用途：面向配对交易、组合构建与风险管理的相关性分析技能，基于 hkuds/vibe-trading，提供四种分析模式、协整检验框架与跨市场联动分析。
主要能力：
- 联动发现：拉取目标资产与候选池日收益序列，计算 Pearson / Spearman 相关并按降序保留 Top-K（通常 K=10-20），再对 Top-K 做协整检验筛选真正存在长期均衡的配对，输出候选池与相关性摘要。资料给出筛选参考：>0.8 强同向、0.6-0.8 中等、<0.6 通常不适合配对、负相关且 <-0.6 强反向。
- 收益相关性深度分析：对两资产做双变量研究，输出 Pearson / Spearman / Kendall 系数、Beta、Alpha、R²、滚动相关与价差 Z-Score。资料建议同时报告三种系数；若 Pearson 与 Spearman 差异超过 0.1，说明关系可能非线性或厚尾，应更侧重 Spearman。
- 行业聚类：对 N 个资产相关矩阵做层次聚类，距离取 1-|correlation|，输出相关矩阵、聚类标签、热力图与树状图。连接方法可选 ward（默认推荐）、complete、average。
- 已实现相关性：计算 20/60/120 日滚动相关，并按基准指数划分牛、熊、震荡、高波动状态，输出条件相关性。状态分类年化窗口按市场调整：美股 252、A股 244、加密 365；数据不足 N 天时回退为固定阈值（累计收益 >+10% 为牛、<-10% 为熊，高波动/震荡不适用）。
- 协整分析：相关系数衡量联动程度，协整衡量长期均衡关系。Engle-Granger 两步法适用于两变量配对（先 OLS 估计协整向量，再对残差做 ADF 检验），只能检出一个协整向量且结果依赖 y 与 x 的顺序，实际中应双向测试并保留 p 值较小方向。Johansen 检验适用于三个及以上资产，可估计协整向量个数（秩），输出迹检验与最大特征值检验结果，需输入非平稳价格序列。
使用方式：资料以 Python 代码示例给出各函数，涉及 pandas、numpy、scipy、statsmodels、matplotlib、seaborn，命令与代码保持原样；运行前需准备价格或收益序列数据。
限制：资料未提供具体安装命令、付费方式、平台支持、回测效果与实盘表现，这些暂未提供；协整检验依赖非平稳价格序列且样本量要求，短数据仅能使用回退分类，无法给出高波动/震荡状态。以上所有分析不构成投资建议。