14.1 分散化的天花板
假設 N 個資產等權重( w i = 1 / N ) (w_i = 1/N) ( w i = 1/ N ) σ 2 \sigma^2 σ 2 σ i j \sigma_{ij} σ ij
σ p 2 = 1 N 2 ⋅ N σ 2 + 1 N 2 ⋅ N ( N − 1 ) σ i j = σ 2 N + ( 1 − 1 N ) σ i j → σ i j ( N → ∞ ) \begin{aligned}\sigma_p^2 &= \frac{1}{N^2}\cdot N\sigma^2 + \frac{1}{N^2}\cdot N(N-1)\sigma_{ij} \\ &= \frac{\sigma^2}{N} + \left(1 - \frac{1}{N}\right)\sigma_{ij} \\ &\to \sigma_{ij} \quad (N \to \infty)\end{aligned} σ p 2 = N 2 1 ⋅ N σ 2 + N 2 1 ⋅ N ( N − 1 ) σ ij = N σ 2 + ( 1 − N 1 ) σ ij → σ ij ( N → ∞ ) 這是全書最重要的極限之一。無論買多少檔股票，組合變異數都不會低於資產之間的平均共變異數 。若所有資產有共同的相關係數 ρ 與相同的 σ，則 σ p → σ ρ \sigma_p \to \sigma\sqrt{\rho} σ p → σ ρ ρ ≈ 0.3 , σ ≈ 40 % \rho \approx 0.3,\ \sigma \approx 40\% ρ ≈ 0.3 , σ ≈ 40% 40 % × 0.3 ≈ 22 % 40\% \times \sqrt{0.3} \approx 22\% 40% × 0.3 ≈ 22%
實務推論：從 1 檔加到 20 檔，可分散風險降低約 90%；從 20 檔加到 500 檔，只再降一點點。所以「持有 30 檔就夠分散了」這句話對波動 大致成立，但對報酬離散度 完全不成立——個股報酬是極度右偏的（少數公司貢獻幾乎全部的市場報酬），30 檔的組合有很高機率錯過那幾家。這是 Bessembinder 的研究結果，也是「持股數量夠了就好」這個直覺最大的漏洞。
對應 §14.1
這是一個需要 JavaScript 的互動模型。它背後的公式在正文裡都推導過， 關掉 JavaScript 不會漏掉任何結論。
14.2 相關係數不是常數
美國與美國以外已開發市場的 5 年滾動相關係數 折線圖。橫軸為年份，縱軸為美國市場與美國以外已開發市場月報酬的 5 年滾動相關係數。起點 1996 年為 0.36，最近十年平均 0.85。國際分散的效果隨時間衰退：相關係數長期往上。 -0.2 0.0 0.2 0.4 0.6 0.8 1.0 1995 2000 2005 2010 2015 2020 2025 最近十年平均 0.85 年 5 年滾動相關係數 圖 14-1 美國與美國以外已開發市場的 5 年滾動相關係數：1996 年約 0.36，最新值 0.79。國際分散的效果隨時間衰退——但它衰退的是「相關係數」，不是「分散的必要性」（§14.1）。 資料來源：Kenneth R. French Data Library：美國市場因子與 Developed ex US 市場因子（月度，美元計價）。 方法與判斷 正文引用「約 0.1」與「0.9 附近」。以 French 序列重算後須核對。
正文引用了這張圖裡的具體數字。改資料來源時，正文必須同步核對。
這張圖對「國際分散」的實務意義是毀滅性的：五十年前它是強效的分散工具，今天它主要是在分散單一國家政治與貨幣風險 ，而不是在降低短期波動。這不代表不該做國際分散——分散的理由從「降低波動」轉為「避免押錯國家」（回想圖 2-2）。
美國與美國以外已開發市場的 5 年滾動相關係數 折線圖。橫軸為年份，縱軸為美國市場與美國以外已開發市場月報酬的 5 年滾動相關係數。起點 1996 年為 0.36，最近十年平均 0.85。相關係數低於 0.5 的期間只有 1 段、合計約 3 年，占整段樣本的 9%——而且事前無法預測它什麼時候來。 相關 < 0.5 -0.2 0.0 0.2 0.4 0.6 0.8 1.0 1995 2000 2005 2010 2015 2020 2025 最近十年平均 0.85 年 5 年滾動相關係數 圖 14-2 同一條曲線，標出相關係數低於 0.5 的期間。低相關期少、短、而且事前無法辨識——這正是「不能等到低相關時再分散」的理由：等看到它，它已經結束了。 資料來源：同上。 方法與判斷 改良：把「低相關期」以陰影標出並列出其起訖與長度，讓「不可預測」變成可檢視的清單。
股票與債券實質報酬的 5 年滾動相關係數，以及高通膨期間 折線圖。橫軸為年份，縱軸為股票與十年期公債實質月報酬的 5 年滾動相關係數。網底標出年通膨率高於 4% 的期間。1978–1995 年平均 0.35，2000 年以後平均 -0.18，最新值 0.40。60/40 的分散效果不是一個常數，它取決於身處哪一種通膨體制。 通膨 > 4% -1.0 -0.8 -0.6 -0.4 -0.2 0.0 0.2 0.4 0.6 0.8 1.0 1900 1920 1940 1960 1980 2000 2020 年 5 年滾動相關係數 圖 14-3 股債相關係數與通膨體制。網底是年通膨率高於 4% 的期間。高通膨／鷹派時期相關係數為正，低通膨時期為負——60/40 的分散效果不是一個常數，它取決於身處哪一種貨幣體制。2022 年股債齊跌不是異常，是體制切換。 資料來源：Shiller, Online Data（股票與債券的實質總報酬）與 FRED CPIAUCNS。 方法與判斷 改良：以通膨水準著色，把「體制」直接畫進圖裡，而不是用文字標注。
圖 14-3 值得特別強調。1980–2000 年股債正相關，2000–2021 年負相關，2022 年又回到正相關。「債券會在股票下跌時上漲」這件事不是自然律，它是特定通膨環境下的產物。 如果自己的整套資產配置邏輯建立在負相關上，那其實是在對通膨體制下注。
打個比方
相關係數是普羅透斯。荷馬筆下那位海神能預言未來，但想問他事情，得先抓住他不放——而他會在手裡依序變成獅子、蛇、豹、流水、大樹。抓到的那個形狀（過去二十年的 ρ = −0.3）是真的，只是它不是他的本體，只是他此刻的樣子 。要用相關係數，就得假設它隨時會換形，而不是把它抄進試算表當常數。
這個比喻在哪裡失真： 普羅透斯的變形是隨機的，相關係數不是——它有可辨識的驅動因子（通膨體制、政策反應函數、槓桿去化），所以某種程度上可以預期它何時會變。真正該學的不是「不可知」，而是「先問這個 ρ 是靠什麼機制成立的，那個機制現在還在嗎」。
14.3 分散化最有價值的時候，感覺最糟
最重要的反直覺：分散化在最需要的那一天最沒用，在最有效的那幾年最像犯錯
大部分人買分散化，是想買一個「崩盤時不會一起跌」的保險。這是把它的用途搞錯了兩次。
第一次搞錯：它擋不住崩盤。 危機時股票類資產之間的相關係數會升到 0.9 以上，本來低相關的區域、產業、大小型股同步下跌。在最恐慌的那一天打開帳戶，會覺得分散化完全失效——因為在那一天它確實幾乎失效。要壓低崩盤幅度，靠的是股債比，不是把股票內部再切細。
第二次搞錯：它真正發揮作用的時候，感覺起來像買錯了。 下面那個 50/50 組合，最終年化報酬高於它的兩個成分資產，但 1995 到 1999 這整整五年 都在輸給美國股市。同一件事在同一段期間裡，過程是持續的挫敗，結果是超越兩者。
再加上前一節的那一句：股債負相關不是自然律，是特定通膨環境的產物。分散化保護的不是「三個月的崩盤」，而是「十年的落後」——而十年的落後，只有事後才看得出來自己被保護了。
REITs、美國股市與兩者 50/50 的累積價值，1995–2003 三條累積價值曲線，起點都是 1 元。50/50 組合最後高於兩個成分中的任何一個，但前五年一路落在股市之下。 1.0 元 1.5 元 2.0 元 2.5 元 3.0 元 3.5 元 1996 1998 2000 2002 2004 REITs 美國股市 50/50（每年底再平衡） 年 1995 年初投入 1 元 50/50 相對於當下較好的那一個成分的落後幅度 負值代表 50/50 正在輸給兩個成分中表現較好的那一個。整段期間幾乎都在零以下——這就是「分散化最有效的時候感覺最糟」的量化版本。 −30% −20% −10% 0% 1996 1998 2000 2002 2004 最深 −32% 相對落後 圖 14-4 REITs、美國股市與兩者 50/50 的累積價值（1995–2003），下方是 50/50 相對於當下較好的那一個成分的落後幅度。整段期間幾乎都在零以下，最後卻贏過兩者——這就是分散化的報酬結構：過程是持續的挫敗，結果是超越。（原圖的股市端是 S&P 500，這裡改用 French 的 CRSP 全市場含息序列，因為它公開、可重算，而且與本書其他所有圖同源。數字因此與原書不同。） 資料來源：Nareit，FTSE Nareit US Real Estate Index Series（全體權益型 REITs 月總報酬）；Kenneth R. French Data Library（市場因子與無風險利率）。 方法與判斷 改良：加上第二格顯示「50/50 相對於較好的那一個成分」的落後幅度，把「感覺最糟」量化。
年 REITs 美國股市 50/50 1995 15.27% 36.85% 26.06% 1996 35.27% 21.21% 28.24% 1997 20.26% 31.25% 25.75% 1998 −17.50% 24.26% 3.38% 1999 −4.62% 25.24% 10.31% 2000 26.37% −11.59% 7.39% 2001 13.93% −11.20% 1.37% 2002 3.82% −21.14% −8.66% 2003 37.13% 31.69% 34.41% 年化 13.08% 11.95% 13.39% 標準差 18.10% 22.20% 14.77%
最後兩列是重點：50/50 的年化 13.39% 高於兩個成分（13.08%、11.95%），而標準差 14.77% 低於兩者（18.10%、22.20%）。報酬更高而波動更低——這不是免費午餐，是「幾何平均不是加權平均」這個算術的結果（§15）。
成分報酬用的是市值加權指數，未扣任何費用與稅。實務上兩邊都要扣，再平衡本身也有成本；這張表證明的是機制存在，不是「照做就會有這個數字」。
表 14-1 同一段期間的逐年數字。最後兩列是這張表存在的理由：混合組合的年化報酬高於兩個成分中的任何一個，而標準差低於兩者。 資料來源：同上。 方法與判斷 正文與圖說都引用了這三組數字。用公開序列重算後必須同步更新（S&P 500 改用 CRSP 全市場會有差異）。
正文引用了這張圖裡的具體數字。改資料來源時，正文必須同步核對。
這是分散化＋再平衡的最漂亮示範：混合組合的年化報酬高於兩個成分資產中的任何一個 （13.39% 對 13.08% 與 11.95%），同時波動更低（標準差 14.77%，兩個成分分別是 18.10% 與 22.20%）。但請看圖 14-4 的過程——1995 到 1999 這五年裡，50/50 組合一路輸給美國股市，任何一位持有它的人都會被問「為什麼要買那個爛東西」。分散化的報酬是後付的，而且付款日不由持有人決定。
這一組數字與原書不同。原書的股市端是標普 500，這裡改用 French 的 CRSP 全市場含息序列，因為它公開、可重算，而且與本書其他所有圖同源。換掉之後結論更強而不是更弱：混合組合勝出的幅度、以及波動下降的幅度，都比原書的版本更明顯。
可能會有的反駁
「50/50 的年化報酬高於兩個成分，這不是違反算術嗎？」 不違反。算術 平均報酬確實是加權平均，但幾何 平均不是。回想 g ≈ μ − σ²/2：混合把 σ² 壓低了，所以幾何平均被拉高。這個超出部分就叫再平衡溢酬 或波動率收穫 ，第 15 章推導。
「既然相關係數在危機時都會變 1，分散化是不是根本沒用？」 危機時股票類資產彼此的相關會升到 0.9 以上，這是真的。但（一）國庫債券與現金在危機時仍與股票低相關甚至負相關（圖 8-1 的例子）；（二）分散化保護自己的主要是「長達十年的區域／產業落後」，而不是「三個月的崩盤」。要防崩盤，靠的是資產配置的股債比，不是股票內部的分散。
14.4 分散化的五個層次：到底在分散什麼
「分散化」這個詞被用得太籠統，導致很多無效的爭論。實際上它至少有五個層次，每一層消除的風險不同、成本不同、失效的時機也不同：
層次 消除什麼風險 何時失效、成本多高 ① 公司 單一公司倒閉、舌弊、產品失敗 幾乎不會失效，成本接近零。 這是性價比最高的一層，也是最多人不做的一層。② 產業 單一產業的長期衰退（能源 1980s、科技 2000s） 成本低。但市值加權指數在泡沫期會自動重壓熱門產業（§17），這一層的保護沒有想像中完整。 ③ 國家與幣別 押錯國家（日本 1989、阿根廷 1900）、地緣與匯率 短期分散效果已很小（圖 14-1，ρ≈0.9），但長期保護仍在 。這層的價值不在降波動，在避免不可逆的損失（§3.5）。 ④ 資產類別 股市整體崩盤 唯一能對抗崩盤的一層，但取決於通膨體制 （圖 14-3）。2022 與 2026 年股債齊跌就是它失效的樣子。代價是降低期望報酬。 ⑤ 時間 進場時點的運氣 只對「手上已有一大筆錢」有意義（§21），而且代價是期望報酬 。它降低的是離散度，不是風險溢酬。
這張表有一個實務上很有用的推論：很多人的「分散化」其實只做到第①層，卻以為自己做到了第④層。 手上八檔台股 ETF 看起來很分散，但它們在②③④三層上完全重疊（回想 §6.2 的對角線模型）。第 28 章那則貼文的爭議，本質上就是第③層要不要做。
14.5 「買穩定的股票」不是分散化
前面說分散化是唯一的免費午餐，最常見的誤讀是把它替換成另一件事：不必分散，只要挑「穩定」的標的就好 ——民生消費、電信、公用事業、金融股，歷史報酬平穩、配息連續，而且真出事政府一定會救。這個組合直覺上風險很低。但它與分散化不是同一種機制，而且它降低的東西，大多不是理論所說的風險。以下拆成五個層次。
一、免費午餐來自低相關，不是來自低波動。 回到 §14.1 的極限式：組合變異數收斂到σ i j \sigma_{ij} σ ij 共變異數 。單一資產的 σ i \sigma_{i} σ i
七檔 σ i = 18 % , ρ = 0.75 : σ p ≈ 18 % × 0.75 + 0.25 / 7 ≈ 16.0 % 七檔 σ i = 28 % , ρ = 0.20 : σ p ≈ 28 % × 0.20 + 0.80 / 7 ≈ 15.9 % \begin{aligned}\text{七檔 } \sigma_i = 18\%,\ \rho = 0.75:\ &\sigma_p \approx 18\% \times \sqrt{0.75 + 0.25/7} \approx 16.0\% \\\text{七檔 } \sigma_i = 28\%,\ \rho = 0.20:\ &\sigma_p \approx 28\% \times \sqrt{0.20 + 0.80/7} \approx 15.9\%\end{aligned} 七檔 σ i = 18% , ρ = 0.75 : 七檔 σ i = 28% , ρ = 0.20 : σ p ≈ 18% × 0.75 + 0.25/7 ≈ 16.0% σ p ≈ 28% × 0.20 + 0.80/7 ≈ 15.9% 後者的成分股波動高出 50%，組合風險卻相同。低波動的個股不能替代低相關的組合。
二、被消除的是可分散風險，被留下的是被定價的風險。 §9 的 SML 說：期望報酬只補償共變異數，不補償個別波動。「穩定股」的低 σ 主要來自低個別波動，而個別波動本來就可以免費分散掉——所以放棄分散、改用低波動來控制風險，等於用一個要付代價的方法去取代一個免費的方法。低波動異常（低 β 股票的風險調整後報酬偏高）確實存在（§9 的 Betting Against Beta），但它是一個因子 ，需要在廣泛分散的前提下、以系統性方式取得；把它縮成七檔本地股票，得到的是因子曝險加上大量未定價的個別與產業風險。
三、「政府一定會救」救的是系統與債權人，不是股東。 這是最需要講清楚的一點。隱性政府擔保在資產定價上等於一個賣權（Merton 的存款保險定價框架）：它的存在會被資本化到價格裡 ，價格上去，期望報酬就下來——擔保不是免費的報酬，而是已經被收走的溢酬。更重要的是，紓困的標準做法是保住債權人、存款人與營運，代價是股權被清零或極度稀釋。2008 年的實例：Fannie Mae 與 Freddie Mac 進入政府接管、普通股價值幾乎歸零；Bear Stearns、Washington Mutual、Lehman 的股東損失接近全部；接受注資的銀行則被強制發行優先股與認股權證，稀釋既有股東。「大到不能倒」是對債券持有人的保護，對股東是「大到不能倒、但會先被沖掉」。 金融股的風險也不在波動上：它們的槓桿倍數高，資產端一個百分點的減損就能吃掉相當比例的權益，這是分布的形狀問題，不是標準差問題。
四、報酬型態是「賣出保險」——平時穩定，罕見情況大幅損失。 這種組合的歷史報酬序列看起來平穩，正是因為尾部事件在樣本期內很少發生（Rietz–Barro 的罕見災難，以及所謂 peso problem：風險存在但樣本裡還沒實現）。§3.3、§3.4 已經處理過這件事——標準差對負偏斜、厚尾的分布是系統性低估的量尺，這類部位應該用最大回檔與情境分析來看。具體的反例不難找：台灣金融股在 1998–2002 年的不良債權與 2005–2006 年的雙卡風暴中出現長期減損；被視為最穩定的公用事業與電信，在利率上升期的表現接近長債（§27），因為現金流長、對折現率極度敏感；受費率管制的產業還多一層監理風險——價格由主管機關決定，不由市場決定。
五、穩定配息不是低風險的證據。 由 §23.1 的股利無關論，配息只是把公司的錢從左口袋搬到右口袋；連續三十年配息說明的是管理層的政策與過去的現金流能力，不是未來風險的度量。§23 已經看過，高股息組合的超額報酬大部分可被價值與獲利能力因子解釋，而其中隱含的風險是「配息政策本身會在最需要現金的時候被砍」——2020 年歐洲監理機關直接要求銀行停發股息，就是這個風險的實現形式。
可能會有的反駁
「但這些公司的歷史報酬與配息真的很穩定，這是事實。」 是事實，但它是已實現 的樣本路徑，而且是倖存者的路徑（§13.4）。今天名單上的金融股與電信股，是通過了過去三十年所有考驗之後才被觀察到的；當年同類的公司裡消失的那些不會出現在自己的比較表上。低已實現波動與低事前風險是兩件事。
「所以這些股票不能買？」 不是。它們作為分散良好的組合中的成分 完全合理，防禦性與低 β 的曝險本身也是可辯護的配置選擇（§19.7）。要拒絕的是那個替代命題：以「標的穩定」取代「組合分散」。降低風險的正確工具是低相關與資產配置（第 5、8、19 章）；挑選穩定標的處理的是另一件事——它讓人的持有體驗 變好，而這在行為上有價值（§18），但不是免費午餐。
14.6 ρ 在崩盤時為什麼會跑到 1：多少是真的，多少是抽樣
§14.2 給了結論：相關係數不是常數。但「危機時相關性上升」這句話裡混了兩件性質完全不同的事，而它們的處方相反。其中一件是統計假象，另一件是真的。 先把假象的部分算乾淨，剩下的才是需要處理的風險。
定理：ρ 完全不變，樣本相關也會在尾部上升
設 (X, Y) 為標準二元常態、相關係數 ρ 固定。寫成迴歸形式 Y = ρ X + 1 − ρ 2 ε Y = \rho X + \sqrt{1-\rho^2}\,\varepsilon Y = ρX + 1 − ρ 2 ε 只由 X 決定 的事件（例如「市場大跌」），則在 A 上
Cov(X, Y | A) = ρ·Var(X | A) ； Var(Y | A) = ρ²Var(X | A) + (1−ρ²)
⇒ ρ A = ρ s ρ 2 s 2 + 1 − ρ 2 , s 2 ≡ Var ( X ∣ A ) Var ( X ) \Rightarrow \quad \rho_A = \frac{\rho s}{\sqrt{\rho^2 s^2 + 1 - \rho^2}} \quad , \quad s^2 \equiv \frac{\operatorname{Var}(X \mid A)}{\operatorname{Var}(X)} ⇒ ρ A = ρ 2 s 2 + 1 − ρ 2 ρ s , s 2 ≡ Var ( X ) Var ( X ∣ A ) 因為 ρ A \rho_A ρ A 只要條件事件放大了共同因子的變異數( s > 1 ) (s \gt 1) ( s > 1 ) ( s < 1 ) (s \lt 1) ( s < 1 ) ρ 本身一個字都沒改。∎
條件變異數本身有封閉解。以標準常態為例，取「雙尾大波動」|X| > c 時 s² = 1 + c·φ(c)/(1−Φ(c))；取「只看下跌」X < −c 時 s² = 1 − λ(λ−c)，λ = φ(c)/Φ(−c)。代進去就得到下面模型裡那三條線。以 ρ = 0.3、c = 1.5σ 為例：條件在「大波動」上時 s² ≈ 3.9，算出的相關係數跳到 0.53 ；只取平靜期樣本則掉到 0.23 ；而只取「單邊大跌」的樣本時變異數反而被壓縮 （遠尾很薄），算出的相關係數掉到 0.12 。同一個市場、同一個 ρ，光靠挑日子的方式就能得到 0.12 到 0.53 的任何答案。 這也說明為什麼文獻上處理這件事用的是「超越相關」（exceedance correlation，條件在 |X| > c 上），而不是單尾條件——後者的偏誤方向剛好相反。
對應 §14.6
這是一個需要 JavaScript 的互動模型。它背後的公式在正文裡都推導過， 關掉 JavaScript 不會漏掉任何結論。
這個結果有一個直接的實務後果：絕大多數「危機時分散化失效」的圖表，至少有一部分是自己的抽樣方式造成的。 Boyer、Gibson 與 Loretan（1999）與 Forbes 與 Rigobón（2002）用這個修正重新檢視亞洲金融風暴的「傳染」證據，發現扣掉條件異質變異之後，許多所謂的傳染其實只是原本就存在的相互依存。
但真的那一半：尾部相依
尾部相依係數衡量「一邊出現極端值時，另一邊也出現極端值」的極限機率：λ tail = lim u → 0 P ( Y < F Y − 1 ( u ) ∣ X < F X − 1 ( u ) ) \lambda_{\text{tail}} = \lim_{u \to 0} P\!\left(Y \lt F_Y^{-1}(u) \mid X \lt F_X^{-1}(u)\right) λ tail = lim u → 0 P ( Y < F Y − 1 ( u ) ∣ X < F X − 1 ( u ) )
常態 copula：λ tail = 0 \lambda_{\text{tail}} = 0 λ tail = 0 ( ρ < 1 ) (\rho \lt 1) ( ρ < 1 )
t copula（自由度 ν）：λ tail = 2 t ν + 1 ( − ( ν + 1 ) ( 1 − ρ ) 1 + ρ ) > 0 \lambda_{\text{tail}} = 2\,t_{\nu+1}\!\left(-\sqrt{\frac{(\nu+1)(1-\rho)}{1+\rho}}\right) \gt 0 λ tail = 2 t ν + 1 ( − 1 + ρ ( ν + 1 ) ( 1 − ρ ) ) > 0 以 ρ = 0.3 , ν = 4 \rho = 0.3,\ \nu = 4 ρ = 0.3 , ν = 4
實證上，崩盤期的同步程度高於上面那個抽樣效應能解釋的幅度 ——超出的部分就是真的體制變化：去槓桿與追繳（§25.9）強迫同時賣出所有資產，此時價格反映的是流動性需求，不是各資產的基本面差異。
兩把尺，兩個用途
做配置數學，用全樣本 ρ。 如果把危機期的 ρ 塞進最佳化，會系統性低估分散化的價值、過度持有現金——而那個 ρ 只在少數幾個月成立。這也是 §16.1 誤差最大化的另一個入口：條件抽樣出來的 ρ 本身就是一個高偏誤的估計。
做壓力測試，用尾部 ρ 或直接假設 0.9。 問題不是「我的組合波動多少」，而是「所有風險資產同時跌四成時，我需要動用的錢還在嗎」。這是 §3.5「不可逆的損失」與 §19.8 防禦部位的檢查，不是最佳化的輸入。
永遠問機制。 股債負相關的機制是「壞消息 = 需求疲弱 = 降息」。在通膨型衝擊下，壞消息變成「供給受限 = 升息」，機制反轉，ρ 隨之轉正（圖 14-3、§27.2）。ρ 不是資產的屬性，是體制的屬性。
可能會有的反駁
「所以危機相關性根本不用擔心？」 要擔心，但要擔心對的東西。假象的部分不影響自己的長期組合數學；真實的尾部相依影響的是流動性與被迫賣出 。處方不是換掉資產配置，是準備好現金流（§20.6 的地板）與事前寫好規則（附錄 G）。
「那滾動相關係數圖是不是都不能看？」 可以看，但要記得滾動窗本身就是一種條件抽樣：高波動期落在窗內時，ρ 會機械性地上升。看圖時同時看那段期間的波動水準，才不會把 s 的變化讀成 ρ 的變化。
「用 DCC 或體制轉換模型估 ρ 不就解決了？」 它們把問題描述得更好，但預測力有限，而且參數更多（§16.1）。它們的正確用途是診斷 「現在像哪個體制」，不是產生一個要餵進最佳化器的數字。