相关性与协整分析Skill 用法详解

1. 该技能叫什么？如何一键安装 AI 技能提升开发效率？

技能基本信息

项目	内容
技能中文名	相关性与协整分析
技能英文名	相关性与协整分析（框架英文标题为 Correlation and Cointegration Analysis）
技能 ID	14235
分类	analysis（分析类）

它解决什么问题

传统做法里，想做一次完整的配对交易研究，分析师通常要经历：拉取数据、算相关系数、画热力图、选聚类方法、跑协整检验、算半衰期、调对冲比率、生成信号、做监控。这套流程横跨 scipy、statsmodels、matplotlib 等多个库，每一步都有细节陷阱（例如价格和收益混用、协整检验方向依赖 y/x 顺序、跨市场节假日未对齐产生伪相关）。这个技能把上述流程固化成一套结构化方法、可直接复用的函数与判断标准，让使用者只需关注“数据是否正确、结论是否合理”，而不用每次都重造轮子。

一键安装的思路与步骤

AI 技能（Skill）的安装本质上是在智能体或技能的平台上把该能力注册进来，随后通过自然语言或代码方式调用。具体操作如下：

安装前提：准备好可运行 Python 的分析环境；该技能明确依赖 pandas、numpy、scipy、statsmodels、matplotlib、seaborn 六个库，可通过 pip install pandas numpy scipy statsmodels matplotlib seaborn 一次性补齐。
获取技能：在你的 AI 技能市场/技能库中搜索技能名“相关性与协整分析”或技能 ID 14235，点击安装/启用。具体入口与安装方式以官方说明为准。
安装完成后的验证：进入对话或工作区，用一个最小任务试探，例如“帮我用 Pearson 和 Spearman 计算两个资产收益序列的相关系数，并说明什么时候该优先看 Spearman”。如果技能正常生效，它会返回相关系数选择建议、计算逻辑，甚至直接给出可运行的函数代码。
依赖自检：如果调用过程中提示缺少某个库，先按上文的 pip 命令补齐依赖，再重试；如果报错与数据格式相关，多数是传入了含缺失值的序列，需要先做对齐与清洗。

之所以强调“一键安装能提升开发效率”，原因在于：技能把相关性/协整这一整套方法论连同参数建议、阈值表、注意事项一起打包，你不需要再去翻文档确认“Ward 和 Complete 链接法该用哪个”“半衰期多少天算适合配对交易”，安装后即可直接进入分析环节。

2. 该技能的主要功能和特点

主要功能模块

模式一：联动关系发现（Co-Movement Discovery）：给定目标资产，扫描资产池中的候选标的，支持 Pearson 与 Spearman 两种相关系数，按相关性排序保留 Top-K（通常 K=10-20），并支持最小相关性阈值过滤，输出候选池与相关性排名表。
模式二：收益相关性深度分析：对两个资产做完整的双变量研究，同时输出 Pearson、Spearman、Kendall 三种相关系数及显著性 p 值，以及 OLS 回归得到的 Beta、Alpha、R²、滚动相关系数、价差（spread）与 Z-Score。
模式三：行业聚类：对 N 个资产的相关系数矩阵做层次聚类，支持 Ward / Complete / Average 三种链接法，输出相关系数矩阵、聚类标签、按簇排序的热力图与树状图，用于发现板块结构、检验组合分散度。
模式四：实现相关性（Realized Correlation）：计算 20/60/120 日等多窗口滚动相关系数，并按牛市 / 熊市 / 震荡 / 高波动四种市场状态做条件相关性统计，揭示相关性的动态演变。
协整检验框架：Engle-Granger 两步法（适合双变量，快速直观）+ Johansen 检验（适合三变量以上，可估计协整向量个数即秩），并给出秩的解释规则。
半衰期估计：通过 ΔSpread 对滞后价差回归，估算均值回复半衰期，并给出“小于 5 天 / 5-20 天 / 20-60 天 / 60-180 天 / 大于 180 天”的分档解读与交易建议。
Kalman 动态对冲比率：用状态空间模型实时更新对冲比率与截距，解决静态 OLS 无法刻画协整关系缓慢漂移的问题。
跨市场联动分析：支持 A 股、港股、美股、加密货币等市场之间的静态相关矩阵、领先滞后（lead-lag）分析与滚动相关；并专门提供汇率调整后的相关性函数，避免汇率波动制造伪相关。
危机期相关性崩塌测试：对比正常期与危机期的平均两两相关性，输出相关性跳升幅度，用于组合风险预警。
配对交易信号生成：完整的五步流程（资产筛选 → 价差质量评估 → 对冲比率选择 → 信号生成 → 信号监控），内置 Z-Score 状态机，避免重复开仓。
点差健康度监控：用健康分（0-100）、半衰期倍数、价差 ADF p 值综合判断协整关系是否失效，并给出 hold / reduce / exit_now 的动作建议。
可视化与报告模板：内置滚动相关性时间序列图、Z-Score 与信号标注图，以及结构化的 Markdown 分析报告输出格式。

和“普通工具”比强在哪

普通工具往往只给你一个相关系数或一条折线，而这个技能给的是判断链路：

它明确区分价格序列用于协整检验、收益序列用于相关性分析，从源头避免最常见的误用。
它不止步于“相关性高”，而是用协整检验、价差 ADF、半衰期三重校验，过滤掉“看起来像、其实不成立”的伪配对。
它内置了大量可直接引用的经验阈值表（相关性分档、系数选择指南、链接法对比、状态相关性特征、半衰期分档、Z-Score 参数保守/标准/激进三档）。
它在方法论层面提示了多重检验 FDR 修正、样本外验证、节假日对齐、危机期止损收紧等真实项目中的坑。

3. 如何使用该技能？

第 1 步：明确目标，选择分析模式

先判断你的问题属于哪一类：

“哪些标的和我手里的资产相似？”→ 模式一
“这两个标的到底是什么关系？”→ 模式二
“我的组合是不是偷偷重仓了同一个行业？”→ 模式三
“相关性是不是在市场下跌时突然升高了？”→ 模式四 + 危机期相关性崩塌测试

第 2 步：准备正确形态的数据

相关性分析传入日收益率序列（价格取 pct_change）。
协整检验、半衰期、Kalman 传入价格序列（必须是非平稳的）。
跨市场数据用 inner join 对齐日期，不要对缺失交易日做前向填充，否则会产生虚假相关。

第 3 步：用自然语言或代码调用

自然语言示例：“这是我的目标资产和 200 只候选股票的日收益矩阵，帮我用 Pearson 扫描出相关性绝对值大于 0.5 的前 20 只，并按相关性降序排列，然后对前 10 只做 Engle-Granger 协整检验，只保留 p < 0.05 的配对。”

代码调用示例（关键函数签名）：

result = scan_correlated_assets(
    target_returns=target,      # 目标资产日收益
    universe_returns=universe,  # 候选池收益矩阵，列为股票代码
    top_k=20,                   # 保留前 20 个
    min_corr=0.5,               # 最小相关性绝对值
    method="pearson",           # 或 "spearman"
)

第 4 步：读懂输出的筛选结论

技能内置的相关性分档规则可直接对照：绝对值大于 0.8 属于强同向联动，直接送入协整检验队列；0.6-0.8 为中度联动，需先核对行业/因子暴露；小于 0.6 通常不适合配对交易；负相关且小于 -0.6 可用于对冲组合，但要注意价差方向。

第 5 步：做协整与均值回复质量评估

对候选配对调用 Engle-Granger，得到协整 p 值、对冲比率、截距与残差价差；同时注意双向检验——交换 y 与 x 再跑一次，保留 p 值更小的方向。接着调用半衰期函数，优先保留半衰期在 5-20 天（短线理想区间）或 20-60 天（中期持有）的配对。

第 6 步：选择对冲比率并生成信号

短期稳定的配对用 OLS 静态比率；存在结构性漂移的长期配对用 Kalman 动态比率。然后用 generate_pair_signals 生成信号，Z-Score 参数可参考三档配置：

参数	保守	标准	激进	说明
entry_z（入场阈值）	2.5	2.0	1.5	门槛越高交易次数越少
exit_z（离场阈值）	0.3	0.5	0.8	越高持仓时间越短
stop_z（止损阈值）	3.0	3.5	4.0	越过该水平意味着协整可能失效
lookback（回看窗口）	90	60	30	通常取半衰期的 2-3 倍

第 7 步：持续监控并输出报告

每日重算 Z-Score，每月重跑协整检验；monitor_spread_health 会在半衰期超过原始值 2 倍、或价差 ADF p 值大于 0.10 时发出预警，并自动给出持有、减仓或立即离场的建议。最终按内置报告模板输出：相关性统计表、协整检验表、均值回复特征表、分状态条件相关性表、推荐信号参数表、当前价差状态表。

4. 同类型竞品对比分析

方案名称	定位	核心功能	安装/使用门槛	适用场景	优势与不足
相关性与协整分析 Skill	面向量化研究与投研的成体系分析框架	四种相关性模式 + Engle-Granger / Johansen 协整 + 半衰期 + Kalman 动态对冲 + 跨市场联动 + 汇率调整 + 危机期崩塌测试 + 信号生成与健康度监控	需具备 Python 环境，依赖 6 个常用库；通过技能市场按名称或技能 ID 安装，具体入口以官方说明为准	配对交易选品、组合分散度检验、跨市场投研、协整关系监控	优势：方法论完整、阈值经验内置、从分析直达信号；不足：仍需要使用者理解统计含义，不做自动下单
自行编写 statsmodels / scipy 脚本	各类统计模块的原始能力	提供 coint、adfuller、coint_johansen、pearsonr 等底层函数	门槛最高：需自行设计流程、处理对齐、选择参数	有明确方法论积累的团队做定制化研究	优势：完全可控；不足：重复造轮子，容易在价格/收益混用、多重检验等细节上出错
带统计分析模块的金融数据终端	数据 + 基础统计一体	通常提供相关系数矩阵、简单回归等基础指标	门槛中等，多为订阅制，价格与功能以官方说明为准	快速查看相关性、写常规研报	优势：数据获取方便；不足：协整、半衰期、Kalman 动态比率等深度分析往往缺失或需另行实现
通用表格 / BI 工具 + 简单相关系数	面向大众的通用数据处理	相关系数计算、透视表、基础图表	门槛最低，无需编程	一次性、低复杂度的相关性初筛	优势：上手快；不足：无法做协整检验与均值回复分析，跨市场日期对齐与汇率调整能力弱

选型建议：如果你只是想知道“这两条曲线像不像”，通用表格工具足够；如果目标是把结果用于配对交易或组合风险判断，那么选择具备协整检验与监控能力的方案更有价值，这也是该技能的核心差异化所在。

5. 该技能的典型应用场景与实际体验情况

场景一：量化研究员构建配对交易候选池

角色与痛点：研究员需要在数百只标的中快速锁定可交易配对，但手工筛选既慢又容易漏掉“低相关但协整”的组合。
使用方式：先用模式一扫描相关性并保留 Top-K，再用 Engle-Granger 双向检验筛出 p < 0.05 的配对，接着用半衰期过滤掉回复过慢（大于 180 天）或过快（小于 5 天、摩擦成本吞噬收益）的组合。
实际体验：上手难度中等，函数签名清晰、参数含义直观，基本一次就能跑通；效果上最大的价值是过滤伪配对——很多相关性 0.9 以上的标的在协整检验阶段被淘汰，避免了后续无效研究；注意事项是必须确认传入的是价格序列而非收益率序列，否则协整结论会失真。

场景二：组合经理检验持仓的真实分散度

角色与痛点：组合名义上横跨多个行业，但实际可能因为风格因子同源而高度同涨同跌。
使用方式：用模式三对全部持仓做层次聚类（默认推荐 Ward 链接法），按簇排序的热力图能让“隐性同行业”一眼可见；再用危机期相关性崩塌测试对比正常期与危机期的平均两两相关性。
实际体验：聚类与热力图的可读性很强，适合直接放进投研汇报；经验上危机期相关性会显著跳升，若测试结果显示跳升幅度异常大，说明组合在下行行情中几乎没有分散效果，需要提前调整仓位结构。

场景三：跨市场投研与汇率干扰排查

角色与痛点：研究 A 股与港股、美股、加密货币之间的联动时，汇率波动常常把真实关系掩盖掉。
使用方式：调用跨市场相关性函数得到静态相关矩阵与领先滞后表，再用汇率调整函数对比“原始相关性”与“汇率调整后相关性”，观察汇率贡献度是正还是负。
实际体验：领先滞后分析对判断传导方向很有参考价值（例如美股隔夜领先、A 股次日反应）；注意事项是跨市场交易日历不一致，必须做内连接对齐，绝不能对缺失交易日填充，否则滚动相关系数会被虚假数据污染。

场景四：已持仓配对的关系健康度巡检

角色与痛点：配对建仓后，协整关系可能随时间悄然失效，而使用者往往缺少统一的失效判断标准。
使用方式：定期调用点差健康度监控，输入入场时的原始半衰期与相关系数，得到 0-100 的健康分、当前半衰期倍数、价差 ADF p 值与明确的行动建议。
实际体验：健康分加文字预警的组合非常实用，避免“凭感觉扛单”；建议把复核频率固定为每日重算 Z-Score、每月重跑协整检验，并在半衰期超过原始值 2 倍时主动降仓。

6. 该技能能为用户带来的价值

效率层面：把原本需要数千行重复代码与多轮参数试错的分析流程，收敛为一组职责清晰的函数调用。从相关性扫描到协整检验、半衰期评估、对冲比率选择、信号生成与监控，环节之间标准统一，研究人员的精力可以从“写代码、查文档、调参数”转移到“解读结论、验证经济逻辑”上。

门槛层面：把统计学与量化交易中的隐性经验显性化——相关性分档怎么解读、三种相关系数何时用哪个、Ward / Complete / Average 如何取舍、Johansen 秩怎么读、半衰期多少天算“适合交易”、Z-Score 参数保守与激进怎么选，这些原本依赖资深从业者口传心授的判断，现在以表格与默认参数的形式直接可用。

质量与风险层面：内置的边界提醒本身就是价值。价格与收益不能混用、Engle-Granger 需双向检验、跨市场日期必须内连接对齐、多重检验要做 FDR 修正、危机期止损要收紧、样本外必须验证——每一条都对应真实项目中容易踩的坑，能显著降低错误结论带来的决策成本。

长期价值：框架输出的标准化报告结构（相关性统计、协整检验、均值回复特征、分状态条件相关性、推荐参数、当前价差状态）可以作为团队内部的研究存档模板，便于复盘与横向对比；健康度监控把“一次性分析”升级为“持续跟踪”，让协整关系从研究结论变成可运营的资产。

7. 常见问题 FAQ

Q1：这个技能怎么安装？需要准备什么？ 在你的 AI 技能市场或技能库中搜索技能名“相关性与协整分析”或技能 ID 14235，按提示安装启用即可，具体入口与流程以官方说明为准。安装前建议先准备好 Python 环境，并执行 pip install pandas numpy scipy statsmodels matplotlib seaborn 补齐依赖，否则调用时会提示缺少库。

Q2：这个技能收费吗？ 技能详情中未说明价格与授权方式，请以官方说明为准。可以确定的是，它依赖的全部是开源 Python 库，运行本身不产生额外的数据或软件授权费用；如果你使用的数据源需要付费订阅，那部分成本另计。

Q3：它适合谁用？完全不懂统计能用吗？ 最适合量化研究员、因子研究员、组合经理、投研分析师以及做配对交易策略的开发者。完全零基础的用户需要先理解两个核心概念：相关性衡量“同涨同跌的程度”，协整衡量“是否存在长期均衡关系”，二者不等价。技能提供了大量阈值与判读规则，能显著降低使用难度，但结论的经济含义仍需人来判断。

Q4：相关性和协整到底有什么区别？为什么要两个都做？ 相关性只描述短期同向波动的强度，协整描述两条价格序列之间是否存在长期稳定的均衡关系。两个序列可能相关性很高却无法协整（同涨同跌但价差不断发散），也可能相关性不高却存在协整。实现配对交易通常要先按相关性筛选候选，再用协整检验确认长期均衡，最后用半衰期评估回复速度——三者缺一不可。

Q5：和直接写 Python 脚本或使用数据终端相比，该怎么选？ 如果你的需求是定制化极强、已有成熟研究框架，自己写脚本灵活性最高；如果只是快速查看相关性，通用工具就够用。但如果你需要在较短时间内完成“筛选—协整检验—均值回复评估—信号生成—健康度监控”这条完整链路，并且希望方法论细节（参数分档、双向检验、汇率调整、多重检验修正）由框架统一保证，那么这类结构化的分析技能效率优势更明显。选型时可先用一个小样本对标自建脚本，确认结论一致后再扩大使用范围。

相关性与协整分析：从相关性扫描到配对交易信号的一站式量化分析框架