Phân biệt Covariance và Correlation trong Môn CF

Trong lĩnh vực tài chính, việc hiểu rõ sự khác biệt giữa Covariance và Correlation là vô cùng quan trọng, đặc biệt khi phân tích mối quan hệ giữa các cổ phiếu. Cả hai chỉ số này đều đo lường mức độ tương quan giữa hai biến số, thường là các cổ phiếu, nhưng chúng thể hiện các khía cạnh khác nhau của mối quan hệ đó. Bài viết này sẽ giúp bạn hiểu rõ hơn về sự khác biệt giữa Covariance và Correlation, và cách chúng được áp dụng trong phân tích tài chính.

1) Covariance và Correlation: Định nghĩa và Ý nghĩa

Covariance là một đại lượng thống kê thể hiện mối quan hệ giữa hai biến số trong không gian tài chính. Cụ thể, Covariance đo lường mức độ mà hai cổ phiếu di chuyển cùng chiều hoặc ngược chiều với nhau. Nếu giá trị Covariance dương, hai cổ phiếu có xu hướng di chuyển cùng chiều; nếu âm, chúng di chuyển ngược chiều.

Correlation (hệ số tương quan), ngược lại, không chỉ đo lường hướng di chuyển mà còn cho biết mức độ mạnh yếu của mối quan hệ đó. Giá trị Correlation nằm trong khoảng từ -1 đến 1. Giá trị gần 1 hoặc -1 biểu thị một mối quan hệ mạnh mẽ, trong khi giá trị gần 0 cho thấy mối quan hệ yếu.

2) Về Giá trị của Covariance và Correlation

Một trong những sự khác biệt quan trọng giữa Covariance và Correlation là phạm vi giá trị của chúng:
– Covariance có thể nhận bất kỳ giá trị nào từ -∞ đến +∞, nghĩa là không giới hạn.
– Correlation có giá trị trong phạm vi cố định từ -1 đến 1, giúp dễ dàng so sánh mức độ tương quan giữa các cặp cổ phiếu khác nhau.

Giá trị của Correlation giúp chuẩn hóa Covariance, cho phép nhà đầu tư so sánh tương quan giữa các cặp cổ phiếu khác nhau một cách dễ dàng hơn.

3) Về Công thức của Covariance và Correlation

Covariance là cơ sở để tính toán Correlation. Cụ thể:

Công thức Covariance cho mẫu:
Cov(X, Y) = (Σ(Xi – X̄)(Yi – Ȳ)) / (n-1)

Công thức Correlation:
Cor(X, Y) = Cov(X, Y) / (σXσY)

Trong đó, σX và σY là độ lệch chuẩn của X và Y. Điều này có nghĩa là Correlation không thể được tính mà không có giá trị Covariance trước đó.

4) Ví dụ Minh họa về Covariance và Correlation

Hãy xem xét một ví dụ cụ thể để minh họa sự khác biệt này. Giả sử chúng ta đang phân tích hai cổ phiếu: VNM và HPG. Chúng ta có dữ liệu về tỷ suất sinh lợi kỳ vọng (expected return) của hai cổ phiếu này trong ba trạng thái thị trường: xấu, bình thường và tốt.

	VNM	HPG
Bad	2%	-5%
Normal	8%	10%
Good	13%	19%

Tỷ suất sinh lợi kỳ vọng của VNM là:
Expected Return (VNM) = (2% + 8% + 13%) / 3 = 7.67%

Tỷ suất sinh lợi kỳ vọng của HPG là:
Expected Return (HPG) = (-5% + 10% + 19%) / 3 = 8%

Độ lệch chuẩn (standard deviation) của VNM và HPG lần lượt là:
σVNM = 4.5%
σHPG = 9.9%

Covariance giữa hai cổ phiếu được tính như sau:
Cov(VNM, HPG) = [(2% – 7.67%)(-5% – 8%)+(8%-7.67%)(10%-8%)+(13%-7.67%)(19%-8%)]/3 = 0.004433

Cuối cùng, hệ số tương quan (Correlation) được tính dựa trên Covariance và độ lệch chuẩn của hai cổ phiếu:
Cor(VNM, HPG) = 0.004433 / (4.5% * 9.9%) ≈ 0.995

Kết luận

Như vậy, Covariance và Correlation đều là các công cụ quan trọng trong phân tích tài chính, đặc biệt khi đánh giá mối quan hệ giữa các cổ phiếu. Covariance cho biết hướng của mối quan hệ (cùng chiều hay ngược chiều), trong khi Correlation giúp chuẩn hóa mối quan hệ này để dễ dàng so sánh và đánh giá mức độ mạnh yếu. Sự khác biệt này có ý nghĩa quan trọng trong việc ra quyết định đầu tư và quản lý danh mục đầu tư.

Xem thêm khóa học Ôn thi Final môn CF ngay tại >> https://unitutor.vn/wsu-bbus/