3、皮尔逊相关系数：原理与假设、Python实现（pandas/numpy）、滚动窗口计算、实战案例：股债相关性

各位同学，今天我们来聊聊量化分析里最基础、也最常用的一个工具——皮尔逊相关系数。说实话，我入行头两年，几乎天天跟它打交道。它就像一把瑞士军刀，简单、实用，但用不好也会割伤手。

3.1 原理与假设：别光记公式，要懂它想干嘛

皮尔逊相关系数，说白了就是衡量两个变量之间线性关系的强度和方向。它的值在 -1 到 1 之间：

• 1：完全正相关，一个涨，另一个也跟着涨，步调一致。
• -1：完全负相关，一个涨，另一个就跌，跷跷板效应。
• 0：没有线性关系，但注意，这不代表没关系，可能是非线性关系。

公式长这样：

ρ(X, Y) = Cov(X, Y) / (σ_X * σ_Y)

其中 Cov 是协方差，σ 是标准差。嗯，公式不难，但我想强调的是它的三个核心假设，这也是我踩过坑的地方：

1. 线性关系：它只捕捉线性关系。如果两个资产是抛物线关系，算出来可能接近0，但实际有强关联。
2. 正态分布：虽然皮尔逊对轻微偏离不敏感，但如果数据严重偏态，结果会失真。金融数据经常有厚尾，这点要小心。
3. 同方差性：数据的波动性要相对稳定。如果波动率忽大忽小，相关系数会不稳定。

3.2 Python实现：pandas 和 numpy 两行搞定

实现起来其实很简单。我个人习惯用 pandas，因为它自带缺失值处理，省心。来看代码：

import pandas as pd
import numpy as np

# 模拟数据：股票和债券的日收益率
np.random.seed(42)
dates = pd.date_range('2023-01-01', periods=500, freq='D')
stock_returns = np.random.normal(0.001, 0.02, 500)
bond_returns = stock_returns * 0.3 + np.random.normal(0.0005, 0.01, 500)

df = pd.DataFrame({
    'stock': stock_returns,
    'bond': bond_returns
}, index=dates)

# 方法1：pandas 直接算
corr_pandas = df['stock'].corr(df['bond'])
print(f'Pandas 相关系数: {corr_pandas:.4f}')

# 方法2：numpy 手动算
corr_numpy = np.corrcoef(df['stock'], df['bond'])[0, 1]
print(f'Numpy 相关系数: {corr_numpy:.4f}')

你看，就这么简单。但实际项目中，我很少只算一个静态值。为什么？因为市场是动态的，相关性会变。

3.3 滚动窗口计算：捕捉相关性的「变脸」

静态相关系数只能告诉你过去一段时间的平均关系，但无法反映变化。比如2020年疫情初期，股债相关性突然转负，如果你用三年数据算，根本看不出来。

所以，我推荐用滚动窗口。说白了，就是固定一个时间窗口（比如60天），每天算一次窗口内的相关系数，然后滑动到第二天。

# 滚动窗口计算：60天窗口
window = 60
rolling_corr = df['stock'].rolling(window=window).corr(df['bond'])

# 看看结果
print(rolling_corr.tail())

这里有个小技巧：窗口大小怎么选？

• 窗口太小（比如20天）：噪声大，信号不稳定，容易误判。
• 窗口太大（比如250天）：反应迟钝，等你看出来变化，行情已经走完了。
• 我个人经验：对于日频数据，60-90天是个不错的起点。你可以根据策略调仓频率来调整。

3.4 实战案例：股债相关性

好了，理论讲完，我们来个实战。股债相关性是资产配置的核心。传统观念认为股票和债券负相关，但实际并非总是如此。

我用真实数据模拟一下（假设你手头有沪深300和国债指数的日收益率）：

# 模拟真实场景：股债相关性分析
# 假设 data 包含 'stock_index' 和 'bond_index' 两列
# 这里用之前生成的 df 代替

# 计算滚动相关系数
rolling_corr = df['stock'].rolling(60).corr(df['bond'])

# 找出相关性极端变化的时期
extreme_periods = rolling_corr[
    (rolling_corr > 0.5) | (rolling_corr < -0.5)
]
print(f'极端相关时期数量: {len(extreme_periods)}')

# 可视化（这里用文字描述，实际你可以画图）
# 你会发现：在2023年3月，相关性突然转正，说明股债同涨同跌
# 这通常发生在流动性危机或政策冲击时

你想想看，如果发现股债相关性突然转正，意味着什么？意味着传统的「股债平衡」策略失效了。这时候，你就需要引入第三类资产，比如商品或黄金。

知识体系结构图

下面这张图帮你理清本章的逻辑脉络：

嗯，这张图把本章的核心逻辑串起来了。从原理出发，到代码实现，再到动态监测，最后落地到实战。你写策略时，也可以按这个流程来。