识别近100%逆相关两交易标的同向涨跌K线的实现方法

核心逻辑 #

两个接近100%逆相关的标的，正常波动下收盘价涨跌方向永远相反，只要出现同涨、同跌，就属于相关性失效的K线，筛选逻辑完全不需要复杂的统计计算，按方向匹配即可。 #

• 前置数据准备
  先把两个交易标的同周期K线按时间戳完全对齐，剔除单边缺失的停牌、非交易时段数据，两个标的的价格复权规则必须统一（全用前复权/全用后复权/全用不复权，混着用结果必错），核心保留时间戳、收盘价两个字段就行。
• 涨跌方向标记
  对每个标的，逐根K线对比当前收盘价和前一根K线的收盘价，打方向标签：
  • 收盘价高于前一根：标记为1（上涨）
  • 收盘价低于前一根：标记为-1（下跌）
  • 收盘价和前一根持平：标记为0（平盘）
• 失效K线筛选规则
  正常逆相关场景下，两个标的同时间K线的方向标签乘积固定为-1（一涨一跌），不符合这个规则的就是目标K线：

  严格失效：两个标的方向标签乘积为1，即同涨（都为1）或同跌（都为-1）
  弱失效：任意一个标的方向标签为0（平盘），此时没有呈现严格的反向波动，可按需决定是否纳入统计

• 结果校验
  因为两个标的接近100%逆相关，正常筛出来的严格失效K线占比应该在1%以内，如果结果占比过高，第一时间检查数据对齐逻辑、复权规则、时间周期是否匹配，90%以上的错误都是数据预处理环节没做到位导致的，比如混用复权规则、跨时区对齐K线、把不同周期的K线拼到一起，别上来就怀疑相关性逻辑。

参考实现代码（Pandas） #

import pandas as pd

# df为预先对齐好的K线数据集，列名对应：时间戳ts、标的A收盘价close_ticker1、标的B收盘价close_ticker2
# 计算涨跌幅
df['pct_1'] = df['close_ticker1'].pct_change()
df['pct_2'] = df['close_ticker2'].pct_change()

# 生成涨跌方向标签
df['dir_1'] = df['pct_1'].map(lambda x: 1 if x > 0 else (-1 if x < 0 else 0))
df['dir_2'] = df['pct_2'].map(lambda x: 1 if x > 0 else (-1 if x < 0 else 0))

# 筛选严格失效的同涨同跌K线
strict_failure_bars = df[df['dir_1'] * df['dir_2'] == 1]
# 可选：筛选包含平盘场景的所有失效K线
all_failure_bars = df[df['dir_1'] * df['dir_2'] != -1]

内容的提问来源于stack exchange，提问作者Volreed