了对 B 的不确定性？

本文只讲三件事：

  • 一个思维转换：从”线性相关”到”信息共享”
  • 一把新尺子：互信息是怎么工作的
  • 一个实战提醒：它如何改变你的投资判断

一、思维转换：从”同涨同跌”到”信息共享”

传统方法最爱问的问题是：这两个资产有没有一起动？

但互信息问得更深一层：如果我已经知道 A 的状态，我对 B 的判断会不会更准？

换成日常语言，会更容易理解。

想象你在猜明天的天气：

  • 盲猜，你有 50% 把握
  • 但如果你能看到今天的云图，把握提升到 80%
  • 这 30% 的提升，就是”互信息”

核心洞察：互信息不衡量”走势长得像不像”，只衡量”知道一个，对猜另一个有没有帮助”。

所以它能捕捉的，不只是直线关系，而是几乎所有统计依赖：直线、曲线、阈值、周期性，都算。线性相关能看到的，只是其中最简单的一类。

维度线性相关互信息
问的问题是不是同涨同跌？知道一个，猜另一个有帮助吗？
能捕捉的关系直线任何形状
结果为 0 意味着什么没有直线关系真正独立

所以，当两只股票的线性相关接近零，但互信息仍然大于零时，意思不是”它们没关系”，而是：它们的关系不走直线，而是藏在更复杂的结构里。

二、双钟摆账本：一把尺子的实战演示

为了把这个概念彻底讲透，我们用一个最简单的二元例子。

把两只股票想成两个钟摆。每次观察时，它们都只有两种状态：向左，或向右。并且各自向左、向右的概率都一样，都是 50%。

如果它们彼此完全独立，那么四种组合出现的概率应该完全平均：

AB概率
左左25%
左右25%
右左25%
右右25%

也就是说，只要独立成立，四格都应该是 25%，不会哪一格特别高，也不会哪一格特别低。

但如果两个钟摆之间其实有耦合，比如中间偷偷连着一根很弱的弹簧，实际观测到的分布就会变成：

AB实际独立假设
左左40%25%
左右10%25%
右左10%25%
右右40%25%

这张表一眼就能看出问题：

  • 同向摆动（左左、右右）从 25% 提高到了 40%
  • 反向摆动（左右、右左）从 25% 降到了 10%

核心发现：A 的状态显然影响了 B 的状态，所以两者在共享信息。

互信息做的事情，其实很朴素：拿每个格子的实际概率，去和“如果独立，本来应该是多少”做比较。偏离越大，说明共享的信息越多。

\[I(X;Y) = \sum_{x,y} p(x,y) \log_2 \frac{p(x,y)}{p(x)p(y)}\]

别被公式吓到。它只是把四个格子逐个记账，然后加总。

在这个例子里，$p(x)=p(y)=0.5$，所以独立假设下每个格子的基准概率都是：

\[p(x)p(y) = 0.5 \times 0.5 = 0.25\]

于是四项分别是：

\[I = 0.4 \times \log_2\frac{0.4}{0.25} + 0.1 \times \log_2\frac{0.1}{0.25} + 0.1 \times \log_2\frac{0.1}{0.25} + 0.4 \times \log_2\frac{0.4}{0.25}\]

先算括号里的比值和对数：

  • $\log_2(0.4/0.25) = \log_2(1.6) \approx 0.678$
  • $\log_2(0.1/0.25) = \log_2(0.4) \approx -1.322$

再乘概率权重：

\[I \approx 0.4 \times 0.678 + 0.1 \times (-1.322) + 0.1 \times (-1.322) + 0.4 \times 0.678\] \[= 0.271 - 0.132 - 0.132 + 0.271\] \[\approx \mathbf{0.278 \text{ 比特}}\]

这个结果怎么理解？

  • 0 比特：真正独立，A 对 B 没有任何帮助
  • 0.278 比特：已经有明确的信息共享，A 的状态会改变你对 B 的判断

也就是说，这两个钟摆不是各玩各的，它们之间确实存在耦合。与此同时，线性相关在这个例子里仍然可能很弱，因为它只盯着直线关系看。

这一节真正要记住的不是公式，而是结论：”线性相关 ≈ 0”不等于”独立”。真正确认独立的标准只有一个：互信息 ≈ 0。

三、实战提醒：别让”低相关”骗了你

说到这里，互信息的现实意义就很清楚了。

它确实比线性相关更难计算，因为它需要估计联合概率分布；但也正因为如此，它才能看到那些更真实、也更危险的联动结构。如果世界真的全是直线，线性相关早就够用了。

问题恰恰在于，现实并不是直线世界。市场里常见的是非线性、阈值效应，以及极端行情下突然放大的联动。

所以，互信息在投资上至少给您三个提醒：

  1. 不要迷信”低相关”组合 构建投资组合时，可以先看线性相关，但不要停在那里。下一句必须追问：极端行情下，它们会不会突然联动？如果怀疑存在阈值效应、尾部依赖或危机共振，就应该用互信息做第二层检查。

  2. 警惕”虚假分散” 很多所谓的分散投资，只在平静时期成立；一到市场真正承压时，原本看似无关的资产会一起掉下去。互信息更容易暴露这种”平时分散、危机串联”的结构。

  3. 遇到”组合很安全”的说法，问自己一句话

“它们只是没有直线关系，还是真正信息独立？”

如果答案只是前者，那么这套组合可能只是看起来分散，实际上并不安全。

结语

金融市场里，真正危险的东西，往往不是那些一眼就能看见的关系，而是那些平时不显山露水、关键时刻突然联动的隐藏结构。

互信息的价值，就在于它不替世界做过度简化。它不预设关系一定是直的，也不因为表面上“不一起动”就草率下结论。它只问一个最朴素、也最诚实的问题：知道 A 之后，你对 B 的判断有没有变得更准？

当您开始用这个问题重新审视投资组合时，许多过去被忽略的风险，才会真正浮出水面。

[注]：本文遵循《数据卡真实性准则》。