如何实现返回单一值的双时间序列互相关计算

嗨，我来帮你梳理下解决思路，一步步来拆解问题：

你提到scipy.signal.correlate返回向量，想要单一值，核心是先明确你需要的「相关性类型」，再对应提取：

1. 如果你要的是0滞后的线性相关程度（和Pearson相关系数等价） #

互相关向量的长度是2N-1（当两个序列长度都是N时），中间位置的数值就是0滞后的归一化互相关值，和Pearson结果一致。可以这样提取：

import numpy as np
from scipy.signal import correlate

def get_lag0_correlation(serie1, serie2):
    # 先对序列做去均值处理，消除直流分量影响
    s1 = serie1 - np.mean(serie1)
    s2 = serie2 - np.mean(serie2)
    # 计算全范围互相关
    corr_full = correlate(s1, s2, mode="full")
    # 归一化到[-1,1]区间（和Pearson系数一致）
    norm_factor = np.std(serie1) * np.std(serie2) * len(serie1)
    corr_norm = corr_full / norm_factor
    # 取中间位置（0滞后）的值
    lag0_idx = len(corr_norm) // 2
    return corr_norm[lag0_idx]

测试一下的话，这个值应该和scipy.stats.pearsonr(serie1, serie2)[0]完全一致。

2. 如果你要的是两个序列在任意滞后下的最强关联 #

那就取互相关向量的绝对值最大值，代表两个序列在某个时间偏移下的最高相似性：

def get_max_cross_correlation(serie1, serie2):
    s1 = serie1 - np.mean(serie1)
    s2 = serie2 - np.mean(serie2)
    corr_full = correlate(s1, s2, mode="full")
    norm_factor = np.std(serie1) * np.std(serie2) * len(serie1)
    corr_norm = corr_full / norm_factor
    # 返回最大绝对值的相关值
    return np.max(np.abs(corr_norm))

你提到合成序列测试Hurst算法正常，那大概率是数据特性的问题：

• 配对交易选的是协整标的对，它们的核心是「价差序列平稳」，而单个标的的Hurst指数（长记忆性）可能被协整关系抵消了。比如两个都有长记忆性的标的，它们的价差可能是短记忆（Hurst≈0.5），这时候单个标的的Hurst指数和它们的相关性之间的关联就不明显了。
• 可以试试计算价差序列的Hurst指数，而不是单个标的的——毕竟配对交易关注的是价差的均值回归特性，也许关联存在于「价差的Hurst指数」和「标的对的协整强度」之间，而不是单个标的的Hurst和Pearson相关之间。
• 另外，检查下配对标的对的选择逻辑：最优标的对通常是协整性最强的，这类对的Pearson相关系数可能本身就很高或者很稳定，导致和Hurst指数的关联被掩盖，不妨扩大样本范围，加入一些非最优但有一定相关性的标的对，对比看看是否存在关联。

内容的提问来源于stack exchange，提问作者Videgain