DCCA 去趋势互相关分析：在非平稳序列里量化跨市场的标度联动 • halo 的技术博客

两条共享慢趋势的非平稳价格序列

你手上有两条价格序列，肉眼看上去同涨同跌。你算了个皮尔逊相关系数，0.85，于是写进报告：这两个市场高度联动。

这个结论很可能是错的。 不是数字算错了，而是这个数字根本回答不了你想问的问题。皮尔逊相关衡量的是”围绕各自均值的线性同步”，但金融价格是非平稳的——它没有稳定的均值。当两条序列都带着向上（或向下）的慢趋势时，光是”都在往上走”这一件事，就足以把皮尔逊相关顶到 0.8 以上，哪怕它们的短期波动完全相互独立。

文首图就是这个陷阱的可视化：两条序列共享了一条相同的慢趋势（common trend），但各自的短期扰动是完全独立生成的。皮尔逊会告诉你它们高度相关，而真相是——它们之间唯一的联系只有那条谁都甩不掉的大趋势。

DCCA（Detrended Cross-Correlation Analysis，去趋势互相关分析，Podobnik & Stanley 2008）就是为了解决这个问题而生的。它做两件皮尔逊做不到的事：在非平稳数据上把趋势剥掉再看相关，以及把”相关性”拆成随时间尺度变化的一条曲线。

一、为什么皮尔逊在非平稳数据上会骗人#

先把问题说透。皮尔逊相关的定义是：

$\rho = \frac{\text{Cov}(X, Y)}{\sigma_X \sigma_Y}$

它隐含一个前提： $X$ 和 $Y$ 是（弱）平稳的，有确定的均值和方差。可价格序列 $P_t$ 是典型的 $I(1)$ 过程——差分之后（收益率）才平稳。如果你直接对价格算相关，均值本身在漂移，“偏离均值”这个概念就失去了意义，共同趋势会被计入”协同”，制造出伪相关（spurious correlation）。

标准教科书答案是：先差分，对收益率算相关。这在很多时候够用，但差分有代价——它是一个高通滤波器，会放大高频噪声、抹掉长期结构。如果两个市场的联动主要发生在低频（比如它们在几个月的尺度上同向，但在日度上各走各的），差分后的相关会把这个真实的长期联动一并洗掉。

于是我们陷入两难：不去趋势 → 伪相关；简单差分 → 洗掉长期结构。 DCCA 提供的是第三条路：分尺度地去趋势，在每个时间尺度上单独衡量协同波动。

二、DCCA 的四步构造#

DCCA 脱胎于 DFA（去趋势波动分析），把单序列的自相关推广到两条序列的互相关。四步：

第一步：累积求和（profile）。 对两条已经去均值的序列 $x, y$ （通常是收益率）做累加，把它们变回”类价格”的积分序列：

$X_k = \sum_{i=1}^{k}(x_i - \bar{x}), \quad Y_k = \sum_{i=1}^{k}(y_i - \bar{y})$

第二步：分段。 选定一个时间尺度 $s$ ，把长度为 $N$ 的序列切成 $N/s$ 个不重叠的窗口。 $s$ 就是我们要考察的”这个尺度上的联动”。

第三步：局部去趋势。 在每个窗口内，对 $X$ 和 $Y$ 各自拟合一条局部多项式趋势（最常用一阶线性），然后取残差 $\tilde{X}, \tilde{Y}$ 。这一步是 DCCA 的灵魂——它把每个窗口里的局部趋势（无论是共享的还是各自的）都扣掉，只留下围绕局部趋势的波动。

第四步：计算去趋势协方差与方差，合成 DCCA 系数。 对每个窗口算残差的协方差与方差，跨窗口平均得到 $F^2_{xy}(s), F^2_{xx}(s), F^2_{yy}(s)$ ，最后：

$\rho_{DCCA}(s) = \frac{F^2_{xy}(s)}{\sqrt{F^2_{xx}(s)\, F^2_{yy}(s)}}$

这个系数和皮尔逊一样落在 $[-1, 1]$ ，但它有一个皮尔逊没有的自变量：尺度 $s$ 。DCCA 不给你一个数，给你一条 $\rho_{DCCA}(s)$ 曲线——两条序列在不同时间跨度上的联动强度。

核心计算用几十行就能写清楚：

import numpy as np

def integrate(x):
    return np.cumsum(x - x.mean())

def dcca(x, y, scales):
    """返回每个尺度 s 下的 DCCA 系数 rho(s)。x, y 通常是收益率序列。"""
    X, Y = integrate(x), integrate(y)
    N = len(X)
    rho = []
    for s in scales:
        nseg = N // s
        t = np.arange(s)
        A = np.vstack([t, np.ones(s)]).T      # 一阶线性去趋势的设计矩阵
        cov, vx, vy = [], [], []
        for v in range(nseg):
            xs, ys = X[v*s:(v+1)*s], Y[v*s:(v+1)*s]
            rx = xs - A @ np.linalg.lstsq(A, xs, rcond=None)[0]   # 去趋势残差
            ry = ys - A @ np.linalg.lstsq(A, ys, rcond=None)[0]
            cov.append(np.mean(rx * ry))
            vx.append(np.mean(rx * rx))
            vy.append(np.mean(ry * ry))
        Fxy, Fxx, Fyy = np.mean(cov), np.mean(vx), np.mean(vy)
        rho.append(Fxy / np.sqrt(Fxx * Fyy))
    return np.array(rho)

python

三、读懂标度依赖：相关性不是一个数#

DCCA 最有价值的输出，是那条随尺度变化的曲线。下图对三种依赖场景各画一条：

DCCA 相关系数随时间尺度的变化

共享趋势（蓝线）：全尺度都是高正相关，且尺度越大越接近 1。这是”两个市场被同一宏观因子驱动”的典型指纹——短期和长期都同向。
仅大尺度耦合（绿线）：小尺度上相关很弱（短期各走各的、噪声主导），但随着尺度增大，相关系数单调爬升。这对应”日度上看不出关系，但在季度尺度上高度同向”的资产对——这种结构是皮尔逊和简单差分都会漏掉的，只有分尺度看才浮现。
独立序列（灰线）：所有尺度都在 0 附近抖动，没有系统性偏离。这是”无联动”的正确样子。

这张图传递一个反直觉但重要的观念：“相关性”不是一个标量，而是一个尺度的函数。 两个资产可以在日内高度联动、在月度尺度上毫无关系（比如高频做市带来的机械同步 vs 基本面各自独立），也可以反过来。用单一皮尔逊系数描述这种关系，等于把一条曲线压成一个点，丢掉了最有交易价值的那部分信息。

四、DCCA vs 皮尔逊：鲁棒性对比#

把陷阱做成可控实验：固定两条序列的特质波动完全独立，只逐步增强它们共享的趋势强度，看两种度量如何反应。

共同趋势越强，皮尔逊被夸大越多，DCCA 保持稳健

结果泾渭分明：

皮尔逊（红线）：随着共同趋势增强，它从接近 0 一路飙到 0.95 以上。但记住——这两条序列的真实联动始终为零，它们的短期扰动自始至终相互独立。皮尔逊报告的高相关，百分之百是共同趋势制造的幻觉。
DCCA（蓝线）：无论共同趋势多强，它都稳稳趴在 0 附近。因为分段去趋势那一步已经把每个窗口里的趋势成分扣掉了，剩下的残差之间确实没有相关。

这就是 DCCA 存在的全部理由：它能区分”因为一起被大趋势推着走”和”真的在协同波动”。在配对交易选标的、构建相关性矩阵、做风险传染分析时，这个区分是生死攸关的——你不想因为两只股票都在牛市里涨，就误以为它们能对冲彼此。

五、滚动 DCCA：捕捉危机期的联动跃升#

真实市场的联动不是恒定的。平静期各资产各走各的，危机期”correlation goes to one”——所有东西一起跌。把 DCCA 放进滚动窗口，就能追踪这种时变联动。

滚动 DCCA 系数捕捉危机期的跨市场联动跃升

上图构造了一个明确的情景：中间一段（红色阴影）是人为设定的”危机期”，两个市场的真实联动从平静期的 ≈0.15 跳到 ≈0.85。下图的滚动 DCCA 系数（固定尺度 s=40、窗口 250）忠实地捕捉到了这个跃升——它在危机段整体抬到 0.85 附近，危机结束后回落到基线。

这对风险管理是直接可用的：分散化最需要生效的时候（危机），恰恰是相关性最高、分散化最失效的时候。 滚动 DCCA 提供了一个能剥离趋势干扰的联动监测器，比滚动皮尔逊更不容易被各资产共同的下跌趋势污染。当它开始系统性抬升，就是”分散化红利正在蒸发”的预警。

需要提醒的是滚动窗口的老问题：窗口越短反应越快但噪声越大，越长越平滑但滞后越重。上图的跃升检测能这么干净，一部分是合成数据信噪比高的功劳，真实数据上边缘会毛糙得多。

六、诚实的部分#

第一，DCCA 系数有不可忽视的估计误差。 在大尺度 $s$ 上，窗口数 $N/s$ 急剧减少——序列总长 4000、尺度取 500 时，只有 8 个窗口参与平均。这意味着大尺度端的 $\rho_{DCCA}(s)$ 方差很大，曲线尾部的抖动大多是采样噪声而非真实结构。实践中大尺度不要超过 $N/4$ ，并对尾部的解读保持克制。已有改进版 DMCA（去趋势移动平均互相关）用滑动窗口缓解这个问题，代价是引入平滑偏差。

第二，去趋势阶数是个需要交代的选择。 本文用一阶线性去趋势（DCCA-1），它假设每个窗口内趋势近似为直线。如果你的数据在窗口尺度上有明显的曲率（二次趋势），线性去趋势会留下残余趋势污染相关估计，应该升到二阶（DCCA-2）。阶数越高去趋势越彻底，但也越容易把真实的低频信号一并当趋势扣掉——这和 FFF、HP 滤波里的老矛盾一模一样，没有免费的午餐。

第三，显著性判断需要额外工具。 DCCA 系数偏离 0 多少才算”真的相关”？这需要在零假设（两序列独立）下 bootstrap 出置信带，或用 Podobnik 等人给出的解析近似。裸看一条曲线偏离 0 就下结论，和裸看皮尔逊系数一样危险。

第四，它是诊断工具，不是策略本身。 DCCA 回答的是”这两条序列在哪些尺度上真的联动”，这个信息可以喂给配对交易的标的筛选、协整关系的尺度定位、相关性矩阵的去伪。但它不直接产生买卖信号——它是你构建策略之前用来看清结构的显微镜，不是显微镜下那只要抓的虫子。

第五，本文所有图表基于合成数据。 共同趋势强度、危机期联动跳变、各场景的曲线形状都是按机制逻辑构造的演示，用来把 DCCA 的性质讲清楚。真实市场数据的信噪比远低于此，标度曲线会更毛糙、危机跃升会更含混，直接套用本文的数值预期会失望。

七、总结#

皮尔逊相关在非平稳金融序列上有一个致命盲区：它分不清”一起被趋势推着走”和”真的在协同波动”。DCCA 用分段去趋势把这两者切开，并额外给出一个皮尔逊没有的维度——联动强度如何随时间尺度变化。

它的三个核心价值：在非平稳数据上抗伪相关、揭示尺度依赖的联动结构、放进滚动窗口后监测时变的危机联动。它的三个软肋：大尺度估计误差大、去趋势阶数需要谨慎选择、显著性要额外做。

对量化研究者，DCCA 的正确定位是相关性分析的显微镜而非替代品：当你要判断两个资产的联动到底真不真、发生在什么时间跨度上、在危机中会不会突然抱团时，先用它把结构看清楚，再决定用皮尔逊、协整还是别的工具去落地。先分清真伪，再谈利用——这个顺序，在相关性这件事上尤其要紧。

参考文献：

Podobnik, B., & Stanley, H. E. (2008). Detrended Cross-Correlation Analysis: A New Method for Analyzing Two Nonstationary Time Series. Physical Review Letters, 100(8), 084102.
Zebende, G. F. (2011). DCCA cross-correlation coefficient: Quantifying level of cross-correlation. Physica A, 390(4), 614-618.
Kristoufek, L. (2014). Measuring correlations between non-stationary series with DCCA coefficient. Physica A, 402, 291-298.