Excel中已知年化平均收益率和年化收益波动率使用python计算股票之间的相关系数

在Excel中，计算两个资产的年化收益率相关系数通常涉及以下几个步骤，如果使用Python，可以利用pandas库和numpy库来简化这个过程。假设你已经有了两个投资组合的历史收益率序列（例如，年化收益率和年化收益波动率），你可以这样做：

1. 导入必要的库：

import pandas as pd
import numpy as np
from scipy.stats import pearsonr

2. 创建一个数据框，其中包含每个资产的收益率数据：

data = {
    'Portfolio_A_Returns': [0.1, 0.05, -0.02, 0.08, ...],  # 年化收益率序列
    'Portfolio_B_Returns': [0.07, 0.06, -0.03, 0.09, ...],  # 另一个资产的收益率序列
    'Volatility_A': [...],  # Portfolio A的年化收益波动率
    'Volatility_B': [...],  # Portfolio B的年化收益波动率
}
df = pd.DataFrame(data)

3. 确保收益率数据已经标准化（比如转化为百分比形式），并且波动率也是数值型的。

4. 计算收益率的相关系数，考虑到波动率，一种常见的方法是使用资产收益率和对数收益率的乘积，因为它们是对数线性的：

returns_corr = np.corrcoef(df['Portfolio_A_Returns'].pct_change().dropna(), df['Portfolio_B_Returns'].pct_change().dropna())[0, 1]
volatility_corr = np.corrcoef(df['Volatility_A'], df['Volatility_B'])[0, 1]

# 然后可以考虑调整相关系数，如将两个指标的协方差除以各自的标准差：
corr_adjusted = (returns_corr * volatility_corr) / (np.std(df['Portfolio_A_Returns'].pct_change()) * np.std(df['Portfolio_B_Returns'].pct_change()))

这里使用的是皮尔逊相关系数（Pearson's correlation coefficient），它衡量了变量之间线性关系的强度和方向。如果你想得到更全面的信息，还可以考虑其他类型的关联度，如斯皮尔曼等级相关系数（Spearman's rank correlation）等。