策略组合入门：策略间的相关性分析

为什么低相关是组合的圣杯

做量化这几年，我见过太多人把全部资金押在一个策略上。行情好的时候确实爽，但遇到回撤期，那滋味……嗯，我经历过，不好受。

后来我开始研究策略组合。说白了，就是把多个策略放在一起，让它们互相补位。你想想看，如果两个策略赚钱的时间段刚好错开，那整体收益曲线是不是就平滑多了？

这里有个核心概念——相关性。它衡量的是两个策略之间，收益走势的同步程度。

相关性到底是什么？

用数学语言说，相关性是两组数据之间的线性关系强度。取值范围在 -1 到 1 之间。

• 正相关（接近1）：A策略赚钱时，B策略也赚钱；A亏钱时，B也亏。两个策略同涨同跌。
• 负相关（接近-1）：A赚钱时，B反而亏钱。两者走势相反。
• 零相关（接近0）：两者走势没有明显关系。各走各的。

我个人习惯用皮尔逊相关系数来计算。公式长这样：

ρ = Cov(Ra, Rb) / (σa × σb)

其中 Cov 是协方差，σ 是标准差。别怕，Python 里一行代码就能搞定：

import numpy as np

# 假设两个策略的日收益率序列
strategy_a = [0.02, -0.01, 0.03, -0.005, ...]
strategy_b = [0.01, 0.015, -0.02, 0.01, ...]

corr = np.corrcoef(strategy_a, strategy_b)[0, 1]
print(f"相关性系数: {corr:.2f}")

低相关为什么是圣杯？

我在项目中遇到过这样一个案例：两个趋势跟踪策略，一个做日线级别，一个做小时级别。单独看，每个策略的夏普比率都在1.2左右，不算特别惊艳。但把它们组合起来后，组合的夏普比率直接跳到了1.8。

为什么会这样？

因为日线策略在震荡行情里表现差，但小时策略在震荡里反而能抓住小波段。两者刚好互补。组合后的最大回撤从15%降到了8%，收益曲线平滑了很多。

这就是低相关的魔力——分散风险，平滑收益。

如何计算策略间的相关性？

实际操作中，我一般按这几步走：

1. 获取策略的净值曲线，最好是日频数据，至少要有200个样本点。
2. 计算日收益率：用 (当日净值 - 前日净值) / 前日净值。
3. 计算相关系数矩阵：把所有策略两两之间的相关系数算出来。
4. 可视化：用热力图一眼看出哪些策略相关性高。

代码示例：

import pandas as pd
import seaborn as sns
import matplotlib.pyplot as plt

# 假设有5个策略的净值数据
# 数据格式：每列是一个策略的日净值
df = pd.read_csv('strategy_nav.csv')

# 计算日收益率
returns = df.pct_change().dropna()

# 计算相关系数矩阵
corr_matrix = returns.corr()

# 画热力图
plt.figure(figsize=(10, 8))
sns.heatmap(corr_matrix, annot=True, cmap='coolwarm', center=0)
plt.title('策略相关性热力图')
plt.show()

相关性分析的常见误区

实战中的相关性阈值

根据我的经验，可以这样划分：

相关系数范围	含义	组合建议
0.7 ~ 1.0	高度正相关	不要同时加入组合，选一个就好
0.3 ~ 0.7	中度正相关	可以少量配置，但注意控制权重
-0.3 ~ 0.3	低相关	组合的黄金区域，优先选择
-1.0 ~ -0.3	负相关	对冲效果极佳，但要注意策略逻辑是否可持续

知识体系总览

下面这张图，帮你理清本章的核心逻辑：

这张图把相关性分析拆成了三个维度：怎么算、怎么用、注意什么。底部的结论就是本章的核心——低相关是组合的圣杯。

记住，相关性不是一成不变的。市场在变，策略的逻辑在变，相关性也会漂移。我建议你每季度重新计算一次策略间的相关性矩阵，及时调整组合。

好了，这一章就到这里。下一章我们会聊如何用数学方法找到最优的资金分配比例——也就是传说中的马科维茨模型。

---