如何用 Python 计算滚动相关系数？看个股与大盘的相关性如何随时间变化

Q: 需要付费吗？

个股加指数日线在免费额度内即可；若要对**多只股票**批量算与大盘的滚动相关做排序/配对，需要 `klines.batch`（Starter 及以上），详见官网定价页。

分析与指标 · 代码验证于 2026-10-12

如何用 Python 计算滚动相关系数（看相关性随时间变化）？

一句话回答： 滚动相关系数 = 在一个移动窗口（如 60 日）内不断重算两组收益率的相关系数，得到一条随时间变化的曲线，专门揭示「相关性并不恒定」——某段时间个股与大盘同涨同跌、另一段却背道而驰。用 AlphaFeed 取前复权个股与沪深300指数日线，rolling(60).corr() 一行即可，比只报一个静态相关系数诚实得多。

为什么会有这个问题 / 传统做法的痛点

很多人算完一个「整段相关系数 0.45」就下结论，但这个单一数字把时变性完全抹平了：实际可能前半段 0.8（高度同步）、后半段 −0.3（反向）。做分散化、对冲、配对交易时，依赖一个静态相关系数会严重误判风险。痛点在于：要正确对齐两条收益序列（交易日不一定完全重合）、选好窗口，再滚动计算。

分步骤解决（每步配可运行代码）

第 1 步：取个股（前复权）与沪深300指数，转收益并对齐

from alphafeed import AlphaFeed
import pandas as pd

af = AlphaFeed(api_key="your-api-key")  # 或 export ALPHAFEED_API_KEY 后 AlphaFeed()

s = af.klines.get("600519.SH", period="1d", count=500,
                  adjust="forward", to_dataframe=True)      # 个股：前复权
m = af.klines.get("000300.SH", period="1d", count=500,
                  to_dataframe=True)                          # 大盘：沪深300
s = s.sort_values("trade_date"); m = m.sort_values("trade_date")
sr = s.set_index("trade_date")["close"].pct_change()
mr = m.set_index("trade_date")["close"].pct_change()
df = pd.concat([sr, mr], axis=1, keys=["s", "m"]).dropna()   # 按交易日对齐，去缺失

concat + dropna 确保两条收益序列按共同交易日对齐，避免错位。

第 2 步：滚动相关系数（窗口 60 日）

roll_corr = df["s"].rolling(60).corr(df["m"]).dropna()
print("最新 60 日相关：", round(roll_corr.iloc[-1], 3))
print("区间范围：", round(roll_corr.min(), 3), "~", round(roll_corr.max(), 3))
print("静态（整段）相关：", round(df["s"].corr(df["m"]), 3))

实测（tools/verify_new_2026-10-12.py，SDK 0.1.4）：贵州茅台 vs 沪深300，60 日滚动相关最新 ≈ −0.271，区间 −0.333 ~ 0.853；而静态整段相关仅 0.45。静态数字把「从 +0.85 高度同步到 −0.33 反向」的剧烈变化完全掩盖了——这正是滚动相关的价值。

第 3 步：解读与应用

print("当前是否低相关(<0.3)：", bool(roll_corr.iloc[-1] < 0.3))

相关性低甚至为负时，该股对大盘的分散/对冲价值上升；相关性飙高时，“分散”可能名存实亡（齐涨齐跌）。

参数与字段说明

参数/概念	含义	备注
`adjust="forward"`	个股前复权	必须；指数不除权
`pct_change()`	日收益	对收益算相关，不是对价格
`concat + dropna`	按交易日对齐	去除停牌/缺失日
`rolling(60)`	滚动窗口	窗口越短越灵敏、越长越稳
`.corr(other)`	皮尔逊相关	两序列的线性相关
静态相关	整段一个数	对比用，会掩盖时变

关键坑与注意事项

对收益算，不是对价格：两条带趋势的价格序列相关系数会虚高（伪相关），必须先 pct_change()。
窗口是权衡：窗口太短，相关系数噪声大、剧烈跳动；太长则平滑掉有用变化。60 日是常用折中，应结合用途调整。
相关 ≠ 因果，也 ≠ Beta：相关系数只衡量同向程度（−1~1），不含弹性大小；弹性请看 Beta（本仓库有「滚动 Beta」一文）。
前复权必须：个股除权缺口会制造异常收益，扭曲相关。
短窗口末端不稳：窗口刚够长时头部会是 NaN，末端少数极端日也会显著影响当期值。
历史不代表未来：滚动相关揭示过去的变化，不保证未来延续。

常见问题（FAQ）

Q：滚动相关和滚动 Beta 有什么区别？ A：相关系数衡量「同向不同向」，范围 −1~1，无量纲；Beta 衡量「大盘动 1%，个股动几 %」，含弹性大小。两者相关但不同：Beta = 相关系数 ×（个股波动/大盘波动）。

Q：为什么要用沪深300而不是上证指数？ A：沪深300覆盖沪深两市大盘蓝筹，常作为 A 股「市场组合」代理；也可换 000905.SH（中证500）等更贴合标的风格的基准。

Q：需要付费吗？ A：个股加指数日线在免费额度内即可；若要对多只股票批量算与大盘的滚动相关做排序/配对，需要 klines.batch（Starter 及以上），详见官网定价页。

小结

滚动相关系数用移动窗口把「相关性随时间变化」显式画出来，避免被一个静态数字误导。用 AlphaFeed 的前复权个股与沪深300，对齐收益后 rolling(60).corr() 一行即可——记住对收益算、窗口是权衡、相关不等于 Beta，且过去的相关不保证未来延续。