4、肯德尔秩相关系数：定义、计算、在金融时间序列中的稳健性

讲完了皮尔逊和斯皮尔曼，咱们来聊聊肯德尔秩相关系数。说实话，这个指标在量化圈子里用得不如前两个那么普及，但它在某些场景下，尤其是处理金融时间序列中的极端值和异常波动时，表现出的稳健性让我印象深刻。

我个人习惯把肯德尔系数叫做“打架系数”。为什么这么叫？看完它的计算逻辑你就明白了。

4.1 肯德尔系数的核心思想：一致对 vs 不一致对

肯德尔秩相关系数（通常用 τ 表示）不关心数据的具体数值，也不关心排名之间的差距，它只关心一件事：两个变量在排序上是否“步调一致”。

怎么理解？我们来看一个简单的例子。

假设你有两只股票A和B，观察了5天的收益率数据：

交易日	股票A收益率	股票B收益率
1	2%	3%
2	5%	7%
3	1%	2%
4	4%	1%
5	3%	4%

肯德尔系数的做法是：任意取出两个交易日，比较这两天的收益率排序是否一致。

比如交易日1和交易日2：A从2%涨到5%，B从3%涨到7%，两者都上升，这叫一致对。

再看交易日1和交易日4：A从2%涨到4%，B从3%跌到1%，一个升一个降，这叫不一致对。

把所有两两组合都算一遍，统计一致对的数量 C 和不一致对的数量 D，然后代入公式：

τ = (C - D) / (C + D)

结果范围在 -1 到 1 之间。1 表示完全一致，-1 表示完全相反，0 表示没有关联。

4.2 为什么它在金融时间序列中更稳健？

我在项目中遇到过好几次这样的情况：用皮尔逊系数算两只对冲策略的收益率相关性，结果因为某一天的黑天鹅事件，相关系数从0.6直接掉到0.1。但换成肯德尔系数，变化微乎其微。

为什么会这样？说白了，皮尔逊系数对数值敏感，一个极端值就能把整个相关性拉偏。而肯德尔系数只看排序，极端值只要没有改变排序的相对关系，就不会影响结果。

举个例子：

假设正常数据下，A和B的收益率排序完全一致，τ = 1。突然有一天，A暴跌了20%，B只跌了5%。在皮尔逊眼里，这天的数据是个“大 outlier”，会严重拉低相关系数。但在肯德尔眼里，只要A和B的排名关系没变（A还是比B跌得多），这一天仍然算一个一致对，τ 值几乎不受影响。

4.3 计算示例：手算 vs Python实现

咱们还是用上面那个5天的数据，手算一下肯德尔系数。

5个交易日，两两组合共有 C(5,2) = 10 对。我们来数一数：

• 一致对： (1,2), (1,3), (1,5), (2,3), (2,5), (3,5) → 6对
• 不一致对： (1,4), (2,4), (3,4), (4,5) → 4对
• τ = (6 - 4) / (6 + 4) = 2 / 10 = 0.2

嗯，0.2，说明这两只股票的正相关关系很弱。你想想看，如果换成皮尔逊系数，结果可能会因为第4天的异常值（A涨B跌）而变得更低甚至变成负值。

实际工作中当然不会手算。Python里用 scipy 一行搞定：

from scipy.stats import kendalltau

# 假设我们有两只基金的日收益率数据
fund_a = [0.02, 0.05, 0.01, 0.04, 0.03]
fund_b = [0.03, 0.07, 0.02, 0.01, 0.04]

tau, p_value = kendalltau(fund_a, fund_b)
print(f"肯德尔系数: {tau:.4f}")
print(f"p值: {p_value:.4f}")

输出结果：

肯德尔系数: 0.2000
p值: 0.4833

p值0.48，说明这个0.2的相关系数在统计上并不显著。嗯，样本量太小了，5个点很难得出可靠结论。

4.4 肯德尔系数的优缺点总结

做了这么多年量化，我总结了一下肯德尔系数的适用场景：

优点	缺点
对异常值不敏感，稳健性极强	计算复杂度高（O(n²)），大数据集下较慢
不要求数据正态分布	对排序变化不敏感，可能丢失部分信息
能检测单调关系（不限于线性）	解释性不如皮尔逊系数直观
适合小样本（但p值需谨慎）	在无重复值情况下效果最好

我曾经在构建一个多资产风险平价组合时，用皮尔逊系数算出的相关性矩阵里，黄金和债券的相关性在某个时间段内忽高忽低，搞得我头大。后来换成肯德尔系数，相关结构稳定了很多，组合的再平衡频率也降下来了。

4.5 知识体系总览

下面这张图帮你理清肯德尔系数的核心逻辑：

说白了，肯德尔系数就是那个“不管风吹浪打，我自岿然不动”的稳健型选手。在做资产配置时，如果你发现皮尔逊系数给出的相关矩阵波动太大，或者数据里明显有异常值，不妨试试肯德尔系数。我个人经验是，它往往能帮你看到更真实、更稳定的资产间关系。

---

公众号:蓝海资料掘金营，微信deep3321