目錄
重點速讀 2 分鐘｜12 分鐘深讀「COIN 昨天漲了 4.3%，會影響比特幣嗎？」一位群友的提問，讓話題從行情走向另一個問題：如果 Coinbase 股票與比特幣經常一起漲跌，能不能買進其中一個、做空另一個，把部分風險抵銷？截圖沒有可核對的交易日期，4.3% 僅作提問背景，不是最新行情。
答案是可以研究部分對沖，但相關性本身不夠，不能保證完全抵銷。 我們還需要知道兩者的波動幅度、應搭配多少部位，以及模型沒解釋到的風險。文中的符號，就是為了逐步回答這些問題。
先認識主角：Coinbase 是提供加密資產交易等服務的公司。Coinbase 股票（NASDAQ：COIN）代表公司的股權，以下簡稱 COIN；BTC 比特幣則是加密資產。 買股票與買比特幣不是同一件事。加密市場熱絡可能同時影響投資情緒與 Coinbase 的交易業務，但公司還有服務收入、成本及經營風險。不能因為兩者同漲，就認定誰帶動誰。
這篇不估計「今天兩者有多相關」，而是教你如何讀懂相關性、判斷對沖的限制。全文統一採用 r＝0.75、Beta＝1.25 的教學假設，非最新市場數據。 每個名詞都用白話解釋，再搭配數字例子；不必先懂統計。
為什麼一起漲跌？先用相關係數 r 描述
先把價格換成報酬率：100 美元變成 110 美元，就是上漲 10%。比較兩個資產是否一起漲跌，這裡看的是同一期間的報酬率，而不是直接拿股價與幣價相比。
r 衡量兩組報酬率的線性關聯，範圍是 −1 到 +1。 +1 是完全正線性相關，−1 是完全負線性相關，0 則沒有線性相關，但仍可能有其他形式的關係。
例如假設 COIN 與 BTC 的同期日報酬 r＝0.75，表示相當明顯的正相關。它不是「75% 的日子一起漲」，也不是「BTC 漲 1%，COIN 漲 0.75%」。如同兩人常常朝同方向走，並不能因此知道誰走得更快。
兩者可能同時回應利率、監管或市場風險偏好；光靠相關係數，不能判定誰造成誰的漲跌。
有相關就能抵銷嗎？先認識報酬與波動
有正相關，只能告訴我們漲跌具有關聯，還不知道兩邊的幅度是否相近。要理解對沖，先認識以下幾個用來衡量損益的詞。
報酬率，就是相對原本投入，賺賠了幾%。 100 美元變成 110 美元，報酬率是 10%；變成 90 美元，就是 −10%。本文先不算股息與費用。
做多，是持有資產、期待它上漲；做空，是建立價格下跌時獲利、上漲時虧損的部位。 例如 10,000 美元的多單下跌 10%，虧 1,000 美元；同額的線性空單在相同跌幅下，約賺 1,000 美元，未計成本。
曝險，是你的損益對某種價格或因素有多敏感；名目金額，是部位對應的資產價值。 12,500 美元的 BTC 空頭曝險，不代表只需投入或最多只會損失某筆保證金。保證金是履約擔保，不是風險上限。
波動率（常以希臘字母 σ 表示），可以先理解成一串報酬起伏的大小；統計上通常用標準差衡量。 例如甲的兩期報酬是＋1%、−1%，乙是＋2%、−2%，乙的起伏幅度是甲的兩倍。兩者都可能同方向變動，卻不能用相同金額完全抵銷。正式估計還需要足夠的樣本。
要配多少比特幣？用 Beta 決定模型中的比例
Beta（β）是模型中的敏感度：BTC 報酬多變動 1 個百分點，COIN 的預測報酬相應變動多少個百分點。 這裡談的是相對 BTC 的 Beta，不是股票網站常見的相對大盤 Beta。
「迴歸模型」可想成一把用過去資料畫出的尺。它嘗試把 COIN 的報酬拆成：截距＋Beta × BTC 報酬＋剩餘差距。截距是 BTC 報酬為零時模型給出的基準，不是保證可以賺到的收益。
例如假設 Beta＝1.25、截距＝0，BTC 漲 10%，模型預測 COIN 漲 12.5%；BTC 跌 10%，則預測 COIN 跌 12.5%。這是線性模型估計，不是每次都會發生。
Beta＝r ×（COIN 波動率 ÷ BTC 波動率）。波動率先理解成「報酬起伏有多大」。因此，步伐相似不代表幅度相同，不能直接拿 r 當對沖比例。
把公式代入教學假設：若 r＝0.75，COIN 波動率是 BTC 的約 1.667 倍，Beta 就約為 0.75×1.667＝1.25。r 回答關聯程度，β 才把波動幅度一起納入對沖比例。
一多一空如何對沖？用三個情境看損益
對沖，是用另一個部位，嘗試抵銷某一類風險。 本例想降低 BTC 方向性曝險，同時保留 COIN 相對模型表現的機會與風險。
沿用 Beta＝1.25、截距＝0，假設做多 10,000 美元 COIN，搭配做空 12,500 美元 BTC。因為 10,000 × 1.25＝12,500，兩邊不是各放同額。這是美元名目曝險，不是幣數，也不是保證金金額。
以下都假設單一期初部位固定、空頭損益與 BTC 價格線性對應，暫不計手續費、融資、滑價與期現價差。三個情境的 BTC 都下跌 10%。
先認識殘差：它是實際報酬與模型預測的差距。接下來的三種結果，就是模型符合與不符合實際走勢的差別。
情境 A：COIN 跌 12.5%，完全符合模型。 股票虧 1,250 美元，BTC 空單賺 1,250 美元，合計 0 美元，殘差也是 0。
情境 B：COIN 跌 20%，比模型更差。 股票虧 2,000 美元，BTC 空單仍賺 1,250 美元，合計虧 750 美元。殘差是 −20%−（−12.5%）＝−7.5 個百分點。
情境 C：COIN 只跌 5%，比模型更好。 股票虧 500 美元，BTC 空單賺 1,250 美元，合計賺 750 美元。殘差是 −5%−（−12.5%）＝＋7.5 個百分點。
因此，在本例條件下，組合美元損益＝10,000 × 殘差（百分比須換成小數，例如 −7.5%＝−0.075）。若截距不是零，則還要加上截距的部分。這不等於「只要 COIN 跌得比 BTC 少就一定賺」；我們比較的是 Beta 調整後的預期表現，不是兩者漲跌幅直接相減。
下圖以較小的上漲幅度補充同一個抵銷原理：BTC 漲 2%、COIN 恰好漲 2.5% 時，多單約賺 250 美元、空單約虧 250 美元。
為什麼對沖後還會賠錢？理解殘差
殘差，就是實際報酬減掉模型預測。 它是看見實際結果後才算出的差距，不是事先知道的額外獲利。
例如 BTC 漲 10%，模型預測 COIN 漲 12.5%，但 COIN 實際漲了 18%，殘差就是 18%−12.5%＝＋5.5 個百分點。百分點是兩個百分比直接相減的差，不是再算一次成長率。
這段落差可能包含財報、監管、美股情緒、模型漏掉的因素與隨機變動。殘差只說「這把尺沒解釋到」，不能直接指認是哪則消息造成，也不等於純粹的公司風險。
模型解釋了多少變異？認識 R²
R² 是模型在樣本內能解釋的報酬變異比例。 「變異」指一串報酬離平均值有多分散，不是漲跌方向的命中率。
在同一組樣本、只有 BTC 報酬一個解釋變數、且包含截距的普通最小平方法迴歸中，R²＝r²。最小平方法的意思是：挑一條線，讓所有殘差的平方加總盡量小。
假設 r＝0.75，R²＝0.75²＝0.5625，也就是 56.25%。意思是這個模型解釋了 COIN 樣本報酬約 56.25% 的變異，剩下 43.75% 未被解釋。不是「BTC 造成了 56.25% 的漲跌」，也不是預測勝率。
為什麼出現平方？平方讓正負偏差不會互相抵銷，也是最小平方法衡量誤差的方式；而 R² 恰好等於 r²，還需要上述單一變數、含截距模型的數學條件，不能套到所有模型。
另一個簡單例子：若 COIN 相對平均報酬的偏差平方加總為 100，模型留下的殘差平方加總為 43.75，那麼 R²＝1−43.75÷100＝56.25%。可以把它想成原本 100 份分散程度，被這把尺整理出其中 56.25 份。
消除 56.25% 變異，為何仍剩約 66.1% 波動率？
變異數是衡量報酬分散的平方尺度；波動率通常指標準差，是變異數的平方根。 它們有關係，但不是同一個數字。
假設用同一組樣本估出的 Beta 做最小變異線性對沖，忽略成本，以原 COIN 部位金額作相同衡量基準，對沖後的樣本變異數比例是 1−R²＝43.75%。最小變異指在這組資料中選擇讓損益起伏最小的線性對沖比例，不是最小可能虧損。
波動率要再開平方：√0.4375≈66.1%。例如原 COIN 每日波動率假設為 5%，對沖後約為 5%×66.1%＝3.31%，不是 5%×43.75%。
所以，波動率約減少 33.9%，不是減少 56.25%。這是同樣本模型關係，不是未來風險保證，也不是用保證金或多空名目金額加總當分母計算的組合報酬率。
真正交易，還要付哪些代價？
Beta 會變。 用過去三個月算出的比例，未必適合下個月；歷史關係也不能保證在暴跌時維持。
兩邊的時鐘不同。 BTC 全天候交易，COIN 有股票市場交易時段限制，遇到週末消息未必能同步調整。
費用會吃掉抵銷結果。 手續費是成交成本；滑價是預期價格與實際成交價的差；融資或借貸利息是借資金、借資產的代價。若用永續合約，資金費率是多空定期交換的費用，空方可能收也可能付；期貨與現貨的價格差距，則可能讓對沖偏離預期。
強制平倉可能先發生。 即使股票部位正在獲利，BTC 空單所在帳戶若保證金不足，也可能先被平台平倉。兩邊帳戶不一定能互相抵押，帳面抵銷不等於現金能即時互通。
真要估計數值，需明列樣本日期、資料來源及頻率，以一致幣別與對齊的觀察時點計算報酬；股票還要處理拆股、股息等調整。樣本外回測，就是拿沒有用來估計模型的另一段資料，測試策略是否仍有效，並把費用算進去。
讀懂這些數值，各自是為了回答什麼？
| 名詞／符號 | 白話問題 | 本文教學例子 |
|---|---|---|
| 報酬率 | 一段期間漲跌多少？ | 100 美元變 110 美元＝＋10% |
| 相關係數 r | 兩者報酬的線性關聯多強？ | 0.75，不是 75% 同方向機率 |
| 波動率 σ | 報酬起伏有多大？ | ＋2%、−2% 比＋1%、−1% 起伏更大 |
| Beta（β） | 要配多少 BTC 曝險？ | 1.25：10,000 美元股票對應 12,500 美元 BTC 空單 |
| 截距 α | BTC 報酬為零時，模型的基準是多少？ | 為方便試算，假設為零；不是保證收益 |
| 殘差 e | 實際結果偏離模型多少？ | 18%−12.5%＝＋5.5 個百分點 |
| R² | 模型解釋了多少樣本報酬變異？ | 0.75²＝56.25%，不是因果或勝率 |
| 剩餘波動率比例 | 對沖後還有多少起伏？ | √(1−0.5625)≈66.1%，不是 43.75% |
以上比例只適用文中說明的同樣本、單一解釋變數、含截距線性模型，以及忽略交易成本的條件，不能直接當作未來績效。
結論：相關性是起點，對沖仍有邊界
兩者有相關性，是研究對沖的起點，不是「風險已經抵銷」的證明。r 告訴我們關聯程度，波動率與 Beta 幫助決定比例，殘差讓我們看見偏離，R² 則幫助理解模型內仍留下多少變異。
因此，多 Coinbase 股票、空比特幣，並不是無風險組合。它嘗試降低 BTC 相關的方向性曝險，同時保留 Coinbase 股票相對 Beta 調整後模型表現的風險與機會。
最後仍要回到投資的理由：你買 Coinbase 股票，是想參與比特幣上漲，還是看好這家公司的經營？如果選擇對沖，是否願意承擔留下來的風險與成本？先把這個問題想清楚，符號與公式才真正有用。
本文數值皆為教學假設，未進行即時市場估計，不構成投資建議。資料查閱：2026 年 10 月 10 日（台北時間）。
資料來源
本文開場來自讀者提供的匿名群聊提問；封面為 AI 編輯示意，人物為虛構年輕研究者，非作者或群聊參與者。r 與 Beta 為教學假設，非最新估計；內文圖亦為教學情境。