怎么分析2只股票的相关度

# -*- coding: utf-8 -*-
"""
使用AkShare计算两只股票收益率相关性的完整代码
"""
import akshare as ak
import pandas as pd
import numpy as np
import matplotlib.pyplot as plt
import seaborn as sns
from datetime import datetime, timedelta
# 设置中文显示
plt.rcParams['font.sans-serif'] = ['SimHei']  # 用来正常显示中文标签
plt.rcParams['axes.unicode_minus'] = False  # 用来正常显示负号
plt.style.use('seaborn-v0_8')  # 设置图形风格
def get_stock_data(symbol, start_date, end_date):
    """
    获取单只股票历史数据
    Parameters:
    symbol (str): 股票代码，如"000001"
    start_date (str): 开始日期，格式"YYYYMMDD"
    end_date (str): 结束日期，格式"YYYYMMDD"
    Returns:
    pandas.DataFrame: 股票历史数据
    """
    try:
        # 获取前复权数据
        df = ak.stock_zh_a_hist(symbol=symbol, period="daily",
                                start_date=start_date, end_date=end_date,
                                adjust="qfq")
        # 确保日期格式正确并设置为索引
        df['日期'] = pd.to_datetime(df['日期'])
        df.set_index('日期', inplace=True)
        return df
    except Exception as e:
        print(f"获取股票 {symbol} 数据时出错: {e}")
        return None
def calculate_correlation(returns_df, col1, col2, method='pearson'):
    """
    计算两只股票收益率的相关系数
    Parameters:
    returns_df (pandas.DataFrame): 包含收益率的DataFrame
    col1 (str): 第一只股票的列名
    col2 (str): 第二只股票的列名
    method (str): 相关系数计算方法，'pearson'或'spearman'
    Returns:
    float: 相关系数
    """
    return returns_df[col1].corr(returns_df[col2], method=method)
def analyze_stock_correlation(symbol1, symbol2, start_date, end_date, window=30):
    """
    分析两只股票的相关性
    Parameters:
    symbol1 (str): 第一只股票代码
    symbol2 (str): 第二只股票代码
    start_date (str): 开始日期
    end_date (str): 结束日期
    window (int): 滚动相关性窗口大小
    Returns:
    dict: 包含分析结果的字典
    """
    # 获取数据
    print("正在获取股票数据...")
    stock1_data = get_stock_data(symbol1, start_date, end_date)
    stock2_data = get_stock_data(symbol2, start_date, end_date)
    if stock1_data is None or stock2_data is None:
        print("数据获取失败，请检查股票代码和日期范围")
        return None
    # 合并两只股票的收盘价数据
    combined_data = pd.DataFrame({
        f'{symbol1}_close': stock1_data['收盘'],
        f'{symbol2}_close': stock2_data['收盘']
    })
    # 处理缺失值
    combined_data.dropna(inplace=True)
    # 计算每日收益率（百分比变化）
    returns = combined_data.pct_change().dropna()
    returns.columns = [f'{symbol1}_return', f'{symbol2}_return']
    # 计算相关系数
    pearson_corr = calculate_correlation(returns, f'{symbol1}_return', f'{symbol2}_return', 'pearson')
    spearman_corr = calculate_correlation(returns, f'{symbol1}_return', f'{symbol2}_return', 'spearman')
    # 计算滚动相关性
    rolling_corr = returns[f'{symbol1}_return'].rolling(window=window).corr(returns[f'{symbol2}_return'])
    # 计算协方差
    covariance = np.cov(returns[f'{symbol1}_return'], returns[f'{symbol2}_return'])[0, 1]
    return {
        'combined_data': combined_data,
        'returns': returns,
        'pearson_corr': pearson_corr,
        'spearman_corr': spearman_corr,
        'rolling_corr': rolling_corr,
        'covariance': covariance
    }
def plot_correlation_analysis(results, symbol1, symbol2):
    """
    绘制相关性分析图表
    Parameters:
    results (dict): 分析结果字典
    symbol1 (str): 第一只股票代码
    symbol2 (str): 第二只股票代码
    """
    # 准备数据
    returns = results['returns']
    rolling_corr = results['rolling_corr']
    combined_data = results['combined_data']
    # 创建图表
    fig, axes = plt.subplots(2, 2, figsize=(15, 12))
    fig.suptitle(f'{symbol1} 与 {symbol2} 相关性分析', fontsize=16)
    # 1. 价格走势对比图（标准化）
    ax1 = axes[0, 0]
    normalized_prices = combined_data / combined_data.iloc[0]
    ax1.plot(normalized_prices[f'{symbol1}_close'], label=f'股票{symbol1}')
    ax1.plot(normalized_prices[f'{symbol2}_close'], label=f'股票{symbol2}')
    ax1.set_title('标准化价格走势对比')
    ax1.set_xlabel('日期')
    ax1.set_ylabel('标准化价格')
    ax1.legend()
    ax1.grid(True)
    # 2. 收益率散点图
    ax2 = axes[0, 1]
    ax2.scatter(returns[f'{symbol1}_return'], returns[f'{symbol2}_return'], alpha=0.5)
    # 添加趋势线
    z = np.polyfit(returns[f'{symbol1}_return'], returns[f'{symbol2}_return'], 1)
    p = np.poly1d(z)
    x_range = np.linspace(returns[f'{symbol1}_return'].min(), returns[f'{symbol1}_return'].max(), 100)
    ax2.plot(x_range, p(x_range), "r--", alpha=0.8, label='趋势线')
    ax2.set_xlabel(f'{symbol1}收益率')
    ax2.set_ylabel(f'{symbol2}收益率')
    ax2.set_title('每日收益率散点图')
    ax2.legend()
    ax2.grid(True)
    # 3. 滚动相关系数图
    ax3 = axes[1, 0]
    ax3.plot(rolling_corr, label=f'{window}日滚动相关系数', color='purple')
    ax3.axhline(y=results['pearson_corr'], color='r', linestyle='--', label='整体皮尔逊相关系数')
    ax3.axhline(y=0, color='gray', linestyle='-', alpha=0.3)
    ax3.set_xlabel('日期')
    ax3.set_ylabel('相关系数')
    ax3.set_title('滚动相关系数趋势')
    ax3.legend()
    ax3.grid(True)
    # 4. 收益率分布直方图
    ax4 = axes[1, 1]
    ax4.hist(returns[f'{symbol1}_return'], bins=50, alpha=0.5, label=f'股票{symbol1}', density=True)
    ax4.hist(returns[f'{symbol2}_return'], bins=50, alpha=0.5, label=f'股票{symbol2}', density=True)
    ax4.set_xlabel('日收益率')
    ax4.set_ylabel('密度')
    ax4.set_title('收益率分布对比')
    ax4.legend()
    ax4.grid(True)
    plt.tight_layout()
    plt.show()
def print_correlation_summary(results, symbol1, symbol2):
    """
    打印相关性分析摘要
    Parameters:
    results (dict): 分析结果字典
    symbol1 (str): 第一只股票代码
    symbol2 (str): 第二只股票代码
    """
    print("=" * 60)
    print(f"{symbol1} 与 {symbol2} 相关性分析结果")
    print("=" * 60)
    print(f"分析期间: {start_date} 至 {end_date}")
    print(f"样本数量: {len(results['returns'])} 个交易日")
    print(f"皮尔逊相关系数: {results['pearson_corr']:.4f}")
    print(f"斯皮尔曼相关系数: {results['spearman_corr']:.4f}")
    print(f"协方差: {results['covariance']:.6f}")
    # 解释相关性强度
    def interpret_correlation(corr_value):
        abs_value = abs(corr_value)
        if abs_value >= 0.7:
            return "强相关"
        elif abs_value >= 0.4:
            return "中等相关"
        elif abs_value >= 0.2:
            return "弱相关"
        else:
            return "极弱相关或不相关"
    print(f"\n相关性解释:")
    print(f"皮尔逊相关系数表明两只股票存在{interpret_correlation(results['pearson_corr'])}关系")
    print(f"斯皮尔曼相关系数表明两只股票存在{interpret_correlation(results['spearman_corr'])}关系")
    # 滚动相关性的统计特征
    rolling_corr = results['rolling_corr'].dropna()
    if len(rolling_corr) > 0:
        print(f"\n滚动相关性统计 ({window}日窗口):")
        print(f"  均值: {rolling_corr.mean():.4f}")
        print(f"  标准差: {rolling_corr.std():.4f}")
        print(f"  最大值: {rolling_corr.max():.4f}")
        print(f"  最小值: {rolling_corr.min():.4f}")
        print(f"  最后值: {rolling_corr.iloc[-1]:.4f}")
    print("=" * 60)
# 主程序
if __name__ == "__main__":
    # 设置分析参数
    symbol1 = "300308"  # 中际旭创
    symbol2 = "300502"  # 新易盛
    start_date = "20240101"  # 开始日期
    end_date = "20250901"  # 结束日期
    window = 30  # 滚动相关性窗口大小
    # 执行相关性分析
    results = analyze_stock_correlation(symbol1, symbol2, start_date, end_date, window)
    if results is not None:
        # 打印分析结果
        print_correlation_summary(results, symbol1, symbol2)
        # 绘制图表
        plot_correlation_analysis(results, symbol1, symbol2)
        # 保存结果到CSV文件
        results['returns'].to_csv(f'stock_returns_{symbol1}_{symbol2}.csv')
        results['rolling_corr'].to_csv(f'rolling_correlation_{symbol1}_{symbol2}.csv')
        print("结果已保存到CSV文件")