Ja det är helt sant, och sen kommer vi till nästa fråga, vilket är att bestämma vilken data vi ska titta på, är det dags, vecko eller månadsdata?
Jag kan bidra med lite generella erfarenheter från att tidigare ha arbetat med LTAM, long term asset management, vilket är mer riktat mot typ pensions-förvaltning, så kanske inte helt aktuellt för många här. Dock är jag inte akademisk expert, utan för er som nu är experter så är jag inte rätt man att ta diskussionen vidare med 
För mer “expert” diskussioner så bidrar jag gärna med namn på personer som säkert kan ställa upp i ett program med jan @janbolmeson
Men… generellt, så vill man titta på korrelationer över så långa perioder som möjligt, eftersom korta är helt meningslöst, minst 10 år, men gärna 50 till 80 år, oftast blir det månads-observationer, dels för att man är intresserad av att fånga långa “samband” men även då flera tillgångsslag saknar mer frekvent data längre tillbaka i tiden. Viss data kan man efterkonstruera, men det blir aldrig helt detsamma som riktig (exempelvis data för alternativa investeringar så som crypto). Viktigt är också att rensa för valuta, så att man inte får en så kallad “spurious correlation” Det finns inte heller någon mening med att titta på enskiljda index så som s&p500, utan normalt pratar man in risk faktorer där s&p500 faller inom DM LC EQ, Developed Market Large Cap Equity, tillsammans med exempelvis Svenska Large Cap. Att arbeta med mellan 100 till 150 risk faktorer är nog ganska normalt hanterbart så länge det finns instrument att exponera sig mot just den riskfaktorn. Det är inte så lönt att hitta en riskfaktor som det ändå inte går att investera på ett vettigt sätt i (exempelvis crypto i sin början, eller kinesiska aktier eller bostäder innan det fanns sätt att investera i detta)
Poängen med långa tids-serier är att få med flera cykler. Det finns ingen mening med att försöka använda korrelationen för att säga något på kort sikt så som i dag eller i morgon, eftersom det är ett “rullande” värde. Därför arbetar men med att försöka bilda sig en uppfattning om olika så kallade “states” och vilket state vi befinner oss i. Ett state kan definieras på många olika sätt men, men har typ alltid något att göra med cykler, tillväxt / avmattning, stress icke stress etc. Har man en uppfattning om vilket state vi är i kan man titta på “liknande” states för att i sin tur bilda sig en uppfattning om risk (volatilitet) och förväntad avkastning. Exempelvis så ger det nu mer mening i att försöka förstå hur korrelationer mellan olika riskfaktorer normalt sett utvecklas i ett liknande “state” som det vi befinner oss i nu, eller är på väg in i (stigande inflation, räntor, tillväxt etc). Kan vi identifiera det correct kan vi även ,med viss sannolikhet, säga något om vad vi kan förvänta oss den kommande perioden, och använda det när vi optimerar portföljer.
Observera att focus här är inte primärt på avkastning utan på att undvika risk. Vi struntar i om vi får i snitt +2% eller +10% så länge vi inte går minus 25% för då är vi i konkurs =), därav är det extremt viktigt att ha koll på sin VaR och Es.
Detta är en extremt förenklad /förkortad beskrivning av ett sätt att bygga robusta långsiktiga portföljer. Fins säkert många som har andra input, och kan detta bättre, men det kanske är till glädje för någon =)