3、斯皮尔曼秩相关系数：与皮尔逊的区别、适用场景、代码实现
聊完了皮尔逊，咱们得面对一个现实问题——真实市场数据，很少是干干净净的线性关系。
我记得刚入行那会儿，特别喜欢用皮尔逊系数。觉得它简洁、优雅，算出来就是标准答案。直到有一次，我拿它去分析某只小盘股和指数的相关性，结果跑出来一个接近0的值。我当时还挺高兴，觉得找到了一个不跟大盘走的「独立标的」。
结果呢？
回测一跑，亏得我头皮发麻。后来仔细一看，这两者的关系根本不是线性的——指数涨1%，它可能涨3%；指数跌1%，它可能跌5%。皮尔逊对这种「非线性但单调」的关系，基本是瞎的。
从那以后，我的工具箱里就多了一个新家伙——斯皮尔曼秩相关系数。
3.1 斯皮尔曼到底在算什么？
说白了，斯皮尔曼不关心你的原始数值是多少。
它只关心一件事：排序。
你把两个变量的数据分别排个名次，然后计算这些名次之间的皮尔逊相关系数。嗯，你没看错——斯皮尔曼本质上就是「名次的皮尔逊」。
举个例子：
- 股票A的收益率：1%, 2%, 3%, 4%, 5%
- 股票B的收益率：100%, 50%, 30%, 20%, 10%
皮尔逊算出来，这两者可能是负相关。但斯皮尔曼呢？
排名一下：
- A的排名：1, 2, 3, 4, 5
- B的排名：5, 4, 3, 2, 1
完美负相关，斯皮尔曼系数 = -1。这才是真实的关系——一个涨得越多，另一个跌得越惨。
3.2 与皮尔逊的三大区别
我习惯从三个维度来区分它们：
| 维度 | 皮尔逊 | 斯皮尔曼 |
|---|---|---|
| 数据要求 | 连续、正态分布、线性关系 | 无分布要求，只要求单调关系 |
| 对异常值敏感度 | 极高。一个极端值就能把系数拉偏 | 低。排名机制天然抗异常值 |
| 输出含义 | 线性相关的方向和强度 | 单调相关的方向和强度 |
你想想看，金融市场里有多少数据是完美正态分布的？几乎没有。收益率序列经常有厚尾，偶尔来个黑天鹅，皮尔逊直接就崩了。
我曾在一次风险归因分析中，因为一个极端交易日的数据，导致皮尔逊系数从0.6跳到了0.2。换成斯皮尔曼，只从0.58降到了0.55。嗯，这就是排名的力量。
3.3 什么时候该用斯皮尔曼？
我个人习惯，遇到以下场景会优先考虑斯皮尔曼：
- 数据明显不是正态分布——比如收益率、成交量、波动率这些。
- 存在明显的异常值——比如某天突然涨停或跌停。
- 关系可能是非线性的，但单调——比如规模因子和收益的关系，小市值往往收益更高，但不是线性的。
- 数据本身就是排名——比如分析师评级、基金排名等。
3.4 避坑指南
另外要注意：斯皮尔曼对样本量有一定要求。样本太少（比如少于10个），排名本身的信息量就不够，算出来的系数波动会很大。我一般要求至少30个样本点才敢用。
3.5 代码实现
直接上代码。我习惯用Python，scipy库已经封装好了：
import numpy as np
import pandas as pd
from scipy.stats import spearmanr, pearsonr
# 模拟数据：非线性但单调的关系
np.random.seed(42)
x = np.random.randn(100)
y = x**3 + np.random.randn(100) * 0.5 # 立方关系，但单调递增
# 计算两种相关系数
pearson_r, _ = pearsonr(x, y)
spearman_r, _ = spearmanr(x, y)
print(f"皮尔逊系数: {pearson_r:.3f}")
print(f"斯皮尔曼系数: {spearman_r:.3f}")
# 输出示例：
# 皮尔逊系数: 0.812
# 斯皮尔曼系数: 0.947
看到了吗？同样的数据，斯皮尔曼能更好地捕捉到这种单调关系。
如果你用的是pandas，更简单：
# 假设df是DataFrame，包含两列 'asset_a' 和 'asset_b'
df = pd.DataFrame({
'asset_a': np.random.randn(100),
'asset_b': np.random.randn(100)
})
# 直接算斯皮尔曼
spearman_matrix = df.corr(method='spearman')
print(spearman_matrix)
嗯，一行代码搞定。我经常在探索性分析阶段，先用这个方法快速扫一遍所有资产对的相关性。
3.6 实战中的一个小案例
去年我在做多资产配置时，需要评估黄金和比特币的相关性。如果用皮尔逊，算出来是0.15，感觉两者没什么关系。但直觉告诉我，极端行情下它们可能同涨同跌。
换成斯皮尔曼，系数变成了0.42。为什么？因为黄金和比特币的关系不是线性的——平时各走各的，但遇到流动性危机时，两者都会被抛售。这种「平时无关、极端时相关」的模式，皮尔逊根本抓不住。
所以我现在做资产配置，斯皮尔曼是必选项。它帮我避免了很多「看起来不相关、实际上很相关」的坑。
这张图把斯皮尔曼的计算流程画得很清楚了。你记住一句话就行：先排名，再算皮尔逊。就这么简单。
公众号:蓝海资料掘金营，微信deep3321