Корреляция — это ложь, которую вам продали , почему это так устроенно ?

Представьте себе картину. Март 2019 года. Где-то в Нью-Йорке Нассим Талеб садится и пишет работу с сухим названием «Fooled by Correlation: Common Misinterpretations in Social 'Science'». Просто ещё один раз говорит всем что вы не правы =) «Ребята, вы всё делаете неправильно».

Проходит шесть лет. 10 октября 2025 года крипторынок схлопывается на $19 миллиардов ликвидаций. И знаете, что объединяет эти два события? Одно и то же число. Одна и та же метрика. Одна и та же статистическая иллюзия, в которую поверили все — от социальных психологов до риск-менеджеров крупнейших бирж. Но мы не будем об этом.

Талеб ещё в 2019-м написал: корреляция — это не «сила связи». Это узкий линейный датчик, который работает только в очень специальных условиях. Он показывает, насколько две переменные колеблются вместе вдоль прямой линии. Не больше.
Но рынок услышал другое:

И на этом построили всё. Современная портфельная теория Марковица (мы писали об этом предыдущих статьях) начинается с ковариационной матрицы. Модель CAPM оценивает «бету» актива через корреляцию с рынком. Risk parity распределяет капитал, предполагая, что корреляции стабильны. Факторные модели (PCA) выделяют источники риска, веря, что ковариационная структура постоянна. Хедж-фонды отчитываются о «некоррелированной альфе».
Биржи строят коридоры ликвидаций на основе исторических корреляций.

Вся индустрия стоит на предположении, что корреляция — это настоящая, устойчивая, значимая величина. Но Талеб говорит: это не так. Корреляция ломается о нелинейность. Ломается о жирные хвосты. Ломается о подвыборки. Ломается об ошибки измерения. И когда рынок переходит в режим стресса — все эти «надёжные» корреляционные конструкции рушатся одновременно.

Начнём с главного - корреляция не равна зависимости. Корреляция отвечает на очень узкий вопрос: насколько две переменные имеют линейное совместное движение. Не нелинейное, не пороговое, не сигмоидальное — только линейное.

Формула выглядит благородно и вроде как просто:

Но люди читают её как: «насколько X объясняет Y». Это подмена. Корреляция не измеряет информацию. Корреляция не измеряет причинность. Корреляция не измеряет устойчивость связи. Корреляция измеряет только одно: насколько облако точек похоже на прямую линию.

Вот пример, возьмём простую математическую зависимость: Y = X².
Если X симметричен вокруг нуля (положительные и отрицательные значения равновероятны), то линейная корреляция между X и Y будет равна нулю. Абсолютный ноль. При том что Y полностью, на 100%, определяется X. Зависимость стопроцентная. Но корреляция говорит: «Связи нет». Как так?

Что происходит на практике? Представьте себе зависимость между волатильностью биткоина и объёмом ликвидаций. Когда волатильность растёт, ликвидации взлетают по экспоненте. Это нелинейная связь: при низкой волатильности ликвидаций почти нет, при средней — они появляются, при высокой — происходит каскад. Линейная корреляция на всей выборке может показать 0.3, 0.4 — «умеренная связь». Но в хвосте, где волатильность зашкаливает, связь почти детерминированная. Просто корреляция
«размазала» этот хвостовой эффект по всем спокойным дням и выдала среднюю температуру по больнице.

Самый первый большой технический парадокс : корреляция субаддитивна.
Это значит, что если общая корреляция по всей выборке равна 0.75, то внутри подгрупп она может быть значительно ниже.

Он показывает это математически. Берёт две гауссовы-переменные с общей корреляцией около 0.75. Разрезает пространство на квадранты — и локальные корреляции падают до 0.52 и 0.18. Если нарезать ещё мельче, на квадраты размером (0,2)×(0,2), корреляция опускается до 0.11–0.13.

Его теорема

То есть локальная корреляция внутри неслучайной подвыборки всегда может быть меньше глобальной. И это не исключение, а правило.

Переносим на рынок. Общая корреляция BTC/ETH за год — 0.8. Но теперь разобьём год на три режима: боковик (январь–июль), паника (август–октябрь), восстановление (ноябрь–декабрь). В боковике корреляция может быть 0.5 активы двигаются вяло, каждый сам по себе. В день падения на 36% корреляция подскакивает до 0.99 — всё летит в пропасть синхронно. В восстановление — снова падает до 0.3, потому что одни активы отскакивают быстрее других.

Когда риск-менеджер на дэске говорит: «У нас диверсифицированный портфель, корреляция активов 0.5», он берёт цифру, посчитанную по всему году. Но ваш портфель живёт не «в среднем за год» (если он есть конечно-же =)).
Он живёт каждый день. И в день, когда всё летит в пропасть, корреляция становится единицей. Именно это убило хомяков 10 октября: они думали, что диверсифицированы, а на самом деле все их активы были одной сделкой.

Один из самых главных споров это , корреляция транзитивна.
Люди думают: если A связано с B, а B связано с C, то A связано с C.

Талеб разбирает эту ошибку на примере из психометрики. Есть три переменные: гены (A), IQ-тест (B), успеваемость (C). Исследователь видит: гены коррелируют с IQ, IQ коррелирует с успеваемостью.
Вывод: «гены коррелируют с успеваемостью» =). Но это логическая ошибка.

Третья корреляция может быть отрицательной.
Две положительные корреляции не гарантируют третью положительную.

Корреляция — это не наследство. Она не передаётся по цепочке. Если ваш риск-менеджмент построен на транзитивных предположениях, он построен на песке. N.N.Taleb

Что это значит практически? Корреляции нельзя сравнивать как проценты. Переход от 0.5 к 0.6 — это не «+10% связи», а увеличение информации в разы.
И наоборот: падение корреляции с 0.6 до 0.5 — это не «небольшое ослабление», а значительная потеря информативности.

Теперь — к трейдингу. Фонд А показывает Sharpe 2.5, фонд Б — Sharpe 2.0. Обычный инвестор думает: «Разница небольшая, возьму фонд Б, он подешевле». Но Sharpe ratio, как и любая метрика, построенная на стандартном отклонении и корреляции, нелинейна по содержащейся в ней информации.
Разница между 2.0 и 2.5 в мире жирных хвостов может означать разницу между «плюсом» и «минусом» в кризис. Вы сравниваете проценты, а должны сравнивать информацию.

Талеб разбирает ситуацию, знакомую каждому, кто сталкивался с психометрикой. Есть некий тест, измеряющий X. Но у теста есть ошибка измерения с дисперсией κ2. Тогда наблюдаемая корреляция между X и Y падает:

Если тест сам шумный, корреляция между тестом и результатом — это не чистая связь X/Y, а смесь сигнала и шума измерения.

Теперь по порядку : что такое «ошибка измерения» в трейдинге?
Это проскальзывание. Это задержка оракула. Это несовершенство исторических данных. Вы бэктестите стратегию на исторических ценах.
Но эти цены — не «истина». В них уже вшиты спреды, комиссии, задержки исполнения. А когда вы торгуете в реальном времени, добавляется ещё и рыночное воздействие.

Предположим, истинная корреляция между сигналом вашей стратегии и будущей доходностью равна 0.4. Но сигнал измеряется с шумом (задержка данных, ошибки API, неточность индикаторов). Если дисперсия ошибки измерения составляет 50% от дисперсии сигнала (κ2 = 0.5), наблюдаемая корреляция падает:

Или обратная ситуация: вам показывают стратегию с «потрясающим Sharpe 3» на исторических данных. Но эти данные «чистые» — без проскальзывания, без комиссий, без задержек. В реальности к ним добавляется ошибка измерения — и Sharpe превращается в 1.5. Вас не обманули.
Вам просто не сказали, что линейка резиновая =))

Даже если среди живых связи нет вообще, наличие группы людей, которые проваливают всё одновременно, создаёт положительную корреляцию.
Талеб называет это dead man bias: тест может хорошо отличать трупа от живого, но из этого не следует, что он умеет отличать гения от нормального человека.

В трейдинге это работает так же. Фонд показывает вам backtest стратегии с «прибыльностью в 95% дней». Вы смотрите: ого, какая консистентность. Но спросите: не включили ли они в выборку «мёртвые дни» — периоды, когда стратегия не торговала? Если стратегия стоит в кэше 200 дней из 1000, то эти 200 дней — это «мертвецы». Они не генерируют ни прибыли, ни убытков. Они просто есть. Но их присутствие в выборке искусственно завышает долю «нулевых» дней, что делает график эквити более гладким, а Sharpe — более высоким.

Или ещё хуже: фонд включает в выборку дни, когда он «был вне рынка из-за технических причин». Эти дни не несут информации о качестве стратегии, но они создают ложную корреляцию между «работой стратегии» и «отсутствием убытков». На самом деле стратегия, возможно, убыточна в рабочие дни — просто вы этого не видите за грудой трупов.

Dead man bias — это не мошенничество. Это статистический артефакт. Но когда вам продают инвестиционный продукт, основанный на таком артефакте, разница между «артефактом» и «мошенничеством» стирается.

Один из центральных блоков работы Талеба для финансов: жирные хвосты делают R² фейковым.

Он разбирает регрессию Y = aX + b + ε, где X — thin-tailed Gaussian
(например, IQ), а ε — fat-tailed residual (например, доход). Проблема: если остатки имеют степенные хвосты, выборочный R² может выглядеть высоким, но настоящая объяснительная сила модели в пределе стремится к нулю.

Формально: когда дисперсия остатков бесконечна, E(R²)→0

На малой выборке модель выглядит прекрасно. R² гордо сообщает:
«Я объясняю 40% дисперсии». А в пределе, при увеличении выборки, истинное значение R² идёт к нулю. Потому что хвосты остатков начинают доминировать и перекрывают всё, что модель «объяснила».

В крипте это повсеместно. Стратегия показывает R² = 0.6 на выборке за 200 дней. Но 200 дней — это ничто для жирных хвостов. Хвост ещё не пришёл. А когда придёт (например, минус 36% за день), R² рухнет, потому что один хвостовой остаток перевесит все предыдущие.

Талеб не просто критикует. Он предлагает альтернативу: взаимная информация (mutual information). В отличие от корреляции, она измеряет, сколько информации одна переменная даёт о другой, без требования линейности.

Формально:

Главное преимущество: взаимная информация аддитивна по разбиениям. Если вы режете пространство на сегменты, её можно аккуратно агрегировать. Корреляцию — нельзя. В рыночных терминах: вы можете посчитать взаимную информацию BTC/ETH отдельно для боковика, отдельно для паники, отдельно для восстановления, а потом агрегировать в общую картину. С корреляцией этот фокус не пройдёт — она субаддитивна и теряет информацию при нарезке.

Второе преимущество: взаимная информация видит нелинейности.
В примере с Y = X² корреляция равна нулю, а взаимная информация — не ноль. Она ловит зависимость, которую корреляция пропускает.

Третье: взаимная информация устойчивее к выбросам.
Корреляция квадратично раздувается от экстремальных значений, взаимная информация — логарифмически, что делает её более стабильной в жирных хвостах.

Почему же рынок до сих пор использует корреляцию? Потому что корреляцию легко считать. В Excel есть функция CORREL. Взаимную информацию нужно оценивать через гистограммы или ядерные оценки плотности, что требует больше данных и вычислительных ресурсов. Но когда на кону ваш депозит, «сложно считать» — не аргумент.

Талеб воюет не с формулой. Он воюет с ритуалом. Ритуал такой ,
взять сегрегированную дату, посчитать корреляцию, построить регрессию, показать R², запустить PCA, назвать фактор «g», «talent», «risk», «alpha», сделать вывод.

В крипте нарушены все эти условия. Активы нелинейно зависят друг от друга (пороговые эффекты ликвидаций). Дисперсия бесконечна или близка к тому
(α < 2 для большинства криптоактивов). Корреляции зависят от режима
(боковик vs паника). Ошибки измерения повсеместны
(задержки оракулов, проскальзывание). Выборки неслучайны
(вы тестируете на исторических данных, которые включают специфические рыночные режимы).

В этих условиях корреляция превращается в число с научным запахом, но без научного содержания.

Корреляция не объясняет мир. Она объясняет, насколько ваш мир похож на линейную гауссову картинку. А крипта на эту картинку не похожа.