滚动相关性（Rolling Correlation / 滑动窗口相关系数） 是指在一个持续向前平移的固定时间窗口（例如 30 天、60 天或 90 天）内，动态计算两个资产收益率之间的相关系数。相较于用跨越数十年的单一静态数字概括全局，滚动相关性生成的是一条连续的时间序列曲线，能够敏锐反映跨资产联动在不同宏观情景下的深层变化。
它是怎么运作的
一个长度为 $N$ 的时间窗口每天向前推移一个周期：纳入最新的单日收益率，同时剔除最旧一天的数据，重新计算协方差与标准差。
绘制出的动态走势图能够直观呈现两项资产是延续了历史联动惯性，还是因宏观转向、去杠杆或流动性冲击而发生了脱钩甚至方向反转。
为什么交易者需要知道
长达数十年的静态相关性往往会抹平危机时刻关键对冲工具彻底失效甚至反向亏损的极端时期。
持续跟踪滚动相关性有助于投资经理及时识别出：原本为了分散风险而配置的两类资产，是否已在不知不觉中收敛成了同一种高风险因子。
一个简单的市场例子
在常规的低通胀环境下，美股与长期美债的 60 天滚动相关性通常处于负值区间（-0.30 至 -0.50）。而在 2022 年初激进加息期间，这一指标迅速飙升至 +0.70 以上，向多资产配置者发出国债已无法缓冲股市亏损的严厉预警。
常见误区
使用过短的时间窗口（如 3-5 天），导致计算结果充斥着微观流动性杂波，而非真正的宏观情景切换。
误将当前阶段的高滚动相关性当成两者之间存在绝对因果关系的确定性证据。
常见问题
进行宏观分析时，一般选择多长的滑动时间窗口？
机构通常使用 60 天到 90 天的中期窗口来监测战术性宏观情景切换，使用 252 天（1 个交易年）的长周期窗口来确认长期结构性趋势。
为什么金融危机期间，各类资产的滚动相关性常常向 +1.0 收敛？
在极端流动性枯竭与恐慌抛售中，杠杆基金面临大规模追加保证金（Margin Call），被迫无差别抛售所有流动性资产以换取现金，从而引发跨市场的抛售共振。
滚动相关性可以用周频或月频数据计算吗？
可以，但较低频率的数据需要更长跨度的历史时间来保证样本量充足，否则在统计学上容易失真。
仅供教育用途。部分术语在不同国家、机构和市场中的具体口径可能不同。