用Python拆解美元指数、美债收益率与黄金联动关系

用Python拆解“美元暴跌、美债跳水、黄金拉升”背后的数据逻辑

最近外围市场有一个现象很值得关注：美元指数出现明显回落，10年期美债收益率同步跳水，而黄金价格则被推向阶段高位。很多做跨境投资、外贸结算或者黄金ETF波段的人，第一反应是问“原因是什么”，但真正落到自己交易系统里，问题就变成了“这些宏观变量之间到底是怎么联动的，我能用什么工具把它量化出来”。

如果你去看盘面，会发现这类行情有一个共同特征：美元和黄金负相关，美债收益率和黄金负相关，但三者的联动节奏未必同步。有时候美元先动，黄金后动；有时候收益率先动，美元再补跌。单靠肉眼盯K线，很难判断谁在主导行情。

这篇文章不讨论任何投资建议，只讲技术：如何用 Python 把美元指数、10年期美债收益率、黄金价格三类数据拉下来，做清洗、对齐、相关性分析，并生成可视化图表。看完你可以把这套方法迁移到自己的量价分析脚本里。

1. 为什么这类“宏观联动”行情值得用代码分析

先从一个实际痛点说起。假设你正在做一个大宗商品或外汇相关的数据看板，需要每天统计美元指数与黄金的滚动相关性。过去常见的做法是手动从不同网站导出 Excel，再用 VLOOKUP 对齐日期，最后插入折线图。这个流程有三个问题：

第一，数据源分散。美元指数、美债收益率、黄金价格往往来自不同平台，日期格式、时区、数据频率都可能不一致，手动合并非常容易出错。第二，时间口径不统一。外汇市场几乎24小时交易，美债有电子盘和常规时段之分，黄金则有伦敦金和纽约金两个主要定价时段，如果不对齐“同一交易日”，算出来的相关系数会失真。第三，重复劳动。一次两次手动处理还能忍受，如果每周都要更新，脚本化几乎是唯一合理的选择。

从技术角度看，这类行情分析本质上是“多资产时序数据的对齐与相关性度量”，属于量化分析里的基础功。真正难的不是调库，而是处理数据口径差异。比如你从 yfinance 拿到的黄金价格和从 FRED 拿到的美债收益率，日期索引可能差一天，因为前者用的是交易日，后者用的是美国国债市场工作日。

所以这篇文章的核心判断是：宏观联动的行情分析，90%的工作量在数据清洗和口径统一，而不是模型计算。如果你能把“拉数、清洗、对齐、计算、绘图”这五步固化成脚本，后续研究任何跨资产相关性都能直接复用。

2. 核心指标基础概念与联动机制

在看代码之前，先把涉及到的指标解释清楚，这对后续理解代码逻辑很重要。

2.1 美元指数（DXY）

美元指数用于衡量美元对一篮子货币的汇率变化，篮子中欧元权重最大，超过50%，其次是日元、英镑等。它本质上是一个“相对价格”，反映的是美元在全球外汇市场中的强弱。外汇市场波动剧烈时，DXY 的日内振幅可能超过1%，这也是为什么很多量化策略会把 DXY 的异常波动当作风险开关。

2.2 10年期美债收益率（US10Y）

10年期美债收益率常被视作全球无风险利率的锚，它影响股票估值模型里的折现率，也影响黄金这类零息资产的机会成本。10年期美债收益率下跌，意味着持有黄金的机会成本下降，这是黄金避险属性的核心传导路径之一。但要注意，收益率数据在 yfinance 中通常以百分数形式给出，比如4.20表示4.20%，需要除以100转成小数参与计算。

2.3 黄金价格（XAU/USD 或 GLD）

黄金的定价非常复杂。伦敦金定价是全球基准之一，纽约商品期货交易所的COMEX黄金期货则是另一个主要定价市场。考虑到数据可得性，本文使用 GLD（SPDR Gold Shares ETF）作为黄金价格的代理变量。GLD 追踪金条价格，流动性和数据完整性都足够支持日常分析。

2.4 三者的联动关系

从长期看，美元指数与黄金价格通常呈负相关，因为黄金以美元计价，美元走强会压低金价；10年期美债收益率与黄金价格也通常呈负相关，因为收益率上升意味着持有零息资产的机会成本增加。但“通常”不代表“永远”，短周期内可能出现同涨同跌，这与市场避险情绪、实际利率预期、流动性冲击等因素有关。

用代码做这件事的价值在于，你可以用滚动相关系数观察这种关系是否稳定，而不是凭感觉猜测。

3. 环境准备与数据源说明

本文后续代码基于 Python 3.9 以上版本，核心依赖库如下：

• pandas：数据处理与时间对齐
• numpy：数值计算
• matplotlib：可视化
• yfinance：获取金融市场价格数据
• pandas-datareader：备用数据源，用于从 FRED 获取宏观数据

安装命令：

pip install pandas numpy matplotlib yfinance pandas-datareader

如果你所在网络访问外网数据源不稳定，建议配置代理或使用国内可稳定访问的镜像数据源，本文只演示通用思路。所有数据均为公开市场数据，不涉及任何非公开信息。

实际操作中，建议在 Jupyter Notebook 里分步运行，便于查看中间结果；如果要做定时任务，可以封装成独立的 Python 脚本配合 cron 或任务计划程序运行。

4. 核心流程拆解

下面把整个分析拆成五步，每步解决一个明确问题。

4.1 数据拉取

从 yfinance 拉取 DXY、US10Y、GLD 三类资产的日线数据。DXY 的 yfinance 代码是DX-Y.NYB，10年期美债收益率是^TNX，黄金 ETF 是GLD。需要注意，^TNX返回的是收益率*10吗？这里要特别说明：^TNX的单位是百分数，比如数值4.2表示4.2%，需要除以100才是小数形式的收益率。同时，DX-Y.NYB也不是所有时间都有数据，需要做缺失值检查。

4.2 日期对齐与重采样

三类资产虽然都是交易日数据，但停牌日可能不同。比如美股有节假日休市，而外汇市场在部分节假日仍有交易。最简单的处理方式是取三者的交集，只保留都有的日期；如果数据量太少，则用前向填充对齐到同一交易日。

4.3 计算日收益率

相关性分析通常使用收益率，而不是价格本身，因为价格序列不平稳，直接算相关系数容易得到虚假关系。日收益率计算公式为：

ret = close.pct_change()

4.4 滚动相关性

用 pandas 的rolling()函数计算固定窗口（比如60个交易日）内的美元指数与黄金、收益率与黄金的滚动相关系数，观察联动关系的稳定性。

4.5 可视化

用 matplotlib 绘制价格走势子图和滚动相关系数子图，直观观察联动变化。图表能帮助我们发现“负相关什么时候失效”，这是静态报表无法提供的价值。

5. 完整示例代码实现

下面给出一个可直接运行的完整示例，我把每一步都写清楚，方便你对照理解。

5.1 导入依赖并配置中文字体

import pandas as pd import numpy as np import matplotlib.pyplot as plt import yfinance as yf from datetime import datetime, timedelta # 解决 matplotlib 中文显示问题 plt.rcParams['font.sans-serif'] = ['SimHei', 'Arial Unicode MS', 'sans-serif'] plt.rcParams['axes.unicode_minus'] = False print("依赖导入成功")

5.2 拉取三类资产数据

# 文件路径：macro_analysis/data_fetch.py # 拉取时间范围：过去 2 年 end_date = datetime.now() start_date = end_date - timedelta(days=730) tickers = { "DXY": "DX-Y.NYB", # 美元指数 "US10Y": "^TNX", # 10年期美债收益率 "GLD": "GLD", # 黄金 ETF } data = yf.download( list(tickers.values()), start=start_date.strftime("%Y-%m-%d"), end=end_date.strftime("%Y-%m-%d"), group_by="ticker", auto_adjust=True, progress=False ) # 提取收盘价并重命名列 close_df = pd.DataFrame() for name, symbol in tickers.items(): close_df[name] = data[symbol]["Close"] print("数据拉取完成，缺失值统计：") print(close_df.isnull().sum())

这里auto_adjust=True表示使用复权价格，对于 ETF 很重要，因为分红除息会导致价格跳空，复权后收益率计算才准确。对指数类数据影响不大，但养成好习惯没有坏处。

5.3 数据清洗与日期对齐

# 前向填充缺失值，再删除仍然缺失的行 close_df = close_df.ffill().dropna() # 检查最终数据量 print(f"对齐后的样本数量：{len(close_df)}") print("数据范围：") print(close_df.index.min(), "到", close_df.index.max()) # 查看最近5行 print(close_df.tail())

这一步是整篇文章最容易出错的地方。如果直接 dropna，可能因为节假日差异丢掉大量数据；如果先 ffill 再 dropna，可以保留更多样本，但要注意起始阶段可能因为填充产生不规范数据。稳妥做法是：先检查缺失值比例，超过1%再考虑业务上是否要剔除该时段。

5.4 计算日收益率与滚动相关性

# 计算日收益率 ret_df = close_df.pct_change().dropna() # 计算滚动相关系数，窗口设为 60 个交易日 window = 60 roll_corr_gold_dxy = ret_df["GLD"].rolling(window).corr(ret_df["DXY"]) roll_corr_gold_us10y = ret_df["GLD"].rolling(window).corr(ret_df["US10Y"]) # 计算全样本普通相关系数作为对照 full_corr_gold_dxy = ret_df["GLD"].corr(ret_df["DXY"]) full_corr_gold_us10y = ret_df["GLD"].corr(ret_df["US10Y"]) print(f"全样本 GLD 与 DXY 相关系数：{full_corr_gold_dxy:.4f}") print(f"全样本 GLD 与 US10Y 相关系数：{full_corr_gold_us10y:.4f}")

滚动相关性输出的是一个带日期的序列，可以很直观地看出负相关关系什么时候变弱、什么时候反转。这是静态表格给不了的信息。

5.5 可视化输出

# 创建 3 行子图，共享 x 轴 fig, axes = plt.subplots(3, 1, figsize=(12, 14), sharex=True) # 第一幅：价格走势 ax1 = axes[0] ax1.plot(close_df.index, close_df["DXY"], label="DXY (美元指数)", color="#1f77b4") ax1.set_ylabel("DXY") ax1.legend(loc="upper left") ax1.grid(True, alpha=0.3) ax1b = ax1.twinx() ax1b.plot(close_df.index, close_df["GLD"], label="GLD (黄金)", color="#ff7f0e") ax1b.set_ylabel("GLD Price") ax1b.legend(loc="upper right") # 第二幅：10年期美债收益率 ax2 = axes[1] ax2.plot(close_df.index, close_df["US10Y"], color="#d62728", label="US10Y (%)") ax2.set_ylabel("US10Y (%)") ax2.legend(loc="upper left") ax2.grid(True, alpha=0.3) # 第三幅：滚动相关系数 ax3 = axes[2] ax3.plot(roll_corr_gold_dxy.index, roll_corr_gold_dxy, label="GLD-DXY 滚动相关", color="#2ca02c") ax3.plot(roll_corr_gold_us10y.index, roll_corr_gold_us10y, label="GLD-US10Y 滚动相关", color="#9467bd") ax3.axhline(0, color="black", linestyle="--", linewidth=0.8) ax3.set_ylabel("滚动相关系数") ax3.set_ylim(-1, 1) ax3.legend(loc="lower left") ax3.grid(True, alpha=0.3) plt.tight_layout() # 保存图片，方便用于报告或文档 plt.savefig("macro_correlation.png", dpi=150) plt.show()

这里的可视化逻辑很简单：第一幅图用双 y 轴对比美元指数与黄金走势，第二幅图看美债收益率，第三幅图用滚动相关系数观察联动变化。视觉上很容易发现：美元指数与黄金的滚动相关系数长期在 -0.6 到 -0.3 之间波动，但在某些阶段可能跌破 -0.7 或回到 -0.1 附近，这个波动本身就值得深入分析。

5.6 使用 FRED 数据源获取美债收益率（备用方案）

如果 yfinance 的^TNX数据不稳定，可以使用 FRED 的DGS10（10年期美国国债收益率）作为替代数据源。

import pandas_datareader.data as web from datetime import datetime # 从 FRED 获取 10 年期美债收益率 start = datetime.now() - timedelta(days=730) end = datetime.now() try: dgs10 = web.DataReader("DGS10", "fred", start, end) dgs10 = dgs10.dropna() print("FRED 数据拉取成功") print(dgs10.tail()) except Exception as e: print(f"数据拉取失败：{e}")

FRED 的数据是按日发布的，但发布日期可能有滞后，而且缺失值较多，因为美国国债市场有固定节假日。用它做宏观研究很专业，但实时性不如 yfinance。

6. 运行结果与效果验证

上述代码运行后，你应该能看到至少三样东西：

1. 终端输出打印的三列数据（DXY、US10Y、GLD）的缺失值统计。
2. 终端输出的全样本相关系数。
3. 一张保存为macro_correlation.png的三子图图表。

当你看到终端输出类似下面这样时，说明数据处理基本正常：

数据拉取完成，缺失值统计： DXY 12 US10Y 8 GLD 0 dtype: int64 对齐后的样本数量：496 GLD 与 DXY 相关系数：-0.6823 GLD 与 US10Y 相关系数：-0.5741

如何判断这个结果是合理的？

首先，缺失值数量不会太大。如果缺失值超过全部交易日的20%，需要检查网络、代码 ticker 是否写错，或者是否选错了时间范围。其次，GLD 与 DXY 的相关系数应该为负，且绝对值通常在0.4以上，如果符号为正，大概率是数据对齐出了问题，或者期间样本中包含极端异常的“流动性危机”时段。最后，图表第三幅子图中的滚动相关系数应该在 -1 到 1 之间波动，如果全部是常数值，说明代码逻辑有 bug。

如果运行失败，第一步看报错信息是否涉及“No data found for symbol”。如果是，优先检查网络连接；如果网络正常，多半是 yfinance 临时限流，稍等重试即可。

7. 常见问题与排查思路

8. 最佳实践与工程建议

把宏观联动分析做成可持续运行的任务，有几件事从一开始就应该想清楚。

8.1 规范化命名与目录结构

建议把脚本按功能拆分，而不是一个大文件写完所有逻辑。例如：

macro_analysis/ ├── config.py # 常量配置：ticker、时间窗口、输出路径 ├── data_fetch.py # 数据拉取模块 ├── data_clean.py # 清洗与对齐模块 ├── indicators.py # 指标计算模块：收益率、滚动相关 ├── plot.py # 可视化模块 └── run.py # 主入口，串联所有模块

这样任何一步报错，都能快速定位，也方便团队协作。

8.2 数据落盘与增量更新

每次从 yfinance 全量拉两年数据，既慢又容易被限流。更合理的做法是把历史数据缓存到本地 CSV 或数据库，每天只增量拉取新交易日的几条数据。代码层面可以使用last_date = pd.read_csv("cache.csv", index_col=0).index.max()判断上次拉取时间，再决定本轮的起始日期。

8.3 对数据源做健康检查

远程数据源不可控，建议在脚本开头加一个简单检查：如果某列缺失值超过总样本的5%，就告警而不是直接静默填充。这样能防止“坏数据喂进策略”导致错误决策。

8.4 不要只看全样本相关性

全样本相关系数只是平均水平，实际交易中滚动相关性更有参考价值。建议在输出图表时，把滚动相关系数的均值、标准差、极端值一并打印出来。例如：

print(f"滚动相关均值：{roll_corr_gold_dxy.mean():.4f}") print(f"滚动相关标准差：{roll_corr_gold_dxy.std():.4f}") print(f"滚动相关最小值：{roll_corr_gold_dxy.min():.4f}") print(f"滚动相关最大值：{roll_corr_gold_dxy.max():.4f}")

这个统计量能告诉你，负相关关系到底是稳定的常态，还是只在少数时间段出现，对判断策略适用范围很重要。

8.5 安全与合规边界

本文涉及的代码只处理公开市场数据，不构成任何投资建议。如果你把类似脚本用于实盘决策，一定要有严格的风控逻辑，包括但不限于：回撤上限、仓位控制、状态监控和回滚机制。代码层面，建议所有对外部数据源的访问都设置超时与重试机制，避免单次请求失败导致整个任务崩溃。

9. 总结与后续学习方向

这篇文章做的事情，本质上是一条“数据工程 + 统计检验”的流水线：先拉取多资产日线数据，再做日期对齐与缺失值清洗，接着计算收益率和滚动相关系数，最后通过可视化观察联动关系的变化。这套能力可以迁移到很多场景，比如股票与债券的跷跷板分析、商品与汇率的传导研究，甚至加密货币与纳斯达克的联动追踪。

如果你刚入门量化分析，建议先把今天的代码完整跑一遍，再把时间窗口改成90天、120天对比结果差异。下一步可以往两个方向深入：一是使用 VECM 或协整检验研究变量间的长期均衡关系；二是引入实际利率、通胀预期等宏观变量，建立更立体的多因子分析框架。

最后提醒一点：数据源和数据质量会直接影响分析结论，任何“美元暴跌导致黄金上涨”之类的结论，都应该回归到原始数据上进行验证，而不是只看新闻标题。把这套代码收藏备用，下一次再遇到类似行情时，你就能用数据而不是感觉说话了。